Princípios de Comunicação - s.7
|
|
- Lucca Garrau Oliveira
- 5 Há anos
- Visualizações:
Transcrição
1 Princípios de Comunicação - s.7 Adão Souza Jr. July 7, 207 Abstract Variável aleatória. Momentos de de primeira ordem. Processo gaussiano. Teorema do limite central. Momentos conjuntos. Geração de distribuições aleatórias diversas. Seção 5. e exemplo de sample and hold (5.2) da referência. Notas de aula. Seção 6. da referência 3 e seção 6. da referência 4. Simulações: Variável aleatória, Geração de distribuições diversas, Rayleigh e Gaussiana, Convergencia Central, Atividade de simulação s7 Exercícios: Exercícios de fixação s7 Aleatoriedade em Modelo de Comunicação Retomando nosso modelo simplificado de um enlace de comunicação, há uma série de pontos onde o modelo visto até agora de sinal determinístico não é suficiente para descrever o comportamento de alguns elementos; Espectro do trem de pulsos: A mensagem codificada é diferente a cada vez, assim sendo não é possível saber de antemão qual será o trem de pulsos resultante e consequentemente qual seu espectro. Pode-se, no entanto, a partir de algumas suposições sobre a estatística do sinal determinar seu provável comportamento e, consequentemente se calcular um espectro de potência. Isso é fundamental para determinarmos a Banda ocupada por sinais transportando mensagens reais.veremos que se faz isso considerando o sinal codificado em banda base um trem de pulsos aleatório com certas características. Ruído aditivo: É preciso alguma forma de determinar o efeito do ruido que se soma ao sinal transmitido quando o mesmo trafega sobre um meio físico. Veremos que considerar o rúído como uma variável aleatória com um dado conjunto de caracteristicas que se soma ao sinal irá permitir que analisemos o impacto dessa indeterminação nas etapas de detecção e decodificação da mensagem, onde o ruído irá gerar uma probabilidade de erro de detecção. Sistema variável no tempo: Em alguns casos a própria aproximação do canal como sistema LTI deve ser vista com reservas e a a própria banda disponível como um elemento que flutua estatísticamente. Modelos desse tipo podem ser bastante complexos e não serão abordados nesse curso introdutório.
2 Quantização: Finalmente um elemento do enlace de comunicação que muitas vezes está presente na codificação de fonte é a conversão analógico digital. Essa conversão é um processo não linear o que implica sua cota de problemas. Veremos, no entanto, que um bom modelo que pode ser usado dentro de certas condições é o chamado modelo de ruído de quantização, o qual dependerá novamente de assumirmos uma variável aleatória aditiva de ruído. Há, portanto, suficientes razões para retomarmos alguns conceitos de probabilidade a fim de aplica-los ao modelo de um enlace de comunicação. 2 Variável Aleatória Uma variável aleatória x é uma variável que pode assumir um conjunto de valores (seu conjunto verdade, que iremos representar como X) associando a cada possível valor uma probabilidade de ocorrência. Cada vez que a variável aleatória é observada denominamos o resultado desse eveto uma ocorrência ou realização. Identificamos realizações como índices da varíavel, assim x 0, x, x 2 e x 3 são realizações da variável aleatória x. 3 Função Desnsidade de Probabilidade - PDF Função densidade de probabilidade (Probability Density Function ou PDF) é a função que mapeia cada possível valor de x X a um valor de probabilidade de ocorrência. Iremos usar a convençãp f x (x) para indicar a função densidade de probabilidade da variável aleatória x. Por definição a integral da densidade de probabilidade sobre todos os possíveis valores de x deve ser unitária (00%). Ou seja X f x(x)dx =. A função que diz qual a probabilidade de que a variável x seja menor que um dado valor é chamada função probabilidade cumulativa e iremos simbolizar como F x. Ou seja, P x < X 0 } = X 0 f x(x)dx = F x (X 0 ), onde X o é uma constante que represente o resultado de alguma realização de x. Sabendo isso fica claro que x F x(x) = f x (x). Exemplo : Um dado não viciado de seis faces é uma variável aleatória discreta com distribuição uniforme e discreta tal que X=, 2, 3, 4, 5, 6 e f x = /6, x X. Exemplo 2: O erro de quantização, como será visto mais adiante, é uma variável aleatória contínua uniforme tal que X = [ LSB 2, + LSB 2 ], e f x (x) = LSB, x < LSB/2 0, x LSB/2. Onde LSB é o valor do bit menos significativo representado pelo dado quantizado. Assim, para uma resolução de oito bits (r=8) e uma faixa dinâmica de 2V (DR = 2), LSB = 2V/2 r. Exercício de fixação: Se x é uma variável aleatória, contínua uniforme no intervalo [-,2] 2
3 4 Valor Esperado ou Esperança O valor esperado de uma variável aleatória x é definifo sobre X como: Ex} = x f x (x)dx X Exemplo : Para o dado não viciado o valor esperado é calculado como somatório (variável discreta), assim. Ex} = 6 k= 6 k = 6 ( ) = 2/6 = 3, 5. Exemplo 2: Para o erro de quantização o valor esperado é calculado Ex} = LSB LSB/2 x2 x dx = LSB/2 2 KSB/2 LSB/2 = ( LSB2 8 LSB2 8 ) = 0. 5 Probabilidade e Realizações Se uma variável x é aleatória e A e B são duas condições para realizações independentes da mesma variável. Sabemos que a probabilidade de ocorrência de A é P x A = P 0 e que a probabilidade de ocorrência de B é P x B = P a probabilidade de ocorrencia de A B = P 0 + P e a probabilidade da ocorrência A B = P 0 P Note que isso é valido apenas se as realizações forem independentes. 6 Momentos de uma Variável Aleatória Definimos: Ex k } é o k-ésimo momento da variável aleatória x E(x µ x ) k } é o k-ésimo momento centrado da variável aleatória x, onde µ z = Ex} é a média de processo da variável x. Notem que o primeiro momento de x, ou seja, o momento para k= é a média de processo. Ou seja a média considerado todas as possíveis realizações de x em seu conjunto de possíveis valores X. Essa média não necessariamente coincide com a média temporal x = x t dt, onde x t são realizações independentes da variável x tomadas em instantes de tempo sucessivos. É trivial que, se a média de processo de x é igual a zero, os momentos de x serão iguais aos momentos centrados de x. Alguns momentos centrados de x tem nomes especiais, assim como a média. São eles: σ 2 x = E(x µ x ) 2 }, é a variância que, como se sabe, é o quadrado do desvio padrão, o x = E(x µ x ) 3 }, é a obliquidade (muitas vezes se usa a obliquidade normalizada pelo desvio padrão γ x = o x /σ x ), k x = E(x µ x ) 4 }, é a curtose (de mesmo modo, muitas vezes se usa a sua versão normalizada β x = k x /σ x ). 3
4 Obs: É possível definir a Função Geradora de Momentos da variável aleatória x, ou seja M x (Ω) de forma que seu k-ésimo momento seja dada pela sua k- ésima derivada avaliada em zero. Ou seja Ex k } = k M x(ω) Ω k Ω=0. Existe uma relação entre essa função e a função característica (Φ x ), que é definida como a transformada de Fourier de f x e isso é extensivamente usado na análise de quantização(por exemplo veja Widrow e Kollar nas referências). Essa é, no entanto, uma discussão que deve ser retomada em outro momento. 7 Estimadores de Momentos Eventualmente não é possivel termos acesso diretamente ao valor dos momentos de uma variável e se deve tentar aproxima-los a partir de um estimador que tome como entradas os valores de múltiplas realizações da variável. Assim, por exemplo, no caso do dado de seis faces podemos não saber que seu valor esperado é 3,5 e tentar calcular esse valor lançando o dado múltiplas vezes e estimando a média a partir dos resultados desses lançamentos. Os estimadores para média e variância com N realizações são dados por: ˆµ x,n = N N i= x i ˆσ 2 x,n = N N N i= (x i ˆµ x,n ) 2 Pode-se perceber que os estimadores, são, por si só novas variáveis aleatórias. Desse modo deve-se esperar que o valor obtido pelos mesmos oscile com uma certa distribuição. O estimador não irá dar um valor único pois cada vez que é calculado é uma realização dessa nova variável aleatória! Sabe-se, no entanto, que para N grande o bastante a distribuição do estimador deverá ser gaussiana com valor médio dado pelo momento que desejamos e um desvio (σ Mx,N ) que é função de N e da variância original de x (de fato σ Mx,N = σx N, ver Teorema do Limite Central). Se N for grande o bastante o desvio padrão desse estimador, pode, portanto, ser feito arbitráriamente pequeno. 8 Função de Variáveis Aleatórias Se aplicarmos uma função sobre uma variável aleatória x gerando uma segunda variável aleatória y = g(x), podemos calcular a as distribuições de probabilidade de y a partir das características de x. De fato, teremos : F y (y) = F x [g (y)] e f y (y) = f x [g (y)] y g (y) Exemplo : y = x 2, f x é uniforme com x [0, ]. Qual será f y? R: Sei que x = y e y x = 2 y. f x (x) =, 0 x 0, no resto 4
5 . Aplicando tenho f y (y) = 2 y, 0 y 0, no resto Exemplo 2: y = cos(x) e x é uniforme com x [ π, π] Como nesse intervalo cos(x) é inversível, tenho: x = cos (y) e f x (x) = 2π, π x π 0, no resto Assim: f y = 2π y cos (y) = 2π ) no intervalo y (, ), y 2 indefinido para y = ± (tende a infinito) e zero no resto. Notem que, como a soma total da distribuição é sabidamente unitária, pode-se aproximar a mesma com algum erro por uma distribuição uniforme de probabilidade /(2π) e dois deltas nos extremos com a maior parte da probabilidade. Ou seja f y 2π Π(y 2 ) + ( 2 ) [δ(y + ) δ(y )] 4π Na expressão Π(x) é o pulso retangular unitário. 9 Teorema do Limite Central O teorema do limite central (Central Limit Theorem) estabelece uma interessante propriedade de veriáveis aleatórias construídas a partir da soma de variáveis aleatórias independentes. Em sua forma mais clássica ele diz que, se tomarmos uma variável aleatória y definida como y = N k= x k onde x k são: realizações independentes de uma variável aleatória x ou variáveis aleatórias independes com mesma distribuição; e com média e variancia definidas. Nesse caso sabemos que para valores grandes de N, y tenderá a uma distribuição gaussiana com variância e médias conhecidas. Assim, se definirmos z como a distribuição y normalizada e centralizada em zero (ou seja, z = y µy σ y ) sabemos que f z 2π e z2 2. Ou ainda f y e (y µy ) 2 2σy 2π Onde sabemos ainda que σy 2 σ2 x N. Na realidade a condição de mesma distribuição não é necessária e há variações do CLT que garantem a convergência em casos mais amplos. Pode-se aprofundar essa discussão nas referências. 5
6 0 Múltiplas Variáveis Aleatórias Quando se lida com múltiplas variáveis aleatórias não basta mais saber a distribuição de cada uma delas, sendo necessário considerar a distribuição conjunta. É importante notar: Se x e y são nossas variáveis aleatórias, a suas densidade de probabilidade conjunta f x,y não pode ser derivada a priori de f x e f y pois as variáveis podem ser dependentes. Se x e y são independentes então F x,y = F x F y e ainda f x,y = f x f y Se x e y são independentes e se conhece a distribuição conjunta f x,y, então f x = Y f x,ydy e f y = X f x,ydx Se x e y são independentes e z=x+y, então f z = f x(u y) f y (y)dy = f y(u x) f x (x)dx = f x f y. Onde é o operador de convolução. De modo geral a probabilidade P A, B} = P x A, y B} = P B A}P A} = P A B}P B}. Onde P A B} ( P de A tal que B ) é a probabilidade condicional de x estar no intervalo A, sabendo que y está no intervalo B. Note que, assim como é possível calcular a distribuição de probabilidade da função de uma variável aleatória, e possível fazer o mesmo para funções de multiplas variáveis aleatórias. O processo é análogo e envolve o operador Jacobiano. Sugere-se as referências para maiores detalhes. 0. Momentos Conjuntos Quando se lida com duas variáveis aleatórias é possível definir os momentos conjuntos.esses momentos são importantes pois são uma métrica para inferir uma possível relação entre uma variável e a outra. A correlação entre x e y é simbolizada por R xy (x, y) e definida como R xy (x, y) = Ex y} A covariancia entre x e y é simbolizada por C xy (x, y) e definida como C xy (x, y) = E(x µ x ) (y µ y )} C xy (x, y) = Ex y} µ x µ y = R xy (x, y) µ x µ y. Isso pode ser provado diretamente da definição de covariancia: C xy (x, y) = E(x µ x ) (y µ y )} = Exy xµ y yµ x + µ x µ y } = Ex y} Exµ y } Eyµ x } + Eµ x µ y } = Ex y} µ y Ex} µ x Ey} + µ x µ y = Ex y} µ y µ x µ x µ y + µ x µ y = R xy (x, y) µ x µ y Note que, se duas variáveis x e y são independentes C xy (x, y) = 0. Isso decorre de, nesse caso,ex y} = Ex} Ey} = µ x µ y. Referencias. PAPOULIS, Athanasios; PILLAI, S. Unnikrishna. Probability, random variables, and stochastic processes. 4th ed. Boston: McGraw-Hill, c2002. x, 852 p. ISBN
7 2. WALPOLE, Ronald E. et al. Probabilidade e estatística: para engenharia e ciências. 8. ed. São Paulo, SP: Pearson Prentice Hall, ISBN WIDROW, Bernard, and KOllar, Istvan. Quantization noise. Cambridge University Press 2 (2008): 5. 7
M. Eisencraft 4.6 Distribuição e densidade de uma soma de variáveis aleatórias57. + w y. f X,Y (x,y)dxdy (4.24) w y
M. Eisencraft 4.6 Distribuição e densidade de uma soma de variáveis aleatórias57 Assim, e usando a Eq. (4.17), F W (w) = F W (w) = + w y + x= f X,Y (x,y)dxdy (4.24) w y f Y (y)dy f X (x)dx (4.25) x= Diferenciando
Leia maisMP-208: Filtragem Ótima com Aplicações Aeroespaciais
MP-208: Filtragem Ótima com Aplicações Aeroespaciais Seção 2.6: Vetores Aleatórios Davi Antônio dos Santos Departamento de Mecatrônica Instituto Tecnológico de Aeronáutica davists@ita.br São José dos Campos,
Leia 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 mais5.3 Variáveis aleatórias gaussianas conjuntas
M. Eisencraft 5.3 Variáveis aleatórias gaussianas conjuntas 64 respectivamente. São as chamadas funções características marginais: Φ X (ω ) = Φ X,Y (ω,0) (5.0) Φ Y (ω ) = Φ X,Y (0,ω ) (5.) Os momentos
Leia mais2.3 Operações sobre uma variável aleatória - Esperança matemática
matemática 58 atingir a mosca dado que ele atingiu o alvo. Exercício 2.33. [3] Duas caixas tem bolas vermelhas, verdes e azuis dentro; a quantidade de cada uma é dada a seguir. Caixa 01-5 vermelhas; 35
Leia maiscanal para sinais contínuos
Processos estocásticos, Entropia e capacidade de canal para sinais contínuos 24 de setembro de 2013 Processos estocásticos, Entropia e capacidade de canal para1 sin Conteúdo 1 Probabilidade de sinais contínuos
Leia 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 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 maisNeste capítulo é introduzido um conceito que permite definir eventos de uma forma mais
Capítulo 2 A variável aleatória Neste capítulo é introduzido um conceito que permite definir eventos de uma forma mais consistente. Este novo conceito é o de variáveis aleatórias e se constitui em uma
Leia maisAula 11. Variáveis Aleatórias Contínuas Bidimensionais
Aula. Variáveis Aleatórias Contínuas Bidimensionais Resumo de caso unidimensional Caso Discreto p p 2 p 3 Caso Contínuo f(x) x x 2 x 3 i p i + f x dx X x x 2 x 3 P p p 2 p 3 Caso bidimensional Caso Discreto
Leia maisPar de Variáveis Aleatórias
Par de Variáveis Aleatórias Luis Henrique Assumpção Lolis 7 de abril de 2014 Luis Henrique Assumpção Lolis Par de Variáveis Aleatórias 1 Conteúdo 1 Introdução 2 Par de Variáveis Aleatórias Discretas 3
Leia 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 maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes
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 maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 06 / Classes Especiais de Processos Aleatórios
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 06 / Classes Especiais de Processos Aleatórios Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE
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 maisMAB-515 Avaliação e Desempenho (DCC/UFRJ)
MAB-515 Avaliação e Desempenho (DCC/UFRJ) Aula 6: Desigualdades, Limites e 1 Normalização Desigualdade de Chebyshev Lei dos Grandes Números 2 3 Normalização Sumário Normalização Desigualdade de Chebyshev
Leia maisIND 1115 Inferência Estatística Aula 6
Conteúdo IND 5 Inferência Estatística Aula 6 Setembro de 004 A distribuição Lognormal A distribuição Beta e sua relação com a Uniforme(0,) Mônica Barros mbarros.com mbarros.com A distribuição Lognormal
Leia maisIND 1115 Inferência Estatística Aula 7
Conteúdo IND 1115 Inferência Estatística Aula 7 Setembro 2004 Por que a revisão de probabilidades até agora? A importância da distribuição Normal O Mônica Barros mbarros.com 1 mbarros.com 2 Por que uma
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 mais4.1. ESPERANÇA x =, x=1
4.1. ESPERANÇA 139 4.1 Esperança Certamente um dos conceitos mais conhecidos na teoria das probabilidade é a esperança de uma variável aleatória, mas não com esse nome e sim com os nomes de média ou valor
Leia maisProcessos estocásticos
36341 - Introdução aos Processos Estocásticos Curso de Pós-Graduação em Engenharia Elétrica Departamento de Engenharia Elétrica Universidade de Brasília Processos estocásticos Geovany A. Borges gaborges@ene.unb.br
Leia maisProcessos Estocásticos. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Variáveis Aleatórias Funções de Uma Variável Aleatória Funções de Várias Variáveis Aleatórias Momentos e Estatística Condicional Teorema
Leia 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 maisSUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS
4 SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS Em muitos problemas de probabilidade que requerem o uso de variáveis aleatórias, uma completa especificação da função de densidade de probabilidade ou não está
Leia 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 maisEstatísticas Inferenciais Distribuições Amostrais. Estatística
Estatística Na descrição dos conjuntos de dados x 1,..., x n, não foi feita menção ao conceito de população. Estatísticas inferenciais: preocupadas com a fonte dos dados e em tentar fazer generalizações
Leia 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 maisSinais e Sistemas. Luis Henrique Assumpção Lolis. 21 de fevereiro de Luis Henrique Assumpção Lolis Sinais e Sistemas 1
Sinais e Sistemas Luis Henrique Assumpção Lolis 21 de fevereiro de 2014 Luis Henrique Assumpção Lolis Sinais e Sistemas 1 Conteúdo 1 Classificação de sinais 2 Algumas funções importantes 3 Transformada
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 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 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 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 maisAula 1. Objetivo: Mostrar o papel fundamental da distribuição de Poisson no comportamento de grandes populações.
Aula 1 Objetivo: Mostrar o papel fundamental da distribuição de Poisson no comportamento de grandes populações. Modelo População de n pessoas, n >> 1; Comportamento individual independente num intervalo
Leia maisAula 1. Objetivo: Mostrar o papel fundamental da distribuição de Poisson no comportamento de grandes populações.
Aula 1 Objetivo: Mostrar o papel fundamental da distribuição de Poisson no comportamento de grandes populações. Modelo População de n pessoas, n >> 1; Comportamento individual independente num intervalo
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 maisProcessamento de Imagens
Processamento de Imagens Introdução Mylène Christine Queiroz de Farias Departamento de Engenharia Elétrica Universidade de Brasília (UnB) Brasília, DF 70910-900 mylene@unb.br 22 de Março de 2016 Aula 03:
Leia maisConteúdo Teórico: 04 Esperança
ACH2053 Introdução à Estatística Conteúdo Teórico: 04 Esperança Marcelo de Souza Lauretto Sistemas de Informação EACH www.each.usp.br/lauretto Referência: Morris DeGroot, Mark Schervish. Probability and
Leia 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 maisBioestatística. AULA 6 - Variáveis aleatórias. Isolde Previdelli
Universidade Estadual de Maringá Mestrado Acadêmico em Bioestatística Bioestatística Isolde Previdelli itsprevidelli@uem.br isoldeprevidelli@gmail.com AULA 6 - Variáveis aleatórias 30 de Março de 2017
Leia maisProcessos Aleatórios e Ruído
Processos Aleatórios e Ruído Luis Henrique Assumpção Lolis 11 de abril de 2014 Luis Henrique Assumpção Lolis Processos Aleatórios e Ruído 1 Conteúdo 1 O Experimento Aleatório / Espaço de Amostras 2 Algebra
Leia 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 maisAula 5. Como gerar amostras de uma distribuição qualquer a partir de sua CDF e de um gerador de números aleatórios?
Aula 5 Como gerar amostras de uma distribuição qualquer a partir de sua CDF e de um gerador de números aleatórios? Processo de chegada: o Chegadas em grupo ocorrem segundo um processo Poisson com taxa.
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 maisAula 6. Aula de hoje. Aula passada
Aula 6 Aula passada Limitante da união Método do primeiro momento Lei dos grandes números (fraca e forte) Erro e confiança Aula de hoje Método de Monte Carlo Estimando somatórios Calculando erro Estimando
Leia maisVARIÁVEIS ALEATÓRIAS
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA VARIÁVEIS ALEATÓRIAS Joaquim H Vianna Neto Relatório Técnico RTE-03/013 Relatório Técnico Série Ensino Variáveis
Leia maisCAPÍTULO 5: VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS Todas as coisas aparecem e desaparecem por causa da concorrência de causas e condições. Nada nunca existe inteiramente só, tudo está em relação com todo
Leia maisDepartamento de Matemática Escola Superior de Tecnologia de Viseu. Engenharia e Gestão Industrial
Variáveis Aleatórias Departamento de Matemática Escola Superior de Tecnologia de Viseu Engenharia e Gestão Industrial 1 Exemplo No lançamento de duas moedas ao ar, os resultados possíveis são: FF, FC,
Leia maisRESTAURAÇÃO E RECONSTRUÇÃO DE IMAGENS. Nielsen Castelo Damasceno
RESTAURAÇÃO E RECONSTRUÇÃO DE IMAGENS Nielsen Castelo Damasceno Restauração de imagem Procura recuperar uma imagem corrompida com base em um conhecimento a priori do fenômeno de degradação. Restauração
Leia maisAST203-CVR 4-1 AST203-CVR. Observação eletromagnética. Processamento de sinais importante em várias áreas, além da astronomia telecomunicações
Bloco 4 Estatística Atualizado: 2012 4-1 Bibliografia Lena Cap. 4 (parte) - só a inspiração... Wall & Jenkins, Practical statistics for astronomers Brandt Statistical and computacional methods in data
Leia maisModelagem e Análise de Sistemas de Computação Aula 19
Modelagem e Análise de Sistemas de Computação Aula 19 Aula passada Intro a simulação Gerando números pseudo-aleatórios Aula de hoje Lei dos grandes números Calculando integrais Gerando outras distribuições
Leia maisVariáveis Aleatórias Discretas e Distribuição de Probabilidade
Variáveis Aleatórias Discretas e Distribuição de Probabilidades 01 de Abril de 2014 Objetivos Ao final deste capítulo você deve ser capaz de: Determinar probabilidades a partir de funções de probabilidade
Leia maisà Análise de Padrões
CC-226 Introdução à Análise de Padrões Prof. Carlos Henrique Q. Forster Variáveis, Estatísticas sticas e Distribuições de Probabilidades Tópicos de hoje Definições Alguns estimadores estatísticos Distribuições
Leia maisCC-226 Aula 07 - Estimação de Parâmetros
CC-226 Aula 07 - Estimação de Parâmetros Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Estimação de Parâmetros Para construir o classificador bayesiano, assumimos as distribuições
Leia maisVariáveis Aleatórias. Departamento de Matemática Escola Superior de Tecnologia de Viseu
Variáveis Aleatórias Departamento de Matemática Escola Superior de Tecnologia de Viseu Exemplo No lançamento de duas moedas ao ar, os resultados possíveis são: FF, FC, CF ou CC. No entanto, o nosso interesse
Leia mais5 a Lista de PE Solução
Universidade de Brasília Departamento de Estatística 5 a Lista de PE Solução. Sejam X A e X B o números de jogos que o time ganha contra times da classe A e da classe B respectivamente. Claramente X A
Leia maisM. Eisencraft 6.3 Funções de correlação 81. R YX (τ) R YY (τ). (6.19) R XY (τ) = R YX ( τ) (6.20)
M. Eisencraft 6.3 Funções de correlação 81 R XY (τ) = E[X(t)Y(t+τ)] e (6.17) R YX (τ) = E[Y(t)X(t+τ)]. (6.18) As propriedades de correlação de dois processos X(t) e Y(t) podem ser mostradas convenientemente
Leia maisModelagem Estocástica e Quantificação de Incertezas
Modelagem Estocástica e Quantificação de Incertezas Rubens Sampaio rsampaio@puc-rio.br Roberta de Queiroz Lima robertalima@puc-rio.br Departamento de Engenharia Mecânica DINCON 2015 Organização do curso
Leia maisAGA Análise de Dados em Astronomia I. 2. Probabilidades
1 / 20 AGA 0505- Análise de Dados em Astronomia I 2. Probabilidades Laerte Sodré Jr. 1o. semestre, 2018 2 / 20 tópicos 1 probabilidades - cont. 2 distribuições de probabilidades 1 binomial 2 Poisson 3
Leia maisDA 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 maisEstatística Descritiva e Exploratória
Gledson Luiz Picharski e Wanderson Rodrigo Rocha 9 de Maio de 2008 Estatística Descritiva e exploratória 1 Váriaveis Aleatórias Discretas 2 Variáveis bidimensionais 3 Váriaveis Aleatórias Continuas Introdução
Leia 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 maisProcessos aleatórios - características
Capítulo 6 Processos aleatórios - características temporais 6.1 O conceito de processo aleatório Um processo aleatório ou estocástico é um espaço de amostras em que cada elemento é associado a uma função
Leia maisMAT 461 Tópicos de Matemática II Aula 8: Resumo de Probabilidade
MAT 461 Tópicos de Matemática II Aula 8: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 28 de Agosto, 2013 Probabilidade: uma Introdução / Aula 8 1 Desigualdades de Markov e
Leia maisInferência para CS Modelos univariados contínuos
Inferência para CS Modelos univariados contínuos Renato Martins Assunção DCC - UFMG 2014 Renato Martins Assunção (DCC - UFMG) Inferência para CS Modelos univariados contínuos 2014 1 / 42 V.A. Contínua
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 maisAULA 17 - Distribuição Uniforme e Normal
AULA 17 - Distribuição Uniforme e Normal Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Distribuições Contínuas Em muitos problemas se torna matematicamente mais simples considerar um espaço
Leia maisProcessamento de sinais digitais Aula 3: Transformada de Fourier (Parte 1)
Processamento de sinais digitais Aula 3: Transformada de Fourier (Parte 1) silviavicter@iprj.uerj.br Tópicos Definição da Transformada de Fourier (TF) Propriedades importantes (ex: linearidade e periodicidade)
Leia maisMódulo II: Cálculo dos Momentos de um Processo Estocástico, Processo de Bernoulli, Processo Random Walk
Módulo II: Cálculo dos Momentos de um Processo Estocástico, Processo de Bernoulli, Processo Random Walk Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica
Leia maisDistribuições de Probabilidade Contínuas 1/19
all Distribuições de Probabilidade Contínuas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuição t de Student 02/14 1 / 1 A distribuição t de Student é uma das distribuições
Leia maisProcessos Estocásticos
Processos Estocásticos Luis Henrique Assumpção Lolis 26 de maio de 2014 Luis Henrique Assumpção Lolis Processos Estocásticos 1 Conteúdo 1 Introdução 2 Definição 3 Especificando um processo aleatório 4
Leia maisO teorema de Bayes é uma igualdade simples que vem da afirmação de que prob(a e B) = prob(b e A): prob(a B) prob(b) prob(a)
O teorema de Bayes O teorema de Bayes é uma igualdade simples que vem da afirmação de que prob(a e B) = prob(b e A): prob(b A) = no qual o denominador é a probabilidade total. prob(a B) prob(b), (4) prob(a)
Leia mais1 O esquema de Alamouti: Diversidade na transmissão
1 O esquema de Alamouti: Diversidade na transmissão 1.1 O Caso de uma antena receptora A Figura?? mostra a representação em banda básica do esquema de Alamouti com diversidade na transmissão. O esquema
Leia maisCálculo II (Primitivas e Integral)
Cálculo II (Primitivas e Integral) Antônio Calixto de Souza Filho Escola de Artes, Ciências e Humanidades Universidade de São Paulo 5 de março de 2013 1 Aplicações de Integrais subject Aplicações de Integrais
Leia maisMétodos Experimentais em Ciências Mecânicas
Métodos Experimentais em Ciências Mecânicas Professor Jorge Luiz A. Ferreira Função que descreve a chance que uma variável pode assumir ao longo de um espaço de valores. Uma distribuição de probabilidade
Leia 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 maisIntrodução à probabilidade e à estatística II. Prof. Alexandre G Patriota Sala: 298A Site:
Introdução à probabilidade e à estatística II Revisão Prof. Alexandre G Patriota Sala: 298A Email: patriota@ime.usp.br Site: www.ime.usp.br/ patriota Estatística Estatística: É uma ciência que se dedica
Leia maisAula de Processamento de Sinais I.B De Paula. Tipos de sinal:
Tipos de sinal: Tipos de sinal: Determinístico:Sinais determinísticos são aqueles que podem ser perfeitamente reproduzidos caso sejam aplicadas as mesmas condições utilizadas sua geração. Periódico Transiente
Leia maisProbabilidades e Estatística LEE, LEGI, LENO, LETI, LMAC, MEAer, MEAmbi, MEBiol, MEBiom, MEEC, MEFT, MEMat, MEQ
Duração: 90 minutos Grupo I Probabilidades e Estatística LEE, LEGI, LENO, LETI, LMAC, MEAer, MEAmbi, MEBiol, MEBiom, MEEC, MEFT, MEMat, MEQ Justifique convenientemente todas as respostas o semestre 08/09
Leia maisCapítulo 2. Variáveis Aleatórias e Distribuições
Capítulo 2 Variáveis Aleatórias e Distribuições Experimento Aleatório Não existe uma definição satisfatória de Experimento Aleatório. Os exemplos dados são de fenômenos para os quais modelos probabilísticos
Leia maisPREVISÃO. Prever o que irá. acontecer. boas decisões com impacto no futuro. Informação disponível. -quantitativa: dados.
PREVISÃO O problema: usar a informação disponível para tomar boas decisões com impacto no futuro Informação disponível -qualitativa Prever o que irá acontecer -quantitativa: dados t DEI/FCTUC/PGP/00 1
Leia maisAula 1. Wilson Correa. June 27, 2017
Aula 1 Definições Básicas Wilson Correa June 27, 2017 Série de Tempo Definição Uma série de tempo é qualquer conjunto de observações ordenadas no tempo. Podem ser: Discretas. Ex: Valores Diários de Poluição,
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 09
Teoria das Filas aplicadas a Sistemas Computacionais Aula 09 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisSinais e Sistemas Mecatrónicos
Sinais e Sistemas Mecatrónicos Sinais e Sistemas Sinais Contínuos no Tempo José Sá da Costa José Sá da Costa T2 - Sinais Contínuos 1 Sinais Sinal É uma função associada a um fenómeno (físico, químico,
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Desigualdades 02/14 1 / 31
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Desigualdades 02/14 1 / 31 Um teorema de grande importância e bastante utilidade em probabilidade
Leia maisVetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 25 de junho de 2013 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
Leia 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 maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisAula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas
Aula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas Matheus Rosso e Camila Steffens 19 de Março de 2018 Independência de variáveis aleatórias Duas V.A. são independentes se, e somente
Leia maisEstatística Aplicada II. } Revisão: Probabilidade } Propriedades da Média Amostral
Estatística Aplicada II } Revisão: Probabilidade } Propriedades da Média Amostral 1 Aula de hoje } Tópicos } Revisão: } Distribuição de probabilidade } Variáveis aleatórias } Distribuição normal } Propriedades
Leia maisVariáveis Aleatórias. Henrique Dantas Neder. April 26, Instituto de Economia - Universidade Federal de Uberlândia
Variáveis Aleatórias Henrique Dantas Neder Instituto de Economia - Universidade Federal de Uberlândia April 2, 202 VARIÁVEL ALEATÓRIA DISCRETA O conceito de variável aleatória está intrínsicamente relacionado
Leia maisGrupo I. (a) A função de probabilidade marginal de X, P (X = x), é dada por
Probabilidades e Estatística + Probabilidades e Estatística I Solução do Exame de 2 a chamada 3 de Fevereiro de 2003 LEFT + LMAC Grupo I (a) A função de probabilidade marginal de X, P (X = x), é dada por
Leia maisA figura 5.1 ilustra a densidade da curva normal, que é simétrica em torno da média (µ).
Capítulo 5 Distribuição Normal Muitas variáveis aleatórias contínuas, tais como altura, comprimento, peso, entre outras, podem ser descritas pelo modelo Normal de probabilidades. Este modelo é, sem dúvida,
Leia maisMais sobre Modelos Continuos
Mais sobre Modelos Continuos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 41 Transformação Linear da Uniforme Seja X uma variável aleatória
Leia maisProcessamento Digital de Sinais
Processamento Digital de Sinais Carlos Alexandre Mello Carlos Alexandre Mello cabm@cin.ufpe.br 1 Sinais Digitais Um sinal pode ser entendido como uma função que carrega uma informação Sinal de voz O sinal
Leia maisAULAS 6 e 7. ESPERANÇA, MOMENTOS E DISTRIBUIÇÕES DE PROBABILIDADES de VARIÁVEIS DISCRETAS 05/05/2017
AULAS 6 e 7 ESPERANÇA, MOMENTOS E DISTRIBUIÇÕES DE PROBABILIDADES de VARIÁVEIS DISCRETAS 05/05/2017 Em aulas passadas vimos as funções de probabilidade de variáveis discretas e contínuas agora vamos ver
Leia maisEXERCICIOS RESOLVIDOS - INT-POLIN - MMQ - INT-NUMERICA - EDO
Cálculo Numérico EXERCICIOS EXTRAIDOS DE PROVAS ANTERIORES o sem/08 EXERCICIOS RESOLVIDOS - INT-POLIN - MMQ - INT-NUMERICA - EDO x. Considere a seguinte tabela de valores de uma função f: i 0 f(x i ).50
Leia mais