PraticasdeEngenhariaEletricaII PDF

Universidade Presbiteriana Mackenzie
Curso de Engenharia Eletrica
Praticas de Engenharia Eletrica II
Notas de Aula
Prof. Marcio Eisencraft
Primeiro semestre de 2006

Prticas de Engenharia Eltrica 2 Aula 1 Professor Marcio Eisencraft julho 2005
Universidade Presbiteriana Mackenzie

Prticas de Engenharia Eltrica II
Professor Marcio Eisencraft (marcioft@mackenzie.com.br)
2 semestre 2005
1. Objetivos
Apresentar uma introduo modelagem de sinais e sistemas atravs de
variveis aleatrias e processos estocsticos. Estes conceitos so muito im-
portantes para o Engenheiro Eltrico atual sendo aplicado em diversas -
reas como:
o Telecomunicaes;
o Automao e Controle (Controle estocstico)
o Projeto e dimensionamento de redes de computadores
o Projeto e dimensionamento de redes de Distribuio de energia
o Estudos de Engenharia biomdica
o Mercados financeiros.
2. Metodologia das aulas

Aulas expositivas utilizando transparncias e quadro negro.
3. Contedo programtico
O curso abordar:
1. Probabilidades (PEEBLES, 1993; p. 1-38)
2. A Varivel Aleatria (PEEBLES, 1993; p.39-74).
3. Operaes sobre uma varivel Esperana (PEEBLES, 1993; pp. 75-99).
4. Mltiplas variveis aleatrias (PEEBLES, 1993; p. 100-133).
5. Operaes sobre mltiplas variveis (PEEBLES, 1993; p. 134-162).
1
6. Processos aleatrios (PEEBLES, 1993; p. 163-198).
4. Avaliao
A mdia do aluno ser formada por trs provas (P1, P2 e PAF).
A mdia final ser calculada como:
P1 + P 2 + 2 PAF
MF =
4
As provas sero realizadas no horrio das aulas nos seguintes dias:
PROVA Turma 10F (5 feira) Peso
P1 22/09 Peso 1
P2 27/10 Peso 2
PAF A ser definida Peso dois
5. Bibliografia
As notas de aula do curso esto organizadas aula a aula e esto disponveis
na pgina do curso http://meusite.mackenzie.com.br/marcioft/.
Livros que sero usados durante o semestre:
COSTA NETO, P. L. O. Probabilidades: resumos tericos, exerccios re-

solvidos, exerccios propostos [por] Pedro Luiz de Oliveira Neto [e] Mel-
vin Cymbalista. So Paulo: Edgard Blcher, 1993.
DEVORE, J. L. Probability and Statistics for Engineering and the

Sciences, 6th edition, New York: Duxbury, 2003.
HSU, H. Schaums outline Theory and Problems of Probability, random
variables, and random processes, New York: McGraw-Hill, 1997.
2
HSU, H. Schaums outline Theory and Problems of Analog and Digital

Communications. 2nd edition, New York: McGraw-Hill, 2003.
KAY, S. M. Fundamentals of Statistical Signal Processing: Estimation

Theory. New Jersey: Prentice Hall, 1993.
LATHI, B. P. Modern Digital and Analog Communication Systems, 3rd

edition, New York: Oxford University, 1998.
MONTGOMERY, D. C. Estatstica aplicada e probabilidade para enge-

nheiros, 2 edio, Rio de Janeiro: LTC, 2003.
PAPOULIS, A.; PILLAI, U. Probability, random variables and stochastic

processes. 4th edition, New York: McGraw-Hill, 2002.
PEEBLES, P. Z. Probability, random variables and random signal prin-

ciples. 3rd edition, New York: McGraw-Hill, 1993.
5. Exemplos de questes a serem debatidas no curso

1. (PEEBLES, 1993; p.69) A central de um sistema de intercomunicao pro-
v msica para seis quartos de um hospital. A probabilidade de que cada
quarto seja ativado e consuma potncia a qualquer instante 0,4. Quando
ativado, o quarto consome 0,5W.
(a) Encontre e faa um grfico das funes distribuio e densidade para a va-
rivel aleatria potncia fornecida pela central.
3
(b) Se o amplificador da estao principal fica sobrecarregado quando mais do

que 2W necessrio, qual a probabilidade de sobrecarga?
2. A potncia refletida por uma aeronave com um formato complexo rece-

bida por um radar e pode ser descrita por uma varivel aleatria exponen-
cial P . A densidade de P , portanto,
1 PP
e 0, P>0
f P (P ) = P0

0 , caso contrrio
em que P0 o valor mdio da potncia recebida. Em um instante particular, P

pode ter um valor diferente do seu valor mdio. Qual a probabilidade de que a
potncia recebida seja maior do que o seu valor mdio?
3. Uma tenso aleatria X tem densidade gaussiana segundo

( x a X )2

f X (x ) =
1 2 X2
e
2 X2
Esta tenso aplicada a um amplificador linear que gera em sua sada a tenso
Y = T ( X ) = aX + b . Determine a funo densidade de probabilidade de Y , f Y ( y ) .
4. (PEEBLES, 1993; p.173) Num sistema de controle, sabe-se que uma ten-
so aleatria X tem mdia X = m1 = 2 V e momento de segunda ordem
2
X 2 = m2 = 9 V . Se a tenso X amplificada por um amplificador que for-
nece como sada Y = 1,5 X + 2 encontre X2 , Y , Y 2 , Y2 e R XY .

5. (HSU, 2003; p. 149) Todos os dispositivos e mquinas produzidos falham
mais cedo ou mais tarde. Se a taxa de falha constante, o tempo at uma
4
falha T modelado por uma varivel aleatria exponencial. Suponha que

se descobriu que uma classe particular de chips de memria para computa-
dores tem uma lei de falha exponencial dada por:
fT (t ) = ae at u (t ) ,
com t em horas.
(a) Medidas mostraram que a probabilidade de que o tempo de falha exceda
104 horas para chips desta classe de e 1 ( 0,368 ). Calcule o valor do parme-
tro a para este caso.
(b) Usando o valor do parmetro a determinado na parte (a), calcule o tempo
t 0 tal que a probabilidade de que o tempo de falha seja menor do que t 0 seja
de 0,05.
6. (PEEBLES, 1993; p. 71) Uma linha de produo fabrica resistores de

1000 que devem satisfazer uma tolerncia de 10%.
(a) Se a resistncia descrita adequadamente por uma varivel aleatria gaus-
siana X com a X = 1000 e x = 40 , qual frao de resistores espera-se que
seja rejeitada?
(b) Se a mquina no est ajustada corretamente, os resistores produzidos pas-
sam a ter a X = 1050 (5% de erro). Qual frao ser rejeitada agora?
7. (GIROD et al., 2003; p. 224) A figura a seguir mostra dois processos alea-
trios A e B que possuem valores esperados idnticos. Porm, as funes-
amostra do processo A variam mais lentamente no tempo do que as do
processo B . O que pode se esperar das funes de autocorrelao dos pro-
cessos A e B ?
5
6
Aula 2 - Probabilidades - Definio

Bibliografia
PEEBLES, P. Z. Probability, random variables and random signal principles. 3rd edition, New York:
McGraw-Hill, 1993.
LATHI, B. P. Modern Digital and Analog Communication Systems, 3rd edition, New York: Oxford Uni-
versity, 1998.
1. Probabilidades
1.0. Introduo ao curso e ao captulo
Os objetivos principais deste curso so introduzir os princpios de sinais
aleatrios e prover as ferramentas atravs das quais pode-se lidar com sis-
temas envolvendo tais sinais.
Para chegar a esses objetivos, talvez a primeira coisa que deve ser feita
definir o que um sinal aleatrio:

Sinal aleatrio (ou randmico) uma forma de onda que pode ser caracteri-
zada apenas de uma maneira probabilstica. Em geral, pode ser uma forma de
onda desejada ou no.
Exemplos:
O rudo de fundo ouvido quando escutamos uma rdio. A forma de onda
causadora do rudo, se observada em um osciloscpio, apareceria como
uma tenso flutuando aleatoriamente com o tempo. Ela indesejvel j que
interfere com nossa habilidade de ouvir o programa de rdio e chamada
de rudo.
Num sistema de televiso, o rudo aparece na forma de interferncia de i-
magem, freqentemente chamada de snow.
Num sistema sonar, sons do mar gerados de forma aleatria geram rudos
que interferem com os ecos desejados.
1
Bits em uma comunicao entre computadores parecem flutuar aleatoria-

mente com o tempo entre os nveis zero e um gerando um sinal aleatrio.
A sada de tenso em um gerador elico aleatria por cauda da variao
randmica da velocidade do vento.
A tenso de um detector solar varia aleatoriamente devido imprevisibili-
dade das condies das nuvens e do tempo.
A tenso de um analisador de vibrao acoplado a um carro dirigido sobre
um terreno irregular
Para definir precisamente as caractersticas de um sinal aleatrio precisa-
mos dos conceitos da teoria das probabilidades.
1.1. Definies de conjuntos

Um conjunto uma coleo de objetos. Os objetos so chamados de ele-
mentos do conjunto.
Existem dois modos para especificar os elementos de um conjunto:
o mtodo tabular todos os elementos so enumerados explicita-
mente. Exemplo: {6; 7; 8; 9} .
o mtodo da regra o contedo do conjunto determinado por uma
regra. Exemplo: {inteiros entre 5 e 10}.
Um conjunto dito enumervel se seus elementos podem ser postos em
correspondncia 1-a-1 (biunvoca) com os nmeros naturais. Caso contr-
rio ser no-enumervel.
Um conjunto dito vazio ( ) se no possui elementos.
Um conjunto finito aquele que contm um nmero finito de elementos.
Caso contrrio ser infinito.
Dois conjuntos, A e B, so disjuntos ou mutuamente exclusivos se no tm
nenhum elemento em comum.
2
Exerccios
1. Os conjuntos a seguir representam os possveis valores que podem ser ob-
tidos na medio de certa corrente:
A = {1; 3; 5; 7} D = {0}
B = {1; 2; 3; } E = {2; 4; 6; 8; 10; 12; 14}
C = {0,5 < c 8,5} F = { 5 < f 12}
Determine se so finitos ou no, enumerveis ou no e especificados de forma

tabular ou por regra.
2. Ainda com relao aos conjuntos do exerccio anterior, diga se verdadei-

ro ou falso:
(a) A B (d) C F
(b) A C (e) D F
(c) A F (f) E B
3. Escreva todos os pares de conjuntos que so mutuamente exclusivos.
o O conjunto que contm todos os objetos em discusso chamado de con-

junto universo ( S ).
Exerccio
4. Suponha que se considere o problema de jogar um dado. Estamos interes-
sados nos nmeros que aparecem na face superior. Pede-se:
(a) Escreva o conjunto universo S de todos os resultados possveis.
(b) Num jogo, suponha que uma pessoa ganhe se sair um nmero mpar. Es-
creva o conjunto A dos resultados que interessam a esta pessoa.
3
(c) Suponha que uma outra pessoa vence se sair um nmero menor ou igual a
4. Escreva o conjunto de todos os resultados que interessam a esta pessoa.
(d) Quantos subconjuntos de S existem?
1.2. Operaes com conjuntos

Igualdade e diferena
o Dois conjuntos A e B so iguais se todos os elementos de A esto presen-
tes em B e vice-versa.
o A diferena de dois conjuntos A B o conjunto contendo todos os ele-
mentos de A que no esto em B .
Unio e interseco
o A unio de dois conjuntos ( A B ) o conjunto de todos os elementos per-
tencentes a A , B ou ambos.
o A interseco de dois conjuntos ( A B ) o conjunto de elementos comuns
a A e B . Se A e B forem mutuamente exclusivos, A B = .
Complemento
o O complemento de um conjunto A , denotado por A o conjunto de todos
os elementos que no esto em A .
Exerccio
5. Dados os conjuntos:
S = {1 inteiros 12} B = {2; 6; 7; 8; 9; 10; 11}
A = {1, 3, 5, 12} C = {1; 3; 4; 6; 7; 8}
pede-se:
(a) A B (d) A B (g) A
(b) A C (e) A C (h) B
(c) B C (f) B C (i) C
4
lgebra de conjuntos
o Valem as propriedades comutativa, distributiva e associativa para unio e
interseco.
1.3. Probabilidade introduzida atravs de conjuntos

Experimentos e espaos amostrais
o Espao amostral: conjunto de todos os possveis resultados de um experi-
mento. Smbolo: S .
Espaos amostrais discretos e contnuos

o O espao amostral dito discreto se S enumervel. O espao amostral
dito contnuo se S no-enumervel.
Eventos
o Um evento definido como um subconjunto do espao amostral. Como um
evento um conjunto, todas as definies e operaes anteriores aplicadas
a conjuntos se aplicam a eventos. Por exemplo, se dois eventos no tm re-
sultados comuns eles sero mutuamente exclusivos.
Definio de probabilidade e axiomas

o A cada evento definido no espao amostral S associa-se um nmero no
negativo chamado de probabilidade. A probabilidade , portanto uma fun-
o; uma funo dos eventos definidos. Adota-se a notao P( A) para a
probabilidade do evento A .
o A probabilidade deve satisfazer os seguintes axiomas para quaisquer even-
tos definidos num espao amostral S :
5
Axioma um: P ( A) 0
Axioma 2: P (S ) = 1
N
N
Axioma trs: P An = P( An ) se Am An =
n =1 n =1
Modelo matemtico de experimentos

o Para resolver problemas de probabilidades so necessrios 3 passos:
(1) estabelecimento do espao amostral
(2) definio dos eventos de interesse
(3) associar probabilidade aos eventos de forma que os axiomas sejam satisfei-
tos
Exerccio
6. Um experimento consiste em observar a soma dos nmeros que saem
quando dois dados so jogados. Determine a probabilidade dos seguintes
eventos:
(a) A = {soma = 7}
(b) B = {8 < soma 11}
(c) C = {10 < soma}
7. [PEEBLES, p. 30] Um dado jogado. Encontre a probabilidade dos even-

tos A = {um nmero mpar obtido} , B = {um nmero maior do que 3 obtido} , A B
e A B.
6
Aula 3 - Probabilidade conjunta e condicional

Independncia estatstica
Bibliografia
McGraw-Hill, 1993. Pginas 13 35.
versity, 1998. Pginas 439 445.
1.4. Probabilidade conjunta e condicional

Probabilidade conjunta
P( A B ) chamada de probabilidade conjunta para dois eventos A e B
que se interceptam no espao amostral.

Estudando um diagrama de Venn, obtm-se:
P ( A B ) = P ( A ) + P (B ) P ( A B ) P ( A) + P (B ) .
Portanto,
P ( A B ) = P ( A) + P ( B ) P ( A B )
Para eventos mutuamente exclusivos, P( A B ) = e P( A) + P(B ) = P( A B ) .

Probabilidade condicional
Dado um evento B com probabilidade no-nula, define-se a probabilidade
condicional de um evento A , dado B , como:
P( A B )
P(A B ) =
P (B )
1
Exerccio
1. Em uma caixa existem 100 resistores tendo a resistncia e a tolerncia
mostradas na tabela a seguir:
Figura 1 Resistores em uma caixa (PEBLES, 1993).
Considere que um resistor selecionado da caixa e assuma que cada resistor

tem a mesma possibilidade de ser escolhido. Defina trs eventos: A como se-
lecionar um resistor de 47, B como selecionar um resistor com tolerncia
de 5% e C como selecionar um resistor de 100. A partir da tabela, de-
termine as seguintes probabilidades:
(a) P( A) (b) P(B ) (c) P(C ) (d) P( A B ) (e) P( A C )
(f) P(B C ) (g) P(A B ) (h) P(A C ) (i) P(B C )
Probabilidade Total
Dado N eventos mutuamente exclusivos Bn , n = 1, 2, , N , cuja unio
seja o espao amostral S , a probabilidade de qualquer evento A pode ser
escrita como:
2
P ( A) = P (A Bn )P (Bn )
N
n =1
Figura 2 N eventos mutuamente exclusivos Bn e A (PEEBLES, 1993).
Teorema de Bayes
O Teorema de Bayes, um dos mais importantes e usados na rea de proba-
bilidades e na teoria de estimao estabelece que:
P( A Bn )P(Bn )
P(B n A) =
P ( A) .
Usando a probabilidade total,
3
P( A Bn )P(Bn )
P (B n A) =
P( A B1 )P(B1 ) + P ( A B2 )P(B2 ) + + P( A BN )P(BN )
.
As probabilidades P(Bn ) so geralmente chamadas de probabilidades a
priori j que so aplicadas a eventos antes de ocorrer o experimento.
As probabilidades P(Bn A) so chamadas de a posteriori j que elas se apli-
cam quando um evento A obtido.
Exerccio
2. Um sistema de comunicao binrio elementar consiste de um transmissor
que envia um de dois smbolos possveis (1 ou 0) sobre um canal para o re-
ceptor. O canal ocasionalmente causa erros de forma que um 1 detectado
quando foi transmitido um zero e vice-versa.
O espao amostral tem dois elementos (0 ou 1). Denota-se por Bi , i = 1, 2 ,
como os eventos o smbolo antes do canal um e o smbolo antes do
canal zero, respectivamente. Alm disso, define-se Ai , i = 1, 2 , como os
eventos o smbolo depois do canal um e o smbolo depois do canal
zero, respectivamente.
Assume-se que as probabilidades de que os smbolos um e zero sejam sele-
cionados para transmisso sejam P(B1 ) = 0,6 e P(B2 ) = 0,4 .
O seguinte diagrama mostra as probabilidades condicionais que descrevem
o efeito que o canal tem sobre os smbolos transmitidos:
4
Figura 3 Sistema de comunicao binrio simtrico [PEEBLES].
Pede-se:
(a) as probabilidades de se receber um um e de receber um 0 P( A1 ) e P( A2 ) .
(b) as probabilidades de acerto de bit P(B1 A1 ) e P(B2 A2 ).
(c) as probabilidades de erro de bit P(B2 A1 ) e P(B1 A2 ) .
1.5. Eventos independentes

Sejam dois eventos A e B tais que P( A) 0 e P(B ) 0 . Dizemos que estes
eventos so estatisticamente independentes se a probabilidade de ocorrn-
cia de um evento no afeta a ocorrncia do outro evento. Matematicamen-
te, temos:
P ( A B ) = P( A) e P (B A) = P(B )
Por substituio no teorema de Bayes, temos que, para eventos estatistica-

mente independentes,
5
P ( A B ) = P ( A) P ( B )
Cuidado: no confundir independncia estatstica com eventos mutuamente
exclusivos. Dois eventos serem independentes significa que a ocorrncia de
um no depende, no influenciado, pela ocorrncia do outro. Dois even-
tos serem mutuamente exclusivos significa que um no pode ocorrer se ou-
tro ocorreu.
Em suma,
A e B Independentes: P( A B ) = P( A) P(B )
A e B mutuamente exclusivos: P( A B ) = 0
Pelas definies, dois eventos no podem ser simultaneamente independen-

tes e mutuamente exclusivos.
Exerccios
3. Em um experimento, uma carta selecionada de um conjunto comum de
52 cartas. Defina os eventos A como selecionar um rei, B como sele-
cionar um valete ou uma rainha e C selecionar uma carta de copas.
Pede-se:
(a) Determine P( A) , P(B ) e P(C ) .
(b) Determine as probabilidades conjuntas P( A B ) , P(B C ) e P( A C ) .
(c) Determine se os pares A e B , A e C e B e C so estatisticamente inde-
pendentes ou no.
4. Considere a retirada de quatro cartas de um conjunto com 52 cartas. Sejam

os eventos A1 , A2 , A3 , A4 definidos como a retirada de um s na primei-
6
ra, segunda, terceira e quarta tentativas. Determine a probabilidade conjun-

ta P( A1 A2 A3 A4 ) (ou seja, retirar quatro ases seguidos) nos seguintes
casos:
(a) cada carta recolocada no baralho aps ser retirada.
(b) as cartas retiradas no so retornadas ao baralho.
Em qual dos dois experimentos os eventos A1 , A2 , A3 , A4 so independen-
tes?
1.6. Tentativas de Bernoulli

Problema: Seja A com P( A) = p um evento elementar tendo um de dois
possveis resultados como elemento. Deseja-se repetir esse experimento N
vezes e determinar a probabilidade do evento A ser observado k vezes
nessas N tentativas. Esse experimento chamado de tentativas de Ber-
noulli (Bernoulli trials).
Pode-se mostrar que:
N
P( A ocorrer exatamente k vezes) = p k (1 p ) ,
N k
k
N N!
com = .
k k!( N k )!
Quando N muito grande, uma aproximao para a frmula acima a a-
proximao de De Moivre-Laplace:
(k Np )2
P( A ocorrer exatamente k vezes) =
1
exp
2Np(1 p ) 2 Np (1 p )
7
Exerccios
5. Um submarino deseja afundar um porta-avies. Ele ter sucesso apenas se
dois ou mais torpedos atingirem a embarcao. Se o submarino dispara trs
torpedos e a probabilidade de cada torpedo atingir o alvo 0,4, qual a pro-
babilidade do porta-avies naufragar?
6. Em uma cultura usada para pesquisa biolgica, o crescimento inevitvel de

bactrias ocasionalmente estraga os resultados de um experimento que re-
quer pelo menos trs de quatro culturas no estejam contaminadas para se
obter um ponto de dado. Experincias mostram que cerca de 6 em cada 100
culturas so aleatoriamente contaminadas por bactrias.
Se um experimento requer trs pontos de dados, encontre a probabilidade
de sucesso para um conjunto de 12 culturas (trs pontos de dados usando
quatro culturas cada).
7. Suponha que certa arma automtica dispara balas por 3 segundos a uma
taxa de 2400 por minuto e que a probabilidade de acertar um alvo seja 0,4.
Encontre a probabilidade de que exatamente 50 balas atinjam o alvo. (Use
a aproximao de De Moivre-Laplace).
8. (PEEBLES, 1993; p. 32) Uma companhia vende amplificadores de alta fi-

delidade capazes de gerar potncias de 10, 25 e 50W. Ela tem em mos 100
unidades de 10W das quais 15% so defeituosas, 70 unidades de 25W dos
quais 10% so defeituosos e 30 dos de 50W dos quais 10% so defeituosos.
(a) Qual a probabilidade de que um amplificador vendido entre os de 10W
seja defeituoso?
8
(b) Se cada amplificador de potncia vendido com mesma probabilidade,

qual a probabilidade de uma unidade selecionada aleatoriamente ser de
50W e defeituoso?
(c) Qual a probabilidade de uma unidade aleatoriamente selecionada para
venda ser defeituosa?
9
Prticas de Engenharia Eltrica 2 Aula 4 Professor Marcio Eisencraft agosto 2005
Aula 4 - Variveis aleatrias

Funes densidade e distribuio
Bibliografia
2. A varivel aleatria
2.0. Introduo
Neste captulo introduzido um conceito que permite definir eventos de
uma forma mais consistente. Este novo conceito o de variveis aleatrias
e se constitui em uma poderosa ferramenta na soluo de problemas proba-
bilsticos prticos.
2.1. O conceito de varivel aleatria

Definio de uma varivel aleatria
Define-se uma varivel aleatria real como uma funo real dos elementos
de um espao amostral S .
Representa-se uma varivel aleatria por letras maisculas (como W , X ou
Y ) e um valor particular que ela assume por letras minsculas (como w , x
ou y ).
Assim, dado um experimento definido pelo espao amostral S com ele-
mentos s , atribui-se a cada s o nmero real X (s ) de acordo com alguma
regra e diz-se que X (s ) uma varivel aleatria.
Variveis aleatrias contnuas e discretas

Uma varivel aleatria discreta se possui apenas valores discretos.
1
Uma varivel aleatria contnua se abrange um contnuo de valores.
Exerccios
1. Um experimento consiste em jogar um dado e uma moeda. Considere uma
varivel aleatria X tal que: (1) uma cara (H) corresponde a valores positi-
vos de X que so iguais aos nmeros que aparecem no dado e (2) uma co-
roa (T) corresponde a valores negativos de X cuja magnitude o dobro do
nmero que aparece no dado. Pede-se:
(a) Represente o espao amostral deste experimento;
(b) Para cada evento s deste espao amostral, determine X (s ) .
2. Um espao amostral definido pelo conjunto S = {1; 2; 3; 4} sendo as
probabilidades de seus elementos P(1) = , P(2) = e P(3) = . Definin-

4 3 7
24 24 24
do a varivel aleatria X = X (s ) = s 3 , calcule as probabilidades:
(a) P{X = 1} (b) P{X = 8} (c) P{X = 27} (d) P{X = 64}
3. Suponha que a temperatura de uma localidade seja modelada como uma

varivel aleatria contnua T que se sabe encontrar entre -5C e 35C. A-
lm disso, considere que todos os valores { 5 t 35} so igualmente pro-
vveis. Calcule:
(a) P{T 10} (b) P{5 T 20} (c) P{T = 10}
2.2. Funo distribuio

A probabilidade P{X x} a probabilidade do evento {X x}. um nme-
ro que depende de x . Esta funo, denotada por FX (x ) , chamada de fun-
2
o distribuio de probabilidade cumulativa da varivel aleatria X . As-

sim,
FX ( x ) = P{X x}
Freqentemente, FX (x ) chamada de funo distribuio de X . O argu-

mento x qualquer nmero real entre e .
Propriedades:
(1) FX ( ) = 0
(2) FX ( ) = 1
(3) 0 FX 1
(4) FX ( x1 ) FX ( x2 ) se x1 < x2
(5) P{x1 < X x2 } = FX (x2 ) FX (x1 )
Exerccios
4. Considere que X assuma valores discretos no conjunto
{ 1; 0,5; 0,7; 1,5; 3} . As probabilidades correspondentes so
{0,1; 0,2; 0,1; 0,4; 0,2} . Determine e faa um grfico de FX (x ) .
2.3. Funo Densidade

A funo densidade de probabilidade f X (x ) definida como a derivada da
funo de distribuio:
dFX ( x )
f X (x ) =
dx
3
Freqentemente, chama-se f X (x ) apenas de funo densidade da varivel

aleatria X .
Existncia
f X ( x ) existe desde que a derivada de FX ( x ) exista. No caso de variveis
aleatrias discretas, pode ser necessria a utilizao de funes impulso

du (x )
(x ) = para sua representao.
dx
Propriedades da funo densidade
(1) 0 f X ( x ) para todo x

(2) f (x )dx = 1

X
(3) FX ( x ) = f ( )d
X

x2
(4) P{x1 < X < x 2 } = f (x )dx

X
x1
Exerccios
5. A tenso contnua X sobre um capacitor uma varivel aleatria cuja fun-
o densidade g X (x ) dada na figura a seguir:
4
Figura 2 Funo densidade triangular (PEEBLES, 1993).
(a) Determine a para que g X (x ) seja uma funo densidade.

(b) Para o valor de a do item anterior, determine e esboce G X (x ) .
6. Suponha que uma tenso aleatria X tenha a densidade de probabilidade

1 1
triangular do exerccio anterior com x0 = 8 , = 5 e a = = . Determine a
5
probabilidade P{4,5 < X 6,7}.
7. A quantidade acessos normalizada a um servidor durante um dia descrita

por uma varivel aleatria X que tem distribuio:
x
2
FX ( x ) = u ( x )1 e b

Determine a funo densidade f X (x ) .
8. (PEEBLES, 2001, p.69) A central de um sistema de intercomunicao

prov msica para seis quartos de um hospital. A probabilidade de que ca-
5
da quarto seja ativado e consuma potncia a qualquer instante 0,4. Quan-

do ativado, o quarto consome 0,5W.
(a) Encontre e faa um grfico das funes distribuio e densidade para a
varivel aleatria potncia fornecida pela central.
(b) Se o amplificador da estao principal fica sobrecarregado quando mais
do que 2W necessrio, qual a probabilidade de sobrecarga?
6
Aula 5 - Exemplos de funes densidade e distribuio

Bibliografia
PEEBLES, P. Z. Probability, random variables and random signal principles. 4 edio, McGraw-Hill,
2001. Pginas 51 65.
LATHI, B. P. Modern Digital and Analog Communication Systems, 3 edio, Oxford University Press,
1998. Pginas 452 463.
2. 4. A varivel aleatria gaussiana.

Uma varivel aleatria X chamada de gaussiana se sua funo densidade
de probabilidade tem a forma
( x a x )2
f X (x ) =
1 2 x2
e
2 x2
em que x > 0 e < a x < so constantes reais.
A densidade gaussiana a mais importante de todas as densidades e apare-
ce praticamente em todas as reas da cincia e da Engenharia.
Esta importncia vem de sua descrio precisa de muitas quantidades prti-
cas e significado no mundo real, especialmente as quantidades resultantes
de muitos efeitos aleatrios pequenos que se somam agindo para criar a
quantidade de interesse.
A funo distribuio dada por:
x ( a x )2
FX (x ) =
1
e
2 x2
d
2 2
x
.
Esta integral no tem forma fechada conhecida. Para obter FX (x ) , define-

se:
1
x 2

F (x ) =
1
2
e

2
d .
Com esta definio,
x ax
FX ( x ) = F
x
A funo F (x ) ou a funo Q(x ) = 1 F (x ) so tabeladas e podem ser encon-

tradas em muitos livros para x 0 . Para x < 0 , usa-se F ( x ) = 1 F (x ) .
Figura 1 Valores tabelados de F (x ) [PEEBLES].

2
Exerccios
1. A relao sinal-rudo no canal de um sistema de comunicaes dada em dB
pode ser aproximada por uma varivel aleatria gaussiana tendo a x = 3 e
x = 2 . Encontre a probabilidade do evento {X 5.5}.
2. Assuma que a altura das nuvens sobre o solo em um determinado local

uma varivel aleatria gaussiana X com a x = 1830 m e x = 460 m. Encontre
a probabilidade de que uma nuvem esteja a uma altura superior a 2750m.
3. Seja uma varivel aleatria gaussiana para a qual a x = 7 e X = 0,5 . Encon-
tre a probabilidade do evento {X 7,3}.
2.5. Outros exemplos de distribuies e densidades

Binomial
Para 0 < p < 1 e N = 1, 2, ento a funo
N
N
f X ( x ) = p k (1 p ) (x k )
k
k =0 k
chamada de funo densidade binomial.

A densidade binomial pode ser aplicada aos experimentos de Bernoulli.
aplicada a muitos problemas de deteco em radar e sonar e muitos expe-
rimentos tendo apenas dois possveis resultados.
Integrando, obtm-se a funo distribuio binomial:
N
N
FX ( x ) = p k (1 p ) u (x k ) .
k
k =0 k
A figura a seguir ilustra as funes densidades e distribuio binomial para

N = 6 e p = 0,25 .
3
Figura 2 Exemplo de densidade e distribuio binomial [PEEBLES].
Poisson
Densidade e distribuio dadas por:

bk
f X (x ) = e (x k )
b
k = 0 k!

bk
FX ( x ) = e u ( x k )
b
k = 0 k!
em que b > 0 uma constante positiva.

Caso limite em que N e p 0 da distribuio binomial com Np = b .
Usada para descrever nmero de unidades defeituosas numa linha de pro-
duo, o nmero de chamadas telefnicas feitas durante um perodo de
4
tempo, o nmero de eltrons emitidos de uma pequena poro de um cto-

do num intervalo de tempo.
Se o intervalo de tempo de interesse tem durao T e os eventos sendo
contados ocorrem a uma taxa , ento b dado por:
b = T
Exerccio
4. Assuma que a chegada de carros num posto de gasolina uma distribuio
de Poisson e ocorrem a uma taxa mdia de 50/h. O posto tem apenas uma
bomba. Assumindo que todos os carros necessitam de 1 minuto para abas-
tecer, qual a probabilidade de que uma fila se forme na bomba?
Uniforme
A densidade de probabilidade uniforme e a sua funo de transferncia so
definidas por:
1
, a xb
f X (x ) = b a
0, caso contrrio
0, x<a
x a

FX ( x ) = , a x<b
b a
1, xb
para constantes reais < a < e b > a .
5
Figura 3 Funes densidade e distribuio uniforme [PEEBLES].
Aplicao importante: quantizao de sinais amostrados precedente codi-

ficao em sistemas de comunicaes digitais erro introduzido por arre-
dondamentos so distribudos uniformemente.
Exponencial
As funes distribuio e densidade so:
1 ( x b a )
e , x>a
f X (x ) = b
0, x<a

( xa )

FX (x ) = 1 e , x>a
b
0, x<a
para nmeros reais < a < e b > 0 .
6
Figura 4 Densidade e distribuio exponencial [PEEBLES].
Aplicaes: descrio do tamanho das gotas de chuva, flutuao da inten-

sidade de um sinal de radar recebido da reflexo de certas aeronaves.
Exerccio
5. A potncia refletida por uma aeronave com um formato complexo rece-
bida por um radar e pode ser descrita por uma varivel aleatria exponen-
cial P . A densidade de P , portanto,
1 PP
e 0, P>0
f P (P ) = P0

0 , caso contrrio
7
em que P0 o valor mdio da potncia recebida. Em um instante particular, P

pode ter um valor diferente do seu valor mdio. Qual a probabilidade de que a
potncia recebida seja maior do que o seu valor mdio?
Rayleigh
As funes densidade e distribuio de Rayleigh so
2
( xa ) 2
( x a )e b , xa
f X (x ) = b
0 x<a
,
( x a ) 2
1 e b ,
FX ( x ) = xa
0 , x<a
para constantes reais < a < e b > 0 .
Figura 5 Funes densidade e distribuio de Rayleigh [PEEBLES].
8
Aplicaes: descreve a envoltria de um tipo de rudo quando passa por um

filtro passa-faixas. Tambm importante na anlise de erros em vrios sis-
temas de medio.
Exerccio
6. O valor x = x0 tal que P{X x0 } = P{X > x0 } chamado de mediana de uma
distribuio. Determine a mediana de uma distribuio de Rayleigh.
7. [PEEBLES, p.72] Uma tenso aleatria gaussiana X para o qual a X = 0 e

X = 4,2 V aparece atravs de um resistor de 100 com uma potncia m-
xima tolervel de 0,25W. Qual a probabilidade de que esta tenso cause

uma potncia instantnea que exceda a mxima do resistor?
9
Prticas de Engenharia Eltrica 2 Aula 7 Professor Marcio Eisencraft setembro 2005
Aula 7 - Questes da Prova P1
1. (SOARES NETO; CYMBALISTA, 1974) Um mtodo A de diagnstico de certa en-

fermidade d resultados positivos para 80% dos portadores da enfermidade e para 10%
dos sos. Um mtodo B de diagnstico da mesma enfermidade d positivo para 70%
dos portadores e para 5% dos sos. Se 15% da populao so portadores da dita enfer-
midade, calcular a probabilidade:
(a) (1,0) de uma pessoa fornecer resultado positivo pelos dois mtodos.
(b) (1,5) de, entre duas pessoas enfermas, pelo menos uma fornecer resultado positivo por
algum mtodo.
2. (SOARES NETO; CYMBALISTA, 1974) Considere dois eventos A e B tais que:
P ( A) = P(B A) = P(A B ) =
1 1 1
; ; .
4 2 4
(a) (1,0) Os eventos A e B so mutuamente exclusivos? Justifique.
(b) (0,5) Os eventos A e B so independentes? Justifique.
( )
(c) (1,0) Calcule P A B , P (A B ) + P ( A B ) e P A B . ( )
3. (HSU, 1996) Seja X uma varivel aleatria contnua com funo densidade de proba-
bilidade:
kx, 0 < x <1
f X (x ) = .
0, caso contrrio
em que k uma constante.
(a) (0,5) Determine o valor de k e esboce f X ( x ) .
(b) (1,0) Encontre e esboce a funo distribuio de probabilidade correspondente.
1
(c) (1,0) Encontre P < X 2 .
4
4. (SOARES NETO; CYMBALISTA, 1974) (2,5) No circuito abaixo igualmente prov-

vel que a chave seletora esteja nas posies A ou B , bem como que os interruptores
1
Prticas de Engenharia Eltrica 2 Aula 7 Professor Marcio Eisencraft setembro 2005
P , Q , R , S e T estejam abertos ou fechados. Calcular a probabilidade de que a lm-

pada esteja acesa. Se a lmpada est acesa, qual a probabilidade de que a chave seletora
esteja na posio A ?
2
Prticas de Engenharia Eltrica 2 Aula 8 Professor Marcio Eisencraft outubro 2005
Aula 8 - Valor esperado e varincia

Bibliografia
3. Operaes sobre uma varivel aleatria Valor esperado

3.0. Introduo
Introduziremos neste captulo algumas operaes importantes que podem
ser realizadas sobre uma varivel aleatria.
3.1. Valor esperado

Valor esperado o nome dado ao processo de tomar uma mdia quando
uma varivel aleatria est envolvida.
Para uma varivel aleatria X , usa-se a notao E [X ], que pode ser lida
como a esperana matemtica de X , o valor esperado de X , o valor
mdio de X ou a mdia estatstica de X .
Ocasionalmente, usa-se a notao X que lida da mesma forma que E [X ],
ou seja, X = E [X ].
Vamos comear com um exemplo:
Exerccio
1. Noventa pessoas foram selecionadas aleatoriamente e o valor em reais fra-
cionrio das moedas em seus bolsos foi contado. Se a conta dava acima de
um real, o valor inteiro era descartado e tomava-se apenas a parte que ia de
0 a 99 centavos. Observou-se que 8, 12, 28, 22, 15 e 5 pessoas tinham 18,
1
45, 64, 72, 77 e 95 centavos respectivamente. Determine o valor mdio da

quantidade de centavos nos bolsos.
Valor esperado de uma varivel aleatria

Seguindo o exemplo do exerccio anterior, o valor esperado de uma vari-
vel aleatria X definido por:

E [X ] = X = xf (x )dx .
X

Caso X seja discreta com N possveis valores de xi com probabilidades

P( xi ) , ento:
N
E [ X ] = x i P ( xi )
n =1
Exerccio
2. A potncia captada na entrada de uma antena interna pode ser modelada
aproximadamente por uma varivel aleatria contnua distribuda exponen-

cialmente com:
1 ( x b a )
e x>a
f X (x ) = b
,
0, x<a

Determine o valor mdio da potncia recebida.

e ax
Dica: xe ax
dx = 2 (1 + ax ) .
a
2
Valor esperado de uma funo de uma varivel aleatria

Como ficar evidente na prxima seo, muitos parmetros teis relacio-
nados a uma varivel aleatria X podem ser obtidos encontrando o valor
esperado de uma funo real g () de X . Pode-se mostrar que este valor es-
perado dado por

E [g ( X )] = g (x ) f (x )dx X
(1)

Se X for uma varivel aleatria discreta,

N
E [g ( X )] = g ( xi )P ( xi )
n =1
Exerccios
3. Sabe-se que uma dada tenso aleatria pode ser representada por uma vari-
vel aleatria de Rayleigh V com funo densidade dada por:

2 (v a )
2

(v a )e b , va
f V (v ) = b
0, v<a

com a = 0 e b = 5 . Esta tenso aplicada a um dispositivo que gera uma ten-

so Y = g (V ) = V 2 que igual, numericamente, potncia de V (sobre um re-
sistor de 1). Encontre a potncia mdia de V .
4. Um problema em sistemas de comunicaes como definir a informao
de uma fonte. Considere a modelagem de uma fonte capaz de emitir L

smbolos distintos (mensagem) representada pelos valores
3
xi , i = 1, 2, , L de uma varivel aleatria discreta X ( L = 2 o caso
binrio). Seja P(xi ) a probabilidade do smbolo X = xi . Pergunta-se, qual a

informao contida nesta fonte, em mdia. necessrio fazer trs conside-
raes.
Primeiro, considera-se que a informao deve ser maior para sadas da fon-
te com baixa probabilidade. Por exemplo, contm pouca informao prever
tempo quente e seco para o deserto do Saara j que estas condies preva-
lecem quase todo o tempo. Mas prever tempo frio e chuvas fortes carrega
muita informao. A seguir, as informaes de duas fontes independen-
tes devem se somar de acordo e finalmente a informao deve ser uma
quantidade positiva (uma escolha feita) e zero para um evento que ocorre
com certeza. A nica funo com estas propriedades a logartmica. Como
duas quantidades representam o menor nmero para uma escolha, o loga-
ritmo na base 2 escolhido para medir informao e sua unidade chama-
da de bit.
Para uma fonte, definimos a informao de um smbolo xi como
1
log 2 = log 2 [P( xi )] . Determine ento a informao mdia de uma fon-
P( xi )
te, ou entropia, discreta com L smbolos possveis.
3.2. Momentos
Uma aplicao imediata do valor esperado de uma funo g () de uma va-
rivel aleatria X o clculo de momentos. Dois tipos de momentos so
de interesse, os em torno da origem e os em torno da mdia.
Momentos em torno da origem
A funo
4
g(X ) = X n n = 0, 1, 2,
quando usada em (1) d o momento em torno da origem da varivel aleatria

X . Denotando o n-simo momento por mn , temos:

mn = E X n = [ ] x n
f X ( x )dx

Claramente, m0 = 1 , a rea sob a funo f X (x ) e m1 = X , o valor esperado
de X .
Momentos centrais
Momentos em torno da mdia so chamados de momentos centrais e so
simbolizados por n . So definidos pelo valor esperado da funo
g ( X ) = (X X ) , n = 0, 1, 2,
n
que
[ ]

n = E (X X ) = (x X ) f X ( x )dx
n n
O momento 0 = 1 , a rea sob f X (x ) , enquanto 1 = 0 . (Por qu?).
Varincia e distoro (skew)

O segundo momento central 2 to importante que conhecido por um
nome especial: varincia representada por X2 . Assim, a varincia dada
por:
5
[ ]

= 2 = E (X X ) = (x X ) f X (x )dx .
2 2 2
X

A raiz positiva X da varincia chamada de desvio padro de X e uma

medida do espalhamento da funo f X (x ) ao redor da mdia.
A varincia pode ser determinada conhecendo-se o primeiro e segundo
momento em torno da origem. Temos:
[ ]
X2 = E (X X ) = E [X 2 2 XX + X 2 ] = E [X 2 ] 2 XE[X ] + X 2 = m2 m12
2
[ ]
O terceiro momento central 3 = E (X X ) uma medida da assimetria de
3
f X ( x ) ao redor de x = X = m1 . chamada de distoro (skew) da funo
densidade.
Se uma densidade simtrica em torno de x = X ento ela tem distoro
zero.
3
O terceiro momento central normalizado chamado de coeficiente de
X3
distoro (skewness).
Exerccios
5. Seja X uma varivel aleatria com a funo densidade exponencial do E-
xerccio dois. Determine a varincia de X .
6. Ainda para a varivel X do exerccio anterior,

3
(a) Mostre que 3 = X 3 3 X X2 X .
(b) Calcule 3 e o coeficiente de distoro.
x 2 2x 2 mx x
3
3x 2 6 x 6
Dicas: x 2 e mx dx = e mx 2 + 3. x 3 mx
e dx = e 2
+ 3 4.
m m m m m m m
6
7. (PEEBLES, 2001, p.101) Certo medidor projetado para ler pequenas ten-
ses, porm comete erros por causa de rudos. Os erros so representados
de forma acurada por uma varivel aleatria gaussiana com mdia nula e
desvio padro 10-3V. Quando o nvel DC desconectado, descobre-se que
a probabilidade da leitura do medidor ser positiva devido ao rudo 0,5.
Quando a tenso DC presente, a probabilidade torna-se 0,2514. Qual o
nvel DC?
7
Aula 9 - Variveis aleatrias mltiplas

Bibliografia
HSU, H. Schaums outline Theory and Problems of Analog and Digital Communications. 2nd edition,
New York: McGraw-Hill, 2003. Pginas 133-135.
4. Mltiplas variveis aleatrias

4.0. Introduo
Estendemos agora a teoria para incluir duas variveis aleatrias na discri-
o de um fenmeno. Por exemplo, a posio de um ponto aleatrio no
plano.
4.1.Variveis aleatrias vetoriais

Suponha que duas variveis aleatrias X e Y sejam definidas num espao
amostral S em que valores especficos de X e Y so denotados por x e y
respectivamente.
Ento, qualquer para ordenado de nmeros (x, y ) pode ser convenientemen-
te considerado como um ponto aleatrio no plano xy .
O ponto pode ser tomado como o valor especfico de uma varivel aleatria
vetorial ou um vetor aleatrio. A Figura 1 a seguir ilustra o mapeamento
envolvido em ir de S para o plano xy .
4.2. Distribuio conjunta e suas propriedades

As probabilidades dos eventos A = {X x} e B = {Y y} j foram definidas
como funes de x e y , respectivamente e chamadas de funes distribui-
o de probabilidades:
1
Figura 1 Mapeamento do espao amostral S para o plano xy (PEEBLES,

2001).
FX (x ) = P{X x}
.
FY ( y ) = P{Y y}
Ser introduzido agora um novo conceito para incluir a probabilidade do

evento conjunto {X x, Y y}.
Funo Distribuio Conjunta

Define-se a probabilidade do evento conjunto {X x, Y y}, que uma fun-
o dos nmeros x e y como uma funo distribuio de probabilidades
conjunta e a denotamos pelo smbolo FX ,Y (x, y ) . Assim,
FX ,Y ( x, y ) = P{X x, Y y}
P{X x, Y y} = P( A B ) em que o evento A B foi definido em S .
2
Exerccio
1. Assuma que o espao amostral conjunto S J tenha apenas trs elementos
possveis: (1,1), (2,1) e (3,3). As probabilidades destes elementos so
P(1,1) = 0,2 , P(2,1) = 0,3 e P(3,3) = 0,5 . Encontre FX ,Y ( x, y ) .
Resposta:
Figura 2 Funo distribuio conjunta do Exerccio 1 [PEEBLES].
Propriedades da distribuio conjunta

(1) FX ,Y ( , ) = 0 FX ,Y ( , y ) = 0 FX ,Y ( x, ) = 0 .
(2) FX ,Y (, ) = 1 .
(3) 0 FX ,Y (x, y ) 1
(4) FX ,Y (x, y ) uma funo no-decrescente de x e y .
(5) FX ,Y (x 2 , y 2 ) + FX ,Y (x1 , y1 ) FX ,Y (x1 , y 2 ) FX ,Y (x 2 , y1 ) = P{x1 X x 2 , y1 Y y 2 } 0 .
3
(6) FX ,Y (x, ) = FX (x ) FX ,Y (, y ) = FY ( y ) .
Funes de distribuio marginal

A propriedade (6) acima afirma que a funo distribuio de uma varivel
aleatria pode ser obtida fazendo o valor da outra varivel aleatria ser in-
finito em FX ,Y (x, y ) . As funes FX (x ) ou FY ( y ) obtidas desta forma so
chamadas de funes de distribuio marginal.
Exerccio
2. Encontre expresses explcitas para FX ,Y (x, y ) e as distribuies marginais
FX ( x ) e FY ( y ) para o espao amostral conjunto do Exerccio um.
4.3. Densidade conjunta e suas propriedades

Funo densidade conjunta
Para duas variveis aleatrias X e Y , a funo densidade de probabilidade
conjunta, denotada por f X ,Y (x, y ) definida como a segunda derivada da
funo distribuio conjunta onde quer que ela exista.
2 FX ,Y ( x, y )
f X ,Y ( x, y ) =
xy
Propriedades da densidade conjunta

(1) f X ,Y (x, y ) 0

(2) f (x, y )dxdy = 1

X ,Y
4
y x
(3) FX ,Y (x, y ) = f ( , )d d
X ,Y 1 2 1 2

x y
(4) FX (x ) = f ( , )d
X ,Y 1 2 2 d1 FY ( y ) = f ( , )d d
X ,Y 1 2 1 2

y 2 x2
(5) P{x1 < X x 2 , y1 < Y y 2 } = f (x, y )dxdy

X ,Y
y1 x1

(6) f X (x ) = f X ,Y ( x, y )dy fY ( y) = f (x, y )dx
X ,Y

As propriedades (1) e (2) podem ser usadas para testar se uma dada funo
pode ser uma funo densidade vlida.
Exerccio
3. Seja b uma constante positiva. Determine seu valor para que a funo
x
be cos y, 0 x 2 e 0 y 2
g ( x, y ) =
0,
caso contrrio
seja uma funo densidade de probabilidade vlida.
Funo Densidade Marginal

As funes f X (x ) e f Y ( y ) da propriedade (6) so chamadas de funes den-
sidade de probabilidade marginal ou apenas funes densidade marginal.
Elas so as funes densidades das variveis simples X e Y , definidas co-
mo as derivadas das funes distribuio marginais:
dF ( x )
f X (x ) =
dx
dF ( y )
fY ( y) =
dy
5
Exerccio
4. As tenses X e Y foram medidas em volts em dois pontos diferentes de
um circuito eltrico. Encontre f X (x ) e f Y ( y ) se a funo densidade de pro-
babilidade conjunta dada dessas tenses dada por:
f X ,Y (x, y ) = u ( x )u ( y )xe x ( y +1) .
4.4. Densidade e distribuio condicional

A funo distribuio condicional de uma varivel aleatria X , dado al-
gum evento B definida como:
P{X x B}
FX (x B ) = P{X x B} =
P (B ) .
A funo densidade condicional correspondente foi definida atravs da de-

rivada
dFX (x B )
f X (x B ) = .
dx
Densidade e distribuio condicional condio pontual

Pode-se mostrar que, para variveis discretas, vale:
P ( xi , y k )
f X (x Y = y k ) =
N
( x xi ) .
i =1 P( y k )
Para o caso contnuo vale:
6
f X ,Y (x, y )
f X (x Y = y ) = f (x y ) =
fY ( y)
Exerccio
5. Encontre f Y ( y x ) para a funo densidade definida no Exerccio quatro.
4.5. Independncia Estatstica

Dois eventos A e B so independentes se (e somente se):
P ( A B ) = P ( A)P (B ) .
Assim, pela definio de funes distribuio, duas variveis aleatrias X e

Y so estatisticamente independentes se:
FX ,Y ( x, y ) = FX ( x ) FY ( y )
ou
f X ,Y ( x, y ) = f X ( x ) f Y ( y ) .
Usando a densidade e a distribuio condicionais, vemos que se duas vari-

veis aleatrias X e Y forem independentes, vale:
f X ,Y ( x, y ) f X (x ) f Y ( y )
f (x y ) = = = f X (x )
fY ( y) fY ( y)
f X ,Y ( x, y ) f X (x ) f Y ( y )
f (y x) = = = fY ( y) .
f X (x ) f X (x )
Assim, as densidades deixam de ser condicionais e tornam-se iguais s
marginais.
Exerccios
6. Verifique se as tenses do Exerccio quatro so independentes.
7
7. A densidade conjunta de duas variveis aleatrias X e Y tem densidade

conjunta
2
k cos 2 xy , 1 < x < 1 e 1 < y < 1
f X ,Y ( x, y ) =

0, caso contrrio

em que k = 2 0,315 e o seno integral definido por:
+ Si( )
sin ( )
x
Si (x ) = d .
0

Determine se X e Y so estatisticamente independentes.
8
Aula 10 - Correlao e covarincia

Bibliografia
HSU, H. Schaums outline Theory and Problems of Analog and Digital Communications. 2nd edition,
New York: McGraw-Hill, 2003. Pginas 137-138.
5. Operaes sobre mltiplas variveis aleatrias

5.0. Introduo
Vamos estender o conceito de valor esperado para o caso de duas ou mais
variveis aleatrias.
5.1. Valor esperado de uma funo de variveis aleatrias
O valor esperado de uma funo de uma varivel aleatria foi definido no
Captulo 3 como:

E [g ( x )] = g (x ) f (x )dx .
X

Quando mais de uma varivel aleatria envolvida, o valor esperado deve

ser tomado em relao a todas as variveis envolvidas.
Por exemplo, se g ( X , Y ) uma funo de duas variveis aleatrias X e Y ,
o valor esperado de g (,) dado por:

g = E [g ( X , Y )] = g (x, y ) f (x, y )dxdy
X ,Y

Para N variveis aleatrias X 1 , X 2 ,..., X N e uma funo dessas variveis

denotada por g ( X 1 , , X N ) , o valor esperado dessa funo se torna:

g = E [g ( X 1 , , X N )] = g (x , , x ) f
1 N X 1 ,, X N (x1 ,, x N )dx1 dx N .

1
Um resultado que segue diretamente da definio acima que o valor

esperado de uma soma ponderada de variveis aleatrias
N
g ( X 1 , X N ) = i X i
i =1
a soma ponderada de seus valores mdios:
N N
g = E i X i = i E [ X i ]
i =1 i =1
Momentos Conjuntos em torno da origem

Uma importante aplicao do valor esperado na definio de momentos
conjuntos em torno da origem.
Eles so denotados por mnk e so definidos por:

mnk = E X Y = [ n k
] x y n k
f X ,Y ( x, y )dxdy

para o caso de duas variveis aleatrias X e Y .

Claramente, mn 0 = E [X n ] so os momentos mn de X e m0 k = E [Y k ] so os
momentos de Y .
A soma n + k chamada de ordem dos momentos.
Assim, m02 , m20 e m11 so todos momentos de segunda ordem de X e Y .
Os momentos de primeira ordem m01 = E[Y ] = Y e m10 = E[X ] = X so os
valores esperados de X e Y respectivamente e so as coordenadas do
centro de gravidade da funo f X ,Y (x, y ) .
O momento de segunda ordem m11 = E [XY ] chamado de correlao de X

e Y.
Ele to importante que recebe um smbolo especial R XY .Assim,
2

R XY = m11 = E [ XY ] = xyf (x, y )dxdy
X ,Y

Se a correlao puder ser escrita na forma
R XY = E [X ] E[Y ] ,
ento X e Y so ditas no correlacionadas.
Independncia estatstica de X e Y suficiente para garantir que elas so
no correlacionadas. Porm, o contrrio no verdade em geral. Ou seja,
independncia implica no-correlao, mas no-correlao no implica
independncia.
Se R XY = 0 as variveis X e Y so ditas ortogonais.
Resumindo:
f X ,Y ( x, y ) = f X ( x ) f Y ( y ) X e Y so independentes
R XY = E[X ] E[Y ] X e Y so no-correlacionadas
R XY = 0 X e Y so ortogonais
X e Y independentes X e Y no correlacionadas
Exerccio
1. Seja X uma varivel aleatria com um valor mdio X = E [X ] = 3 e
varincia X2 = 2 e uma outra varivel Y dada por Y = 6 X + 22 . Pede-se:
(a) E [X 2 ] (b) Y (c) R XY
(d) as variveis so correlacionadas?
(e) as variveis so ortogonais?
3
Momentos conjuntos centrais

Uma outra aplicao importante da definio de valores esperado a
definio de momentos centrais conjuntos.
Para duas variveis aleatrias X e Y , estes momentos denotados por m
so dadas por:
[ ]

nk = E (X X ) (Y Y ) = (x X ) ( y Y ) f X ,Y ( x, y )dxdy
n k n k
Os momentos centrais de segunda ordem
[ ]
20 = E (X X ) = X2
2
02 = E [(Y Y ) ] =
2 2
Y
so as varincias de X e Y .
O momento conjunto de segunda ordem 11 muito importante.
chamado de covarincia de X e Y e simbolizado por C XY . Assim,

C XY = 11 = E [(X X )(Y Y )] = (x X )(y Y ) f (x, y )dxdy
X ,Y

Expandindo diretamente o produto (X X )(Y Y ) esta integral se reduz a:
C XY = R XY XY = R XY E [X ]E [Y ]
Se X e Y forem independentes ou no correlacionadas, ento
R XY = E [X ]E [Y ] e C XY = 0 .
Se X e Y forem ortogonais ento
C XY = E[X ]E[Y ] , X e Y ortogonais.
Claramente, C XY = 0 se X ou Y tambm tiverem mdia nula alm de serem

ortogonais.
4
O momento de segunda ordem normalizado:
11 C
= = XY
20 02 X Y
dado por
(X X ) (Y Y )
= E
X Y
conhecido como coeficiente de correlao de X e Y . Pode-se mostrar que
1 1.
Uma aplicao direta das definies acima que se X uma soma

N
ponderada de variveis aleatrias X i , X = i X i , ento:
i =1
N
E [X ] = i X i e
i =1
N
2
X = i2 X2 i .
i =1
Exerccio
2. (PEEBLES, 2001, p.173) Num sistema de controle, sabe-se que uma tenso
aleatria X tem mdia X = m1 = 2 V e momento de segunda ordem
2
X 2 = m2 = 9 V . Se a tenso X amplificada por um amplificador que
fornece como sada Y = 1,5 X + 2 encontre X2 , Y , Y 2 , Y2 e R XY .
5
Prticas de Engenharia Eltrica 2 Aula 12 Professor Marcio Eisencraft novembro 2005
Aula 12 - Questes da Prova P2
1. (PEEBLES, 2001, p. 173) (2,5) Em um sistema de controle, sabe-se que

uma tenso aleatria X tem valor mdio X = m1 = 2 V e um momento de
segunda ordem E [X 2 ] = m2 = 9 V2. Se a tenso X amplificada por um am-
plificador que tem como sada Y = 1,5 X + 2 , encontre X2 , Y , E [Y 2 ], Y2 e
R XY .
2. (PEEBLES, 2001, p. 101) (2,5) Certo medidor projetado para medir pe-
quenas tenses dc, mas comete erros por causa de rudo. Estes erros podem
ser representados de forma precisa por uma varivel aleatria gaussiana
com mdia zero e desvio padro 10 3 V. Quando a tenso dc est desconec-
tada descobre-se que a probabilidade do medidor registrar um valor positi-
vo 0,5 por causa do rudo. Quando a tenso dc est presente, esta proba-
bilidade torna-se 0,2514. Qual o valor da tenso dc?
3. (PEEBLES, 2001, p. 99) (2,5) Mostre que o valor mdio e a varincia de

uma tenso aleatria com funo densidade uniforme dada por:
1
,a x b
f X (x ) = b a
0, caso contrrio
so X = E[X ] =
(a + b ) e 2 =
(b a)
2
.
X
2 12
4. (HSU, 1997, p. 98) A pdf conjunta de um v.a. bivariada ( X , Y ) dada por:

kxy, 0 < x < 1, 0 < y < 1
f X ,Y ( x, y ) =
0, caso contrrio

1
(a) (1,0) Determine o valor de k .

(b) (1,0) X e Y so independentes?
(c) (0,5) Encontre P( X + Y < 1) .
2
Aula 13 Variveis aleatrias gaussianas conjuntas

Bibliografia
KAY, S. M. Fundamentals of Statistical Signal Processing: Estimation Theory. New Jersey: Prentice
Hall, 1993. Pginas 1-14.
5.3. Variveis aleatrias gaussianas conjuntas

Variveis aleatrias gaussianas so muito importantes porque aparecem
praticamente em todas as reas da Engenharia e das Cincias.
Nesta seo o caso de duas variveis aleatrias conjuntas gaussianas ser
examinado.
Duas variveis aleatrias

Duas variveis aleatrias X e Y so ditas conjuntamente gaussianas se sua
funo densidade conjunta
1 (x X )2 2 (x X )( y Y ) ( y Y )2
f X ,Y ( x, y ) =
1
exp +
2 X Y 1 2 (
2 1
2
) X
2
XY Y
com:
X = E[X ]
Y = E [Y ]
[
X2 = E (X X ) ] 2
Y2 = E [(Y Y ) ]
2
E [(X X )(Y Y )] C XY
= =
XY XY
1
A Figura 1 ilustra a aparncia da funo densidade gaussiana. Seu mximo

ocorre em (X , Y ) .
Figura 1 Densidade conjunta de duas v.a. s gaussianas (PEEBLES, 2001).
2
Pode-se ver que se = 0 , correspondendo a variveis X e Y no-

correlacionadas, f X ,Y (x, y ) pode ser reescrita como:
f X ,Y ( x, y ) = f X ( x ) f Y ( y )
em que f X (x ) e f Y ( y ) so as densidades marginais de X e Y dadas por:
(x X )2
f X (x ) =
1
exp
2 X2 2 X2
( y Y )2 .
fY ( y) =
1
exp
2 Y
2
2 Y2
Assim, conclumos que quaisquer variveis aleatrias gaussianas no cor-

relacionadas so estatisticamente independentes.
Exerccio
1. Sejam duas variveis aleatrias gaussianas X e Y com mdias X e Y , va-
rincias X2 e Y2 e coeficiente de correlao . Determine o ngulo tal
que as variveis:
A = X cos + Y sin
B = X sin + Y cos
sejam independentes.
2. (PEEBLES, 2001, p. 176) Suponha que a queda de neve anual (quantidade

de neve acumulada em metros) em dois hotis de esqui alpinos vizinhos se-
ja representada por variveis aleatrias gaussianas conjuntas X e Y para as
quais = 0,82 , X = 1,5 m, Y = 1,2 m e R XY = 81,476 m2. Se a queda de neve
mdia no primeiro hotel 10m, qual a taxa de queda mdia no outro hotel?
3
Prticas de Engenharia Eltrica II - Lista de Exerccios Suplementares 1 Professor Marcio Eisencraft agosto 2005

Lista de Exerccios Suplementares 1 2 semestre 2005
1. Resolver Exerccio 10.1-9 da pgina 481 do (LATHI, 1998). O primeiro aluno a

entregar uma resoluo completa e correta deste exerccio ganhar 0,5 ponto
na P1.
RESP: (a) 9,562%; (b) 0,001004.
2. (NETO, 1993, p. 17] Um meteorologista acerta 80% dos dias em que chove e 90%
dos dias em que faz bom tempo. Chove em 10% dos dias. Tendo havido previso de
chuva, qual a probabilidade de chover?
RESP: 47,06%.
3. (HSU, 2003, p. 149) Todos os dispositivos e mquinas produzidos falham mais cedo
ou mais tarde. Se a taxa de falha constante, o tempo at uma falha T modelado
por uma varivel aleatria exponencial. Suponha que se descobriu que uma classe
particular de chips de memria para computadores tem uma lei de falha exponencial
dada por:
fT (t ) = ae at u (t ) ,
com t em horas.
(a) Medidas mostraram que a probabilidade de que o tempo de falha exceda 104 horas
para chips desta classe de e 1 ( 0,368 ). Calcule o valor do parmetro a para este
caso.
(b) Usando o valor do parmetro a determinado na parte (a), calcule o tempo t 0 tal que
a probabilidade de que o tempo de falha seja menor do que t 0 seja de 0,05.
RESP: (a) a = 10 4 ; (b) 512,93h.
4. (PEEBLES, 1993, p. 71) Uma linha de produo fabrica resistores de 1000 que
devem satisfazer uma tolerncia de 10%.
(a) Se a resistncia descrita adequadamente por uma varivel aleatria gaussiana X
com a X = 1000 e x = 40 , qual frao de resistores espera-se que seja rejeitada?
1
(b) Se a mquina no est ajustada corretamente, os resistores produzidos passam a ter

a X = 1050 (5% de erro). Qual frao ser rejeitada agora?
RESP: (a) 1,24%; (b) 10,57%.
5. (PEEBLES, 1993, p.101) Certo medidor projetado para ler pequenas tenses, po-
rm comete erros por causa de rudos. Os erros so representados de forma acurada
por uma varivel aleatria gaussiana com mdia nula e desvio padro 10-3V. Quan-
do o nvel DC desconectado, descobre-se que a probabilidade da leitura do medi-
dor ser positiva devido ao rudo 0,5. Quando a tenso DC presente, a probabili-
dade torna-se 0,2514. Qual o nvel DC?
RESP: -0,67mV.
6. (NETO, 1993, p. 25) Rivelino e Z Maria esto machucados e talvez no possam

defender o Corinthians em sua prxima partida contra o Palmeiras. A probabilidade
de Rivelino jogar de 40% e a de Z Maria, 70%. Com ambos os jogadores, o Co-
rinthians ter 60% de probabilidade de vitria; sem nenhum deles, 30%; com Rive-
lino, mas sem Z Maria, 50%, e com Z Maria, mas sem Rivelino, 40%. Qual a
probabilidade de o Corinthians ganhar a partida?
RESP: 0,45.
7. (PEEBLES, 1993, p. 67) O resistor R2 na Figura 1 a seguir escolhido aleatoria-

mente de uma caixa de resistores contendo resistores de 180, 470, 1000 e
2200. Todos os valores de resistores tm mesma possibilidade de ser selecionado.
A tenso E 2 uma varivel aleatria discreta. Encontre o conjunto de valores que
E 2 pode assumir e d a suas probabilidades.
Figura 1 Circuito do Exerccio 2 [PEEBLES].

RESP: E 2 {2,16V ; 4,37V ; 6,59V ; 8,74V } sendo que cada valor tem 25% de probabilidade.
2
8. (HSU, 1997, p. 26) Duas mquinas produzem peas semelhantes. A maquina A pro-
duz 1000 peas, 100 das quais so defeituosas. A maquina B produz 2000 peas
sendo 150 defeituosas. Uma pea selecionada aleatoriamente e considerada de-
feituosa. Qual a probabilidade dela ter sido produzida pela mquina A?
RESP: 0,4.
9. (HSU, 1997, p. 33) Um sistema constitudo de n componentes separados chamado

de sistema paralelo se ele funciona quando pelo menos um dos componentes fun-
ciona (Figura a seguir). Assuma que os componentes falhem de forma independente
e que a probabilidade de falha do componente i seja pi , i = 1, 2, , n . Encon-
tre a probabilidade de funcionamento do sistema.
s1
s2
....
sn
n
RESP: 1 pi .
i =1
10. (HSU, 1997, p. 37) A rede de rels mostrada na figura a seguir funciona se e somen-
te se existe um caminho fechado de rels da esquerda para a direita. Assuma que os
rels falhem de forma independente e que a probabilidade de falha de cada rel seja
a indicada na figura. Qual a probabilidade da rede funcionar?
(HSU, 1997)
3
RESP: 0,865.
11. (HSU, 1997, p. 37) Sejam A e B dois eventos independentes em S . Sabe-se que
P( A B ) = 0,16 e P( A B ) = 0,64 . Encontre P( A) e P(B ) .
RESP: P( A) = P(B ) = 0,4 .
12. (HSU, 1997, p. 56) A funo densidade de probabilidade (p.d.f.) de uma varivel
aleatria (v.a.) X dada por:
1
3 , 0 < x < 1

2
f X (x ) = , 1 < x < 2 .
3
0, caso contrrio

Encontre a correspondente funo distribuio (c.d.f.) Fx ( x ) e esboce f X ( x ) e Fx ( x ) .
13. (HSU, 1997, p. 57) Seja X uma v.a. contnua com p.d.f.
kx, 0 < x < 1
f X (x ) =
0 caso contrrio
(a) Determine o valor de k e esboce f X ( x ) .
(b) Encontre e esboce a correspondente c.d.f. FX (x ) .
1
(c) Encontre P < X 2 .
4
15
RESP: (a) 2; (c) .
16
14. (HSU, 1997, p. 75) Um sistema de transmisso digital tem uma probabilidade de
erro de 10 6 por dgito. Encontre a probabilidade de trs ou mais erros em 10 6 dgi-
tos utilizando a aproximao da distribuio de Poisson.
RESP: 0,08.
15. (HSU, 1997, p. 75) Sabe-se que os disquetes produzidos por uma companhia A so
defeituosos com uma probabilidade de 0,01. A companhia vende os discos em paco-
4
tes de 10 e oferece garantia de troca se ao menos 1 dos 10 discos for defeituoso. En-
contre a probabilidade de que um pacote comprado tenha que ser trocado.
RESP: 0,004.
16. (HSU, 1997, p. 77) Um lote constitudo de 100 fusveis inspecionado pelo seguinte
processo: cinco fusveis so selecionados aleatoriamente e se os cinco queimarem
na corrente especificada, o lote aceito. Suponha que um lote contenha 10 fusveis
defeituosos. Qual a probabilidade de se aceitar o lote?
RESP: 0,584.
17. (NETO, 1993, p. 25) Uma cpsula espacial aproxima-se da Terra com dois defeitos:
nos seus circuitos eltricos e no sistema de foguetes propulsores. O comandante
considera que, at o instante de reingresso na atmosfera, existe 20% de probabilida-
de de reparar os circuitos eltricos e 50% de probabilidade de reparar o sistema de
foguetes. Os reparos se processam independentemente. Por outro lado, os especialis-
tas em Terra consideram que as probabilidades de xito no retorno so as seguintes:
(a) 90% com os circuitos eltricos e o sistema de foguetes reparados.
(b) 80% s com o sistema de foguetes reparado.
(c) 60% s com os circuitos eltricos reparados.
(d) 40% com os circuitos eltricos e o sistema de foguetes defeituosos. Com base nas
consideraes acima, qual a probabilidade de xito no retorno? Se o retorno se proces-
sar com xito, qual a probabilidade de que tenha se realizado nas condies mais adver-
sas (ambos os sistemas no-reparados)?
RESP: 63% e 25,40% respectivamente.
18. (PEEBLES, 1993, p. 73) Assuma que as lmpadas fluorescentes fabricadas por uma
empresa tenham probabilidade de 0,05 de serem inoperantes quando novas. Uma
pessoa compra oito lmpadas para uso domstico.
(a) Qual a probabilidade de exatamente uma lmpada ser inoperante entre as oito?
(b) Qual a probabilidade de que as oito lmpadas estejam funcionando?
(c) Determine a probabilidade de que uma ou mais lmpadas sejam inoperantes.
(d) Faa um grfico da funo distribuio de probabilidades da varivel aleatria o
nmero de lmpadas inoperantes.
RESP: (a) 27,93%; (b) 66,34%; (c) 33,66%.
5
19. (PEEBLES, 1993, p. 72) Suponha que a altura da base das nuvens seja uma varivel
aleatria gaussiana X com a X = 4000 m e X = 1000 m. Joo afirma que a altura
das nuvens amanh estar no conjunto A = {1000m < X 3300m} enquanto Pedro
afirma que a altura estar no conjunto B = {2000m < X 4200m} . Paulo afirma que
os dois estaro corretos. Encontre a probabilidade de cada um acertar a previso.
RESP: Joo: 24,07%; Pedro: 55,66% e Paulo: 21,93%.
6
Prticas de Engenharia Eltrica II - Lista de Exerccios Suplementares 2 Professor Marcio Eisencraft outubro2005

1. Resolver Exerccio 10.2-8 da pgina 483 do (LATHI, 1998).

x2 y2
u ( y ) ; f X Y (x y ) = f X ( x ) ; f Y ( y x ) = f ( y ) ; (b)

Resposta: (a) f X ( x ) = xe 2
u ( x ) ; f Y ( y ) = ye 2
X Y
Sim.
Respostas:
5
[ ]
17 1
X = ; E X 2 = ; X2 = .
3 6 18
4. Resolver Exerccio 10.5-3 da pgina 486 do (LATHI, 1998). O primeiro aluno a

entregar uma resoluo completa e correta deste exerccio ganhar 0,5 ponto
na P2.
1 ____2 5 ____
19 1
5. (PEEBLES, 2001, p. 173) X = , X = , Y = 2 , Y 2 = e C XY = para
2 2 2 2 3
variveis aleatrias X e Y .
(a) Encontre X2 , Y2 , R XY e .
(b) Qual a media da varivel aleatria W = ( X + 3Y ) + 2 X + 3 ?

2
9 2 11 6 3 66
Resposta: (a) X2 = ; Y = ; R XY = ; = ; (b) 96,27.
4 2 6 99
6. (DEVORE, 2003, p. 210) Dois componentes de um microcomputador tm a seguin-

te pdf conjunta para seus tempos de vida til X e Y :
xe x (1+ y ) , x 0 e y 0
f XY ( x, y ) = .
0 , caso contrrio
(a) Quais so as pdfs marginais de X e Y ? Estes tempos de vida so independentes?

Justifique.
(b) Qual a probabilidade de que o tempo de vida X do primeiro componente exceda 3?
1
f X (x ) = e x , x 0 ; f Y ( y ) =
1
(1 + y )2
Resposta: (a) ; (b) 0,0498.
7. Duas variveis aleatrias podem assumir os valores indicados na tabela.
x y PROBABILIDADE
-1 -2 1/8
-0,5 -1 1/4
0,5 1 1/2
1 2 1/8
(a) (MONTGOMERY, 2003, p. 103) Determine as seguintes probabilidades:

P( X < 0,5; Y < 1,5) , P( X < 0,5) , P(Y < 1,5) e P( X > 0,25; Y < 4,5) .
(b) (MONTGOMERY, 2003, p. 103) Determine E [X ] e E [Y ] .
Respostas: (a) 3/8; 3/8; 7/8; 5/8 respectivamente. (b) 0,125 e respectivamente.
8. (COSTA NETO; CYMBALISTA, 1974, p. 55) Seja X uma varivel aleatria con-
tnua com funo densidade constante entre a e b , a < b . Mostre que:
E[X ] =
a+b
e X2 =
(b a ) . 2
2 12
9. (COSTA NETO; CYMBALISTA, 1974, p. 70) Sendo a funo densidade conjunta
de ( X , Y ) dada por f ( x, y ) =
1 y
e , para 4 > x > 0 , y > 0 e zero em qualquer outro
4
ponto, calcular a probabilidade P( X > 2, Y < 4 ) .
Resposta: 0,4908.
10. (PEEBLES, 2001, p. 174) As variveis aleatrias estatisticamente independentes X

1
e Y tm respectivamente mdias X = 1 e Y = . Seus momentos de segunda or-
2
11
dem so X 2 = 4 e Y 2 = . Uma outra varivel aleatria definida como
4
W = 3 X 2 + 2Y + 1 . Encontre X2 , Y2 , R XY , C XY e RWY .
2
Resposta: X2 = 3 ; Y2 = 2,5 ; R XY = 0,5 ; C XY = 0 ; RWY = 1 .
11. (HSU, 1997, p. 77) Uma varivel aleatria X chamada de varivel aleatria de
Laplace se sua funo densidade de probabilidade dada por:
f X ( x ) = ke
x
, > 0, < x <
(a) Encontre o valor de k .
(b) Encontre FX (x ) .
(c) Encontre a mdia e a varincia de X .
1 x
2 e , x<0

FX ( x ) = ; (c) E [X ] = 0; Var [ X ] = 2
2
Resposta: (a) k= ; (b) .
2 1 1 e x , x 0
2
12. (PEEBLES, 2001, p.98) Uma tenso aleatria gaussiana X tem valor mdio
X = a X = 0 e varincia X2 = 9 . A tenso X aplicada a um diodo detector de on-
da completa com lei quadrtica que tem funo de transferncia Y = 5X 2 . Encontre

o valor mdio da tenso de sada Y .
13. (PEEBLES, 2001, p. 98) Uma varivel aleatria X tem funo densidade:
1
cos x, < x <
f X (x ) = 2 2 2 .
0, caso contrrio
Encontre o valor mdio da funo g ( X ) = 4X 2 .
14. (HSU, 1997, p. 98) A funo densidade conjunta das variveis aleatrias X e Y
dada por:
k ( x + y ), 0 < x < 2, 0 < y < 2
f X ,Y ( x, y ) = .
0, caso contrrio.
(b) Encontre as funes densidade marginais de X e Y .
(c) X e Y so independentes?
3
1
( x + 1), 0 < x < 2
f X (x ) = 4
1
Resposta: (a) k= ; (b)
8 0, caso contrrio
1
( y + 1), 0 < y < 2
fY ( y) = 4 ; (c) No.
0, caso contrrio
15. (HSU, 1997, p. 101) Suponha que se escolha um ponto de forma aleatria dentro de
um crculo de raio R . Se considerarmos o centro do crculo na origem e definirmos
X e Y como as coordenadas do ponto escolhido (ver figura abaixo), ento ( X , Y )
forma uma v.a. bidimensional cuja p.d.f. dada por:
k , x 2 + y 2 R 2
f X ,Y ( x, y ) =
0, x 2 + y 2 R 2
sendo k uma constante.

(a) Determine o valor de k ;
(b) Encontre as p.d.f.s marginais de X e Y ;
(c) Encontre a probabilidade de que a distncia do ponto selecionado origem no seja
maior do que a .
2
R2 x2 , x R
f X ( x ) = R 2
1
Resposta: (a) k= ; (b)
R 2 0,
x >R
2
R2y2 , y R a2
f X ( x ) = R 2 ; (c) para 0 a R.
0, R2
y >R
16. (HSU, 1997, p. 103) Um industrial tem usado dois diferentes processos de produo
para fazer chips de memria para computadores. Seja ( X , Y ) uma v.a. bidimensio-
4
nal em que X denota o tempo at a falha dos chips feitos pelo processo A e Y de-
nota o tempo at a falha dos chips feitos pelo processo B. Assumindo que a p.d.f.
conjunta de ( X , Y ) :
abe (ax +by ) , x > 0, y > 0
f XY ( x, y ) =
0 , caso contrrio
em que a = 10 4 e b = 1,2 10 4 , determine P( X > Y ) .

Resposta: 0,545.
17. (HSU, 1997, p. 108) Seja ( X ,Y ) uma v.a. bidimensional com p.d.f. conjunta:
(
x2 + y2 )
x2 + y2
f X ,Y ( x, y ) = e 2
.
4
Mostre que X e Y no so independentes, mas so no correlacionadas.
18. (PEEBLES, 2001, p. 176) Suponha que a queda de neve anual (profundidade acu-
mulada em metros) para dois hotis de esqui prximos seja adequadamente repre-
sentada por duas variveis aleatrias gaussianas conjuntas X e Y para as quais
= 0,82 , X = 1,5 m, Y = 1,2 m e R XY = 81,476 m2. Se a mdia de queda de neve
em um dos hotis 10m, qual a mdia no outro hotel?
19. (HSU, 2003, p.159) Encontre a covarincia de X e Y se (a) elas so independentes

(b) Y est relacionada com X por Y = aX + b .
Resposta: (a) 0; (b) XY = a X2 .
20. (HSU, 2003, p. 159) Seja Z = aX + bY , em que a e b so constantes arbitrrias.

Mostre que se X e Y so independentes ento:
Z2 = a 2 X2 + b 2 Y2 .
5
Prticas de Engenharia Eltrica II - Lista de Exerccios Suplementares 3 Prof. Marcio Eisencraft novembro 2005

6. Resolver Exerccio 3.32 da pgina 36 do (MONTGOMERY, 2003).

Resposta no livro.

Resposta no livro.

Resposta no livro.

Resposta no livro.
1
16. (COSTA NETO; CYMBALISTA, 1993, p. 16) No circuito eltrico dado abaixo,
em que existe tenso entre os pontos A e B, determine a probabilidade de passar cor-
rente entre A e B, sabendo-se que a probabilidade de cada chave estar fechada e
que cada chave est aberta ou fechada independentemente de qualquer outra.
A B
RESPOSTA: 0,53125
17. (HSU; 1997, p. 159) Considere as variveis aleatrias X , Y e Z = aX + bY , em

que a e b so constantes arbitrrias. Mostre que, se X e Y so independentes ento
Z2 = a 2 X2 + b 2 Y2 .
18. (PAPOULIS; PILLAI, 2002, p. 87) Suponha que o tempo de espera de um clien-
te por uma mesa num restaurante seja uma distribuio exponencial com mdia 5
minutos. Determine a probabilidade de que um cliente espere mais do que 10 minu-
tos por uma mesa.
e x , x 0
Dado: funo densidade exponencial: f X ( x ) = .
0, caso contrrio
RESPOSTA: 13,53%.
19. (HSU; 1997, p.98) A p.d.f. conjunta de uma v.a. bivariada ( X , Y ) dada por:
kxy, 0 < x < 1, 0 < y < 1

f X ,Y ( x, y ) = .
0, caso contrrio
em que k uma constante. Pede-se:
2

(b) X e Y so independentes?
(c) Encontre P ( X + Y < 1) .
1
RESPOSTAS: (a) 4; (c) .
6
20. (COSTA NETO; CYMBALISTA, 1993, p. 118) Certo tipo de resistor conside-
rado aceitvel se seu valor estiver entre 45 e 55 e considerado ideal se estiver en-
tre 48 e 52. O valor desses resistores tem distribuio normal com mdia de 53 e
desvio padro de 3. Em um lote de 200 resistores aceitveis, quantos resistores ide-
ais devem-se esperar?
RESPOSTA: 87 resistores.

PraticasdeEngenhariaEletricaII PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

PraticasdeEngenhariaEletricaII PDF

Transféré par

Droits d'auteur :

Formats disponibles

Universidade Presbiteriana Mackenzie

Curso de Engenharia Eletrica

Praticas de Engenharia Eletrica II

Prof. Marcio Eisencraft

Primeiro semestre de 2006

Universidade Presbiteriana Mackenzie

2. Metodologia das aulas

6. Processos aleatrios (PEEBLES, 1993; p. 163-198).

COSTA NETO, P. L. O. Probabilidades: resumos tericos, exerccios re-

DEVORE, J. L. Probability and Statistics for Engineering and the

HSU, H. Schaums outline Theory and Problems of Analog and Digital

KAY, S. M. Fundamentals of Statistical Signal Processing: Estimation

LATHI, B. P. Modern Digital and Analog Communication Systems, 3rd

MONTGOMERY, D. C. Estatstica aplicada e probabilidade para enge-

PAPOULIS, A.; PILLAI, U. Probability, random variables and stochastic

PEEBLES, P. Z. Probability, random variables and random signal prin-

5. Exemplos de questes a serem debatidas no curso

(b) Se o amplificador da estao principal fica sobrecarregado quando mais do

2. A potncia refletida por uma aeronave com um formato complexo rece-

em que P0 o valor mdio da potncia recebida. Em um instante particular, P

3. Uma tenso aleatria X tem densidade gaussiana segundo

nece como sada Y = 1,5 X + 2 encontre X2 , Y , Y 2 , Y2 e R XY .

falha T modelado por uma varivel aleatria exponencial. Suponha que

6. (PEEBLES, 1993; p. 71) Uma linha de produo fabrica resistores de

Aula 2 - Probabilidades - Definio

definir o que um sinal aleatrio:

Bits em uma comunicao entre computadores parecem flutuar aleatoria-

1.1. Definies de conjuntos

Determine se so finitos ou no, enumerveis ou no e especificados de forma

2. Ainda com relao aos conjuntos do exerccio anterior, diga se verdadei-

3. Escreva todos os pares de conjuntos que so mutuamente exclusivos.

o O conjunto que contm todos os objetos em discusso chamado de con-

1.2. Operaes com conjuntos

A = {1, 3, 5, 12} C = {1; 3; 4; 6; 7; 8}

1.3. Probabilidade introduzida atravs de conjuntos

Espaos amostrais discretos e contnuos

Definio de probabilidade e axiomas

Modelo matemtico de experimentos

7. [PEEBLES, p. 30] Um dado jogado. Encontre a probabilidade dos even-

Aula 3 - Probabilidade conjunta e condicional

1.4. Probabilidade conjunta e condicional

que se interceptam no espao amostral.

Para eventos mutuamente exclusivos, P( A B ) = e P( A) + P(B ) = P( A B ) .

Figura 1 Resistores em uma caixa (PEBLES, 1993).

Considere que um resistor selecionado da caixa e assuma que cada resistor

Figura 2 N eventos mutuamente exclusivos Bn e A (PEEBLES, 1993).

Usando a probabilidade total,

cam quando um evento A obtido.

Figura 3 Sistema de comunicao binrio simtrico [PEEBLES].

(c) as probabilidades de erro de bit P(B2 A1 ) e P(B1 A2 ) .

1.5. Eventos independentes

Por substituio no teorema de Bayes, temos que, para eventos estatistica-

Pelas definies, dois eventos no podem ser simultaneamente independen-

4. Considere a retirada de quatro cartas de um conjunto com 52 cartas. Sejam

ra, segunda, terceira e quarta tentativas. Determine a probabilidade conjun-

1.6. Tentativas de Bernoulli

6. Em uma cultura usada para pesquisa biolgica, o crescimento inevitvel de

8. (PEEBLES, 1993; p. 32) Uma companhia vende amplificadores de alta fi-

(b) Se cada amplificador de potncia vendido com mesma probabilidade,

Aula 4 - Variveis aleatrias

2.1. O conceito de varivel aleatria

Variveis aleatrias contnuas e discretas

Uma varivel aleatria contnua se abrange um contnuo de valores.