Universidade Federal Fluminense

Mestrado em Engenharia de Telecomunica~es co

Apostila usada no curso de Processos Estocsticos I a

Prof. Edson Cataldo

Rio de Janeiro, agosto de 2005.

 Indice
1 Modelos 1.1 Introduao . . . . . . . . . . . . . . . . . c~ 1.2 Modelos matemticos . . . . . . . . . . . a 1.3 Simulaao computacional . . . . . . . . . c~ 1.4 Modelos determinsticos . . . . . . . . . 1.5 Modelos probabilsticos (ou aleatrios) . o 1.6 Regularidade estatstica . . . . . . . . . 1.7 Propriedades de freq^ncia relativa . . . ue 1.8 Construao de um modelo probabilstico c~ 5 5 5 5 5 5 6 6 6 8 8 8 9 9 10 10 11 12 12 13 14 15 17 18 18 18 21 21 21 22 24

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . .

2 Conceitos bsicos da teoria de probabilidade a 2.1 Especicaao de experimentos aleatrios . . . c~ o 2.2 O espao amostral . . . . . . . . . . . . . . . c 2.3 Eventos . . . . . . . . . . . . . . . . . . . . . 2.4 Axiomas de probabilidade . . . . . . . . . . . 2.4.1 Corolrios: . . . . . . . . . . . . . . . . a 2.5 Espaos amostrais discretos . . . . . . . . . . c 2.6 Espaos amostrais contnuos . . . . . . . . . . c 2.7 Probabilidade Condicional . . . . . . . . . . . 2.7.1 Introduao . . . . . . . . . . . . . . . . c~ 2.7.2 Teorema (Probabilidade total) . . . . . 2.7.3 Regra de Bayes . . . . . . . . . . . . . 2.8 Eventos independentes . . . . . . . . . . . . . 2.9 A lei de probabilidade binomial . . . . . . . . 3 Variveis Aleatrias a o 3.1 Deniao . . . . . . . . . . . . . . . . c~ 3.2 Funao distribuiao de probabilidade c~ c~ 3.3 Tipos de variveis aleatrias . . . . . a o 3.3.1 Varivel aleatria discreta . . a o 3.3.2 Varivel aleatria cont a o nua . . 3.3.3 Varivel aleatria mista . . . a o 3.4 Funao densidade de probabilidade . c~ . . . . . . . 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.5

Exemplos de variveis aleatrias . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 a o 3.5.1 Variveis aleatrias discretas . . . . . . . . . . . . . . . . . . . . . . . . . 25 a o 3.5.2 Variveis aleatrias contnuas . . . . . . . . . . . . . . . . . . . . . . . . 27 a o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 31 31 31 32 32 32 33 34 35 36 37 37 38 42 42 42 42 45 47 47 48 49 49 49 49 50 51 51 51 51 51 52 52 52 52 53

4 Vetores de variveis aleatrias a o 4.1 Deniao . . . . . . . . . . . . . . . . . . . . . c~ 4.1.1 Exemplos: . . . . . . . . . . . . . . . . 4.2 Eventos associados a vetores aleatrios . . . . o 4.2.1 Exemplo . . . . . . . . . . . . . . . . . 4.3 Independ^ncia . . . . . . . . . . . . . . . . . . e 4.4 Funao distribuiao de probabilidade conjunta c~ c~ 4.4.1 Exemplo: . . . . . . . . . . . . . . . . 4.5 Funao densidade de probabilidade conjunta . c~ 4.5.1 Caso particular: duas variveis . . . . a 4.5.2 Exemplos . . . . . . . . . . . . . . . . 4.6 Funoes distribuiao e densidade condicionais c~ c~ 4.6.1 F.D.P. condicional . . . . . . . . . . . 4.7 Independ^ncia entre duas variveis aleatrias . e a o 5 Fun~es de variveis aleatrias co a o 5.1 Introduao . . . . . . . . . . . . . . . . . c~ 5.2 Funao densidade de probabilidade de Y c~ 5.2.1 Exemplos: . . . . . . . . . . . . . 5.3 Funoes de duas variveis aleatrias . . . c~ a o . . . . . . . . . . . .

6 Valor esperado, vari^ncia e desvio padr~o de variveis aleatrias a a a o 6.1 Valor esperado (ou mdia) de um v.a . . . . . . . . . . . . . . . . . e 6.2 Vari^ncia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . a 6.3 Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.3.1 Momentos de ordem k . . . . . . . . . . . . . . . . . . . . . 6.3.2 Momento central de ordem k . . . . . . . . . . . . . . . . . . 6.3.3 Valor esperado de um vetor aleatrio . . . . . . . . . . . . . o 6.4 Matriz Covari^ncia . . . . . . . . . . . . . . . . . . . . . . . . . . . a 6.5 Momentos conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . 6.5.1 Deniao . . . . . . . . . . . . . . . . . . . . . . . . . . . . c~ 6.5.2 Deniao . . . . . . . . . . . . . . . . . . . . . . . . . . . . c~ 6.5.3 Deniao . . . . . . . . . . . . . . . . . . . . . . . . . . . . c~ 6.5.4 Coeciente de correlaao . . . . . . . . . . . . . . . . . . . . c~ 6.5.5 Deniao . . . . . . . . . . . . . . . . . . . . . . . . . . . . c~ 6.5.6 Deniao . . . . . . . . . . . . . . . . . . . . . . . . . . . . c~ 6.5.7 Propriedades do valor esperado . . . . . . . . . . . . . . . . 6.6 Valor esperado de Y = g(X) . . . . . . . . . . . . . . . . . . . . . . 6.7 Outras propriedades . . . . . . . . . . . . . . . . . . . . . . . . . .

7 Processos Estocsticos a 7.1 Introduao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . c~ 7.2 Especicaao de um processo estocstico . . . . . . . . . . . . . . . . . . . . . . c~ a 7.3 Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.3.1 Mdia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 7.3.2 Autocorrelaao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . c~ 7.3.3 Autocovari^ncia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . a 7.4 Processos estocsticos (estritamente) estacionrios . . . . . . . . . . . . . . . . . a a 7.5 Processos estocsticos estacionrios no sentido amplo ou fracamente estacionrios a a a 7.5.1 Deniao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . c~ 7.5.2 Propriedades de estatsticas de processos estocsticos estacionrios no a a sentido amplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.6 Estatsticas conjuntas de processos estocsticos . . . . . . . . . . . . . . . . . . a 7.6.1 Especicaao conjunta . . . . . . . . . . . . . . . . . . . . . . . . . . . . c~ 7.6.2 Momentos conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.6.3 Processos estocsticos conjuntamente estacionrios . . . . . . . . . . . . a a 7.6.4 Propriedades da funao correlaao cruzada de dois processos estocsticos c~ c~ a conjuntamente estacionrios . . . . . . . . . . . . . . . . . . . . . . . . . a 7.6.5 Independ^ncia, n~o-correlaao e ortogonalidade . . . . . . . . . . . . . . e a c~ 7.6.6 Processos Ergdicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 7.7 Processos estocsticos gaussianos . . . . . . . . . . . . . . . . . . . . . . . . . . a 8 Revis~o de anlise de Fourier a a 8.1 Introduao . . . . . . . . . . . . . . . . . . . . . c~ 8.2 Anlise de Fourier . . . . . . . . . . . . . . . . . a 8.2.1 Srie de Fourier . . . . . . . . . . . . . e 8.2.2 O espectro complexo de Fourier . . . . . 8.3 Transformada de Fourier . . . . . . . . . . . . . 8.3.1 Introduao . . . . . . . . . . . . . . . . . c~ 8.3.2 A transformada de Fourier . . . . . . . . 8.3.3 Exist^ncia da transformada de Fourier . e 8.3.4 Propriedades da transformada de Fourier 8.4 Convoluao . . . . . . . . . . . . . . . . . . . . c~ 8.4.1 Introduao . . . . . . . . . . . . . . . . . c~ 8.4.2 Propriedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

54 54 55 57 57 57 57 59 59 59 60 60 60 60 61 61 61 62 63 64 64 64 64 67 69 69 70 71 74 74 74 75 77 77 77 77 78 78 79

9 Anlise e processamento de sinais aleatrios a o 9.1 Introduao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . c~ 9.2 Alguns conceitos sobre sinais determinsticos . . . . . . . . . . 9.2.1 Energia e Pot^ncia de um sinal . . . . . . . . . . . . . e 9.2.2 Algumas frmulas relacionadas a sinais determinsticos o 9.2.3 Teorema de Parseval . . . . . . . . . . . . . . . . . . . 9.2.4 Densidade espectral de energia e de pot^ncia . . . . . . e 3

9.3

9.4 9.5 9.6

Correlaao cruzada e autocorrelaao . . . . . . . . . . c~ c~ 9.3.1 Preliminares . . . . . . . . . . . . . . . . . . . 9.3.2 Deniao . . . . . . . . . . . . . . . . . . . . c~ Densidade espectral de pot^ncia para sinais aleatrios e o Teorema - Sx (!) = F fRx ()g . . . . . . . . . . . . . Resposta de sistemas lineares a sinais aleatrios . . . o

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

79 79 80 80 81 84 87

10 Refer^ncias e

Cap tulo 1 Modelos

1.1 Introdu~o ca

Um modelo uma representaao de uma situaao fsica. Seu objetivo explicar um detere c~ c~ e minado comportamento usando um conjunto de regras. Essas regras podem ser usadas para prever o resultado de experimentos envolvendo a situaao f c~ sica dada.

1.2

Modelos matemticos a

Modelos matemticos s~o usados quando o fen^meno observado tem propriedades mena a o surveis. Um modelo matemtico consiste de um conjunto de consideraoes e relaoes matea a c~ c~ mticas sobre o funcionamento do sistema em observaao. a c~

1.3

Simula~o computacional ca

A simulaao feita por intermdio de programas que simulam a din^mica de um sistema. c~ e e a

1.4

Modelos determin sticos

Em modelos determinsticos, as condioes sob as quais um experimento realizado determina c~ e o exato resultado desse experimento. Nesses modelos, a soluao de um conjunto de equaoes especica o exato resultado do c~ c~ experimento.

1.5

Modelos probabil sticos (ou aleatrios) o

Denimos um experimento aleatrio como aquele no qual os resultados variam de modo o imprevis vel, quando o experimento repetido sob as mesmas condioes. e c~

1.6

Regularidade estat stica

Muitos modelos probabil sticos s~o baseados no fato que mdias obtidas em longas seq^ncias a e ue de repetioes de experimentos aleatrios t^m o mesmo valor. Esta propriedade chamada de c~ o e e regularidade estatstica. Considere o seguinte exemplo: \Uma bola selecionada de uma urna contendo tr^s bolas id^nticas numeradas com os e e e n meros 0,1 e 2. O nmero da bola anotado e a bola retornada a urna." u u e e O resultado deste experimento um nmero do conjunto S = f0; 1; 2g. e u Suponha que o experimento seja repetido n vezes sob condioes id^nticas. Sejam N0 (n), c~ e N1 (n) e N2(n) o n mero de vezes no qual os resultados s~o as bolas 0, 1 e 2, respectivamente. u a Nk (n) . Denimos a freq^ncia relativa do resultado k por: fk (n) = ue n De acordo com o que chamamos de regularidade estatstica, fk (n) varia menos, em torno e de uma constante, a medida que n tomado grande; isto , lim fk (n) = pk . A constante pk e e
n!+1

chamada de probabilidade do resultado k. Em modelos probabil sticos, as condioes sob as quais um experimento aleatrio realizado c~ o e determina as probabilidades dos resultados do experimento.

1.7

Propriedades de freq^ncia relativa ue

Suponha que um experimento aleatrio tenha K poss o veis resultados; isto , S = f1; 2; : : : ; Kg. e Suponha que o experimento tenha sido repetido n vezes. Temos, 0 Nk (n) n ; k = 1; 2; : : : ; K. Assim, 0 fk (n) 1 ; k = 1; 2; : : : ; K. K K X X Tambm, e Nk (n) = n ) fk (n) = 1.
k=1 k=1

Algumas vezes estamos interessados na ocorr^ncia de eventos associados com os resultados e de um experimento. Por exemplo, considere o exemplo da seao anterior e o evento \uma bola de nmero diferente c~ u de 1 selecionada". e A freq^ncia relativa, neste caso, ser dada por: ue a NE (n) = N0 (n) + N2 (n) ) fE (n) = N0(n) + N2(n) = f0 (n) + f2 (n): n

1.8

Constru~o de um modelo probabil ca stico

Para a construao de um modelo probabil c~ stico devemos: (i) denir o experimento aleatrio correspondente; o (ii) especicar o conjunto S de todos os possveis resultados e eventos de interesse. Chamamos esse conjunto de espao amostral; c 6

(iii) especicar uma associaao de probabilidades para todos os eventos de interesse de forma c~ que eles possam ser calculados. Exemplos de aplica~es de modelos probabil co sticos: (i) Sistemas de transmiss~o de voz a (ii) Processamento de sinais (iii) Conabilidade de sistemas (probabilidade de falhas) (iv) Trfego telef^nico a o (v) Ru trmico do e (vi) Desvanecimento de sinais radioeltricos e

Cap tulo 2 Conceitos bsicos da teoria de a probabilidade

2.1 Especica~o de experimentos aleatrios ca o

Um experimento aleatrio um experimento no qual o resultado varia de forma imprevisvel o e quando o experimento repetido sob as mesmas condioes. e c~ Um experimento aleatrio especicado pela implementaao de um procedimento experio e c~ mental e um conjunto de uma ou mais medidas de observaoes. c~ Exemplos de experimentos: a) E1 : Selecione uma bola de uma urna contendo bolas numeradas de 1 a 50. Anote o nmero u da bola. b) E2 : Lance uma moeda tr^s vezes. Anote o nmero de caras. e u c~ e e c) E3 : Transmita um bloco de informaao atravs de um canal ruidoso, repetidamente, at que um bloco livre de erros chegue ao receptor. Conte o nmero de transmiss~es requeridas. u o d) E4 : Escolha um nmero real ao acaso entre zero e um. u

2.2

O espao amostral c

Como em experimentos aleatrios os resultados s~o imprevisveis, necessrio determinar o a e a o conjunto de poss veis resultados. Denimos resultado ou ponto amostra ou simplesmente amostra de um experimento aleatrio o como um resultado que n~o pode ser decomposto em outros resultados. Quando realizamos a um experimento aleatrio um, e somente um, resultado ocorre. Assim, os resultados s~o muo a tuamente exclusivos no sentido de que eles n~o podem ocorrer simultaneamente. O espao a c amostral S de um experimento aleatrio denido como o conjunto de todos os resultados o e poss veis. Denotaremos um resultado de um experimento por . Assim, um elemento de S. e 8

Exemplos: A seguir est~o exemplos de espaos amostrais relacionados com os experimentos E1 , E2 , E3 a c e E4 . (i) S1 = f1; 2; : : : ; 50g (ii) S2 = f0; 1; 2; 3g (iii) S3 = f1; 2; 3; : : : g (iv) S4 = fx 2 R : 0 x 1g = [0; 1] Um espao amostral pode ser nito, innitamente contvel ou innitamente incontvel. c a a Chamaremos S de espao amostral discreto se S for contvel e chamaremos S de espao c a c a e amostral cont nuo, se S n~o for contvel. Nos exemplos, S1, S2 e S3 s~o discretos e S4 a a contnuo.

2.3

Eventos

Normalmente, n~o estamos interessados apenas nos resultados de um experimento, mas se a o resultado desse experimento satisfaz certas condioes. As condioes de interesse denem um c~ c~ subconjunto do espao amostral; ou melhor, o conjunto de pontos de S que satisfazem as c condioes dadas. Denimos evento como um subconjunto de S. O evento chamado evento c~ certo o prprio conjunto S e consiste de todos os resultados possveis e o evento nulo ou e o imposs vel n~o contm nenhum resultado poss a e vel, nunca ocorre. Exemplos de eventos: a) e1 : \um nmero par selecionado" - e1 = f2; 4; : : : ; 48; 50g u e u e u b) e2: \o nmero de caras igual ao nmero de coroas" - e2 = ; c) e3 : \menos que dez transmiss~es s~o requeridas" - e3 = f1; 2; : : : ; 9g o a d) e4: \o nmero selecionado n~o-negativo" - e4 = S4 u e a

2.4

Axiomas de probabilidade

Probabilidades s~o nmeros associados a eventos que indicam qu~o \provvel" a ocorr^ncia a u a a e e de um evento quando um experimento realizado. e Uma \lei" de probabilidade uma funao que associa um nmero a um evento. e c~ u Seja E um experimento aleatrio com espao amostral S. Uma lei de probabilidade para o c o experimento E uma \regra" que associa a cada evento A um nmero P [A], chamado de e u probabilidade de A. A lei de probabilidade deve satisfazer os seguintes axiomas: 9

(i) P [A] 0 (ii) P [S] = 1 (iii) Se A \ B = ; ) P [A [ B] = P [A] + P [B] (iii)' Se A1; A2 ; : : : uma seq^ncia de eventos tais que Ai \ Aj = ;, para todos i 6j, ent~o e ue = a P [[1 Ak ] k=1
1 X = P [Ak ] k=1

2.4.1

Corolrios: a

(i) P [Ac ] = 1 P [A] (ii) P [A] 1 (iii) P [;] = 0 (iv) Se A1 ; A2 ; : : : ; An s~o mutuamente exclusivos 2 a 2 ent~o a a
n X P [Ak ] ; n 2 k=1

P [[n Ak ] = k=1 (v) P [A [ B] = P [A] + P [B] P [A \ B]

(vi) P [A [ B [ C] = P [A] + P [B] + P [C] P [A \ B] P [A \ C] P [B \ C] + P [A \ B \ C] (vii) P [[n Ak ] = k=1

n X X P [Aj ] P [Aj \ Ak ] + : : : + (1)n+1 P [A1 \ : : : \ An ] j=1 j<k

(viii) P [A [ B] P [A] + P [B] (ix) Se A B ) P [A] P [B]

2.5

Espaos amostrais discretos c

Considere S = fa1; a2 ; : : : ; an g um espao amostral nito. Todos os eventos elementares c s~o mutuamente exclusivos. Assim, a probabilidade de qualquer evento B = fa01 ; a02 ; : : : ; a0n g a e 0 0 0 0 0 0 dada por P [B] = P [fa1 ; a2; : : : ; am g] = P [fa1 g] + P [fa2g] + : : : + P [fam g]. Se S for innitamente contvel, a probabilidade do evento D = fb01; b02 ; : : : g dada por a e 0 0 P [D] = P [fb1g] + P [fb2 g] + : : : . Se os resultados do espao amostral S s~o igualmente provveis ent~o a probabilidade de c a a a um evento igual ao nmero de resultados do evento dividido pelo nmero total de resultados e u u do espao amostral. c 10

2.6

Espaos amostrais cont c nuos

Espaos amostrais contnuos aparecem em experimentos nos quais os resultados s~o nmeros. c a u Os eventos de interesse nesses experimentos consistem de intervalos da reta real ou de regi~es o retangulares no plano e de complementos, uni~es e interseoes desses eventos. Por esta raz~o, o c~ a leis de probabilidade em experimentos com espaos amostrais cont c nuos especicam uma regra para associar nmeros a intervalos da reta real e regi~es retangulares no plano. u o Considere o seguinte exemplo: \Tome um nmero x ao acaso entre zero e um". u O espao amostral S para esse experimento o intervalo [0; 1], que n~o contvel. c e a e a Se ns supomos que todos os resultados de S s~o igualmente provveis, ent~o podemos o a a a pensar que a probabilidade de o resultado estar no intervalo [0; 1=2] a mesma de o resultado e estar no intervalo [1=2; 1]. Porm, como h innitos nmeros (incontveis) neste intervalo, a probabilidade de o resule a u a 1 tado ser exatamente igual a seria zero. 2 Exemplo: Suponha que o tempo de vida de um circuito integrado de memria de um computador o satisfaa a seguinte lei: c \o nmero de circuitos integrados para os quais o tempo de vida excede t decresce expou nencialmente a uma taxa " Encontre uma lei de probabilidade apropriada para esse caso; isto , ao escolhermos um e circuito integrado ao acaso, qual a probabilidade de que seu tempo de vida seja maior do que e t? Solu~o: ca P [ [t; 1) ] = et ; 8 ; t 0 Devemos vericar se os axiomas de probabilidades s~o satisfeitos: a (i) P [A] 0 Temos que et 0 ; t 0 (ii) P [S] = 1 Temos que P [S] = P [ [0; 1) ] = e0 = 1. (iii) Se A \ B = ; ) P [A [ B] = P [A] + P [B] Consideremos os conjuntos A = [r; s) e B = [s; +1). Assim, A [ B = [r; +1). Temos que P [A [ B] = P [ [r; +1) ] = er , P [B] = P [ [s; +1 ] = es .

Assim, P [A] = er es . (Essa deve ser a lei de probabilidade de A). 11

2.7
2.7.1

Probabilidade Condicional
Introdu~o ca

Muitas vezes estamos interessados em determinar se dois eventos, digamos A e B, est~o a relacionados no sentido de que o conhecimento da ocorr^ncia de um deles, digamos B, altera a e ocorr^ncia do outro, digamos A. Queremos encontrar a probabilidade condicional P [AjB] , do e evento A, dado que o evento B ocorreu. A probabilidade condicional P [AjB] denida por: e P [AjB] = Exemplos: a) Uma urna contm duas bolas pretas, numeradas (1 e 2) e duas bolas brancas, tambm e e numeradas (3 e 4). O espao amostral f(1; p); (2; p); (3; b); (4; b)g. Considere que os quatro c e resultados s~o igualmente provveis e considere, tambm, os seguintes eventos: a a e (i) A = f(1; p); (2; p)g - bola preta selecionada (ii) B = f(2; p); (4; b)g - bola com nmero par selecionada u (iii) C = f(3; b); (4; b)g - nmero da bola maior que 2 u e Determine: i) P [AjB] Solu~o: ca P [AjB] = ii) P [AjC] Solu~o: ca P [AjC] = P [A \ C] 0=4 = = 0 6P [A] = P [C] 2=4 P [A \ B] 1=4 1 = = = P [A] P [B] 2=4 2 P [A \ B] ; P [B] > 0 P [B]

2 1 Observe que em i) o conhecimento de B n~o alterou a probabilidade de A P [A] = = a . 4 2 No segundo caso, o conhecimento de C implicou que A n~o tinha ocorrido. a OBS: 12

Em alguns problemas conveniente usar a frmula P [A \ B] = P [BjA]P [A] ou e o P [A \ B] = P [AjB]P [B]. b) Uma urna contm duas bolas pretas e tr^s bolas brancas. Duas bolas s~o selecionadas ao e e a acaso, sem reposiao, e a seq^ncia das bolas anotada. Encontre a probabilidade de as bolas c~ ue e selecionadas serem pretas. Solu~o: ca Considere os eventos: B1 - a primeira bola preta e B2 - a segunda bola preta e 1 2 e P [B1 ] = . Logo, Temos que, P [B1 \ B2] = P [B2 jB1]P [B1]. Mas, P [B2jB1 ] = 4 5 2 1 1 P [B1 \ B2 ] = = . 5 4 10 Assim, queremos P [B1 \ B2 ].

2.7.2

Teorema (Probabilidade total)

Sejam B1 ; B2 ; : : : ; Bn eventos mutuamente exclusivos cuja uni~o igual ao espao amostral a e c S. Nos referimos a esses conjuntos como uma partiao de S. c~ Qualquer evento A pode ser representado como a uni~o de eventos mutuamente exclusivos. a A = A \ S = A \ (B1 [ B2 [ [ Bn ) = (A \ B1) [ (A \ B2) [ : : : [ (A \ Bn ): E, P [A] = P [A \ B1] + P [A \ B2 ] + : : : + P [A \ Bn ] ou P [A] = P [AjB1 ]P [B1 ] + P [AjB2 ]P [B2 ] + : : : + P [AjBn ]P [Bn ] Exemplo: Considere uma urna contendo duas bolas pretas e tr^s bolas brancas. Encontre a probabie lidade de ao retirarmos duas bolas, ao acaso, a segunda ser branca. Solu~o: ca Considere os eventos: 13

A1 - a primeira bola preta e A2 - a segunda bola preta e B1 - a primeira bola branca e B2 - a segunda bola branca e Queremos calcular P [B2 ]. Assim, P [B2 ] = P [B2 jA1 ]P [A1 ] + P [B2 jB1]P [B1]. Observe que o espao amostral A1 [ B1 . Assim, P [B2 ] = c e 3 2 2 3 3 + = . 4 5 4 5 5

2.7.3

Regra de Bayes

Seja B1; B2 ; : : : ; Bn a partiao de um espao amostral S. Suponha que o evento A ocorra. c~ c Qual a probabilidade de o evento Bj ocorrer? e Pela deniao de probabilidade condicional temos: c~ P [A \ Bj ] P [A]

P [Bj jA] = Mas,

P [AjBj ] = Assim,

P [A \ Bj ] ) P [A \ Bj ] = P [AjBj ]P [Bj ] P [Bj ]

P [Bj jA] =

P [A \ Bj ] P [AjBj ]P [Bj ] P [AjBj ]P [Bj ] = = n X P [A] P [A] P [AjBj ]P [Bj ]

j=1

A regra de Bayes aplicada na seguinte situaao: temos um experimento aleatrio no qual os e c~ o eventos de interesse formam uma partiao. As \probabilidades a priori" desses eventos, P [Bj ], c~ s~o as probabilidades dos eventos antes de o experimento ser realizado. Suponha que o experia mento tenha sido realizado e ns fomos informados que o evento A ocorreu; as \probabilidades o a posteriori" s~o as probabilidades dos eventos na partiao; isto , P [Bj jA]. a c~ e Exemplo:

14

Considere quatro caixas contendo componentes eletr^nicos. A caixa 1 contm 2000 compoo e nentes, sendo 5% defeituosos. A caixa 2 contm 500 componentes, sendo 40% defeituosos. As e caixas 3 e 4 cont^m 1000 componentes cada, com 10% defeituosos. e Selecionamos uma caixa, ao acaso, e retiramos um componente, tambm ao acaso. e (i) Qual a probabilidade de o componente retirado ser defeituoso? e Solu~o: ca Seja D o evento \componente defeituoso" e seja Bi o evento \componente da i-sima e caixa". Queremos P [D]. Assim, P [D] = P [DjB1]P [B1] + P [DjB2]P [B2] + P [DjB3 ]P [B3] + P [DjB4 ]P [B4]. 100 1 200 1 100 1 100 1 E, P [D] = + + + = 0; 1625. 2000 4 500 4 1000 4 1000 4 (ii) Examinamos o componente selecionado e comprovamos que defeituoso. Qual a probae e bilidade de ser da caixa 2? Solu~o: ca 200 1 P [DjB2 ]P [B2 ] 500 4 = 0; 615. = P [B2 jD] = P [D] 0; 1625

2.8

Eventos independentes

Se o conhecimento do evento B n~o altera a probabilidade do evento A , dizemos que o a evento A independente do evento B. e P [A \ B] . Temos, P [A] = P [AjB] = P [B] Dizemos que A e B s~o independentes se P [A \ B] = P [A]P [B]. a Assim, P [AjB] = P [A] e P [BjA] = P [B].

15

Exemplo: Uma bola selecionada de uma urna contendo duas bolas pretas numeradas (1 e 2) e duas e bolas brancas numeradas (3 e 4 ). Considere os seguintes eventos: A: \bola preta selecionada" B: \nmero par selecionado" u C: \nmero da bola maior que 2 (dois)" u a) Verique se os eventos A e B s~o independentes. a b) Verique se os eventos A e C s~o independentes. a Solu~o: ca 1 1 a) P [A] = P [B] = , P [A \ B] = , P [A \ B] = P [A]:P [B] 2 4 Logo, os eventos s~o independentes. a b) P [A \ C] = P [;] = 0 6P [A] = 0; 5 = OBS: Se dois eventos t^m probabilidade n~o-nula e s~o mutuamente exclusivos, eles n~o podem e a a a ser independentes. Prove isso!

16

2.9

A lei de probabilidade binomial

Considere a realizaao de um experimento e a vericaao de um evento, digamos A. Dizemos c~ c~ que o resultado da chamada tentativa de Bernouilli um sucesso se A ocorre e uma falha caso e contrrio. Estamos interessados em encontrar a probabilidade de k sucessos em n repetioes a c~ independentes de tentativas de Bernouilli. Teorema: A probabilidade de k sucessos em n tentativas (independentes) de Bernouilli dada pela lei e de probabilidade binomial
k pn (k) = Cn pk (1 p)nk ; k = 0; : : : ; n

sendo p a probabilidade de um sucesso e pn (k) a probabilidade de k sucessos em n tentativas n! k e Cn = o coeciente binomial. e k!(n k)! Exemplo: Suponha que uma moeda seja lanada tr^s vezes. Se admitirmos que os lanamentos s~o c e c a independentes e a probabilidade de se obter caras p, ent~o as probabilidades da seq^ncia de e a ue caras e coroas : e
3 P [tr^s caras] = C3 p3 (1 p)0 = p3 e 2 P [duas caras e uma coroa] = C3 p2 (1 p)1 = 3p2 (1 p) 1 P [duas coroas e uma cara] = C3 p1 (1 p)2 = 3p(1 p)2 0 P [tr^s coroas ] = C3 p0(1 p)3 = (1 p)3 e

17

Cap tulo 3 Variveis Aleatrias a o

3.1 Deni~o ca

Uma varivel aleatria X uma funao que associa um nmero real X() a cada resultado a o e c~ u do espao amostral de um experimento aleatrio. c o O espao amostral S o domnio da varivel aleatria e o conjunto SX de todos os valores c e a o obtidos para X a imagem da varivel aleatria (SX R). e a o X : S ! R Assim, ! X() : Exemplo: Considere o seguinte experimento: \lanamento de uma moeda tr^s vezes e anotar a seq^ncia c e ue de caras e coroas obtida". Temos, S = fccc; cck; ckc; ckk; kcc; kck; kkc; kkkg. Seja X o nmero de caras obtidas nos tr^s lanamentos. u e c Temos, : ccc cck ckc ckk kcc kck kkc kkk X: 3 2 2 1 2 1 1 0 X uma varivel aleatria com valores em SX = f0; 1; 2; 3g. e a o

3.2

Fun~o distribui~o de probabilidade ca ca

A funao distribuiao de probabilidade (F.D.P.), tambm chamada de funao distribuiao c~ c~ e c~ c~ cumulativa, de uma varivel aleatria X, denida como a probabilidade do evento fX xg. a o e Assim, FX (x) = P [X x] ; x 2 R. Propriedades: (i) 0 FX (x) 1 (ii) lim FX (x) = 1
x!+1

18

(iii) lim FX (x) = 0

x!1

(iv) FX n~o-decrescente e a (v) FX contnua a direita e (vi) P [a < X b] = FX (b) FX (a)

OBS: fX ag [ fa < X bg = fX bg. Logo, FX (a) + P [a < X b] = FX (b) e P [a < X b] = FX (b) FX (a)

(vii) P [X = b] = FX (b) FX (b ) (viii) P [a X b] = FX (b) FX (a ) OBS: Se FX cont e nua ent~o P [a X b] = P [a < X < b] = P [a X < b] = P [a < X b] a (ix) P [X > x] = 1 FX (x) OBS: Denimos funao de massa de probabilidade (FMP) de X, pX , por pX (xk ) = P [X = xk ] c~ Exemplos: (i) Considere o lanamento de uma moeda tr^s vezes. Seja X a varivel aleatria que c e a o associa o resultado com o nmero de caras obtido. Encontre a express~o da funao distribuiao u a c~ c~ de probabilidade (FX ). Solu~o: ca ! X() ccc ! 3 cck ! 2 ckc ! 2 ckk ! 1 kcc ! 2 kck ! 1 kkc ! 1 kkk ! 0 Conclu mos que 1 3 3 1 P [X = 0] = ; P [X = 1] = ; P [X = 2] = ; P [X = 3] = . 8 8 8 8 Assim,

19

8 > 0; x<0 > > > > > > 1 > > ; 0x<1 > > 8 > > > > > < 1 4 FX (x) = = ; 1x<2 > 8 2 > > > > > 7 > > > ; 2x<3 > > 8 > > > > > : 1; x3 Logo, 1 3 3 1 FX (x) = 0 + u(x) + u(x 1) + u(x 2) + u(x 3) 8 8 8 8 ou FX (x) = pX (0)u(x) + pX (1)u(x 1) + pX (2)u(x 2) + pX (3)u(x 3). (ii) Seja X o tempo de transmiss~o de uma mensagem atravs de um sistema de comua e nicaao. Considere que X obedece a seguinte lei de probabilidade: P [X > x] = ex ; > c~ 0 ; x 0. a) Encontre FX (x). 1 2 b) Encontre P <X . Solu~o: ca a) FX (x) = P [X x] = 1 P [X > x] = 1 ex ; x 0. Se x < 0 ) P [X x] = 0: 0; x<0 Assim, FX (x) = : 1 ex ; x 0 1 2 1 2 b) P <X = FX FX = (1 e2 ) (1 e1 ) ' 0; 233.

20

3.3
3.3.1

Tipos de variveis aleatrias a o

Varivel aleatria discreta a o

Uma varivel aleatria discreta quando sua F.D.P. pode ser denida por a o e
n X FX (x) = pX (xk )u(x xk ) k=0

sendo pX (xk ) = P [X = xk ] e n 2 N. Exemplo: Uma fonte produz dois tipos de mensagens: M1 , com probabilidade p de ocorrer e M2 , com probabilidade 1 p. Seja X a varivel aleatria denida por a o X() = Encontre a express~o de FX . a Solu~o: ca 8 < 0; x<0 FX (x) = p; 0x<1 : 1; x1 0 ; = M1 1 ; = M2

Assim, FX (x) = pu(x) + (1 p)u(x 1)

ou FX (x) = pX (0)u(x) + pX (1)u(x 1) = P [X = 0]u(x) + P [X = 1]u(x 1).

3.3.2

Varivel aleatria cont a o nua

Uma varivel aleatria X contnua quando sua F.D.P. (FX ) contnua e existe uma funao a o e e c~ n~o-negativa fX tal que a Z
x

FX (x) = OBS: P [X = x] = 0 ; 8x. Exemplo:

fX (t) dt :
1

21

Seja X a medida de tens~o de rudo em um determinado ponto de um circuito com as a seguintes probabilidades: P [j X j V ] = 1 e P [j X j> V ] = 0. Encontre a express~o da F.D.P. FX da varivel aleatria X. a a o Solu~o: ca Se x < V ) P [X x] = 0

x x+V 1 dt = Se V x V ) P [X x] = 2V V 2V Z V 1 Se x > V ) P [X x] = dt = 1 V 2V Assim, 8 > 0 ; x < V < x+V FX (x) = ; V x V > 2V : 1; x>V

3.3.3

Varivel aleatria mista a o

A varivel aleatria mista aquela cuja F.D.P. tem descontinuidade em um conjunto a o e contvel de pontos, mas tambm cresce continuamente em, no m a e nimo, um intervalo de valores de x.

Exemplo: Seja X a medida de tens~o de rudo em um determinado ponto de um circuito, com as a seguintes probabilidades: 3 1 P [X = V ] = P [X = V ] = , P [j X j< V ] = e P [j X j> V ] = 0. 8 4 Escreva a express~o da F.D.P. (FX ) da varivel aleatria X. a a o Solu~o: ca Se x < V ) FX (x) = 0. 1 Se x = V ) FX (x) = P [X x] = . 8 Z x 1 3 3 1 Se V < x < V ) FX (x) = + dt = (x + V ) + : 8 8V 8 V 8V Se x = V ) FX (x) = 1: 22

Se X > V ) FX (x) = 1: Assim, 8 > 0 ; x < V < 3 1 FX (x) = x + ; V x < V > 8V 2 : 1; xV OBS: (i) Para v.a. contnuas: FX (x ) = FX (x) (ii) Para v.a. discretas: FX (xi ) FX (x ) = P [X = xi ] i

23

3.4

Fun~o densidade de probabilidade ca

Seja X uma varivel aleatria contnua com F.D.P. FX . a o Denimos a funao densidade de probabilidade (f.d.p.) da varivel aleatria X como a c~ a o derivada de FX . d FX (x). Escrevemos, fX (x) = dx Observamos que FX (x + x) FX (x) x x 0 Para x \pequeno", P [x < X x + x] ' FX (x) x = fX (x) x. Logo, a probabilidade de X estar prximo de x fX (x)x. o e P [x < X x + x] = Propriedades: (i) fX (x) 0. (ii) P [a X b] = (iii) FX (x) = (iv) Z
+1

Z
a

fX (x)dx.

fX (t)dt.
1

fX (t)dt = 1.
1

Exemplos: (i) A f.d.p. de uma varivel aleatria X dada por a o e ( 1 ; axb ba 0; x<aex>b

fX (x) = sendo a ; b 2 R. Encontre FX (x). Solu~o: ca Se x < a ) FX (x) = 0 Se a x b ) FX (x) = Se x > b ) FX (x) = 1 Assim,

Z
a

1 xa dt = ba ba

24

(ii) Seja X uma varivel aleatria com funao densidade de probabilidade fX , dada por: a o c~ 8 < A(x + 5) ; 5 x 4 fX (x) = A ; 4 < x < 4 : A(x 5) ; 4 x 5 Sendo A uma constante. a) Faa um esboo do grco de fX . c c a b) Determine o valor da constante A. c) Determine a express~o da Funao Distribuiao de Probabilidade da varivel aleatria X. a c~ c~ a o d) Faa um esboo do grco de FX . c c a e) Determine a probabilidade P [X > 4]. OBS: Quando FX n~o cont a e nua, podemos estender a deniao de f.d.p. usando a distribuiao . c~ c~ d [u(x)] = (x), sendo u a distribuiao c~ Usamos o fato de que, no sentido das distribuioes, c~ dx degrau unitrio e a distribuiao delta de Dirac. a c~ Assim, se X uma varivel aleatria discreta, temos e a o X FX (x) = pX (xk )u(x xk )
k

8 > 0; x<a < xa FX (x) = ; axb > : ba 1; x>b

e fX (x) =

X pX (xk )(x xk ):
k

3.5
3.5.1

Exemplos de variveis aleatrias a o

Variveis aleatrias discretas a o

Varivel aleatria de Bernouilli a o Seja A um evento relacionado aos resultados de algum experimento aleatrio. A funao o c~ indicatriz do evento A denida por: e

25

IA () =

0 ; se 2 A = 1 ; se 2 A

Assim, IA () = 1 se o evento A ocorre e zero caso contrrio. Denimos uma varivel aleatria a a o X = IA e chamamos essa varivel aleatria de varivel aleatria de Bernouilli. Observamos que a o a o SX = f0; 1g. Escolhemos pX (0) = p e pX (1) = q = 1 p: Assim, pX (x) = 0 ; x 60; 1. = Essa lei aparece quando o resultado de um experimento um dos estados poss e veis 0 ou 1. FX (x) = pX (0)u(x) + pX (1)u(x 1) = pu(x) + (1 p)u(x 1) fX (x) = p(x) + (1 p)(x 1)

Varivel aleatria binomial a o Considere que um experimento aleatrio seja repetido n vezes. Seja X o nmero de vezes o u que um certo evento A ocorre nessas n tentativas. X uma varivel aleatria com SX = f0; 1; : : : ; ng. e a o Seja Ij a funao indicatriz para o evento A na j-sima tentativa. c~ e Assim, X = I1 + I2 + : : : + In . X chamada de varivel aleatria binomial. e a o n Sabemos que pX (k) = P [X = k] = pk (1 p)nk ; k = 0; : : : ; n: k Observe que P [X = k] a probabilidade de se obter k sucessos em n tentativas. e Temos,
n X n FX (x) = pk (1 p)nk u(x k) k k=0

n X n pk (1 p)nk (x k): fX (x) = k k=0

Essa varivel aleatria surge em aplicaoes onde h dois tipos de objetos: cara/coroa, cera o c~ a to/errado, bom/defeituoso, etc. Varivel aleatria geomtrica a o e Seja X a varivel aleatria correspondente ao nmero de tentativas at a ocorr^ncia de um a o u e e sucesso. X chamada varivel aleatria geomtrica e SX = f1; 2; : : : g. e a o e Temos, P [X = k] = (1 p)k1 p ; k = 1; 2; : : : sendo p a probabilidade de sucesso em cada tentativa (chamada de tentativa de Bernouilli). Temos,
+1 X FX (x) = (1 p)k1 pu(x k) k=1

26

e
+1 X fX (x) = (1 p)k1p(x k): k=1

Varivel aleatria de Poisson a o A varivel aleatria de Poisson denida da seguinte forma: a o e k Temos, P [X = k] = e ; k = 0; 1; 2; : : : . k! , sendo uma constante. Temos, FX (x) = OBS: Na varivel aleatria de Poisson, se n grande, p pequeno e = np, a o e k n pk (1 p)nk ' e : k k!
+1 X k k=0

k!

u(x k) ) fX (x) =

+1 X k k=0

k!

e (x k):

3.5.2

Variveis aleatrias cont a o nuas

Varivel aleatria uniforme a o A f.d.p. de uma varivel aleatria uniforme dada por a o e ( 1 ; axb ba 0 ; x < a ou x > b

fX (x) = sendo a; b 2 R e

8 > 0; x<a < xa FX (x) = ; axb > ba : 1; x>b Essa varivel aleatria aparece quanto todos os valores na reta real, no intervalo [a; b], s~o a o a igualmente provveis. a

27

Varivel aleatria exponencial a o A f.d.p. da varivel aleatria exponencial dada por a o e 0; x<0 ) FX (x) = ex ; x 0 0; x<0 1 ex ; x 0

fX (x) =

Essa varivel aleatria aparece na modelagem do intervalo de tempo entre a ocorr^ncia de a o e eventos como, por exemplo, a demanda para conex~o de chamadas. a Varivel aleatria gaussiana a o A f.d.p. de uma varivel aleatria gaussiana dada por a o e
(xm)2 1 e 22 ; 1 < x < 1: 2 Z x t2 xm 1 E, FX (x) = , sendo (x) = p e 2 dt a F.D.P. de uma varivel aleatria a o 2 1 gaussiana com m = 0 e = 1. Temos, Z 0 Z x Z x 2 2 1 1 1 1 1 t2 t2 t2 (x) = p e dt + p e dt = + p e 2 dt = + erf(x): 2 2 2 1 2 0 2 0 Logo, xm 1 xm = + erf : 2 Z +1 2 t 1 e 2 dt: Ou usamos, Q(x) = 1 (x) = p 2 x

fX (x) = p

28

OBS.: a) A funao erf c~ e mpar; isto , erf(x) = erf(x) e 1 1 1 x2 p p e 2 ; a = ; b = 2 b) Vale a seguinte aproximaao Q(x) ' c~ 2+b (1 a)x + a x 2 c) A funao erf tambm pode ser denida da seguinte forma: c~ e 2 erf(x) = p Z
0

et dt

d) Denimos, tambm, a funao erfc (erro complementar) da seguinte forma: e c~ 1 2 erfc(x) = + p 2 e) Temos, erfc(x) + erf(x) = 1. Exerc cios: Gerar valores para a funao erf e esboar seu grco. c~ c a OBS: H vrias outras variveis aleatrias igualmente importantes, dependendo da area de aplia a a o caao, como por exemplo a varivel aleatria de Rayleigh, RICE, Nakagami, Gamma e outras. c~ a o E ainda, variveis aleatrias provenientes de variveis aleatrias conhecidas, como a lognormal a o a o e a logRayleigh. Discutiremos algumas dessas variveis aleatrias nos exerc a o cios e nos captulos seguintes. Z
x +1

et dt

29

Exemplos: a) A tens~o de entrada de um sistema de comunicaao V e a sada a tens~o Y = 102V +N a c~ e e a sendo N uma varivel aleatria gaussiana com m = 0 e = 2. Encontre a tens~o de a o a 6 entrada que causa P [Y < 0] = 10 . Solu~o: ca

V 1 V = + erf P [Y < 0] = P [10 V + N < 0] = P [N < 10 V ] = 2 1 V V V 6 = erf = 10 ) erf = 0; 5 106 ) = 4; 753 ) V = 950; 6 2
2 2

b) O tempo de vida de uma l^mpada pode ser modelado por uma varivel aleatria T com a a o f.d.p. (exponencial); isto , e fT (t) = aeatu(t) ; a > 0: Examinando-se um grande nmero de l^mpadas observou-se que apenas 50% das l^mpadas u a a duravam mais do que 100 horas. Calcule: (i) O valor de a (ii) A F.D.P. correspondente (iii) A probabilidade de a l^mpada durar mais do que 200 horas a Solu~o: ca (i) P [T 100] = 0; 5 ) (ii) FT (t) = P [T t] = Z Z
100 0 t

aeatdt = 0; 5 ) a =

`n2 = 0; 0069 100

aeax dx = (1 eat )u(t)

(iii) P [T > 200] = 1 P [T 200] = 1 (10e200a ) = 0; 25

30

Cap tulo 4 Vetores de variveis aleatrias a o

4.1 Deni~o ca

~ e Um vetor de variveis aleatrias (ou um vetor aleatrio) X uma funao (vetorial) que a o o c~ ~ associa a cada resultado do espao amostral S, um vetor X(). c

4.1.1

Exemplos:

a) Considere o experimento de selecionar o nome de um estudante de uma urna. Seja o resultado deste experimento. Denimos: H() = altura do estudante W () = peso do estudante A() = idade do estudante O vetor (H(); W (); A()) um vetor de variveis aleatrias. e a o b) Considere o resultado do seguinte experimento: \Tens~o de rudo em um ponto de um circuito". a Assim, = X(t). Consideremos a varivel aleatria Xk = X(kT ), as amostras de tens~o. a o a ~ O vetor X = (X1; X2; : : : ; Xn ) um vetor aleatrio. e o

4.2

Eventos associados a vetores aleatrios o

~ O conjunto fX ~ g representa, de forma compacta, o conjunto x fX1 x1 ; X2 x2 ; : : : ; Xn xn g : Esse conjunto um evento para todo ~ 2 Rn . e x 31

4.2.1

Exemplo

~ Considere o vetor aleatrio X = (X1 ; X2 ). Esboce a regi~o do plano correspondente aos o a eventos: a) A = fX1 + X2 10g

b) B = fmin(X1 ; X2 ) 5g = fX1 5g [ fX2 5g

4.3

Independ^ncia e

Dizemos que as variveis aleatrias X1; X2; : : : ; Xn s~o independentes se a o a P [X1 2 A1 ; : : : ; Xn 2 An ] = P [X1 2 A1] : : : P [Xn 2 An ] e onde Ak um evento que envolve Xk somente.

4.4

Fun~o distribui~o de probabilidade conjunta ca ca

~ e A F.D.P. associada a um vetor aleatrio X denida por: o FX : Rn ! R ~ ~ ~ ! FX (~ ) = P [X ~ ] x x ~ x 32

~ onde FX (~ ) = P [X ~ ] = P [X1 x1 ; X2 x2 ; : : : ; Xn xn ] : x ~ x A funao FX tambm chamada funao distribuiao conjunta. c~ e c~ c~ ~ e Podemos representar FX (~ ) por FX1 ;X2 ;::: ;Xn (x1 ; x2 ; : : : ; xn ). ~ x OBS: Considere a F.D.P. FXY (x1 ; y1 ) = P [X x1 ; Y y1 ]. Essa F.D.P. representa a probabilidade de o resultado do experimento pertencer a regi~o f(X; Y ) 2 R2jX x1 e Y y1g. a Dessa forma, FXY (x1 ; y1) representa a quantidade de \massa de probabilidade"contida na regi~o retangular. a

4.4.1

Exemplo:

Um terminal transmite dados para um computador usando d gitos binrios (bits). Devido a a \imperfeioes"no canal de transmiss~o, os bits podem ser alterados, conforme o esquema a c~ a seguir: Enviou 1 e recebeu 1 - probabilidade p Enviou 1 e recebeu 0 - probabilidade 1 p Enviou 0 e recebeu 1 - probabilidade 1 p Enviou 0 e recebeu 0 - probabilidade p Consideremos X representando os bits enviados e Y os bits recebidos. 1 Considere P [X = 0] = P [X = 1] = . 2 Temos, P [Y = 0jX = 0] = p P [Y = 1jX = 0] = 1 p P [Y = 0jX = 1] = 1 p P [Y = 1jX = 1] = p Lembremos que P [A \ B] = P [AjB]P [B]. Assim, P [Y = 0 e X = 0] = P [Y = 0jX = 0]P [X = 0] = P [Y = 1 e X = 0] = P [Y = 1jX = 0]P [X = 0] = 33 p 2 1p 2

1p 2 p P [Y = 1 e X = 1] = P [Y = 1jX = 1]P [X = 1] = 2 P [X = 1 e Y = 0] = P [Y = 0jX = 1]P [X = 1] = A F.D.P. ser denida por: a x > 1 e y > 1 =) FXY (x; y) = 1 x < 0 e 8y =) FXY (x; y) = 0 y < 0 e 8x =) FXY (x; y) = 0 x > 1 e y < 1 =) FXY (x; y) = 1p p 1 + = 2 2 2

OBS: P [X = 1 e Y = 0] + P [X = 0 e Y = 0]. x > 1 e y 1 =) FXY (x; y) = 1 1 2 p x < 1 e y < 1 =) FXY (x; y) = 2 x < 1 e y 1 =) FXY (x; y) = Propriedades: (i) FXY n~o-decrescente; isto , FXY (x1 ; y1) FXY (x2 ; y2 ) se x1 x2 e y1 y2 e a e (ii) FXY (1; y1) = FXY (x1 ; 1) = 0 (iii) FXY (+1; +1) = 1 (iv) FX (x) = FXY (x; +1) = P [X x; y < +1] = P [X x] (v) FY (y) = FXY (+1; y) = P [Y y]

4.5

Fun~o densidade de probabilidade conjunta ca

~ Seja X um vetor aleatrio de dimens~o n com F.D.P. FX diferencivel. Denimos a f.d.p. o a a ~ conjunta fX por ~ @n fX (~ ) = fX1 :::Xn (x1 ; : : : ; xn ) = FX :::X (x1 ; : : : ; xn ) ~ x @x1 : : : @xn 1 n Assim, temos os seguintes resultados: 34

(i) FX1 :::Xn (x1 ; : : : ; xn ) = (ii) (iii) Z

+1

x1

:::
1

xn

fX1 :::Xn (u1; : : : ; un )dun : : : du1

:::
1 +1

+1

fX1 :::Xn (x1; : : : ; xn )dx1 : : : dxn = 1

1 +1

:::
1

xi 1

+1

:::
1

+1

fX1 :::Xn (u1 ; : : : ; un )du1 : : : dun = FXi (xi ) =

~ (iv) P [X 2 S] = (v) fXi (xi ) = Z

Z
S

xi

fXi (ui )dui

1

fX (~ )d~ ~ x x ::: Z
+1

+1

fX1 :::Xn (u1 ; : : : ; ui1 ; xi ; ui+1; : : : ; un )du1 : : : dui1 dui+1 : : : dun

1

*consideramos n 1 integrais. Z xi fXi (ui )dui Temos, FXi (xi ) =

1

4.5.1
(i) Z
+1 1

Caso particular: duas variveis a

Z
+1

fXY (x; y)dxdy = 1

1

(ii) P [(X; Y ) 2 A] = (iii) FXY (x; y) = (iv) fXY (x; y) = (v) fX (x) = (vi) fY (y) = Z Z
x

Z Z Z
A y

fXY (x; y)dxdy fXY (u; v)dvdu

@ 2FXY (x; y) @x@y fXY (x; v)dv

+1 1 +1

fXY (u; y)du

1

OBS: fX (x) e fY (y) s~o chamadas de densidades marginais. a OBS: Caso de vetor aleatrio discreto o XX ~ (i) P [X 2 A] = fXY (xj ; yk ) ; (xj ; yk ) 2 A
+1 +1 XX (ii) fXY (xj ; yk ) = 1 j=1 k=1

35

+1 X (iii) fX (xj ) = fXY (xj ; yk ) k=1 +1 X fXY (xj ; yk ) (iv) fY (yk ) = j=1

4.5.2

Exemplos

(i) Um trem chega a uma estaao e pra por cinco minutos antes de prosseguir. O instante de c~ a chegada do trem, contado a partir das 9 h, em minuto, pode ser modelado pela v.a. T , com f.d.p. fT (t) = 0; 15e0;15t u(t). a) Calcule a probabilidade de o trem chegar na estaao at as 9 : 20h. c~ e Solu~o: ca P [T < 20] = Z
20

fT (t)dt =
1

Z
0

20

0; 15e0;15t dt ' 0; 95

b) Determine o maior atraso que um usurio pode ter de modo que a probabilidade de a ele pegar o trem seja maior que 0; 5. Solu~o: ca P [T > a 5] = Z
+1

fT (t)dt > 0; 5 =) a < 9; 621

a5

c) Considere que o instante de chegada de um estudante a estaao (contado a partir das c~ 9h, em minuto) uma v.a. X e que a f.d.p. conjunta de X e T : e e fXT (x; t) = 0; 006e(0;15t+0;4x) u(t)u(x) Calcule a probabilidade de o estudante pegar o trem. Solu~o: ca P [T > X 5] = P [X < T + 5] = P [(X; T ) 2 A] = Z +1 Z t+5 0; 06e(0;15t+0;4x)dxdt ' 0; 946.
0 0

Z Z
A

fXY (x; y)dxdy =

(ii) O sinal recebido em uma transmiss~o via rdio pode ser modelado por a a

r(t) = Acos(!0 t + ) ; A > 0 ou

r(t) = Xcos!0 t + Y sen!0 t 1 (x2 +y2 ) e 22 : 2 2

sendo X e Y variveis aleatrias com f.d.p. conjunta fXY (x; y) = a o 36

a) Determine a probabilidade de a amplitude A ser maior que 1. Solu~o: ca Z 2 Z +1 p 1 r22 2 + Y 2 > 1] = P [X 2 +Y 2 > 1] = P [A > 1] = P [ X e 2 rdrd = 2 2 0 1 1 : : : = e 22 b) Encontre fX (x). Solu~o: ca Z +1 Z +1 x2 1 x2 +v2 1 fX (x) = fXY (x; v)dv = e 22 dy = : : : = p e 22 2 2 1 1 2

4.6
4.6.1

Fun~es distribui~o e densidade condicionais co ca

F.D.P. condicional

A funao distribuiao de probabilidade de uma v.a. X, condicionada a ocorr^ncia de um c~ c~ e evento M denida por e P [X x \ M] ; P [M ] 60 = P [M]

FXjM (x) = P [X xjM ] =

d Se FXjM diferencivel =) fXjM (x) = e a FXjM (x). dx O evento M tambm poderia ser descrito em termos da v.a. Y . e Assim, M = fY yg = f 2 jY () yg. FXY (x; y) . Pois, E, FXjY y (x) = FY (y) P [X x \ Y y] FXjY y (x) = P [X xjY y] = . P [Y y] d FXY (x; y) Tambm, fXjY y (x) = dx e . FY (y) P [X x \ Y = y] Poder amos tentar denir FXjY =y (x) = . P [Y = y] Porm, P [Y = y] = 0. e Dessa forma, denimos FXjY =y por um processo de limite. Com isso, chegamos ao resultado: Z x fXY (u; y)du 1 FXjY =y (x) = fY (y) e fXjY (x) = fxjY =y (x) = 37 fXY (x; y) fY (y)

Analogamente, fY jX (y) = fY jX=x (y) = Resumo: FXjY y (x) = FXY (x; y) FY (y) Z FXjY (x) = FXjY =y (x) = fXjY (x) = fXjY =y (x) =
x

fXY (x; y) . fX (x)

fXY (u; y) du fY (y)

fXY (x; y) fY (y) Z y fXY (x; v) dv

1

FY jX (y) = FY jX=x(y) = fY jX (x) = fY jX=x (y) =

fX (x)

fXY (x; y) fX (x)

4.7

Independ^ncia entre duas variveis aleatrias e a o

Duas variveis aleatrias X e Y s~o independentes se qualquer evento A1 denido em termos a o a de X independente de qualquer evento A2 denido em termos de Y . e Isto , P [X 2 A1 ; Y 2 A2 ] = P [X 2 A1]P [Y 2 A2 ]. e Podemos mostrar que as variveis aleatrias X e Y s~o independentes se, e s se, a o a o FXY (x; y) = FX (x)FY (y) para todos x e y. Se FX e FY s~o diferenciveis, ent~o fXY (x; y) = fX (x)fY (y). a a a Observemos que, neste caso, fXjY (x) = fX (x) e fY jX (x) = fY (y). Prova: Os eventos A e B s~o independentes se P [AB] = P [A]P [B]. a Temos, FXY (x; y) = FX (x)FY (y) ou P [fX xg \ fY yg] = P [fX xg]P [Y y]. E, @ 2FXY (x; y) @ 2 [FX (x)FY (y)] @ @ fXY (x; y) = = = FX (x) FY (y) = fX (x)fY (y). @x@y @x@y @x @y Tambm, e 38

FXY (x; y) = FX (x). FY (y) Conseq entemente, fX (xjY y) = fX (x) e fY (yjX x) = fY (y). u Generalizando, as variveis aleatrias X1; : : : ; Xn s~o independentes quando a o a FX (XjY y) =
n Y FX1 :::Xn (x1; : : : ; xn ) = FXi (xi ): i=1

E, no caso das funoes FXi serem diferenciveis, temos c~ a

n Y fXi (xi ): fX1 :::Xn (x1; : : : ; xn ) = i=1

39

Exemplos (i) Os valores da tens~o de rudo em um circuito, medidos em determinado ponto, em dois ina stantes, podem ser caracterizados por duas variveis aleatrias X e Y com f.d.p. conjunta a o dada por: 1 1 x2 +y2 e 2 2 2 2

fXY (x; y) = Determine: a) fY (y) e fX (x) (f.d.p.'s marginais)

b) fY jX (y), concluindo sobre a independ^ncia das variveis aleatrias X e Y . e a o c) Para = 1, a probabilidade de Y ser maior que 3. d) Para os valores do item c), P [Y > 3jX = 3] (ii) Um painel controla as duraoes X e Y de duas ligaoes telef^nicas. Essas duraoes podem c~ c~ o c~ ser modeladas por duas variveis aleatrias com f.d.p. conjunta a o

fXY (x; y) = 10e(2x+5y) u(x)u(y) O painel indica o nmero de ligaoes (0; 1 ou 2) cuja duraao ultrapassa o valor T = 0; 5. u c~ c~ Deste modo, a indicaao do painel pode ser modelada como uma varivel aleatria Z c~ a o denida da seguinte forma: Z = 0, se nenhuma das ligaoes tem duraao maior que T c~ c~ Z = 2, se as duas ligaoes t^m duraao maior que T c~ e c~

Z = 1, se apenas uma das ligaoes tem duraao maior que T c~ c~ e a o a) Determine fX (x) e fY (y) e conclua sobre a independ^ncia das variveis aleatrias. b) Determine a express~o de fZ (z) e de FZ (z). Esboce os grcos de fZ e de FZ . a a c) Dado que apenas uma das chamadas teve duraao maior que T , determine a probac~ bilidade de que a duraao X da primeira chamada exceda T . c~ d) Dado que ambas as chamadas tiveram duraao superior a T , determine a probabilic~ dade de que a duraao Y da segunda chamada exceda o valor 1. c~ Solu~o: ca

40

a) fX (x) =

+1

fXY (x; v)dv = 2e2x .

1

Analogamente, fY (y) = 5e5y . Assim, fXY (x; y) = fX (x)fY (y). Logo, X e Y s~o variveis aleatrias independentes. a a o Z 0;5Z 0;5 fXY (x; y)dxdy ' 0; 58. b) P [Z = 0] = P [X < T; Y < T ] = 1 1 Z +1 Z +1 P [Z = 2] = P [X > T; Y > T ] = 2e2x 5e5y dxdy = 0; 03
0;5 0;5

P [Z = 1] = 1 P [Z = 0] P [Z = 2] = 0; 39 FZ (z) = 0; 58u(z) + 0; 39u(z 1) + 0; 03u(z 2) fZ (z) = 0; 58(z) + 0; 39(z 1) + 0; 03(z 2) P [X > 0; 5 e Z = 1] P [X > 0; 5 e Y < 0; 5] c) P [X > 0; 5jZ = 1] = = = 0; 87 P [Z = 1] P [Z = 1] P [Y > 1 e Z = 2] P [Y > 1 e X > 0; 5] = = 0; 37 d) P [Y > 1jZ = 2] = P [Z = 2] P [Z = 2]

41

Cap tulo 5 Funoes de variveis aleatrias c~ a o

5.1 Introdu~o ca

Seja X uma varivel aleatria e seja g uma funao real de varivel real. A funao denida a o c~ a c~ por Y = g(X) tambm uma varivel aleatria. e e a o

5.2

Fun~o densidade de probabilidade de Y ca

d d FY (y) = P [Y y]: dy dy

Temos, fY (y) =

5.2.1

Exemplos:

a) Seja Y uma varivel aleatria denida por Y = aX + b sendo a ; b 2 R, a 60 e suponha a o = que X tenha F.D.P. FX . Encontre express~es para FY e para fY . o Soluao: c~ Temos, FY (y) = P [Y y] = P [aX + b y] = P [aX y b]: yb yb Se a > 0 ) FY (y) = P [X ] = FX a a by y b yb ]=P X = 1 FX Se a < 0 ) FY (y) = P [X a a a Assim, 8 > > FX Y b ; a > 0 < a FY (y) = > > 1 FX Y b ; a < 0 : a 42

dF du yb dF = sendo u = . dy du dy a 1 yb ; a>0e Logo, fY (y) = fX a a 1 yb fY (y) = fX ; a < 0. a a 1 yb Assim, fY (y) = fX . jaj a E, fY = b) Considere a varivel aleatria Y = X 2 sendo X uma varivel aleatria contnua. Ache a a o a o f.d.p. e a F.D.P. de Y , em termos da f.d.p. e da F.D.P. de X. Soluao: c~ Temos, p p FY (y) = P [Y y] = P [X 2 y] = P [ y X y] : 8 < 0 ; y<0 :

FY (y) = dFY dF du = . dy du dy

p p FX ( y) FX ( y) y 0

Assim, fY (y) = E,

8 < 0; y<0 p p fX ( y) fX ( y) fY (y) = + ; y>0 : p p 2 y 2 y

43

c) Seja Y = cosX sendo X uma v.a. uniforme no intervalo [0; 2]. Ache a f.d.p. e a F.D.P. de Y . Soluao: c~ FY (y) = P [Y y] = P [cosX y]

Se cosX y ) arccos y X 2 arccosy. Tambm, e

Assim, P [cosX y] = P [X 2 arccosy] P [X arccosy]. fY (y) = fX (2arccosy) p 1 1 1 1 1 1 p fX (arccosy) p = + p = 2 1 y2 2 1 y 2 1 y2 1 y2

1 ; 1 < y < 1 1 y2

8 > 0 ; y < 1 < 1 arcseny FY (y) = + ; 1 y 1 > 2 : 1; y>1 d) Considere X uma v.a. uniformemente distribu no intervalo [c; c]. Seja Y uma v.a. da denida por Y = X 2 . Determine fY (y). Soluao: c~ 1 FY (y) = P [Y y] = P y : X2 1 Se y 0 ) P y = 0: X2 1 1 1 1 2 Se y > 0 ) P y =P X = P X p + P X p X2 y y y Mas, 1 1 1 1 dx = p ; p < c p 1 2 2c y y 1= y 2c P Xp = 1 > 0; y > p c : y E, 8 Z > > <
c

44

8 Z 1=py 8 1 1 > 1 + 1 ; 1 > c > > > p p < < dx ; p > c 1 2c y 2 y 2c y c P X p = = 1 1 > > 0 ; p c y > 0 ; p c > : : y y Assim, 8 1 > 1 p ; y 1 < 1 1 c y c2 FY (y) = P X p + P X p = > y y : 0; y< 1 c2 E, 1 1 p 3 ; y> 2 2c( y) c fY (y) = 1 > : 0; y< c2 8 > <

5.3

Fun~es de duas variveis aleatrias co a o

Sejam Z e W variveis aleatrias e sejam f e h funoes reais de duas variveis cada. Deste a o c~ a modo, U e V , dadas por U = f (Z; W ) V = h(Z; W ) tambm s~o variveis aleatrias. e a a o a o e A f.d.p. conjunta fU V (u; v) das variveis aleatrias u e v denida por Z Z @ @ fUV (u; v) = fZW (z; w)dzdw @u @v IU V sendo IUV = f(z; w) 2 R2 : f(z; w) U ; h(z; w) V g. Exemplo: Considere duas variveis aleatrias Z e W com f.d.p. conjunta a o 1 z2 +w2 e 2 2 Encontre a f.d.p. conjunta das variveis aleatrias U e V denidas por a o U =Z +W V =Z fZW (z; w) = 45

Soluao: c~ Neste caso, IUV = f(Z; W ) 2 R2 : Z + W U ; Z V . Temos, Z Z uz @ @ v 1 2v2 +u2 2uv 2 fUV (u; v) = fZW (z; w)dwdz = ::: = e @u @v 1 1 2

46

Cap tulo 6 Valor esperado, vari^ncia e desvio a padr~o de variveis aleatrias a a o

6.1 Valor esperado (ou mdia) de um v.a e

Seja X uma v.a. discreta. Consideremos que X assume os valores fx1 ; x2 ; : : : ; xk g. Suponha que a experi^ncia associada a esta v.a. tenha sido realizada N vezes e que n(xi ) e represente o nmero de vezes em que o evento fX = xi g ocorreu. u De acordo com o conceito de freq^ncia relativa, temos ue n(xi ) ; i = 1; : : : ; k : N Assim, a mdia aritmtica dos N resultados da experi^ncia dada por e e e e P [X = xi ] =
k k X n(xi ) X mX = xi = xi P [X = xi ] : N i=1 i=1

No caso de variveis aleatrias cont a o nuas, temos Z +1 mX = xfX (x)dx :

1

Exemplos: a) Seja X uma v.a. distribuda uniformemente no intervalo [a; b]. Calcule mX . Soluao: c~ mX = Z
a b

1 a+b dx = . ba 2

47

b) Seja X uma v.a. com f.d.p. gaussiana

2 1 (xm) 1 fX (x) = p e 2 2 2

Calcume mX . Soluao: c~ Z

+1 1

mX =

xp

2 1 (xm) 1 e 2 2 dx = : : : = m 2

6.2

Vari^ncia a

Consideremos X uma varivel aleatria discreta. Suponha que X assuma os valores fx1; x2 ; : : : ; xk g. a o Considere que a experi^ncia associada a esta v.a. tenha sido realizada N vezes e que n(xi ) e represente o nmero de vezes em que o evento fX = xi g ocorreu. u Assim, denimos a vari^ncia de X por a z }| { k X n(xi ) 2 X = (xi mX )2 N i=1
P [X=xi ]

Observamos que a vari^ncia de uma v.a. nada mais do que a mdia aritmtica dos a e e e quadrados dos desvios (xi mX ), em relaao a mdia, dos N resultados da experi^ncia. Isto c~ e e mostra que a vari^ncia de uma v.a. mede sua dispers~o em torno da mdia. a a e No caso de X ser uma v.a. cont nua, temos Z +1 2 X = (x mX )2 fX (x)dx
1

Exemplos: a) Calcule a vari^ncia de uma v.a. X uniformemente distribu no intervalo [a; b]. a da Soluao: c~
2 X

Z b
a

b+a x 2

1 (b a)2 dx = ba 12

Obs: Se considerarmos duas variveis aleatrias uniformes, a de menor vari^ncia tem sua a o a f.d.p. mais concentrada em torno de sua mdia. e

48

b) Calcule a vari^ncia de uma v.a. gaussiana a fX (x) = p Soluao: c~ Z

(xm)2 1 e 22 2

2 X

1 =p 2

+1

(x m)2 e

(xm)2 22

dx = 2

6.3
6.3.1

Momentos
Momentos de ordem k

Denimos momento de ordem k de uma v.a. X, o valor esperado Z +1 k xk fX (x)dx E[X ] =

1

Se X uma v.a. discreta, EX [X k ] = e

xk P [X i

= xi ].

OBS: Se k = 0 ) E[X o ] = 1 e se k = 1 ) E[X] = mX .

6.3.2

Momento central de ordem k

Chama-se momento central de ordem k, de uma v.a. X, o valor esperado Z +1 k (x mX )k fX (x)dx E[(X mX ) ] =
1

6.3.3

Valor esperado de um vetor aleatrio o

~ E[X] = mX = ~ Z
+1

:::
1

+1 1

~ fX (~ )d~ = x ~ x x

Exemplo: ~ Considere o vetor aleatrio X 2 R2 com f.d.p. o fX (~ ) = fX1 X2 (x1 ; x2 ) = abe(ax1 +bx2 ) u(x1 )u(x2) ~ x Calcule mX . ~ 49

Soluao: c~ Z
0 +1

mX = ~

Z
0

+1

(x1; x2 )abe

(ax1 +bx2 )

dx1 dx2 =

1 1 ; a b

6.4

Matriz Covari^ncia a

Em analogia a vari^ncia de uma varivel aleatria real, denimos, para vetores aleatrios, a a o o a matriz covari^ncia: a Z +1 Z +1 X = ::: (~ mX )t (~ mX ) fX (~ )d~ x x ~ ~ ~ ~ x x
1 1

OBS: ~ ~ X = E[(X mX )t (X mX )] ~ ~ ~ Exemplo: ~ Seja X o vetor aleatrio bidimensional com f.d.p. o fX (~ ) = fX1 X2 (x1; x2 ) = ~ x (i) Calcule mX ~ (ii) Encontre X . ~ Soluao: c~ 0. (i) mX = ~ ~ 2 x1 x1 x2 t (ii) ~ ~ = xx x2 x1 x2 2 Assim, X = ~ 5 4 4 5 1 1 (5x2 +5x2 8x1 x2 ) e 18 1 2 6

50

6.5
6.5.1

Momentos conjuntos
Deni~o ca

k k k Os momentos conjuntos das variveis aleatrias X1 ; X2 ; : : : ; Xn s~o denidos por E[X1 1 X2 2 : : : Xnn ] a o a e a ordem do momento conjunto dada por k1 + k2 + : : : + kn . e

6.5.2

Deni~o ca

Os momentos conjuntos de segunda ordem E[Xi Xj ] recebem o nome de correlaao das c~ variveis aleatrias Xi e Xj . a o

6.5.3

Deni~o ca

Os momentos conjuntos centrais das variveis aleatrias X1 ; X2 ; : : : ; Xn s~o denidos por a o a k1 k2 kn E[(X1 mX1 ) (X2 mX2 ) : : : (Xn mXn ) ]. A soma k1 + k2 + : : : + kn chamada ordem do momento conjunto central. e Os momentos conjuntos centrais de segunda ordem E[(Xi mXi )(Xj mXj )] recebem o nome de covari^ncia quando i 6j e vari^ncia quando i = j. a = a A matriz Covari^ncia de um vetor aleatrio contm todos os momentos conjuntos centrais de a o e segunda ordem das componentes do vetor. Ela contm na sua diagonal principal as vari^ncias, e a sendo os outros elementos as covari^ncias. a OBSERVACOES: ~ (i) Correla~o: E[Xi Xj ] = ca (ii) Momentos conjuntos: De ordem k1 + k2 :
k k k E[X1 1 X2 2 : : : Xnn ] =

+1 Z +1

xyfXY (x; y)dxdy xk1 xk2 fX1 X2 (x1 ; x2 )dx1 dx2 1 2

k k E[X1 1 X2 2 ] +1

De ordem k1 + k2 Z : : : + kZ: + n :::

1

+1 Z +1 1

+1

xk1 xk2 : : : xkn fX1 X2 :::Xn (x1; x2 ; : : : ; xn )dx1 dx2 : : : dxn 1 2 n

(iii) Covari^ncia: E[(Xi mXi )(Xj mXj )] a Se m = 0 ) covari^ncia = correlaao. a c~ (iv) Vari^ncia: E[(Xi mXi )2] a

6.5.4

Coeciente de correla~o ca
E[(X mX )(Y mY )] XY = p E[(X mX )2]E[(Y mY )2 ] 51

Dene-se coeciente de correlaao entre as variveis aleatrias X e Y , c~ a o

Podemos mostrar que 1 XY 1.

6.5.5

Deni~o ca

Duas variveis aleatrias X e Y s~o ditas n~o correlatas quando ocorre uma das seguintes a o a a condioes (equivalentes): c~ (i) XY = 0 (ii) E[XY ] = E[X]E[Y ] (iii) E[(X mX )(Y mY )] = 0 Obs: Se duas variveis aleatrias s~o independentes ent~o elas s~o n~o-correlatas, mas a a o a a a a rec proca n~o verdadeira. a e

6.5.6

Deni~o ca

Duas variveis aleatrias X e Y s~o ortogonais quando E[XY ] = 0. a o a

6.5.7

Propriedades do valor esperado

(i) E[aX + bY ] = aE[X] + bE[Y ] (ii) j E[X] j E[j X j] (iii) Se X1 () X2 () ; 8 ) E[X1] E[X2 ] (iv) Se Y =
n n X X 2 2 Xi e E[Xi Xj ] = E[Xi ]E[Yj ] ; i 6j ) Y = = Xi i=1 i=1

6.6

Valor esperado de Y = g(X)

E[Y ] = Z
+1

yfY (y)dy =

+1

g(x)fX (x)dx
1

Exemplos: a) Seja Y = acos(!t + ), sendo a, ! e t constantes e uma varivel aleatria uniforme em a o [0; 2]. (i) Encontre E[Y ] (ii) Encontre E[Y 2]

52

Soluao: c~ (i) E[Y ] = E[acos(!t + )] = (ii) E[Y 2] = : : : = a 2

2

Z
0

acos(!t + )

d =0 2

b) Sejam X e Y duas variveis aleatrias denidas por X = cos e Y = sen, sendo uma a o varivel aleatria uniformemente distribu em [0; ]. a o da Determine E[X], E[Y ], E[XY ], E[X 2 ], E[Y 2] e E[X 2 Y 2 ].

6.7

Outras propriedades

" n # n X X (i) E gk (X) = E[gk (X)]

k=1 k=1

(ii) E[a0 + a1X + : : : + an X n ] = a0 + a1 E[X] + : : : + an E[X n ] (iii) E[X + c] = E[X] + c

53

Cap tulo 7 Processos Estocsticos a

7.1 Introdu~o ca

Considere um experimento aleatrio especicado pelos resultados de algum espao amostral o c S, pelos eventos denidos em S e pelas probabilidades desses eventos. Suponha que para todo resultado 2 S, exista uma funao X dada por X(t; ) para todo c~ t pertencente a um intervalo I e 2 S. Para xo, X(t; ) chamada de funao amostra. Por outro lado, para cada t xo, X(t; ) e c~ uma varivel aleatria. e a o Dessa forma, criamos uma famlia indexada de variveis aleatrias fX(t; ) ; t 2 Ig. a o Esta famlia recebe o nome de Processo Estocstico (ou processo aleatrio). Normal a o mente, denotamos o processo estocstico por X(t), omitindo o argumento . a Um processo estocstico dito discreto se o conjunto I dos a e ndices for contvel. Quando a tratamos de processos estocsticos discretos usamos, normalmente, n para denotar o a ndice e Xn para denotar o processo estocstico. a Se o conjunto I dos ndices for cont nuo ent~o o processo estocstico dito contnuo. a a e Processos estocsticos aparecem em sistemas de reconhecimento de fala, sistemas de proa cessamento de imagens, sistemas de las, rudo trmico nos terminais de um resistor e outros. e Exemplos: (a) Seq^ncia binria aleatria ue a o Seja um nmero selecionado, ao acaso, do intervalo S = [0; 1] e seja b1b2 : : : a expans~o u a binria de . a +1 X Assim, = bi 2i ; bi 2 f0; 1g.
i=1

Dena o processo estocstico Xn = X(n; ) por Xn = bn ; n = 1; 2; : : : , onde bn o n-simo a e e n mero da expans~o binria de . u a a

54

(b) Senides com amplitudes aleatrias o o Seja um nmero selecionado ao acaso do intervalo [1; 1]. Dena o processo aleatrio u o X(t; ) por X(t; ) = sen(2t) ; t 2 R As amostras desse processo s~o senides com amplitude . a o (c) Senides com fase aleatria o o Seja um nmero selecionado ao acaso do intervalo (; ) e seja Y (t; ) = cos(2t + ): u As amostras do processo estocstico Y s~o vers~es de cos2t deslocadas no tempo. a a o

7.2

Especica~o de um processo estocstico ca a

Sejam X1; X2; : : : ; Xk variveis aleatrias obtidas pela amostragem do processo X(t; ) em a o t1 ; t2 ; : : : ; tk . Assim, X1 = X(t1 ; ); X2 = X(t2 ; ); : : : ; Xk = X(tk ; ): Um processo estocstico especicado pela coleao de funoes de distribuiao de probabia e c~ c~ c~ lidade conjunta de k-sima ordem: e FX1 X2 :::Xk (x1 ; x2; : : : ; xk ) = P [X1 x1; X2 x2; : : : ; Xk xk ] para todo k e qualquer escolha dos instantes t1 ; t2 ; : : : ; tk . Se o processo estocstico for discreto, uma coleao de funoes de massa de probabilidade a c~ c~ pode ser usada: fX1 X2 :::Xk (x1 ; x2 ; : : : ; xk ) = P [X1 = x1 ; X2 = x2 ; : : : ; Xk = xk ] Se o processo for contnuo ent~o uma coleao de funoes densidade de probabilidade pode a c~ c~ ser usada: fX1 X2 :::Xk (x1 ; x2; : : : ; xk ) Exemplos: (a) Considere um nmero selecionado do intervalo [0; 1] e escreva u
n X = bi 2i ; bi 2 f0; 1g i=1

Dena o processo X(n; ) = Xn = bn , sendo bn o n-simo nmero da expans~o binria. e u a a Determine: (i) P [X(1; ) = 0] 55

Solu~o: ca X(1; ) = b1 . Logo, P [b1 = 0] = P [0 < 1=2] = 1=2. (ii) P [X(1; ) = 0 e X(2; ) = 1] Solu~o: ca P [b1 = 0 e b2 = 1] = P [1=4 < 1=2] = 1=4.

(b) Seja um n mero escolhido no intervalo [1; 1] e seja X(t) o processo estocstico u a denido por X(t; ) = cos(2t) ; t 2 R Ache a f.d.p. de X0 = X(t0 ; ). Solu~o: ca Temos que X0 = X(t0 ; ) = cos(2t0). Como uniformemente distribu em [1; 1], temos que X0 ser uniformemente dise da a tribu em [cos(2t0 ); cos(2t0 )] com t0 sendo tal que cos2t0 60. da = Assim, 8 > < > : 1 ; cos2t0 < x < cos2t0 2cos2t0 0 ; caso contrrio a

fX0 (x) =

a Porm, se t0 for tal que cos2t0 = 0, ent~o fX0 (t) = (t). e Ao xarmos um valor para o par^metro t de um processo estocstico X(t; ), obtemos a a uma varivel aleatria X com F.D.P. FX(t) (x) = P [X(t) x]. A f.d.p. correspondente a o e @ fX(t) (x) = FX(t) (x). @x Para cada t teremos uma varivel aleatria X(t) distinta. a o Quando, para qualquer t , conhecemos fX(t) (x) ou FX(t) (x), dizemos que o processo estocstico X(t; ) est especicado at a primeira ordem. a a e Um processo estocstico X(t) ca especicado at a segunda ordem se, para qualquer par de a e instantes (t1 ; t2 ); a f.d.p. fX(t1 )X(t2 ) (x1 ; x2 ) das variveis aleatrias X(t1 ) e X(t2 ) conhecida. a o e Um processo estocstico X(t) est especicado at a ordem m, quando conhecida a f.d.p. a a e e conjunta das m variveis aleatrias X(ti ) para qualquer conjunto de valores fti ; i = 1; : : : ; mg. a o Em outras palavras, quando se conhece fX(t1 )X(t2 ):::X(tm ) (x1 ; x2; : : : ; xm ). Dizemos que um processo estocstico est especicado completamente se ele est especia a a cado at a ordem m para qualquer valor de m. e 56

7.3

Momentos

Os momentos (ou estatsticas) de um processo estocstico s~o os momentos das variveis a a a aleatrias denidas em quaisquer instantes do processo. o

7.3.1

Mdia e
mX (t) = E[X(t)] = Z
+1

xfX(t) (x)dx
1

7.3.2

Autocorrela~o ca

Uma das caractersticas mais importantes de um processo estocstico , sem dvida, sua a e u fun~o autocorrela~o, que nos levar a conhecer a sua densidade espectral. O contedo de ca ca a u freq^ncias de um processo depende da velocidade com que a amplitude muda com o tempo. ue Isso pode ser medido pela correlaao entre as amplitudes em t1 e em t1 + . c~ Se as amplitudes de um processo X(t) (das amostras de X(t)) s~o similares nos instantes t1 a e t1 + ; dizemos que as respectivas variveis aleatrias t^m forte correla~o. Por outro lado, se a o e ca as amplitudes em t1 e em t1 + forem diferentes, dizemos que as respectivas variveis aleatrias a o t^m fraca correla~o. e ca A autocorrelaao o momento conjunto das variveis aleatrias X(t1 ) e X(t2 ) denidas c~ e a o para todo par (t1 ; t2 ); isto , e Z +1 Z +1 RX (t1 ; t2 ) = E[X(t1 )X(t2)] = xyfX(t1 )X(t2 ) dxdy
1 1

sendo fX(t1 )X(t2 ) (x; y) a f.d.p. de segunda ordem de X(t).

7.3.3

Autocovari^ncia a

A (funao) autocovari^ncia de um processo X(t) o momento conjunto central das variveis c~ a e a aleatrias X(t1 ) e X(t2 ) para quaiquer (t1 ; t2 ); isto , o e CX (t1 ; t2) = E[(X(t1 ) mX (t1 ))(X(t2) mX (t2 ))] ; 8(t1; t2) Podemos mostrar que: (i) CX (t1; t2 ) = RX (t1; t2) mX (t1 )mX (t2 )
2 (ii) X (t) = RX (t; t) m2 (t) X 2 Observe que X (t) = CX (t; t) e que E[(X mX )(Y mY )] = E[XY ] E[X]E[Y ].

57

O coeciente de correlaao de X(t) denido como o coeciente de correlaao de X(t1 ) e c~ e c~ X(t2 ): X (t1 ; t2) = p CX (t1 ; t2) p CX (t1 ; t1 ) CX (t2; t2 )

com j X (t1; t2 ) j 1. Exemplos:

a) Seja A uma varivel aleatria e seja X(t) = Acos2t um processo estocstico. a o a (i) Determine a mdia de X(t), em funao da mdia da varivel aleatria A. e c~ e a o Solu~o: ca mX (t) = E[X(t)] = E[Acos2t] = cos2tE[A]. (ii) Determine RX (t1 ; t2 ). Solu~o: ca RX (t1 ; t2 ) = E[X(t1 )X(t2)] = E[A2]cos2t1 cos2t2 . b) Seja X(t) = cos(!t +) um processo estocstico onde uma varivel aleatria uniformea e a o mente distribu no intervalo (; ). da Determine: (i) A mdia de X(t) e Solu~o: ca Z +1 cos(!t + )f () = 0: mX = (ii) A autocorrelaao de X(t) c~ Solu~o: ca RX (t1 ; t2 ) = E[X(t1 )X(t2)] = E[cos(!t1 + )cos(!t2 + )] 1 1 = E[cos(!(t1 + t2 ) + 2) + cos(!(t1 t2 )] = cos(!(t1 t2 )): 2 2
1

58

7.4

Processos estocsticos (estritamente) estacionrios a a

Seja X(t) um processo estocstico. Se, para qualquer inteiro n, a f.d.p. conjunta de ordem a n n~o varia com um deslocamento no tempo; isto , a e fX(t1 )X(t2 ):::X(tn ) (x1; x2 ; : : : ; xn ) = fX(t1 + )X(t2 + ):::X(tn + ) (x1 ; x2; : : : ; xn ) ; 8 ent~o o processo estocstico dito estritamente estacionrio at a ordem n. a a e a e Obs: (i) A mesma deniao vale se considerarmos a F.D.P. conjunta c~ (ii) mX (t) = E[X(t)] = m
2 (iii) X(t) = E[(X(t) m)2 ] = 2

(iv) Um processo estocstico estacionrio at a primeira ordem se, e s se, a e a e o fX(t) (x) = fX(t+ ) (x) = FX (x) ; 8t; (v) Um processo estocstico estacionrio at a segunda ordem se, e s se, a e a e o fX(t1 )X(t2 ) (x1 ; x2 ) = fX(t1 + )X(t2 + ) (x1 ; x2) ; 8 (vi) Se X(t) estacionrio at a n-sima ordem ent~o tambm ser at a ordem k, k < n. e a e e a e a e (vii) A vericaao de estacionariedade estrita uma tarefa difcil, motivando a vericaao de c~ e c~ formas mais fracas de estacionariedade.

7.5
7.5.1

Processos estocsticos estacionrios no sentido ama a plo ou fracamente estacionrios a

Deni~o ca

Um processo estocstico X(t) dito estacionrio no sentido amplo se sua mdia for a e a e constante; isto , mX (t) = m, 8t e se a sua autocorrelaao funao, apenas, da diferena e c~ e c~ c entre dois instantes; isto , e RX (t1 ; t2) = RX () ; = t1 t2 ; 8t1; t2 OBS: Se um processo estocstico estritamente estacionrio at a segunda ordem ent~o ele a e a e a estacionrio no sentido amplo. Porm, a recproca n~o verdadeira. e a e a e Exemplo: 59

Considere o processo estocstico X(t) = Asen(!t + ) sendo uma varivel aleatria a a o uniformemente distribu em [0; 2]. Verique se este processo estacionrio no sentido amplo. da e a Solu~o: ca Z
0 2

mX (t) = e

Asen(!t + )

1 d = 0 2

RX (t1; t2 ) = : : : =

A2 cos[!(t1 t2 )] 2

7.5.2

Propriedades de estat sticas de processos estocsticos estaa cionrios no sentido amplo a

(i) RX ( ) = RX ( ) (ii) RX (0) = E[X 2(t)] (iii) Se X(t) = X(t + nT ) ; n 2 Z ent~o RX ( ) = RX ( + nT ) a (iv) j RX () j RX (0) ; 8

7.6
7.6.1

Estat sticas conjuntas de processos estocsticos a

Especica~o conjunta ca

Dois processos estocsticos, digamos X(t) e Y (t), est~o conjuntamente especicados at a a a e ordem m+n, quando conhecida a f.d.p. conjunta das m+n variveis aleatrias fX(ti ); Y (tj )g e a o para quaisquer conjuntos de valores. Isto , e fX(t1 )X(t2 ):::X(tm )Y (t01 )Y (t02 ):::Y (t0n ) (x1 ; x2; : : : ; xm ; y1; y2 ; : : : ; yn ) para todos t1 ; t2 ; : : : ; tm ; t01; t02 ; : : : ; t0n .

7.6.2

Momentos conjuntos

Correla~o cruzada ca A funao correlaao cruzada de dois processos estocsticos X(t) e Y (t), representada por c~ c~ a RXY (t1 ; t2 ), o momento conjunto das variveis aleatrias X(t1 ) e Y (t2 ) denidas para quaise a o quer pares (t1 ; t2); isto , e Z +1 Z +1 RXY (t1 ; t2 ) = E[X(t1 )Y (t2)] = xyfX(t1 )Y (t2 ) (x; y)dxdy ; 8t1 ; t2
1 1

60

Covari^ncia cruzada a A funao covari^ncia cruzada de dois processos estocsticos X(t) e Y (t), representada por c~ a a CXY (t1 ; t2 ), o momento conjunto central das variveis aleatrias X(t1 ) e Y (t2 ) denidas para e a o qualquer par (t1 ; t2 ); isto , e CXY (t1 ; t2) = Ef[X(t1 ) mX (t1 )][Y (t2 ) mY (t2 )] Podemos mostrar que CXY (t1 ; t2) = RXY (t1; t2 ) mX (t1 )mY (t2).

7.6.3

Processos estocsticos conjuntamente estacionrios a a

Dois processos estocsticos X(t) e Y (t) s~o ditos conjuntamente estacionrios at a ordem a a a e 0 k + ` se a f.d.p. conjunta das k + ` variveis aleatrias fX(ti ); Y (tj ) ; i = 1; 2; : : : ; k; j = a o 1; 2; : : : ; `g n~o varia com um deslocamento no tempo; isto , a e fX(t1 ):::X(tk )Y (t01 ):::Y (t0` ) = fX(t1 + ):::X(tk + )Y (t01 + ):::Y (t0` + ) Dois processos estocsticos X(t) e Y (t) s~o ditos conjuntamente estacionrios no sentido a a a amplo quando cada um deles estacionrio no sentido amplo e RXY (t1 ; t2) s depende da e a o diferena (t1 t2 ); isto , c e RXY (t1 ; t2 ) = RXY (t1 t2 ) = RXY () ; = t1 t2

7.6.4

Propriedades da fun~o correla~o cruzada de dois processos ca ca estocsticos conjuntamente estacionrios a a

(i) RXY () = RY X ()
2 (ii) RXY ( ) RX (0)RY (0)

(iii) 2 j RXY () j RX (0) + RY (0)

7.6.5

Independ^ncia, n~o-correla~o e ortogonalidade e a ca

Dois processos estocsticos X(t) e Y (t) s~o estatisticamente independentes quando para a a quaisquer m e n a f.d.p. conjunta de ordem m + n pode ser escrita como o produto da f.d.p. de ordem m do processo X(t) pela f.d.p. de ordem n do processo Y (t); isto , e fX(t1 ):::X(tm )Y (t01 ):::Y (t0n )(x1 ; : : : ; xm ; y1 ; : : : ; yn ) = fX(t1 ):::X(tm ) (x1 ; : : : ; xm )fY (t01 ):::Y (t0n ) (y1 ; : : : ; yn ) Dois processos estocsticos X(t) e Y (t), conjuntamente estacionrios no sentido amplo s~o a a a ditos n~o-correlatos quando CXY ( ) = 0. a CXY ( ) = 0 ) RXY () = mX mY : 61

Dois processos estocsticos X(t) e Y (t), conjuntamente estacionrios no sentido amplo s~o a a a ortogonais quando RXY () = 0. Exemplos: (a) Sejam X(t) e Y (t) processos estocsticos dados por X(t) = cos(!t + ) e Y (t) = a sen(!t+), sendo uma v.a. uniformemente distribu no intervalo [; ]. Ache CXY (t1 ; t2 ). da Solu~o: ca CXY (t1 ; t2 ) = RXY (t1 ; t2 ) mX (t1 )mY (t2 ) Mas, mX (t1) = mY (t2) = 0. 1 E, RXY (t1 ; t2 ) = sen(!(t1 t2 )). 2 Logo, 1 CXY (t1 ; t2 ) = sen(!(t1 t2 )). 2 (b) Seja Y (t) = X(t) + N(t), onde X(t) um sinal desejado e N(t) um rudo. e a a Ache RXY (t1 ; t2 ) supondo que X(t) e N(t) s~o processos estocsticos independentes. Solu~o: ca RXY (t1 ; t2 ) = E[X(t1 )Y (t2)] = E[X(t1 )X(t2)]+E[X(t1 )N(t2 )] = RX (t1 ; t2 )+mX (t1 )mN (t2 ).

7.6.6

Processos Ergdicos o

Vimos que a caracterizaao completa de um processo estocstico exige o conhecimento c~ a de todas as suas funoes amostra. Esta caracterizaao permitiu a determinaao de diversas c~ c~ c~ estat sticas de processos como, por exemplo, sua mdia e sua funao autocorrelaao. Para e c~ c~ alguns processos estocsticos, entretanto, estas estatsticas podem ser determinadas a partir a de apenas uma funao amostra do processo. Esses processos estocsticos s~o determinados c~ a a ergdicos. o Para processos ergdicos, os valores mdios e os momentos podem ser determinados atravs o e e de mdias temporais. e Z 1 T n [X(t)]n dt Assim, E[X (t)] = lim T !+1 2T T onde X(t) uma funao amostra t e c~ pica do processo. A autocorrelaao ser dada por c~ a Z 1 T RX ( ) = E[X(t)X(t + )] = lim X(t)X(t + ) dt T !+1 2T T

62

7.7

Processos estocsticos gaussianos a

Um processo X(t) um processo estocstico gaussiano se as amostras X1 = X(t1 ), X2 = e a X(t2 ), : : : , Xk = X(tk ) s~o variveis aleatrias conjuntamente gaussianas para todo k e todas a a o as escolhas de t1 ; : : : ; tk . Assim, a f.d.p. tem a forma
x ~ x ~ e 2 (~ m) K (~ m) fX1 X2 :::Xk (x1 ; x2; : : : ; xk ) = (2)k=2 j K j1=2
1 T 1

onde 2

3 mX (t1 ) 6 m (t ) 7 m=6 X 2 7 ~ 4 ::: 5 mX (tk )

CX (t1 ; t1 ) 6 CX (t2 ; t1 ) K=6 4 ::: CX (tk ; t1 )

CX (t1 ; t2 ) CX (t2 ; t2 ) ::: CX (tk ; t2 )

::: ::: ::: :::

3 CX (t1; tk ) CX (t2; tk ) 7 7 5 ::: CX (tk ; tk )

Observamos que processos estocsticos gaussianos t^m a propriedade que suas f.d.p.'s cona e junas s~o completamente especicadas pela mdia do processo mX (t) e pela funao covari^ncia a e c~ a CX (t1; t2). Se um processo gaussiano estacionrio no sentido amplo ent~o sua mdia constante e e a a e e sua autocovari^ncia s depende da diferena entre dois instante. Alm disso, ele ser tambm a o c e a e estritamente estacionrio. a Exemplo: Seja X(t) um processo gaussiano com funao mdia e funao autocorrelaao dadas por c~ e c~ c~ mX (t) = 1 e RX ( = t1 t2 ) = 2jt1 t2 j + 1. Determine P [1 < X(4) < 3]. Sol.:
2 2 X(4) = X4 uma varivel aleatria gaussiana com E[X4] = 1 e X4 = E[X4 ] [E(X4)]2 = e a o RX (0) m2 (4) = 2 1 = 1.Z X 3 (X4 1)2 1 p e 2 dX4 ' 0:477. Assim, P [1 < X2 < 3] = 2 1

63

Cap tulo 8 Revis~o de anlise de Fourier a a

8.1 Introdu~o ca

Este captulo devotado a uma revis~o da anlise de Fourier e a estudar como um sinal no e a a dom nio do tempo pode ser representado no dom nio da freq^ncia. ue

8.2
8.2.1

Anlise de Fourier a
Srie de Fourier e

Consideremos f : I ! I uma funao que satisfaz as seguintes condioes: R R c~ c~ (i) f peridica de perodo T; e o (ii) f de classe C 2 por partes em (t0 ; t0 + T ). e Em todo ponto de continuidade de f, podemos escrever: ao X 2nt 2nt f(t) = + [an cos( ) + bn sen( )] 2 T T n=1 onde 8 Z to +T > > a = 2 > o f(t)dt ; > > T to > > > > > > Z < 2 to +T 2nt an = f (t)cos( )dt e > T to T > > > > > Z to +T > > > 2nt > b = 2 > n f (t)sen( )dt: : T to T 64
1

(8.1)

(8.2)

Num ponto de descontinuidade o lado esquerdo de 8.1 substitu por : e do 1 lim [f(t + ") + f(t ")]: + 2 "!o (8.3)

A srie 8.1 com coecientes dados por 8.2 chamada de srie de Fourier de f na forma e e e trigonomtrica. e As condioes (i) e (ii) s~o muitas vezes chamadas condioes de Dirichlet e s~o sucientes c~ a c~ a (mas n~o necessrias) para a converg^ncia da srie de Fourier. a a e e Em notaao exponencial (ou complexa) a srie de Fourier de f pode ser escrita como c~ e
+1 X

f(t) = onde 1 Fn = T Fazendo !o = 2 , temos T 1 Fn = T Z Z

Fn ej

2nt T

(8.4)

n=1

to +T to

f(t)ej

2nt T

dt:

(8.5)

to +T to

f (t)ejn!o t dt:

(8.6)

Observamos que, conhecido f , os coecientes de 8.4 podem ser calculados e, reciprocamente, conhecidos os coecientes fFn gn2Z , f pode ser sintetizada por 8.4. Dessa forma, f e fFn gn2Z Z Z fornecem a mesma informaao. Muda s o ponto de vista : um temporal, outro freqencial. c~ o u

65

Figura 8.1: Exemplo de uma funao peridica. c~ o

Exemplo Consideremos a funao f : I ! I peridica de perodo 2, dada por c~ R R, o f(t) = t ; 0 t < 2: O grco dessa funao mostrado na gura 8.1. a c~ e Srie de Fourier de f na forma trigonomtrica e e Clculo dos coecientes a Z Z 2 2 2 f(t)dt = tdt = 2: ao = T Z0 0 Z 2 Z 2 2 2 2nt 2nt )dt = )dt = an = f (t)cos( tcos( tcos(nt)dt = 0: T Z0 T T Z0 2 Z0 2 2 2 2nt 2nt 2 bn = f(t)sen( )dt = tsen( )dt = tsen(nt)dt = : T 0 T T n 0 0 Assim, f(t) = 1 +
+1 X 2 n=1

(8.7)

sen(nt):

Srie de Fourier de f na forma exponencial e Clculo dos coecientes a Z

0

1 Fn = T

f (t)e

j 2nt T

1 dt = 2

Z
0

tejntdt =

1 j n

; n 60 =

66

e 1 Fo = T Assim,

Z
0

1 f (t)dt = 2

Z
0

tdt = 1:

Fn = Temos,

1; n=0 1 j ; n 60: = n

+1 X 1 f (t) = 1 + jejnt ; n 60: = n n=1

8.2.2

O espectro complexo de Fourier

A expans~o em srie de Fourier de uma funao peridica a decomposiao da funao em a e c~ o e c~ c~ termos das suas componentes de vrias freq^ncias. Uma funao peridica de per a ue c~ o odo T tem 1 componentes de freq^ncias dadas por n, onde = T e n 2 Z Em termos das freq^ncias ue Z. ue 2 angulares (ou pulsaoes), as componentes s~o dadas por n!o onde !o = T = 2 e n 2 Z c~ a Z. Chamamos de espectro da funao f o conjunto de todos os coecientes de Fourier Fn ; n 2 c~ Z Se especicarmos f podemos encontrar seu espectro. Reciprocamente, se o espectro for Z: conhecido podemos encontrar a funao f correspondente. c~ Portanto, podemos especicar f de duas formas: a representaao no dom c~ nio do tempo, onde f expressa como funao do tempo e a representaao no domnio da freq^ncia, onde o e c~ c~ ue espectro especicado. e Observamos que o espectro de uma funao peridica n~o uma curva cont c~ o a e nua, mas existe 2 apenas para valores discretos de !, m ltiplos de uma freq^ncia bsica !o = T ( ! = n!o ; n 2 u ue a Z Os coecientes Fn s~o complexos e, s~o descritos por uma magnitude e uma fase. Z). a a Consideremos a funao dada por 8.7. Temos que c~ ( 1; n=0 1 Fn = j ; n 60: = n Assim, 8 8 n=0 > > 0; < 1 ;n = 0 < ; n positivo 1 j Fn j= e \Fn = 2 ; n 60 = : > > j n j : ; n negativo: 2 2 = n, temos : Fazendo ! = n!0 = n T 8 8 > 0 ;! = 0 > < 1 ;! = 0 < ; ! positivo 1 j Fn j= e \Fn = 2 ; ! 60 = : > > j!j : ; ! negativo: 2 67

Figura 8.2: Amplitude e fase dos coecientes da srie de Fourier. e

Figura 8.3: Funao porta peridica. c~ o Constru mos os grcos de j Fn j e \Fn , em termos da freq^ncia !, apresentando-os na a ue gura 8.2. Consideremos, agora, a funao f : I ! I peridica de perodo T , dada por : c~ R R, o 1; t 2 2 (8.8) f (t) = 0; < t < T : 2 2 Essa funao conhecida como porta (gate) peridica. Mostramos o seu grco na gura 8.3. c~ e o a Os coecientes Fn da srie de Fourier na forma exponencial s~o dados por: e a Z Z 1 T =2 1 =2 jn!o t j 2nt T dt = Fn = f (t)e e dt T =2 T =2 (8.9) sen(n!o =2) [ ] ; n 60; = = T n!o =2 e 1 Fo = T Dessa forma, 8 > ; < T Fn = > sen(n!0 =2) ; : T n!0 =2 68 n=0 n 60: = (8.11) Z
T 2 2

1 f(t)dt = T

dt =
2

: T

(8.10)

Figura 8.4: Representaao do espectro da funao porta peridica. c~ c~ o Denindo a funao Sa, conhecida como funao de amostragem, por c~ c~ Sa : I( ! I R R 1; t=0 sent t! ; t 60 = t e fazendo ! = 2 , temos, T Fn = A freq^ncia fundamental !o = ue e n Sa( ): T T (8.13)

(8.12)

2 a . Se ! = n!o , ent~o T ! Fn = Sa( ): T 2

(8.14)

Mostramos o grco de Fn em termos da freq^ncia ! na gura 8.4. a ue Podemos observar que a medida que T aumenta, a freq^ncia fundamental 2 se torna ue T menor e o espectro torna-se, ent~o, mais denso. Intuitivamente, somos levados a pensar que a quando T tende ao innito temos, no dom do tempo, um unico pulso retangular de largura nio e no domnio da freq^ncia um espectro cont ue nuo com componentes em todas as freq^ncias. ue Isso pode ser provador rigorosamente.

8.3
8.3.1

Transformada de Fourier
Introdu~o ca

Quando o sinal com o qual estamos trabalhando for n~o-peridico ele pode ser expresso a o como uma soma contnua (integral) de sinais exponenciais, em contraste com sinais peridicos, o que podem ser representados por uma soma discreta de sinais exponenciais (srie de Fourier e como j visto). Vejamos uma motivaao para essa armaao. a c~ c~ 69

8.3.2

A transformada de Fourier

Consideremos uma funao f como mostra a gura 8.5 . c~

Figura 8.5: Grco de uma funao f. a c~ Constru mos uma nova funao, peridica, fT com per c~ o odo T, de acordo com a gura 8.6.

Figura 8.6: Construao de uma funao peridica a partir de uma funao f dada. c~ c~ o c~ Tornamos o per odo T grande o suciente para que n~o haja superposiao entre os pulsos a c~ da forma de f . Essa nova funao fT uma funao peridica e pode ser representada por uma c~ e c~ o srie exponencial de Fourier. e Numa topologia adequada, quando T ! 1, fT ! f . Desse modo, a srie de Fourier que e representa fT tambm representar f . e a A srie de Fourier de fT dada por e e fT (t) = onde !o =
2 T +1 X

Fn ejn!o t

(8.15)

n=1

e 1 Fn = T Z
T =2

fT (t)ejn!o t dt:
T =2

(8.16)

Faamos n!o = !n . Assim, Fn = Fn (!n ). c Consideremos T Fn (!n ) = F (!n ), que obviamente limitado (por construao). Temos, e c~
+1 1 X fT (t) = F (!n )ej!n t : T n=1

(8.17)

70

Substituindo T =

2 em 8.17 temos !o
+1 1 X fT (t) = F (!n )ej!n t !o : 2 n=1

(8.18)

Quando T ! 1 , fT ! f e obtemos : 1 f (t) = 2 e F (!) =

+1

F (!)ej!t d!
1

(8.19)

+1

f(t)ej!t dt:
1

(8.20)

O espectro de f ser contnuo e representado pela funao F . a c~ A equaao 8.20 conhecida como transformada (direta) de Fourier de f e a equaao 8.19 c~ e c~ como transformada inversa de Fourier de F . Simbolicamente podemos escrever F (!) = F [f (t)] e f(t) = F 1 [F (!)]: (8.22) (8.21)

Fazendo ! = 2 em 8.19 e 8.20 chegamos a uma formulaao simtrica, o fator 2 n~o aparece. c~ e a Z +1 ^ (8.23) f(t) = F()ej2td
1

e ^ F() = Z
+1

f(t)ej2t dt:

(8.24)

8.3.3

Exist^ncia da transformada de Fourier e

O espao L1 (R) c O espao L1(R) o espao de todas as funoes f : I ! C tais que c e c c~ R Z kfkdt < 1:
R

(8.25)

71

O espao L2 (R) c O espao L2(R) o espao de todas as funoes f : I ! C, tais que c e c c~ R Z kf k2 dt < 1:
R

(8.26)

Teorema: a Se a funao f pertence ao espao L1 (R) ent~o a transformada de f existe. c~ c Teorema: Se a funao f pertence ao espao L2 (R) ent~o a transformada F, de f, existe e F 2 L2(R). c~ c a Exemplos 1. Consideremos a funao G (conhecida como funao porta) denida por c~ c~ 1; j t j 2 G (t) = 0; j t j> : 2

(8.27)

Figura 8.7: funao porta. c~ Calculando a transformada de Fourier dessa funao, temos : c~ Z =2 Sen( ! ) j!t 2 e dt = ; ! 60: = F (!) = FfG (t)g = !
=2 2

(8.28)

Para ! = 0 temos : F fG (t)g j!=0= Logo,

=2

dt = :
=2

FfG (t)g = Sa(

! ): 2

A gura 8.8 mostra a representaao do espectro da funao porta. Neste caso F uma c~ c~ e funao real. c~ 72

Figura 8.8: Representaao do espectro da funao porta. c~ c~ 2. Consideremos a funao f : I ! I denida por c~ R R

f(t) = ejtj :

Calculando sua transformada de Fourier, obtemos : Z +1 jtj F fe g = ejtj ej!t dt =

1

2 : 1 + !2

3. Consideremos a funao f : I ! I denida por c~ R R t e ; t>0 f (t) = 0; t 0: A sua transformada de Fourier dada por: e Z +1 F ff(t)g = et ej!t dt =
0

1 : 1 + j!

4. Consideremos a funao G : I ! I denida por c~ R R 1; j ! j =2 G (!) = 0; j ! j> =2: Desejamos calcular sua tranformada de Fourier inversa. Assim, Z =2 1 Sen( t ) 1 2 F fG (!)g = ej!t d! = ; t 60: = t 2 =2 2 2 Para t = 0 temos : F Assim, t Sa( ): 2 2 t 2 Logo, a transformada de f(t) = Sa( 2 ) igual a G (!). Em particular, e F 1fG (!)g = FfSa(t)g = G2(!): 73
1

1 fG (!)g jt=0 = 2

=2

d! =

=2

1 : 2

8.3.4

Propriedades da transformada de Fourier

FUNCAO ~ f (t) F (t) a1 f1 (t) + f2 (t) f (at) f (t)ejw0 t

As propriedades da transformada de Fourier est~o apresentadas na seguinte tabela 8.1. a TRANSFORMADA F (w) 2f (w) a1 F1(w) + a2 F2 (w) w 1 F jaj a F (w w0)

Simetria Linearidade Mudana de escala c

Translaao em freq^ncia c~ ue

f (t) cos(w0t) f(t) sen(w0 t)

Translaao no tempo c~ Dualidade Conjugaao c~ Diferenciaao no tempo c~ Integraao no tempo c~ Diferenciaao na freq^ncia c~ ue

f (t t0) F (t) f (t) dn f Z t dtn

1

1 [F (w + w0 ) + F (w w0)] 2 j [F (w + w0 ) F (w w0 )] 2 ejwt0 F (w) f(w) F (w) (jw)n F (w) 1 F (w) jw dn f dwn F (w) = F (w) RfF (w)g =RfF (w)g IfF (w)g = IfF (w)g jF (w)j = jF (w)j \F (w) = \F (w) F (w) real, par em w F (w) imaginria, impar em w a

f( )d

(jt)n f(t) f(t) real f(t) real f(t) real f(t) real f(t) real f (t) real, par em t f (t) real, impar em t

Simetria

Tabela 8.1: Propriedades da transformada de Fourier

8.4
8.4.1

Convolu~o ca
Introdu~o ca

Dadas duas funoes f1 e f2 formamos a integral c~ Z +1 f (t) = f1 ()f2 (t )d:

1

(8.29)

74

Essa integral dene a convoluao das funoes f1 e f2 . Simbolicamente escrevemos c~ c~ f = f1 f2: Veremos que convoluao est intimamente associado a produto. c~ a

8.4.2

Propriedades

Comutatividade

f1 f2 = f2 f1 : Distributividade

(8.30)

f1 [f2 + f3] = f1 f2 + f1 f3 : Associatividade

(8.31)

f1 [f2 f3 ] = [f1 f2] f3 : Teorema da convolu~o no tempo ca a Se f1 (t) $ F1 (!) e f2 (t) $ F2(!) ent~o f1 f2 $ F1 F2 : ^ ^ Se f1 (t) $ F1 () e f2(t) $ F2 () ent~o a ^ ^ f1 f2 $ F1 F2 : Teorema da convolu~o na freq^ncia ca ue Se f1 (t) $ F1 (!) e f2 (t) $ F2(!) ent~o a f1 f2 $ ^ ^ Se f1 (t) $ F1 () e f2(t) $ F2 () ent~o a ^ ^ f1 f2 $ F1 F2 : 75 1 [F1 F2 ]: 2

(8.32)

(8.33)

(8.34)

(8.35)

(8.36)

FUNCAO ~ TRANSFORMADA f(t) F (w) A 2A j!0 t e 2(! !0 ) cos(!0 t) [(! !0 ) + (! + !0 )] (t) = sen(!0t) j[(! + !0) (! !0 )] Tabela 8.2: Algumas tranformadas que envolvem o impulso unitrio. a TIPO DE SINAL corrente domstica e quartzo de relgio o onda de radar vibraao de um atomo de Csio c~ e ONDAS HERTZIANAS: muito longas (telgrafo) e longas (rdio) a mdias (rdio) e a curtas (rdio) a mtricas (televis~o) e a centimtricas (radar) e luz visvel BANDA EM Hz 60 105 1010 1014 1; 5 104 a 6 104 6 104 a 3 105 3 105 a 3 106 3 106 a 3 107 3 107 a 3 108 3 108 a 1011 3; 7 1014 a 7; 5 1014

Tabela 8.3: Ordens de grandeza de sinais.

Apresentamos na tabela 8.2 algumas transformadas que envolvem o impulso unitrio (Delta a de Dirac) denotado por . Mostramos, na tabela 8.3 as ordens de grandeza de alguns sinais.

76

Cap tulo 9 Anlise e processamento de sinais a aleatrios o

9.1 Introdu~o ca

Seja X(t) um processo estocstico estacionrio no sentido amplo, com mdia mX e funao a a e c~ autocorrelaao RX (). c~ A densidade espectral de pot^ncia de X(t) denida por e e Z +1 RX ( )ei! d SX (!) = FfRX ( )g = 1 SX (!)ei! d!. 2 1 Antes de continuarmos, faremos um breve estudo de conceitos envolvendo sinais determin sticos e iremos justicar as frmulas acima. o Tambm, RX ( ) = e Z
+1 1

9.2
9.2.1

Alguns conceitos sobre sinais determin sticos

Energia e Pot^ncia de um sinal e

Seja x = x(t) um sinal determinstico. Se x for real, denimos a energia do sinal x (Ex ) por: Z +1 Ex = x2 (t)dt
1

e a pot^ncia por e 1 Px = lim T !+1 T Se x for complexo, 77 Z

T =2

x2 (t)dt :
T =2

Ex = e

+1

x(t)x (t)dt = Z

+1 1

j x(t) j2 dt

1 Px = lim T !+1 T Obs.

T =2 T =2

j x(t) j2 dt :

(i) As denioes acima s fazem sentido quando as integrais convergem. c~ o (ii) Energia e pot^ncia, neste caso, s~o denioes e n~o t^m, necessariamente, unidades de e a c~ a e energia (JOULE) e de pot^ncia (WATT). e (iii) Podemos assumir a pot^ncia (ou a energia) dissipada em um carga de 1 para as frmulas e o apresentadas. p (iv) Px o valor mdio quadrtico de x e, portanto, Px o valor rms (root mean square). e e a e

9.2.2

Algumas frmulas relacionadas a sinais determin o sticos

Z Z
+1

(i) Ffx(t)g = (ii) x(t) =

ei!t x(t)dt = X(!)

1 +1

1 2

ei!t X(!)d! Z
+1

1 (iii) x (t) = 2 Z (iv) X (!) =

X (!)ei!t d!
1

+1

ei!t x (t)dt = X(!). Se x(t) for real, X (!) = X(!).

1

9.2.3

Teorema de Parseval
Ex = Z
+1 1

1 x(t)x (t)dt = 2

+1 1

j X(!) j2 d!

Prova: Ex = x(t)x (t)dt = X (!)ei!t d!dt 1 1 Z 1 +1 +1 = x(t)X (!)ei!t d!dt 2 Z1 1 Z 1 +1 1 +1 = X (!)X(!)d! = j X(!) j2 d! : 2 1 2 1
1 Z

+1

+1

1 x(t) 2

+1

78

Obs. Se x for real, Ex = Z

+1 1

1 x (t)dt = 2
2

+1 1

j X(!) j2 d!.

9.2.4

Densidade espectral de energia e de pot^ncia e

Z 1 +1 Observamos que Ex = j X(!) j2 d!. 2 1 Denimos, assim, a densidade espectral de energia do sinal x por: Sx (!) =j X(!) j2 e 1 Ex = 2 Z
+1

Sx(!) d! :
1

Denimos, tambm, densidade espectral de pot^ncia do sinal x por: e e j XT (!) j2 Sx (!) = lim T !+1 T sendo XT (!) = F fx(t)GT (t)g, sendo G a funao porta de largura T c~ e Z 1 +1 Px = Sx (!) d! : 2 1

9.3
9.3.1

Correla~o cruzada e autocorrela~o ca ca

Preliminares
u v ~ ~ k~ k k~ k u v

Considere ~ e ~ dois vetores e o angulo entre eles. Temos, u v ^ cos =

A medida que ~ se aproxima de ~ , o produto escalar ~ ~ se torna maior. u v u v Analogamente, tratamos com funoes. Sejam f e g duas funoes, o produto interno entre c~ c~ elas denido por: e Z t2 < f; g >= f (t) g(t)dt
t1

Assim, quanto mais semelhante forem f e g, maior o valor de < f; g >.

79

9.3.2

Deni~o ca

Sejam x = x(t) e y = y(t) sinais determinsticos. Denimos, a correlaao cruzada dos sinais c~ x e y por Z +1 Rxy ( ) = x(t)y(t + ) dt e a autocorrelaao do sinal x por c~ Rx ( ) = Z
1

+1

x(t)x(t + )dt

Observe que Rxy ( ) = Rxy ( ) e Rx ( ) = Rx ( ). Temos, F fRx ( )g = = = Z

+1 i!

e Z1 Z +1 Z1 +1
1

+1

x(t)x(t + )dtd
1

+1

ei! x(t)x(t + )ddt

+1

x(t)

1 Z

ei! x(t + )ddt

Fazendo u = t + =) du = d , temos: Z
+1 1

F fRx ( )g = OBS.

Z x(t)e dt
i!t

+1

e
1

i!u

x(u)du

= X(!)X(!) = X (!)X(!) =j X(!) j2 Z

+1

A convoluao entre as funoes f e g denida por (f g)(t) = c~ c~ e Sejam f(t) = x(t) e g(t) = x(t). Temos, Z
+1 1

f ()g(t )d .

(f g)(t) =

x( )x((t ))d =

+1 1

x()x( t)d =

+1

x( )x(t + )d = Rx (t)
1

9.4

Densidade espectral de pot^ncia para sinais aleatrios e o

Denimos a densidade espectral de pot^ncia de um processo estocstico x(t) como a mdia e a e das densidades espectrais de pot^ncia de todas as funoes amostra. e c~

80

Temos, j XT (!) j2 Sx (!) = lim E T !+1 T

c~ sendo XT (!) = F fx(t)GT (t)g, sendo G a funao porta de largura T .

9.5

Teorema - Sx(!) = F fRx( )g

Seja x(t) um processo estocstico estacionrio no sentido amplo. Vamos provar que Sx (!) = a a F fRx ( )g. Prova: Temos, j XT (!) j2 Sx (!) = lim E T !+1 T Mas, j XT (!) j
2

= XT (!)XT (!) = e xT (t1 )dt1 ei!t2 xT (t2 )dt2 1 1 Z T =2 Z T =2 Z T =2 Z T =2 i!t1 i!t2 = e x(t1 )dt1 e x(t2 )dt2 = ei!(t1 t2 )x(t1)x(t2)dt1 dt2 :
T =2 T =2 T =2 T =2

+1 i!t1

+1

E,

j XT (!) j2 lim E T !+1 T

Z Z 1 T =2 T =2 i!(t1 t2 ) = lim e E[x(t1 )x(t2 )]dt1 dt2 T !+1 T T =2 T =2 Z Z 1 T =2 T =2 i!(t1 t2 ) = lim e Rx (t1 t2 )dt1dt2 : T !+1 T T =2 T =2

Faamos = t1 t2 ) d = dt1 e, depois, t2 = t. Obtemos, assim, c

Z Z 1 T =2 (T =2)t i! Sx (!) = lim e Rx ( )d dt T !+1 T T =2 (T =2)t mudando a ordem de integraao c~ "Z Z # Z T Z (T =2) 0 T =2 1 = lim ei! Rx ( )dtd + ei! Rx ( )dtd T !+1 T 0 T =2 Z T (T =2) Z T 0 1 i! i! = lim e Rx ()(T + )d + e Rx ( )(T )d T !+1 T 0 Z TT Z T 1 = lim ei! Rx ( )(T j j)d = lim ei! Rx () 1 j j d T T !+1 T T Z!+1 T T
+1

Devemos observar que pot^ncia mdia de X(t) o seu segundo momento e dada por e e e e 81

Rx ( )ei! d = F fRx ( )g :

E[X (t)] = RX (0) = Temos,

+1 1

SX (!) d! : 2

RX ( ) = CX ( ) + m2 ) SX (!) = F fCX ()g + m2 2(!) X X Observe que mX a componente \dc"de X(t). e Para processos estocsticos conjuntamente estacionrios no sentido amplo, denimos a dena a sidade espectral cruzada por SXY (!) = F fRXY ()g, onde RXY () = E[X(t + )Y (t)].

82

Exemplos: (a) Sinal aleatrio de telgrafo o e \Considere um processo estocstico X(t) que assume apenas os valores 1. Suponha que a 1 X(0) = 1 com probabilidade e suponha que X(t) troque a polaridade com cada ocorr^ncia e 2 de um processo de Poisson a taxa ". 1 Podemos provar que a autocorrelaao desse processo dada por RX () = ej j . c~ e 2 Isto , as amostras de X(t) se tornam menos correlatas a medida que a diferena de tempo e c entre elas aumenta. Determine a densidade espectral de pot^ncia deste sinal. e (b) Considere o processo estocstico X(t) = acos(!0 t + ), sendo uma varivel aleatria a a o uniformemente distribuda em [0; 2]. Determine: (i) RX ( ) (ii) SX (!) (iii) A pot^ncia mdia do sinal e e (c) A densidade espectral de pot^ncia de um processo chamado de \processo de rudo e branco", estacionrio no sentido amplo, com componentes de freq^ncia limitadas em a ue ! dada por: e SX (!) = Determine: (i) A pot^ncia mdia do processo e e (ii) A funao autocorrelaao do processo c~ c~ (iii) A autocorrelaao do processo para = c~ (iv) A autocorrelaao quando ! +1. c~ 2k N0 ; ! 2

83

9.6

Resposta de sistemas lineares a sinais aleatrios o

Considere um sistema com sinal de entrada X(t) e sada Y (t) tal que Y (t) = T [X(t)]. Suponhamos que T seja uma transformaao linear e invariante no tempo. c~ Obs: Se T linear ent~o T [X1 + X2 ] = T [X1 ] + T [X2 ] e se T invariante no tempo e a e ent~o T [X(t s)] = Y (t s). a A resposta ao impulso deste sistema denida por h(t) = T [(t)] e a resposta a uma entrada e arbitrria X(t) dada por a e Z +1 Y (t) = h(t) X(t) = h(s)X(t s)ds 1 Z +1 = h(t s)X(s)ds
1

A funao resposta em freq^ncia dada por c~ ue e H(!) = F fh(t)g = Z

+1

h(t)ei!t dt

Um sistema dito causal se h(t) = 0 ; t < 0. e Se a entrada do sistema linear invariante no tempo for um processo estocstico X(t) ent~o a a Z +1 Z +1 Y (t) = h(s)X(t s)ds = h(t s)X(s)ds:
1 1

A mdia de Y (t) dada por e e Z

+1 1

E[Y (t)] = E

Z h(s)X(t s)ds =

+1 1

h(s)E[X(t s)]ds ) mY (t) = mX (t) h(t)

Devemos observar que se X(t) estacionrio no sentido amplo mY (t) = H(0)mX . e a A funao autocorrelaao de Y (t) (estacionrio no sentido amplo) dada por c~ c~ a e RY (t1 ; t2 ) = E[YZ(t1)Y (t2 )] = E[Y (t)Y (t + )] = Z
+1 +1

=E X(t s)h(s)ds X(t + r)h(r)dr 1 1 Z +1 Z +1 = h(s)h(r)E[X(t s)X(t + r)]drds = Z1 Z1 +1 +1 = h(s)h(r)RX ( + s r)dsdr

1 1

Considerando X(t) estacionrio no sentido amplo, RX depender s de e, conseqentea a o u mente, E[Y (t)Y (t + )] depender s de . a o 84

Como E[Y (t)] constante, conclu e mos que Y (t) estacionrio no sentido amplo. e a A densidade espectral de Y (t) dada por e Z +1 SY (!) = RY ()ej! d Z1 Z +1 Z +1 +1 = h(s)h(r)RX (u)ej!(us+r) dsdrdu Z +1 Z1 1 1 Z +1 +1 j!s j!r = h(s)e ds h(r)e dr RX (u)ej!u du = H *(!)H(!)SX (!) =j H(!) j2 SX (!)
1 1 1

Tambm, e

Z +1 RY X () = E[Y (t + )X(t)] = E X(t) X(t + r)h(r)dr 1 Z +1 Z +1 = E[X(t)X(t + r)]h(r)dr = RX ( r)h(r)dr = RX () h( )

1 1

E, SY X (!) = H(!)SX (!). Como RXY () = RY X (), temos:

SXY (!) = SY X (!) = H (!)SX (!)

RESUMO: (i) SX (!) = F fRX ( )g (ii) H(!) = F fh(t)g (iii) mY (t) = mX (t) h(t) (iv) SY (!) =j H(!) j2 SX (!) = H (!)H(!)SX (!)
(v) SXY (!) = SY X (!) = H (!)SX (!)

(vi) SY X (!) = H(!)SX (!) Exemplos: (a) Encontre a densidade espectral da sa de um sistema linear invariante no tempo,c da om funao resposta em freq^ncia H(!), cuja entrada um processo de ru branco, com c~ ue e do N0 densidade espectral de pot^ncia e . 2 85

Solu~o: ca N0 ; 8!. 2 N0 Assim, SY (!) =j H(!) j2 . 2 Temos, SX (!) = (b) Ache a funao resposta ao impulso de um ltro causal que pode ser usado para gerar c~ 2 j j um processo aleatrio gaussiano com funao autocorrelaao dada por RY ( ) = o c~ c~ . e 2 Solu~o: ca Temos, RY ( ) = E, SY (!) = 2 j j 2 e ) SY (!) = 2 2 + !2

1 2 ( + j!)( j!) 1 Consideramos H(!) = ) h(t) = et ; t 0. + j!

86

Cap tulo 10 Refer^ncias e

[1] Alberto Leon-Garcia, "Probability and Random Processes for Electrical Engineering", second edition, Addinson-Wesley Publishing Company, 1994. [2] B. P. Lathi, "Sistemas de Comunicaao", Editora Guanabara, 1979. c~ [3] Jos Paulo de Almeida e Albuquerque; Jos Mauro Pedro Fortes; Weiler Alves Finamore, e e "Modelos Probabil sticos em Engenharia Eltrica", apostila do CETUC - PUC-Rio. e [4] Athanasios Papoulis, "Probability, Random Variables, and Stochastic Processes", Ed. McGraw-Hill Series in Electrical Engineering.

87