5.3 Variáveis aleatórias gaussianas conjuntas
|
|
- Ângelo Bugalho
- 5 Há anos
- Visualizações:
Transcrição
1 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 conjuntos m nk podem ser encontrados a partir da função característica conjunta por: m nk = ( j) n+k n+k Φ X,Y (ω,ω ) ω n ω k ω =0,ω =0 (5.) Esta expressão é a generalização bidimensional da Eq. (3.6). Exercício 5.3. Duas variáveis aleatórias X e Y tem função característica conjunta Φ X,Y (ω,ω ) = exp ( ω 8ω3 ) (5.3) Mostre que X e Y têm média nula é que elas são não correlacionadas. 5.3 Variáveis aleatórias gaussianas conjuntas Variáveis aleatórias gaussianas são muito importantes porque aparecem praticamente em todas as áreas da Engenharia e das Ciências. Nesta seção o caso de duas variáveis aleatórias conjuntas gaussianas é examinado. Duas variáveis aleatórias X e Y são são ditas conjuntamente gaussianas se sua função densidade conjunta é { [( ) f X,Y = πσ X σ exp x X ρ( x X )( y Y ) ( ) ]} y Y + Y ρ ( ρ ) σx σ X σ Y σy (5.4) [ (X em que X = E[X], Y = E[Y], σx = E ) [ (Y ) X ], σy ] = E Y e ρ = E [( X X )( Y Y )] = C XY σ X σ Y. A Figura 5. mostra um gráfico da função densidade gaussiana bidimensional. Seu máximo
2 M. Eisencraft 5.3 Variáveis aleatórias gaussianas conjuntas 65 ocorre em ( X,Y ). Da Eq. (5.4), se ρ = 0, correspondendo a variáveis não-correlacionadas, f XY (x,y) pode ser reescrita como f X,Y (x,y) = f X (x) f Y (y) (5.5) em que f X (x) e f Y (y) são as densidades marginais de X e Y e dadas por f X (x) = f Y (y) = e (x X) σ X (5.6) πσ X e (y Y) σ Y. (5.7) πσ Y Assim, conclui-se que quaisquer variáveis aleatórias gaussianas não-correlacionadas são independentes. Exercício5.4. SejamduasvariáveisaleatóriasgaussianasX e Y commédiasx e Y, variâncias σ X e σ Y e coeficiente de correlação ρ. Determine o ângulo θ tal que as variáveis A = X cosθ+y sinθ (5.8) B = X sinθ +Y cosθ (5.9) sejam independentes. Exercício 5.5. [] Suponha que a queda de neve anual (quantidade de neve acumulada em metros) em dois hotéis de esqui alpinos vizinhos seja representada por variáveis aleatórias gaussianas conjuntas X e Y para as quais ρ = 0,8, σ X =,5m, σ Y =,m e R XY = 8,476m. Se a queda de neve média no primeiro hotel é 0m, qual a taxa de queda média no outro hotel? Exercício 5.6. [4] Duas variáveis aleatórias X e Y têm medias e variâncias dadas por m X =, σ X = 3, m Y = e σ Y = 5. Uma nova variável aleatória Z é definida por Z = 3X 4Y. (5.30)
3 M. Eisencraft 5.3 Variáveis aleatórias gaussianas conjuntas 66 Figura 5.: Densidade gaussiana bidimensional [].
4 M. Eisencraft 5.4 Transformações de múltiplas variáveis aleatórias 67 Determine a média e a variância de Z se o coeficiente de correlação entre X e Y é ρ XY = 0, Transformações de múltiplas variáveis aleatórias Deseja-se encontrar a função densidade conjunta de um conjunto de novas VAs Y i = T i (X,X,...,X N ), i =,,...,N (5.3) definido pelas transformações T i. Assume-se que as novas VAs Y i dadas pela Eq. 5.3 são produzidas por funções contínuas tendo derivadas parciais contínuas em todos os pontos. Assume-se também que um conjunto de funções inversas T j contínuas das novas variáveis: existe tal que as antigas variáveis podem ser expressas como funções X j = T j (Y,Y,...,Y N ), j =,,...,N. (5.3) O jacobiano é o determinante de uma matriz de derivadas definido como J = T Y. T N Y T Y N. T N Y N (5.33) Com esta definição, pode-se mostrar que f Y,...,Y N (y,...,y N ) = f X,...,X N ( x = T (y ),...,x N = T N (y N) ) J (5.34) Quando N =, a Eq. (5.34) reduz-se à Eq. (3.30) previamente deduzida para uma única variável.
5 M. Eisencraft 5.5 Transformações lineares de variáveis aleatórias gaussianas 68 Exercício 5.7. Sejam as transformações lineares dadas por Y = T (X,X ) = ax +bx (5.35) Y = T (X,X ) = cx +dx. (5.36) Encontre f Y,Y (y,y ) em função de f X,X (x,x ) 5.5 Transformações lineares de variáveis aleatórias gaussianas A Eq. (5.3) pode ser diretamente aplicada ao problema de transformar linearmente um conjunto de VAs gaussianas X, X,..., X N para o qual a densidade conjunta gaussiana se aplica. As novas variáveis Y, Y,..., Y N são Y = a X +a X + +a N X N (5.37) Y = a X +a X + +a N X N (5.38). (5.39) Y N = a N X +a N X + +a NN X N (5.40) em que os coeficientes a ij e j =,,...,N são números reais. Definimos a matriz [T] = a a a N a a a N... (5.4) a N a N a NN Pode-se mostrar [] que as novas variáveis Y, Y,..., Y N são conjuntamente gaussianas. Ou seja, uma transformação linear de VAs gaussianas produz VAs gaussianas.
6 M. Eisencraft 5.6 Geração computacional de múltiplas variáveis aleatórias 69 Pode-se mostrar também [] que estas novas variáveis têm médias Ȳ j = N a jk Xk (5.4) k= e co-variâncias dadas pelos elementos da matrix de covariância [C Y ] = [T][C X ][T] t. (5.43) As matrizes de co-variância tem elementos C ij definidos por C ij = E [( X i X )( i Xj X )] σx j = i, i = j C Xi X j, i j (5.44) Exercício 5.8. Duas VAs gaussianas X e X têm médias nulas e variâncias σ X = 4 e σ X = 9. Sua co-variância C X X é igual a 3. Se X e X são linearmente transformadas em novas variáveis Y e Y de acordo com Y = X X (5.45) Y = 3X +4X (5.46) calcule as médias, variâncias e co-variância de Y e Y. 5.6 Geração computacional de múltiplas variáveis aleatórias Para gerar computacionalmente algumas VAs pode ser necessário usar mais de uma distribuição uniforme inicial, como feito na Seção 3.5. Por exemplo, duas VAs gaussianas independentes com médias nulas e variância unitária
7 M. Eisencraft 5.6 Geração computacional de múltiplas variáveis aleatórias 70 podem ser geradas pelas transformações Y = T (X,X ) = ln(x )cos(πx ) (5.47) Y = T (X,X ) = ln(x )sin(πx ) (5.48) (5.49) Variáveis gaussianas com variâncias quaisquer σ W e σ W e coeficiente de correlação ρ W podem ser geradas a partir de Y e Y usando as transformações [] W = σ W Y (5.50) W = ρ w σ W Y +σ W ρ W Y. (5.5) Exercício 5.9. Usando o Matlab R, a gere N = 0000 amostras de duas VAs uniformes no intervalo (0,). Esboce seus histogramas; b a partir destas VAs, gere duas VAs gaussianas com média nula e variância unitária. Esboce seus histogramas; c a partir do resultado do item anterior, gere duas VAs W e W com σ W = 4 e σ W = 9 e coeficiente de correlação ρ W = 0.4; esboce o histograma delas; d para confirmar a qualidade das VAs geradas, estime suas médias, variâncias e coeficiente de correlação usando as estimações W i = N σ W i = N ρ W = N w in (5.5) n= N n= ) ( σ W σ W N ( w in Wi ) (5.53) N ) (w n )(w W n W n= (5.54)
8 Referências Bibliográficas [] P. Z. P. Jr., Probability, Random Variables And Random Signal Principles, 4th ed. New York: Mcgraw-Hill, 00. [] B. P. Lathi, Modern Digital and Analog Communication Systems, 3rd ed. New York, NY, USA: Oxford University Press, Inc., 998. [3] A. V. Oppenheim, A. S. Willsky, and S. H. Nawab, Sinais e sistemas, nd ed. São Paulo: Pearson Prentice Hall, 00. [4] R. E. Ziemer and W. H. Tranter, Principles of Communications, 6th ed. Wiley Publishing,
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 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 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 mais5.7 Amostragem e alguns teoremas sobre limites
M. Eisencraft 5.7 Amostragem e alguns teoremas sobre limites 7 5.7 Amostragem e alguns teoremas sobre limites Para quantificar os problemas associados às medidas práticas de uma VA, considere o problema
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 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 maisM. Eisencraft 6.5 Processos aleatórios gaussianos 86. t1 +T. x(t)y(t+τ)dt. (6.35) t 1 T. x(t)y(t+τ)dt R xy (τ) = R XY (τ). (6.36)
M. Eisencraft 6.5 Processos aleatórios gaussianos 86 R 0 (t 1 +2T) = 1 2T t1 +T t 1 Assim, tomando t 1 = 0 e assumindo que T é grande, temos x(t)y(t+τ)dt. (6.35) R 0 (2T) = 1 2T x(t)y(t+τ)dt R xy (τ) =
Leia maisM. Eisencraft 2.5 Outros exemplos de distribuições e densidades 29. Densidade e distribuição uniforme. 0 a b x. 0 a b x
M. Eisencraft 2.5 Outros eemplos de distribuições e densidades 29 Densidade e distribuição uniforme /(b a) () a b.8 ().6.4.2.2 a b 2.5.2 Eponencial Figura 2.8: Funções densidade e distribuição uniforme.
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 maisEisencraft e Loiola 2.1 Probabilidade 37. Para resolver problemas de probabilidades são necessários 3 passos:
Eisencraft e Loiola 2.1 Probabilidade 37 Modelo matemático de experimentos Para resolver problemas de probabilidades são necessários 3 passos: a Estabelecimento do espaço das amostras b Definição dos eventos
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 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 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 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 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 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 maisMotivação. VA n-dimensional. Distribuições Multivariadas VADB. Em muitas situações precisamos
Motivação Em muitas situações precisamos Prof. Lorí Viali, Dr. viali@pucrs.br lidar com duas ou mais variáveis aleatórias ao mesmo tempo. Por exemplo o comprimento e a largura de uma determinada peça.
Leia 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 maisOperações sobre uma variável aleatória
Capítulo 3 Operações sobre uma variável aleatória - Esperança matemática Neste capítulo, introduz-se algumas operações importantes que podem ser realizadas sobre uma variável aleatória. 3.1 Esperança Valor
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 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 maisRicardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Geração de Números Aleatórios Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 61 Simulando de Distribuições Discretas Assume-se que um
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 maisTE802 Processos Estocásticos em Engenharia
TE802 Processos Estocásticos em Engenharia Vetores Aleatórios 10 de setembro de 2017 Modelos Probabiĺısticos para N Variáveis Aleatórias F X1,...,X n (x 1,...,x n) = P[X 1 x 1,..., X n x n] (x 1,...,x
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 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 maisRevisões de Matemática e Estatística
Revisões de Matemática e Estatística Joaquim J.S. Ramalho Contents 1 Operadores matemáticos 2 1.1 Somatório........................................ 2 1.2 Duplo somatório....................................
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 maisLista de Exercícios #5 Assunto: Variáveis Aleatórias Multidimensionais Contínuas
1. ANPEC 018 Questão 9 Uma pessoa investe R$ 10.000,00 (I) em duas aplicações cujas taxas de retorno são variáveis aleatórias independentes, R 1 e R, com médias 5% e 14% e desvios-padrão 1% e 8%, respectivamente.
Leia maisVetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 14 de abril de 2014 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
Leia maisPrincípios de Comunicação - s.7
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
Leia maisFísica Geral - Laboratório. Estimativas e erros em medidas indiretas: Ajuste de funções
Física Geral - Laboratório Estimativas e erros em medidas indiretas: Ajuste de funções 1 Medidas indiretas: Ajuste de funções Ajuste de funções y = f (x; a 1,a 2,...,a p ) Medidas de duas grandezas x e
Leia mais1.3.2 Sistemas LIT - a integral de convolução
Eisencraft e Loiola 1.3 Análise e transmissão de sinais 23 Figura 1.22: Propriedades da Transformada de Fourier [1]. 1.3.2 Sistemas LIT - a integral de convolução Na Seção 1.2, página 4, já foi discutido
Leia maisMotivação. VA n-dimensional. Distribuições Multivariadas VADB
Motivação Em muitas situações precisamos lidar com duas ou mais variáveis aleatórias ao mesmo tempo. Por exemplo o comprimento e a largura de uma Prof. Lorí Viali, Dr. viali@mat.ufgrs.br http://www.mat.ufrgsbr/~viali/
Leia maisFUNDAMENTOS DE PROBABILIDADE E
Variáveis aleatórias Estimação e Filtragem Estocástica Programa de Pós-Graduação em Engenharia de Sistemas Eletrônicos e de Automação Departamento de Engenharia Elétrica Universidade de Brasília FUNDAMENTOS
Leia maisCapítulo 5 - Distribuições conjuntas de probabilidade e complementos 3
Capítulo 5 - Distribuições conjuntas de probabilidade e complementos Conceição Amado e Ana M. Pires Departamento de Matemática Instituto Superior Técnico Capítulo 5 - Distribuições conjuntas de probabilidade
Leia maisAGA Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares
1 / 0 AGA 0505- Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares Laerte Sodré Jr. 1o. semestre, 018 modelos modelagem dos dados dado um conjunto de dados,
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufgrs.br http://www.mat.ufrgsbr/~viali/ Motivação Em muitas situações precisamos lidar com duas ou mais variáveis aleatórias ao mesmo tempo. Por exemplo o comprimento e
Leia maisPLANO DE ENSINO EMENTA DA DISCIPLINA: OBJETIVOS: CONTEÚDO PROGRAMÁTICO:
ESTADO DE MATO GROSSO FUNDAÇÃO UNIVERSIDADE DO ESTADO DE MATO GROSSO CAMPUS SINOP SUPERVISÃO DE APOIO ACADÊMICO CURSO BACHARELADO EM ENGENHARIA ELÉTRICA PLANO DE ENSINO DISCIPLINA: SNP33D45 / PRINCÍPIOS
Leia mais1.4.2 Probabilidade condicional
M. Eisencraft 1.4 Probabilidades condicionais e conjuntas 9 Portanto, P(A B) = P(A)+P(B) P(A B) (1.2) Para eventos mutuamente exclusivos, P(A B) = e P(A)+P(B) = P(A B). 1.4.2 Probabilidade condicional
Leia maisInformações Gerais Prof. Aluizio Fausto Ribeiro Araújo Depto. of Sistemas de Computação Centro de Informática - UFPE
ES413 Informações Gerais Prof. Aluizio Fausto Ribeiro Araújo Depto. of Sistemas de Computação Centro de Informática - UFPE Objetivos Conteúdo Referências Avaliação Estrutura de Apoio Tópicos 1-2 Principal
Leia maisEstimativas e Erros. Propagação de erros e Ajuste de funções
Estimativas e Erros Propagação de erros e Ajuste de funções 1 Algumas referências Estimativas e Erros em Experimentos de Física - Vitor Oguri et al (EdUERJ) Fundamentos da Teoria de Erros - José Henrique
Leia maisPrincípios de Modelagem Matemática Aula 10
Princípios de Modelagem Matemática Aula 10 Prof. José Geraldo DFM CEFET/MG 19 de maio de 2014 1 Alguns resultados importantes em estatística A distribuição normal tem importante papel em estatística pois
Leia maisUm modelo estocástico para o fluxo de caixa de um plano de previdência de um indivíduo 15
2 Simulação estocástica A simulação computacional consiste em empregar técnicas matemáticas em computadores com o propósito de gerar ensaios que tentam reproduzir de maneira análoga um processo ou operação
Leia maisTE802 Processos Estocásticos em Engenharia
TE802 Processos Estocásticos em Engenharia Duas Variáveis Aleatórias 29 de agosto de 2017 Duas Variáveis Aleatórias Função Distribuição Acumulada Conjunta: F X,Y (x,y) = P[X x, Y y] Propriedades: (a) 0
Leia mais)XQGDPHQWRVGHSUREDELOLGDGHHHVWDWtVWLFD
)XQGDPHQWRVGHUREDELOLGDGHHHVWDWtVWLFD,QWURGXomR A história da estatística pode ser dividida em três fases. De acordo com PEANHA (00), a estatística inicialmente não mantinha nenhuma relação com a probabilidade,
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 01 / Introdução
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 1 / Introdução Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade Federal da
Leia maisFísica Geral - Laboratório. Aula 8: Estimativas e erros em medidas indiretas: Ajuste de funções
Física Geral - Laboratório Aula 8: Estimativas e erros em medidas indiretas: Ajuste de funções 1 Medidas indiretas: Ajuste de funções Ajuste de funções y = f (x; a 1,a 2,...,a p ) Medidas de duas grandezas
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 01 / Introdução
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 1 / Introdução Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade Federal da
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 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 maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Introdução Solução de equações não lineares
Leia maisA estacionariedade prova-se de maneira semel- hante.
Se por outro lado (U 1, U 2,...) é IID então mostremos que X n U 1 + + U n tem incrementos independentes e estacionários. De facto, dados n > m temos que X n X m U m+1 + + U n. Tome-se quaisquer n 1
Leia maisUniversidade Federal do ABC. Processos Estocásticos. Profs. Marcio Eisencraft e Murilo Loiola
Universidade Federal do ABC Processos Estocásticos Profs. Marcio Eisencraft e Murilo Loiola São Paulo 2011 Capítulo 1 Introdução à análise e transmissão de sinais 1.1 Intodução Neste curso, trata-se dos
Leia maisEES-20: Sistemas de Controle II. 20 Novembro 2017
EES-20: Sistemas de Controle II 20 Novembro 2017 1 / 57 Recapitulando: Filtro de Kalman para sistema de 1a ordem Foi considerado o caso de estado x[k] escalar, com G = 1 e C = 1, por simplicidade: Equação
Leia maisPseudo-Aleatórios. Cristiano R. F. Granzotti e Antônio Carlos Roque da Silva Filho 19 de junho de 2017
Estatística e Geração de Números Pseudo-Aleatórios Cristiano R. F. Granzotti e Antônio Carlos Roque da Silva Filho 19 de junho de 2017 1 Variáveis Aleatórias, Estatísticas e Distribuições Dados de uma
Leia maisInversão. Introdução à Simulação Estocás5ca usando R INF2035 PUC- Rio, Hélio Lopes Departamento de InformáAca PUC- Rio 4/25/13
Introdução à Simulação Estocás5ca usando R INF2035 PUC- Rio, 2013.1 Departamento de InformáAca - PUC- Rio Hélio Lopes Departamento de InformáAca PUC- Rio Inversão Teorema: Sejam F : IR [0, 1] a função
Leia maisTÉCNICAS DE AMOSTRAGEM
TÉCNICAS DE AMOSTRAGEM Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Definições e Notação Estimação Amostra Aleatória
Leia maisVariáveis Aleatórias Discretas 1/1
Variáveis Aleatórias Discretas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte do Espírito Santo
Leia mais2 Conceitos de Teoria da Probabilidade
2 Conceitos de Teoria da Probabilidade Neste capítulo, enunciaremos algumas denições e resultados de teoria de probabilidade. justicativa deste capítulo reside no fato que u objetivo nal é estimar momentos
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 maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS A distribuição dos tempos de permanência dos estudantes nos cursos de graduação de certa universidade é uma distribuição normal com média igual a 6 anos e desvio padrão igual
Leia 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 maisPROGRAMA/BIBLIOGRAFIA e NORMAS DE AVALIAÇÃO
PROBABILIDADES E ESTATÍSTICA LEIC+LEE+LERCI (TagusPark) PROGRAMA/BIBLIOGRAFIA e NORMAS DE AVALIAÇÃO Secção de Estatística e Aplicações Departamento de Matemática Instituto Superior Técnico Fevereiro 2008
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 maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 6 de outubro de 2016 Segmentação de imagens A segmentação
Leia maisProcessamento de Sinal e Imagem Engenharia Electrotécnica e de Computadores
António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Objectivos Estudar as características dos sinais temporais contínuos e discretos Processamento de sinais em Sistemas
Leia maisProcessamento de Sinais e Imagem
António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Objectivos Estudar as características dos sinais temporais contínuos e discretos Projecto de filtros Processamento
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário (bootstrap) Este método foi proposto por Efron
Leia maisControle Ótimo - Aula 6 Exemplos e Exercícios
Controle Ótimo - Aula 6 Exemplos e Exercícios Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos Probabilidades Probabilidade: número entre
Leia maisMétodos Empíricos de Pesquisa I. } Análise Bidimensional
Métodos Empíricos de Pesquisa I } Análise Bidimensional 1 Aula de hoje } Temas } Associação entre variáveis } Qualitativas e Quantitativas } Covariância: conceitos e propriedades } Coeficiente de correlação
Leia mais1) Considere Y N(1, 1) e X Y = y N(y, 4). A quantidade de interesse é θ = P (X > 1).
1 Considere Y N1, 1 e X Y y Ny, 4. A quantidade de interesse é θ P X > 1. a Explique como obter uma estimativa de θ via simulação. Solução: Uma maneira simples de obter uma estimativa de θ é simulando
Leia maisCOM29008 LISTA DE EXERCÍCIOS #
INSTITUTO FEDERAL DE SANTA CATARINA CAMPUS SÃO JOSÉ COORDENADORIA DE ÁREA DE TELECOMUNICAÇÕES ENGENHARIA DE TELECOMUNICAÇÕES COM29008 LISTA DE EXERCÍCIOS #1 2016.2 Exercícios 1. Verifique se os seguintes
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 maisExercícios de programação
Exercícios de programação Estes exercícios serão propostos durante as aulas sobre o Mathematica. Caso você use outra linguagem para os exercícios e problemas do curso de estatística, resolva estes problemas,
Leia mais1 Equações Diferenciais Ordinárias: Sistemas de Equações
Equações Diferenciais Ordinárias: Sistemas de Equações O sistema geral de duas equações diferenciais pode ser escrito como: ẋ = F x,y,t ẏ = Gx,y,t Uma Solução de é um par x t e y t de funções de t tais
Leia maisCapítulo 2. Ortogonalidade e Processo de Gram-Schmidt. Curso: Licenciatura em Matemática
Capítulo 2 Ortogonalidade e Processo de Gram-Schmidt Curso: Licenciatura em Matemática Professor-autor: Danilo Felizardo Barboza Wilberclay Gonçalves de Melo Disciplina: Álgebra Linear II Unidade II Aula
Leia maisEXAMES DE ANÁLISE MATEMÁTICA III
EXAMES DE ANÁLISE MATEMÁTICA III Jaime E. Villate Faculdade de Engenharia Universidade do Porto 22 de Fevereiro de 1999 Resumo Estes são alguns dos exames e testes da disciplina de Análise Matemática III,
Leia maisTE802 Processos Estocásticos em Engenharia. Processo Aleatório. TE802 Processos Aleatórios. Evelio M. G. Fernández. 18 de outubro de 2017
TE802 Processos Estocásticos em Engenharia Processos Aleatórios 18 de outubro de 2017 Processo Aleatório Processo Aleatório (ou Estocástico), X(t): Função aleatória do tempo para modelar formas de onda
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 maisDISTRIBUIÇÃO CONJUNTA (parte II)
UFPE - Universidade Federal de Pernambuco Departamento de Estatística Disciplina: ET-406 Estatística Econômica Professor: Waldemar A. de Santa Cruz Oliveira Júnior DISTRIBUIÇÃO CONJUNTA (parte II) Variáveis
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 maisSistemas Lineares em Engenharia
Sistemas Lineares em Engenharia Prof. Afonso Paiva Departamento de Matemática Aplicada e Estatística Instituto de Ciências Matemáticas e de Computação USP São Carlos Métodos Numéricos e Computacionais
Leia maisEstudo sobre decodificação iterativa usando códigos de treliça
Revista de Engenharia e Pesquisa Aplicada, Volume 2, Número 1, 2016 Estudo sobre decodificação iterativa usando códigos de treliça Souza, I. M. M. Escola Politécnica de Pernambuco Universidade de Pernambuco
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 maisTeoria para Pequenas Perturbações
Teoria para Pequenas Perturbações João Oliveira Departamento de Engenharia Mecânica, Secção de Mecânica Aeroespacial Instituto Superior Técnico Estabilidade de Voo, Eng. Aeroespacial João Oliveira (SMA,
Leia maisComunicações Digitais Prof. André Noll Barreto. Prova /1 (04/04/2017)
Prova 1 17/1 (4/4/17) Aluno: Matrícula: Instruções A prova consiste de quatro questões discursivas A prova terá a duração de h A prova pode ser feita a lápis ou caneta Não é permitida consulta a notas
Leia maisDistribuições Multidimensionais de Probabilidade para Variáveis Discretas e Contínuas Distribuições Marginais. Aula 9
Distribuições Multidimensionais de Probabilidade para Variáveis Discretas e Contínuas Distribuições Marginais Aula 9 Variáveis Aleatórias Discretas Variável aleatória discreta função definida em um espaço
Leia maisProbabilidade e Variáveis Aleatórias. Prof. Walter Fetter Lages 4 de outubro de 2004
Universidade Federal do Rio Grande do Sul Escola de Engenharia Departamento de Engenharia Elétrica Programa de Pós-Graduação em Engenharia Elétrica ELE0007-Tópicos Especiais em Automação e Controle II
Leia maisAGA Análise de Dados em Astronomia I. 5. Testes de Hipótese
1 / 26 AGA 0505- Análise de Dados em Astronomia I 5. Testes de Hipótese Laerte Sodré Jr. 1o. semestre, 2019 2 / 26 aula de hoje: 1 testes de hipóteses: procedimento básico 2 o valor p 3 erros nos testes
Leia mais1 x. = π 2. pois. Probabilidade: um curso introdutório - Mônica Barros - Capítulo 7 - Soluções
Soluções - Capítulo 7 Lista semestre 000.0:, 3, 5 a, 5, 6, 7,, 4, 5 Problema Ache a mediana das densidades Qui-quadrado com e graus de liberdade. A densidade Qui-quadrado com n graus de liberdade é dada
Leia maisPROGRAMA/BIBLIOGRAFIA e NORMAS DE AVALIAÇÃO
PROBABILIDADES E ESTATÍSTICA LEIC+LEE+LERCI (TagusPark) PROGRAMA/BIBLIOGRAFIA e NORMAS DE AVALIAÇÃO Secção de Estatística e Aplicações Departamento de Matemática Instituto Superior Técnico Fevereiro 2006
Leia maisProbabilidades e Estatística TODOS OS CURSOS
Duração: 90 minutos Grupo I Probabilidades e Estatística TODOS OS CURSOS Justifique convenientemente todas as respostas o semestre 07/08 0/07/08 :0 o Teste C 0 valores. Um relatório anual estabelece que
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 maisExercícios de Teoria da Probabilidade e Processos Estocásticos Parte I
Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte I 2014/2015 Os exercícios assinalados com (*) têm um nível de dificuldade superior. Exercício 1. Seja (X, F) um espaço mensurável. Mostre
Leia maisSUMÁRIO. 1.1 Introdução, Conceitos Fundamentais, 2
SUMÁRIO 1 CONCEITOS BÁSICOS, 1 1.1 Introdução, 1 1.2 Conceitos Fundamentais, 2 1.2.1 Objetivo, 2 1.2.2 População e amostra, 2 1.3 Processos estatísticos de abordagem, 2 1.4 Dados estatísticos, 3 1.5 Estatística
Leia maisALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. Prof.: Idemauro Antonio Rodrigues de Lara
1 ALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS Prof.: Idemauro Antonio Rodrigues de Lara 2 Modelos de variáveis aleatórias discretas 1. Distribuição Uniforme Discreta 2. Distribuição Binomial
Leia maisCapítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia
Departamento de Engenharia Civil Prof. Dr. Doalcey Antunes Ramos Capítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia 3.1 - Objetivos Séries de variáveis hidrológicas como precipitações,
Leia maisINSTITUTO SUPERIOR TÉCNICO Mestrado Integrado em Engenharia Física Tecnológica Ano Lectivo: 2007/2008 Semestre: 1 o
INSTITUTO SUPERIOR TÉCNICO Mestrado Integrado em Engenharia Física Tecnológica Ano Lectivo: 27/28 Semestre: o MATEMÁTICA COMPUTACIONAL Exercícios [4 Sendo A M n (C) mostre que: (a) n A 2 A n A 2 ; (b)
Leia mais