Módulo I: Introdução a Processos Estocásticos
|
|
- Geraldo Canela Festas
- 6 Há anos
- Visualizações:
Transcrição
1 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: Introdução a Processos Estocásticos p.1/55
2 Processo Aleatório da Produção da Voz Humana Representação do trato vocal Módulo I: Introdução a Processos Estocásticos p.2/55
3 Processo Aleatório da Produção da Voz Humana A produção da voz inicia com a emissão do ar pelos pulmões, com ajuda do diafragma Quando o ar atinge as cordas vocais provoca sua vibração, dando origem aos sons, que são amplificados pela faringe, laringe e boca Conforme a quantidade de ar, as cordas vocais vibram mais ou menos vezes e isso determina se a voz será aguda ou grave Nos tons graves as cordas vibram em média 80 vezes por segundo, enquanto nos tons agudos podem vibras até 1000 vezes por segundo Quando o som sai da boca ele encontra moléculas de ar e as faz vibrar em torno de seu ponto de equilíbrio Quando essas moléculas se chocam umas com as outras, transmitem seus modos de vibração, dando origem à propagação do som Essas moléculas vibrantes alcançam os ouvidos e fazem as células ciliadas vibrarem Módulo I: Introdução a Processos Estocásticos p.3/55
4 Processo Aleatório da Produção da Voz Humana Quando uma mesma palavra ou frase é pronunciada repetidas vezes por uma pessoa, não há como garantir que o fluxo de ar emitido pelos pulmões seja exatamente o mesmo em todas as pronúncias Não há como garantir que as cordas vocais vibrem exatamente com a mesma frequência em cada pronúncia Não há como garantir que exatamente a mesma quantidade de moléculas seja afetada pelo ar que sai da boca em cada pronúncia Não há como garantir que exatamente a mesma quantidade de moléculas alcance as células ciliadas do ouvido ou a membrana de um microfone À cada pronúncia de uma mesma palavra ou frase, um sinal com características elétricas diferentes alcança o cérebro ou um microfone Esses diferentes sinais formam um processo aleatório Módulo I: Introdução a Processos Estocásticos p.4/55
5 Amostra de Sinal de Voz Função amostra do sinal de voz da pronúncia de Análise de sinais 0.2 Intensidade do sinal de voz da sequência "Análise de Sinais" s 1 (t) Número de amostras em 2.22 s ( Frequência de amostragem 48KHz) x 10 4 Módulo I: Introdução a Processos Estocásticos p.5/55
6 Exemplos de Processos Estocásticos Processos definidos em tempo discreto que tomam valores discretos Após o lançamento, a face superior de um dado é observada em instantes discretos e igualmente espaçados. Após o lançamento, a face superior de uma moeda é observada em instantes discretos e igualmente espaçados. Em um experimento, fótons são lançados em direção a um anteparo contendo dois orifícios. Os fótons escolhem aleatoriamente um dos anteparos à cada minuto em que o feixe é disparado. Um detector no anteparo mostra quantos fótons se chocaram. Módulo I: Introdução a Processos Estocásticos p.6/55
7 Ex1: Processos definidos em tempo discreto que tomam valores discretos Ao resultado s 1 de um experimento E é associado o sinal X[n, s 1 ] X[n, s 1 ] +k +m n m k n 1 n 2 Módulo I: Introdução a Processos Estocásticos p.7/55
8 Ex1: Processos definidos em tempo discreto que tomam valores discretos Ao resultado s 2 de um experimento E é associado o sinal X[n, s 2 ] X[n, s 2 ] +k +m n m k n 1 n 2 Módulo I: Introdução a Processos Estocásticos p.8/55
9 Ex1: Processos definidos em tempo discreto que tomam valores discretos Ao resultado s 3 de um experimento E é associado o sinal X[n, s 3 ] X[n, s 3 ] +k +m n m k n 1 n 2 Módulo I: Introdução a Processos Estocásticos p.9/55
10 Ex1: Processos definidos em tempo discreto que tomam valores discretos Ao resultado s 4 de um experimento E é associado o sinal X[n, s 4 ] X[n, s 4 ] +k +m n m k n 1 n 2 Módulo I: Introdução a Processos Estocásticos p.10/55
11 Ex1: Processos definidos em tempo discreto que tomam valores discretos Ao resultado s 5 de um experimento E é associado o sinal X[n, s 5 ] X[n, s 5 ] +k +m n m k n 1 n 2 Módulo I: Introdução a Processos Estocásticos p.11/55
12 Ex1: Processos definidos em tempo discreto que tomam valores discretos Ao resultado s 6 de um experimento E é associado o sinal X[n, s 6 ] X[t, s 6 ] +k +m n m k n 1 n 2 Módulo I: Introdução a Processos Estocásticos p.12/55
13 Processos Definidos em Tempo Discreto que Tomam valores Discretos Definição I Conjunto formado por sinais associados aleatoriamente aos resultados s do espaço amostral de um experimento E, de acordo com a probabilidade de ocorrência de s. Os sinais desse conjunto são definidos em tempo discreto e tomam valores discretos. Definição II Variável aleatória discreta X indexada por um indexador n que toma valores em um conjunto enumerável I. Notação X[n] = {X[n, s], n I} I é um conjunto enumerável Módulo I: Introdução a Processos Estocásticos p.13/55
14 Observações 1. Para s fixo em s k, o sinal X[n, s k ] possível de ser associado é chamado de realização do processo aleatório 2. Para n fixo em n k, é associado ao resultado do experimento o valor que o sinal toma no instante n k. Tem-se assim o resultado de um experimento associado a um valor. Essa associação, na Teoria de Probabilidade, é chamada de Variável Aleatória. 3. Em um instante discreto qualquer n a variável aleatória discreta X[n, s] é caracterizada por uma distribuição de probabilidades. Módulo I: Introdução a Processos Estocásticos p.14/55
15 Exemplos de Processos Estocásticos Processos definidos em tempo contínuo que tomam valores discretos Em um banco é contado e registrado, após o decorrer de cada hora, o número tótal de usuários que acessaram um determinado caixa eletrônico. Em uma rede local, a quantidade de pacotes de dados que chegam ou deixam um determinado reteador é contada e registrada ao final de cada intervalo de uma hora. Um sinal de telecomunicações é formado por uma sequência de pulsos retangulares de duração fixa e amplitude aleatória que pode tomar apenas uma quantidade limitada de valores Módulo I: Introdução a Processos Estocásticos p.15/55
16 Ex2: Processos definidos em tempo contínuo que tomam valores discretos Ao resultado s 1 de um experimento E é associado o sinal X(t, s 1 ) X(t, s 1 ) t t 1 t 2 Módulo I: Introdução a Processos Estocásticos p.16/55
17 Ex2: Processos definidos em tempo contínuo que tomam valores discretos Ao resultado s 2 de um experimento E é associado o sinal X(t, s 2 ) X(t, s 2 ) t t 1 t 2 Módulo I: Introdução a Processos Estocásticos p.17/55
18 E2: Processos definidos em tempo contínuo que tomam valores discretos Ao resultado s 3 de um experimento E é associado o sinal X(t, s 3 ) X(t, s 3 ) t t 1 t 2 Módulo I: Introdução a Processos Estocásticos p.18/55
19 Ex2: Processos definidos em tempo contínuo que tomam valores discretos Ao resultado s 4 de um experimento E é associado o sinal X(t, s 4 ) X(t, s 4 ) t t 1 t 2 Módulo I: Introdução a Processos Estocásticos p.19/55
20 Ex2: Processos definidos em tempo contínuo que tomam valores discretos Ao resultado s 5 de um experimento E é associado o sinal X(t, s 5 ) X(t, s 5 ) t t 1 t 2 Módulo I: Introdução a Processos Estocásticos p.20/55
21 Ex2: Processos definidos em tempo contínuo que tomam valores discretos Ao resultado s 6 de um experimento E é associado o sinal X(t, s 6 ) X(t, s 6 ) t t 1 t 2 Módulo I: Introdução a Processos Estocásticos p.21/55
22 Processos Definidos em Tempo Contínuo que Tomam Valores Discretos Definição I Conjunto formado por sinais associados aleatoriamente aos resultados s do espaço amostral de um exprerimento E, de acordo com a probabilidade de ocorrência de s. Os sinais desse conjunto são definidos em tempo contínuo e tomam valores discretos. Definição II Variável aleatória discreta X indexada por um indexador t que toma valores em um conjunto não enumerável I. Notação X(t) = {X(t, s), t I} I é um conjunto não enumerável Módulo I: Introdução a Processos Estocásticos p.22/55
23 Observações 1. Para s fixo em s k, o sinal possível de ser associado é chamado de realização do processo aleatório 2. Para t fixo em t k, é associado ao resultado do experimento não mais um sinal e sim um valor aleatório que o sinal toma no instante t. Tem-se assim o resultado de um experimento associado a um valor. Essa associação, na Teoria de Probabilidade, é chamada de Variável Aleatória. 3. Em um instante qualquer t k a variável aleatória discreta X(t k, s) é caracterizada por uma distribuição de probabilidades. Módulo I: Introdução a Processos Estocásticos p.23/55
24 Exemplos de Processos Estocásticos Processos definidos em tempo discreto que tomam valores contínuos Amostras de um sinal são tomadas em instantes aleatórios e formam uma sequência Os níveis de luminância (variação de brilho) de uma imagem são observados em coordenadas espaciais fixas e variam aleatóriamente de acordo com a distribuição espacial do ruído na imagem Em um laboratório de física um sensor registra, de hora em hora, a intensidade dos impulsos causados por sobrecargas elétricas em uma linha de transmissão. Módulo I: Introdução a Processos Estocásticos p.24/55
25 Ex3: Processos definidos em tempo discreto que tomam valores contínuos Ao resultado s 1 de um experimento E é associado o sinal X[n, s 1 ] X[n, s 1 ] n n 1 n 2 Módulo I: Introdução a Processos Estocásticos p.25/55
26 Ex3: Processos definidos em tempo discreto que tomam Valores contínuos Ao resultado s 2 de um experimento E é associado o sinal X[n, s 2 ] X[n, s 2 ] n n 1 n 2 Módulo I: Introdução a Processos Estocásticos p.26/55
27 Ex3: Processos definidos em tempo discreto que tomam valores contínuos Ao resultado s 3 de um experimento E é associado o sinal X[n, s 3 ] X[n, s 3 ] n n 1 n 2 Módulo I: Introdução a Processos Estocásticos p.27/55
28 Ex3: Processos definidos em tempo discreto que tomam valores contínuos Ao resultado s 4 de um experimento E é associado o sinal X[n, s 4 ] X[n, s 4 ] n n 1 n 2 Módulo I: Introdução a Processos Estocásticos p.28/55
29 Ex3: Processos definidos em tempo discreto que tomam valores contínuos Ao resultado s 5 de um experimento E é associado o sinal X[n, s 5 ] X[n, s 5 ] n n 1 n 2 Módulo I: Introdução a Processos Estocásticos p.29/55
30 Ex3: Processos definidos em tempo discreto que tomam valores contínuos Ao resultado s 6 de um experimento E é associado o sinal X[n, s 6 ] X[n, s 6 ] n n 1 n 2 Módulo I: Introdução a Processos Estocásticos p.30/55
31 Processos Definidos em Tempo Discreto que Tomam Valores Contínuos Definição I Conjunto formado por sinais associados aleatoriamente aos resultados s do espaço amostral de um experimento E, de acordo com as probabilidades de ocorrência de s. Os sinais desse conjunto são definidos em tempo discreto e tomam valores contínuos. Definição II Variável aleatória contínua X indexada por um indexador n que toma valores em um conjunto enumerável I. Notação X[n] = {X[n, s], n I} I é um conjunto enumerável Módulo I: Introdução a Processos Estocásticos p.31/55
32 Observações 1. Para s fixo em s k, o sinal possível de ser associado é chamado de realização do processo aleatório 2. Para n fixo em n k, é associado ao resultado do experimento o valor que o sinal toma no instante n k. Tem-se assim o resultado de um experimento associado a um valor. Essa associação, na Teoria de Probabilidade, é chamada de Variável Aleatória. 3. Em um instante discreto qualquer n k a variável aleatória contínua X(n k, s) é caracterizada por uma função cumulativa de probabilidade. Módulo I: Introdução a Processos Estocásticos p.32/55
33 Exemplos de Processos Estocásticos Processos definidos em tempo contínuo que tomam valores contínuos Sinal ruidoso que se adiciona a um sinal captado em uma antena Sinal elétrico de voz captado pelo microfone de um determinado locutor Variações aleatórias verificadas na intensidade de um sinal transmitido por um canal de comunicações sem fio Módulo I: Introdução a Processos Estocásticos p.33/55
34 Ex4: Processos definidos em tempo contínuo que tomam valores contínuos Ao resultado s 1 de um experimento E é associado o sinal X(t, s 1 ) X(t, s 1 ) t t 1 t 2 Módulo I: Introdução a Processos Estocásticos p.34/55
35 Ex4: Processos definidos em tempo contínuo que tomam valores contínuos Ao resultado s 2 de um experimento E é associado o sinal X(t, s 2 ) X(t, s 2 ) t t 1 t 2 Módulo I: Introdução a Processos Estocásticos p.35/55
36 Ex4: Processos definidos em tempo contínuo que tomam valores contínuos Ao resultado s 3 de um experimento E é associado o sinal X(t, s 3 ) X(t, s 3 ) t t 1 t 2 Módulo I: Introdução a Processos Estocásticos p.36/55
37 Ex4: Processos definidos em tempo contínuo que tomam valores contínuos Ao resultado s 4 de um experimento E é associado o sinal X(t, s 4 ) X(t, s 4 ) t t 1 t 2 Módulo I: Introdução a Processos Estocásticos p.37/55
38 Ex4: Processos definidos em tempo contínuo que tomam valores contínuos Ao resultado s 5 de um experimento E é associado o sinal X(t, s 5 ) X(t, s 5 ) t t 1 t 2 Módulo I: Introdução a Processos Estocásticos p.38/55
39 Ex4: Processos definidos em tempo contínuo que tomam valores contínuos Ao resultado s 6 de um experimento E é associado o sinal X(t, s 6 ) X(t, s 6 ) t t 1 t 2 Módulo I: Introdução a Processos Estocásticos p.39/55
40 Processos Definidos em Tempo Contínuo que Tomam Valores Contínuos Definição I Conjunto formado por sinais associados aleatoriamente aos resultados s do espaço amostral de um experimento E, de acordo com as probabilidades de ocorrência de s. Os sinais desse conjunto são definidos em tempo contínuo e tomam valores contínuos. Definição II Variável aleatória contínua X indexada por um indexador t que toma valores em um conjunto não enumerável I. Notação X(t) = {X(t, s), t I} I é um conjunto não enumerável Módulo I: Introdução a Processos Estocásticos p.40/55
41 Observações 1. Cada s fixo em s k, o sinal possível de ser associado é chamado de realização do processo aleatório 2. Para t fixo em t k, é associado ao resultado do experimento não mais um sinal e sim o valor que o sinal toma em t k. Tem-se assim o resultado de um experimento associado a um valor. Essa associação, na Teoria de Probabilidade, é chamada de Variável Aleatória. 3. Em um instante qualquer t k a variável aleatória contínua X(t k, s) é caracterizada por uma função cumulativa de probabilidade. Módulo I: Introdução a Processos Estocásticos p.41/55
42 Estatísticas dos Processos Contínuos de Primeira Ordem A Função Cumulativa de Probabilidade - FCP Processos definidos em tempo discreto Se X[n] é um processo contínuo definido em tempo discreto, a Função Cumulativa de Probabilidade de Primeira Ordem da variável aleatória obtida para n fixo é dada por F X[n] (x) = Prob{X[n] x}. Processos definidos em tempo contínuo Se X(t) é um processo contínuo definido em tempo contínuo, a Função Cumulativa de Probabilidade de Primeira Ordem da variável aleatória obtida para t fixo é dada por F X(t) (x) = Prob{X(t) x}. Módulo I: Introdução a Processos Estocásticos p.42/55
43 Estatísticas dos Processos Contínuos de Primeira Ordem A Função Densidade de Probabilidade - fdp Processos definidos em tempo discreto Em um instante fixo n, um processo estocástico contínuo X[n] é uma variável aleatória com função densidade de probabilidade de primeira ordem dada por f X[n] (x) = F X[n](x). x Processos definidos em tempo contínuo Em um instante fixo t, um processo estocástico contínuo X(t) é uma variável aleatória com função densidade de probabilidade de primeira ordem dada por f X(t) (x) = F X(t)(x) x. Módulo I: Introdução a Processos Estocásticos p.43/55
44 FDP de um Processo Contínuo de Primeira Ordem f X(t) (x) R xo f X(t)(x)dx x o x Módulo I: Introdução a Processos Estocásticos p.44/55
45 Estatísticas dos Processos Contínuos de Primeira Ordem A Função Densidade de Probabilidade - fdp Ex5: Seja Θ uma variável aleatória uniformemente distribuída no intervalo [ π, π], calcule a fdp do processo Ex6: Ex7: X(t) = cos(ω o t + Θ). Seja X(t) um processo aleatório definido em tempo contínuo que toma valores contínuos. Calcule a fdp do processo aleatório Y (t) = X 2 (t). Sejam X(t) e Y (t) processos aleatórios definidos em tempo contínuos que tomam valores contínuos. Calcule a fdp do processo aleatório Z(t) = X(t)Y (t). Módulo I: Introdução a Processos Estocásticos p.45/55
46 Estatísticas dos Processos Contínuos de Segunda Ordem A Função Cumulativa de Probabilidade - FCP Processos definidos em tempo discreto Em um processo contínuo, definido em tempo discreto, se X 1 = X[n 1, s] e X 2 = X[n 2, s], então a Função Cumulativa de Probabilidade de Segunda Ordem é dada por F X[n1 ],X[n 2 ](x 1, x 2 ) = F X1,X 2 (x 1, x 2 ) = Prob{X 1 x 1, X 2 x 2 }. Módulo I: Introdução a Processos Estocásticos p.46/55
47 Estatísticas dos Processos Contínuos de Segunda Ordem A Função Cumulativa de Probabilidade - FCP Processos definidos em tempo contínuo Em um processo contínuo, definido em tempo contínuo, se X 1 = X(t 1, s) e X 2 = X(t 2, s), então a Função Cumulativa de Probabilidade de Segunda Ordem é dada por F X(t1 ),X(t 2 )(x 1, x 2 ) = F X1,X 2 (x 1, x 2 ) = Prob{X 1 x 1, X 2 x 2 }. Módulo I: Introdução a Processos Estocásticos p.47/55
48 Estatísticas dos Processos Contínuos de Segunda Ordem A Função Densidade de Probabilidade - fdp Processos definidos em tempo discreto Em um processo contínuo, definido em tempo discreto, se X 1 = X[n 1, s] e X 2 = X[n 2, s], então a Função Densidade de Probabilidade de Segunda Ordem é dada por f X[n1 ],X[n 2 ](x 1, x 2 ) = f X1,X 2 (x 1, x 2 ) = 2 F X1,X 2 (x 1, x 2 ) x 1 x 2. Módulo I: Introdução a Processos Estocásticos p.48/55
49 Estatísticas dos Processos Contínuos de Segunda Ordem A Função Densidade de Probabilidade - fdp Processos definidos em tempo contínuo Em um processo contínuo, definido em tempo contínuo, se X 1 = X(t 1, s) e X 2 = X(t 2, s), então a Função Densidade de Probabilidade de Segunda Ordem é dada por f X(t1 ),X(t 2 )(x 1, x 2 ) = f X1,X 2 (x 1, x 2 ) = 2 F X1,X 2 (x 1, x 2 ) x 1 x 2. Módulo I: Introdução a Processos Estocásticos p.49/55
50 Estatísticas dos Processos Contínuos de Segunda Ordem Ex8: Se Z(t) = ax(t) + by (t), calcule Prob{aX(t) + by (t) z} f X(t),Y (t) (x, y) y x ax + by = z ax + by < z Módulo I: Introdução a Processos Estocásticos p.50/55
51 Estatísticas dos Processos Contínuos de m-ésima Ordem A Função Cumulativa de Probabilidade - FCP Processos definidos em tempo discreto Em um processo contínuo, definido em tempo discreto, se X 1 = X[n 1, s], X 2 = X[n 2, s], X m = X[n m, s], então a Função Cumulativa de Probabilidade de m-ésima Ordem é dada por F X[n1 ],X[n 2 ],,X[n m ](x 1, x 2,, x m ) = F X1,X 2,,X m (x 1, x 2, x m ) = Prob{X 1 x 1, X 2 x 2,, X m x m } Módulo I: Introdução a Processos Estocásticos p.51/55
52 Estatísticas dos Processos Contínuos de m-ésima Ordem A Função Cumulativa de Probabilidade - FCP Processos definidos em tempo contínuo Em um processo contínuo, definido em tempo contínuo, se X 1 = X(t 1, s), X 2 = X(t 2, s), X m = X(t m, s), então a Função Cumulativa de Probabilidade de m-ésima Ordem é dada por F X(t1 ),X(t 2 ),,X(t m )(x 1, x 2,, x m ) = F X1,X 2,,X m (x 1, x 2, x m ) = Prob{X 1 x 1, X 2 x 2,, X m x m } Módulo I: Introdução a Processos Estocásticos p.52/55
53 Estatísticas dos Processos Discretos de Primeira Ordem A Distribuição de Probabilidade Processos definidos em tempo discreto Se X[n] é um processo discreto definido em tempo discreto, então a variável aleatória obtida para n fixo tem distribuição de probabilidade de primeira ordem dada por Prob{X[n] = k} = p X (k) Processos definidos em tempo contínuo Se X(t) é um processo discreto definido em tempo contínuo, então a variável aleatória obtida para t fixo tem distribuição de probabilidade de primeira ordem dada por Prob{X(t) = k} = p X (k) Módulo I: Introdução a Processos Estocásticos p.53/55
54 Estatísticas dos Processos Discretos de m-ésima Ordem A Distribuição de Probabilidade Processos definidos em tempo discreto Se X[n] é um processo discreto definido em tempo discreto, as variáveis obtidas para n 1, n 2,, n l fixos têm distribuição conjunta dada por Prob{X[n 1 ] = k 1, X[n 2 ] = k 2,, X[n l ] = k l } = p X1,X 2,,X l (k 1, k 2,, k l ) Processos definidos em tempo contínuo Se X(t) é um processo discreto definido em tempo contínuo, as variáveis obtidas para t 1, t 2,, t l fixos têm distribuição conjunta dada por Prob{X(t 1 ) = k 1, X(t 2 ) = k 2,, X(t l ) = k l } = p X1,X 2,,X l (k 1, k 2,, k l ) Módulo I: Introdução a Processos Estocásticos p.54/55
55 Estatísticas dos Processos Discretos de m-ésima Ordem Ex9: Seja ζ um número selecionado aleatoriamente no intervalo S = [0, 1] e seja b 1, b 2,, a expansão binária de ζ, ζ = b i 2 i, b i {0, 1}. i=1 Defina o processo aleatório discreto definido em tempo discreto X[n, ζ] = b n, n = 1, 2, Forneça a distribuição conjunta de probabilidades de X[1] e X[2]. Módulo I: Introdução a Processos Estocásticos p.55/55
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 maisMódulo 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 maisEST029 Cálculo de Probabilidade I Cap. 4: Variáveis Aleatórias Unidimensionais
EST029 Cálculo de Probabilidade I Cap. 4: Variáveis Aleatórias Unidimensionais Prof. Clécio da Silva Ferreira Depto Estatística - UFJF Introdução Considere o experimento: Lançamento de uma moeda. Resultados
Leia maisModelos 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 maisOndas. Denomina-se onda o movimento causado por uma perturbação que se propaga através de um meio.
Ondas Ondas Denomina-se onda o movimento causado por uma perturbação que se propaga através de um meio. Uma onda transmite energia sem o transporte de matéria. Classificação Quanto à natureza Ondas mecânicas:
Leia maisResumo. Parte 7 Processos Estocásticos. Ramiro Brito Willmersdorf
Parte 7 Processos Estocásticos Ramiro Brito Willmersdorf ramiro@willmersdorf.net Departamento de Engenharia Mecânica Universidade Federal de Pernambuco 2011.2 Resumo 1 Processos Estocásticos 2 Classicação
Leia maisPrincípios de Modelagem Matemática Aula 09
Princípios de Modelagem Matemática Aula 09 Prof. José Geraldo DFM CEFET/MG 12 de maio de 2014 1 Modelos estatísticos e estimação de parâmetros A verificação de um modelo matemático demanda a realização
Leia maisPRINCÍPIOS 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 maisChamamos de evento qualquer subconjunto do espaço amostral: A é um evento A Ω.
PROBABILIDADE 1.0 Conceitos Gerais No caso em que os possíveis resultados de um experimento aleatório podem ser listados (caso discreto), um modelo probabilístico pode ser entendido como a listagem desses
Leia maisDisciplina: 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 maisCap. 4 - Probabilidade
Estatística para Cursos de Engenharia e Informática Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 2004 Cap. 4 - Probabilidade APOIO: Fundação de Apoio à Pesquisa
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 maisMOQ-12: PROBABILIDADES E PROCESSOS ESTOCÁSTICOS. VA s e Distribuições
Motivação: MOQ-2: PROBABILIDADES E PROCESSOS ESTOCÁSTICOS VA s e Distribuições Definimos anteriormente Espaço de Probabilidades como sendo a tripla (W,, P(.)), em que, dado um eperimento, W representa
Leia maisPrincípios de Telecomunicações. PRT60806 Aula 19: Modulação por Código de Pulso (PCM) Professor: Bruno Fontana da silva 2014
1 Princípios de Telecomunicações PRT60806 Aula 19: Modulação por Código de Pulso (PCM) Professor: Bruno Fontana da silva 2014 Bloco de Comunicação Genérico Emissor sinais analógicos x sinais digitais Sinais
Leia maisAnálise 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 maisProfessor: Jarbas Araújo.
Professor: Jarbas Araújo professorjarbasaraujo@gmail.com Sinais Digitais Analógicas 2 O que e o sinal Analógico? A onda senoidal possui um padrão que se repete (esse padrão é chamdo de ciclo). Cada ciclo
Leia maisObservação: As ondas são as que antecedem, a perturbação formada de espumas, há o transporte de energia e a oscilação, não há o transporte da matéria.
ONDAS Para a Física, a onda é uma perturbação que se propaga no espaço ou em qualquer outro meio. Elas são classificadas em relação à natureza, direção e energia de propagação. Definição: As ondas são
Leia maisPRE29006 LISTA DE EXERCÍCIOS #
INSTITUTO FEDERAL DE SANTA CATARINA CAMPUS SÃO JOSÉ COORDENADORIA DE ÁREA DE TELECOMUNICAÇÕES ENGENHARIA DE TELECOMUNICAÇÕES PRE9006 LISTA DE EXERCÍCIOS # 06. Eercícios. Considere uma variável aleatória
Leia maisProbabilidade I. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Distribuição Geométrica 08/14 1 / 13
Probabilidade I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuição Geométrica 08/14 1 / 13 Distribuição Geométrica Considere novamente uma sequência
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes. Como devemos descrever um experimento aleatório?
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia 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 maisVariáveis Aleatórias
Variáveis Aleatórias Conceitos, Discretas, Contínuas, Propriedades Itens 5. e 6. BARBETTA, REIS e BORNIA Estatística para Cursos de Engenharia e Informática. Atlas, 004 Variável aleatória Uma variável
Leia maisUNIVERSIDADE FEDERAL DA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação; Essa variabilidade
Leia maisModelos de Probabilidade e Inferência Estatística
Modelos de Probabilidade e Inferência Estatística Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula 2 03/14 1 / 31 Prof. Tarciana Liberal (UFPB) Aula 2 03/14
Leia maisUniversidade de Pernambuco Escola Politécnica de Pernambuco
Universidade de Pernambuco Escola Politécnica de Pernambuco TV Analógica e Digital Codificação de Fonte Prof. Márcio Lima E-mail:marcio.lima@poli.br 12.06.2014 Introdução A principal função de um sistema
Leia maisEstatística I Aula 8. Prof.: Patricia Maria Bortolon, D. Sc.
Estatística I Aula 8 Prof.: Patricia Maria Bortolon, D. Sc. MODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS CONTÍNUAS Lembram o que vimos sobre V.A. contínua na Aula 6? Definição: uma variável
Leia maisPROBABILIDADE E ESTATÍSTICA. Profa. Dra. Yara de Souza Tadano
PROBABILIDADE E ESTATÍSTICA Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 7 11/2014 Variáveis Aleatórias Variáveis Aleatórias Probabilidade e Estatística 3/41 Variáveis Aleatórias Colete
Leia maisModos Normais de Vibração. Ressonância num Tubo Fechado
Modos Normais de Vibração. Ressonância num Tubo Fechado Prof. Niels Fontes Lima Instituto Federal de Educação, Ciência e Tecnologia da Bahia Determinação da resposta de um tubo fechado em ambas extremidades
Leia maisPROCESSOS 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 maisACÚSTICA. Professor Paulo Christakis, M.Sc. 05/09/2016 1
ACÚSTICA 05/09/2016 1 O QUE É ACÚSTICA? Acústica é o ramo da Física que estuda a propagação das ondas sonoras. O som é originado a partir da vibração da matéria em camadas de compressão e rarefação, sendo
Leia maisREDES DE COMPUTADORES E TELECOMUNICAÇÕES MÓDULO 5
REDES DE COMPUTADORES E TELECOMUNICAÇÕES MÓDULO 5 Índice 1. Ruídos, Atenuação e Falhas em Rede...3 1.1 Distorção e ruído... 3 1.1.1 Distorção... 3 1.1.2 Distorção por atenuação... 3 1.1.3 Distorção por
Leia maisI-7 Digitalização e Reconstrução
I-7 Digitalização e Reconstrução (29 Novembro 2010) 1 Sumário 1. Teorema da Amostragem 1. Ritmo de Nyquist 2. Amostragem Ideal e Natural (análise no tempo e na frequência) 1. Sinais Passa Baixo 2. Sinais
Leia mais1 O canal de comunicação radiomóvel
1 O canal de comunicação radiomóvel O projeto de sistemas de comunicações sem fio confiáveis e de alta taxa de transmissão continua sendo um grande desafio em função das próprias características do canal
Leia maisPRODUÇÃO E TRANSMISSÃO DO SOM 1.1. PRODUÇÃO, PROPAGAÇÃO E 1.1. PRODUÇÃO, PROPAGAÇÃO E RECEPÇÃO PRODUÇÃO, PROPAGAÇÃO E RECEPÇÃO DO SOM
1. PRODUÇÃO E TRANSMISSÃO Vivemos rodeados de sons que produzem em nós as mais variadas sensações Sons agradáveis: RECEPÇÃO Vivemos rodeados de sons que produzem em nós as mais variadas sensações Sons
Leia maisTE802 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 maisInstituto Tecnológico de Aeronáutica Divisão de Engenharia Mecânica-Aeronáutica. Professora: Denise Beatriz T. P. do Areal Ferrari
Instituto Tecnológico de Aeronáutica Divisão de Engenharia Mecânica-Aeronáutica Professora: Denise Beatriz T. P. do Areal Ferrari denise@ita.br Distribuições Discretas Uniforme Bernoulli Binomial Poisson
Leia maisPRE29006 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 maisProbabilidade e Estatística
PETROBRAS ENGENHEIRO(A) DE PETRÓLEO JÚNIOR ENGENHEIRO(A) DE EQUIPAMENTOS JÚNIOR - MECÂNICA ENGENHEIRO(A) DE EQUIPAMENTOS JÚNIOR - ELÉTRICA ENGENHEIRO(A) DE EQUIPAMENTOS JÚNIOR - ELETRÔNICA QUÍMICO(A) DE
Leia maisCálculo 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 maisProcessos 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 maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Simulação de Variáveis Aleatórias Contínuas. O método da Transformada Inversa Teorema Seja U U (0,1). Para qualquer
Leia maisEstatística. Probabilidade. Conteúdo. Objetivos. Definições. Probabilidade: regras e aplicações. Distribuição Discreta e Distribuição Normal.
Estatística Probabilidade Profa. Ivonete Melo de Carvalho Conteúdo Definições. Probabilidade: regras e aplicações. Distribuição Discreta e Distribuição Normal. Objetivos Utilizar a probabilidade como estimador
Leia maisConceito de Estatística
Conceito de Estatística Estatística Técnicas destinadas ao estudo quantitativo de fenômenos coletivos, observáveis. Unidade Estatística um fenômeno individual é uma unidade no conjunto que irá constituir
Leia maisPROBABILIDADES 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 maisAvaliação Quantitativa de Sistemas
Avaliação Quantitativa de Sistemas Contexto A Avaliação Quantitativa de Sistemas permite a avaliação de sistemas antes mesmo da sua implementação física. Dessa forma, é possível avaliar um sistema projetado
Leia maisPOLARIZAÇÃO DA LUZ. Figura 1 - Representação dos campos elétrico E e magnético B de uma onda eletromagnética que se propaga na direção x.
POLARIZAÇÃO DA LUZ INTRODUÇÃO Uma onda eletromagnética é formada por campos elétricos e magnéticos que variam no tempo e no espaço, perpendicularmente um ao outro, como representado na Fig. 1. A direção
Leia maisVariável 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 maisDaniel Queiroz VARIÁVEIS ALEATÓRIAS DISCRETAS
Daniel Queiroz VARIÁVEIS ALEATÓRIAS DISCRETAS INTRODUÇÃO O que é uma variável aleatória? Um tipo de variável que depende do resultado aleatório de um experimento aleatório. Diz-se que um experimento é
Leia maisSom. Escola Secundária Eça de Queirós. Física e Química A. Som. Turma: 11º C3
Escola Secundária Eça de Queirós Física e Química A Som Realizado por: Luís Rita Professora: Carla Conceição Turma: 11º C3 1 Índice Som 3 Osciloscópio 4 Osciloscópio Analógico 5 Funcionamento do Osciloscópio
Leia maisESTATÍSTICA. x(s) W Domínio. Contradomínio
Variáveis Aleatórias Variáveis Aleatórias são funções matemáticas que associam números reais aos resultados de um Espaço Amostral. Uma variável quantitativa geralmente agrega mais informação que uma qualitativa.
Leia maisMOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ-13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisVariáveis 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 mais2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB.
2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB. 1) Classifique as seguintes variáveis aleatórias como discretas ou contínuas. X : o número de acidentes de automóvel por ano na rodovia BR 116. Y :
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 maisExercícios de Teoria da Probabilidade e Processos Estocásticos Parte II
Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte II 13 de Dezembro de 2013 Exercício 1. Descreva o espaço de probabilidade associado às seguintes experiências aleatórias: 1. Uma moeda
Leia maisUma estatística é uma característica da amostra. Ou seja, se
Estatística Uma estatística é uma característica da amostra. Ou seja, se X 1,..., X n é uma amostra, T = função(x 1,..., X n é uma estatística. Exemplos X n = 1 n n i=1 X i = X 1+...+X n : a média amostral
Leia maisModelos básicos de distribuição de probabilidade
Capítulo 6 Modelos básicos de distribuição de probabilidade Muitas variáveis aleatórias, discretas e contínuas, podem ser descritas por modelos de probabilidade já conhecidos. Tais modelos permitem não
Leia maisDiagrama do olho PROJETO E AVALIAÇÃO SISTÊMICOS por Mônica de Lacerda Rocha - CPqD
1 A técnica de medida conhecida como diagrama de olho, feita no domínio do tempo, é uma ferramenta importante para se avaliar o desempenho de um sistema óptico digital, pois permite uma visualização da
Leia maisProcessamento Digital de Sinais:
Processamento Digital de Sinais: Conceitos e Aplicações Joseana Macêdo Fechine Régis de Araújo IC-DSC-UFCG 1 Por que estudar PDS? 2 PDS Conceitos Básicos Sinais Padrões de variações que representam uma
Leia maisSUMÁRIO. Prefácio, Espaço amostrai, Definição de probabilidade, Probabilidades finitas dos espaços amostrais fin itos, 20
SUMÁRIO Prefácio, 1 3 1 CÁLCULO DAS PROBABILIDADES, 15 1.1 Introdução, 15 1.2 Caracterização de um experimento aleatório, 15 1.3 Espaço amostrai, 16 1.4 Evento, 17 1.5 Eventos mutuamente exclusivos, 17
Leia maisa) Considerando o lançamento de dois dados, o espaço amostral é Tabela 1: Tabela de distribuição de X. X P 11/36 9/36 7/36 5/36 3/36 1/36
1 Exercício 1 Um par de dados não viciados é lançado. Seja X a variável aleatória denotando o menor dos dois números observados. a) Encontre a tabela da distribuição dessa variável. b) Construa o gráfico
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuições Condicionais 11/13 1 / 19 Em estudo feito em sala perguntamos aos alunos qual
Leia maisFunções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE
Funções Geradoras de Variáveis Aleatórias 1 Funções Geradoras de Variáveis Aleatórias Nos programas de simulação existe um GNA e inúmeras outras funções matemáticas descritas como Funções Geradoras de
Leia maisSala de Estudos FÍSICA Lucas 3 trimestre Ensino Médio 1º ano classe: Prof.LUCAS Nome: nº Sala de Estudos: Ondas Sonoras e Acústica
Sala de Estudos FÍSICA Lucas 3 trimestre Ensino Médio 1º ano classe: Prof.LUCAS Nome: nº Sala de Estudos: Ondas Sonoras e Acústica 1. (Unicamp 2007) O nível sonoro S é medido em decibéis (db) de acordo
Leia maisVARIÁVEL ALEATÓRIA e DISTRIBUIÇÃO BINOMIAL
VARIÁVEL ALEATÓRIA e DISTRIBUIÇÃO BINOMIAL 1 Variável Aleatória Uma função X que associa a cada elemento w do espaço amostral W um valor x R é denominada uma variável aleatória. Experimento: jogar 1 dado
Leia maisOndas. Onda é uma perturbação em movimento
Ondas Onda é uma perturbação em movimento Um meio em equilíbrio é perturbado e essa perturbação é transmitida, com atraso, aos pontos vizinhos As ondas não transportam matéria, mas sim energia. Uma onda
Leia maisDistribuições de Probabilidade
Distribuições de Probabilidade 1 Aspectos Gerais 2 Variáveis Aleatórias 3 Distribuições de Probabilidade Binomiais 4 Média e Variância da Distribuição Binomial 5 Distribuição de Poisson 1 1 Aspectos Gerais
Leia maisComprovação Estatística de Medidas Elétricas
Instituto Federal de Educação, Ciência e Tecnologia de Santa Catarina Departamento Acadêmico de Eletrônica Métodos e Técnicas de Laboratório em Eletrônica Comprovação Estatística de Medidas Elétricas Florianópolis,
Leia maisConceitos básicos: Variável Aleatória
: Variável Aleatória Variável aleatória (v.a.) valor numérico que é resultado de uma eperiência aleatória. Podemos ter variáveis aleatórias contínuas ou discretas. Eemplo 1: Suponha que lança duas moedas
Leia maisLaboratório de Física I para Matemáticos. Experiência 4 Medidas de desintegração nuclear utilizando contador Geiger. 1 o semestre de 2011
43115 Laboratório de Física I para Matemáticos Experiência 4 Medidas de desintegração nuclear utilizando contador Geiger 1 o semestre de 2011 26 de abril de 2011 4. Medidas de desintegração nuclear utilizando
Leia maisComunicação de informação a longas distâncias. Questão 1: Por que foi Marconi tão importante na história das telecomunicações?
APSA Radiação electromagnética e comunicação Questão 1: Por que foi Marconi tão importante na história das telecomunicações? R: Marconi desenvolveu a tecnologia de produção e receção de ondas eletromagnéticas.
Leia maisI-8 Digitalização e Reconstrução
I-8 Digitalização e Reconstrução Comunicações (15 de novembro de 2016) ISEL - ADEETC - Comunicações 1 Sumário 1. Enquadramento em SCD Transmissão de sinal analógico sobre SCD 2. Teorema da Amostragem Ritmo
Leia maisInferência Estatística: DEEST/UFOP Prof.: Spencer Barbosa da Silva
Inferência Estatística: Prof.: Spencer Barbosa da Silva Amostragem Estatística Descritiva Cálculo de Probabilidade Inferência Estatística Estimação Teste de Hipótese Pontual Por Intervalo Conceitos básicos
Leia maisFísica Experimental III
Universidade Federal Fluminense - PUVR Física Experimental III Experiência: Ondas Estacionárias em Cordas 1 Objetivos 1. Vericar a formação de ondas estacionárias em cordas.. Vericar a dependência do período
Leia maisDistribuições Discretas
META: Estudar o comportamento das Variáveis Aleatórias Discretas, bem como das Distribuições Binomial e Poisson e suas aplicações. Entender o comportamento de uma Variável aleatória Contínua. OBJETIVOS:
Leia maisSEL413 Telecomunicações. 1. Notação fasorial
LISTA de exercícios da disciplina SEL413 Telecomunicações. A lista não está completa e mais exercícios serão adicionados no decorrer do semestre. Consulte o site do docente para verificar quais são os
Leia maisLISTA DE EXERCÍCIOS - ONDAS
UNIVERSIDADE FEDERAL DA BAHIA INSTITUTO DE FÍSICA - DEPARTAMENTO DE FÍSICA GERAL DISCIPLINA: FIS 1 - FÍSICA GERAL E EXPERIMENTAL II-E www.fis.ufba.br/~fis1 LISTA DE EXERCÍCIOS - ONDAS 013.1 1. Considere
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte II 26 de Novembro de 2013 Distribuição Contínua Uniforme Média e Variância Objetivos Ao final deste capítulo você deve ser capaz
Leia maisMétodos Quantitativos para Ciência da Computação Experimental. Jussara Almeida DCC-UFMG 2013
Métodos Quantitativos para Ciência da Computação Experimental Jussara Almeida DCC-UFMG 2013 Revisão de Probabilidade e Estatística Concentrado em estatística aplicada Estatística apropriada para medições
Leia maisAs principais formas de oscilação são: Massa - mola Pêndulo Ondas em uma superfície.
Tudo ao nosso redor oscila!!! As principais formas de oscilação são: Ondas Massa - mola Pêndulo Ondas em uma superfície. O que é um pêndulo? Um corpo suspenso por um fio, afastado da posição de equilíbrio
Leia maisSistema Auditivo Humano
Sistema Auditivo Humano Tecnologias de Reabilitação Aplicações de Processamento de Sinal Constituição do Ouvido Humano JPT 2 1 Constituição do Ouvido Humano JPT 3 Constituição do Ouvido Humano O ouvido
Leia maisIndução Electromagnética. Força Electromotriz
Indução Electromagnética Força Electromotriz Escola Secundária Anselmo de Andrade 2011/2012 Fluxo Magnético B A cos N B B : Fluxo Magnético (Wb) : Vector Campo Magnética (T) A A: Área da espira (m 2 )
Leia maisAULA 02 Distribuição de Probabilidade Normal
1 AULA 02 Distribuição de Probabilidade Normal Ernesto F. L. Amaral 20 de agosto de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario
Leia maisEFEITO MAGNÉTICO DA CORRENTE ELÉTRICA
EFEITO MAGNÉTICO DA CORRENTE ELÉTRICA Em 1819, Oersted ao aproximar uma bússola de um fio percorrido por corrente, observou que a agulha se movia, até se posicionar num plano perpendicular ao fio. Esta
Leia maisEEC4164 Telecomunicações 2
Licenciatura em Engenharia Electrotécnica e de Computadores EEC4164 Telecomunicações (00/003) 1ª Parte Duração: 1 hora (sem consulta) 1ª chamada 4 de Janeiro de 003 1. a) Uma alternativa a PCM é a modulação
Leia maisCálculo das Probabilidades I
Cálculo das Probabilidades I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Função Geradora de Momentos 10/13 1 / 19 Calculamos algumas características da
Leia maisFACULDADE DE TECNOLOGIA DE GUARATINGUETÁ
FACULDADE DE TECNOLOGIA DE GUARATINGUETÁ ESTATÍSTICA II Nota de aula 1 Prof. MSc. Herivelto T Marcondes dos Santos Fevereiro /2009 1 Modelos de probabilidade 1.1 Variável aleatória Definição: Sejam ε um
Leia maisPROBABILIDADE 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 maisCordas Vibrantes. 1. Objetivos. 2. Introdução
Cordas Vibrantes 1. Objetivos Objetivamos averiguar o efeito de ressonância em um fio tensionado e, a partir desse estudo, determinar uma expressão empírica que estabeleça uma conexão entre as frequências
Leia maisMB-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 maisEstatística. Capítulo 4: Distribuições Teóricas de Probabilidades de Variáveis Aleatórias Discretas. Professor Fernando Porto
Estatística Capítulo 4: Distribuições Teóricas de Probabilidades de Variáveis Aleatórias Discretas Professor Fernando Porto Capítulo 4 Baseado no Capítulo 4 do livro texto, Distribuições Teóricas de Probabilidades
Leia maisOndas sonoras. Qualidades fisiológicas de uma onda sonora
Ondas sonoras As ondas mecânicas que propiciam o fenômeno da audição aos seres vivos são chamadas de ondas sonoras. Como todas as ondas mecânicas, as ondas sonoras podem se propagar nos mais diversos meios,
Leia maisANÁLISE 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 maisb) átomos do dielétrico absorvem elétrons da placa negativa para completar suas camadas eletrônicas externas;
GOIÂNIA, _28 / 10 / 2016 PROFESSOR: Jonas Tavares DISCIPLINA: Física SÉRIE: 3º ALUNO(a): L1 4º Bim Data da Prova: 28/10/2016 No Anhanguera você é + Enem Antes de iniciar a lista de exercícios leia atentamente
Leia maisVariáveis Aleatórias Discretas e Distribuição de Probabilidade
Variáveis Aleatórias Discretas e Distribuição de Probabilidades - parte II 29 de Março de 2011 Distribuição Uniforme Discreta Média Propriedade da falta de memória Objetivos Ao final deste capítulo você
Leia maisCálculo 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 Modelos de distribuição Para utilizar a teoria
Leia maisVariável 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 maisMétodos Estatísticos Básicos
Aula 6 - Introdução à probabilidade Departamento de Economia Universidade Federal de Pelotas (UFPel) Maio de 2014 Experimento Experimento aleatório (E ): é um experimento que pode ser repetido indenidamente
Leia maisDistribuição de Probabilidade de Poisson
1 Distribuição de Probabilidade de Poisson Ernesto F. L. Amaral Magna M. Inácio 07 de outubro de 2010 Tópicos Especiais em Teoria e Análise Política: Problema de Desenho e Análise Empírica (DCP 859B4)
Leia maisPROJETO E ANÁLISES DE EXPERIMENTOS (PAE) INTRODUÇÃO AOS MÉTODOS ESTATÍSTICOS EM ENGENHARIA
PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) INTRODUÇÃO AOS MÉTODOS ESTATÍSTICOS EM ENGENHARIA VARIABILIDADE NA MEDIDA DE DADOS CIENTÍFICOS Se numa pesquisa, desenvolvimento de um processo ou produto, o valor
Leia mais