Processos Estocásticos

EA932 - Prof.
Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
1
Fundamentos para Processos Estocsticos
1 O papel da estatstica na engenharia e na cincia
As teorias cientficas lidam com conceitos, no com a realidade. Embora elas
sejam formuladas para corresponder realidade, esta correspondncia
aproximada e a justificativa para todas as concluses tericas baseada em
alguma forma de raciocnio indutivo.
Athanasios Papoulis
mtodos estatsticos fornecem ferramentas importantes para a engenharia, com
teor descritivo e analtico para operar com a variabilidade presente nos dados
observados.
a estatstica lida com a coleta, apresentao, anlise e uso de dados em
tomada de deciso e na soluo de problemas.
EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
2
um estatstico usa as leis fundamentais da probabilidade e da inferncia
estatstica para elaborar concluses acerca de determinado experimento.
objetivo: descrever e modelar a variabilidade e tomar decises na presena de
variabilidade (inferncia estatstica).
fundamento: o modelo deve possuir ao menos um elemento intrinsecamente
aleatrio.
a variabilidade resultante de mudanas nas condies sob as quais as
observaes so feitas, de caractersticas do sistema de medidas e do processo
de amostragem.
Exemplo: amostras de ganho de um transistor
5.10 / 5.24 / 5.13 / 5.19 / 5.08
! a informao contida nas amostras demonstra de forma conclusiva que o
ganho do transistor menor que 5.50?
! quanta confiana pode se ter de que o ganho no transistor est contido no
intervalo [5.00, 5.30]?
DCA/FEEC/Unicamp
3
estatstica inferencial estatstica descritiva
estatstica inferencial: estimao pontual de parmetros, estimao de
intervalos de confiana, teste de hipteses.
estatstica descritiva: aplicao de mtodos grficos e numricos na
organizao e apresentao da informao em uma forma sucinta.
2 Probabilidade
a probabilidade a linguagem empregada na fundamentao matemtica da
inferncia estatstica. Trata-se de uma disciplina exata e desenvolvida a partir
de um encadeamento lgico de dedues a partir de um conjunto de axiomas
claramente definidos.
h uma bvia quebra de continuidade entre os elementos de probabilidade
apresentados em cursos introdutrios e os conceitos sofisticados necessrios
nas aplicaes do dia-a-dia.
DCA/FEEC/Unicamp
4
o importante observar que, quando se aplica a teoria de probabilidade ao
mundo real, ela se mostra eficaz.
Exemplo 1: as razes da teoria de probabilidade esto associadas aos jogos de
azar, em Monte Carlo, no sculo 17.
Exemplo 2: parte do sucesso da indstria japonesa atribuda ao emprego de
mtodos estatsticos na produo, gerenciamento e planejamento (no apenas
gerar relatrios, mas extrair concluses ou inferncias).
Exemplo 3: Prvia Eleitoral (procedimento sistemtico para elaborao do
experimento e coleta de dados)
coleo de todos os indivduos (populao)

processo de amostragem

inferncia sobre toda a populao
DCA/FEEC/Unicamp
5
2.1 Os conceitos de experimento, espao amostral e evento
experimento o termo utilizado para indicar a realizao de algo, ou a
observao de algo, que acontece sob certas condies, levando a um
resultado.
ocasionalmente, a natureza de um experimento faz com que o seu resultado
seja definido unicamente pelas condies nas quais o experimento realizado.
na prtica, todavia, observa-se que muitos experimentos no apresentam a
propriedade de repetitividade, mesmo sob condies supostamente idnticas.
este o caso quando existem fatores que influenciam o resultado, mas que no
so de conhecimento do experimentador ou que o experimentador no pode
controlar e, tambm, quando os fatores que supostamente esto sob controle,
na verdade no esto.
DCA/FEEC/Unicamp
6
o resultado no pode, ento, ser predito a partir do conhecimento das
condies sob as quais o experimento foi realizado. Neste caso, fala-se do
experimento como sendo um experimento envolvendo o acaso ou,
simplesmente, experimento aleatrio.
devido imprevisibilidade ou ao elemento do acaso no experimento, o tipo de
modelo matemtico usual envolvendo equaes determinsticas inadequado
e um novo tipo de estrutura matemtica necessrio para representar os
fenmenos de interesse, denominados processos estocsticos.
uma vez que o resultado do experimento no previsvel, ele vai ser um
dentre os muitos resultados possveis.
o espao amostral de um experimento aleatrio o conjunto de todos os
resultados possveis do experimento, sendo geralmente denotado por S.
DCA/FEEC/Unicamp
7
normalmente, interessante focalizar a ateno em subconjuntos do espao
amostral S. Para tanto, define-se um evento como qualquer subconjunto E do
espao amostral S (E S).
2.2 Axiomas de probabilidade
o ingrediente principal do modelo matemtico de um experimento aleatrio
a noo de probabilidade, a qual formaliza o conceito de que alguns eventos
so mais verossmeis do que outros, em termos de suas freqncias de
ocorrncia relativas.
os axiomas de probabilidade permitem a manipulao de combinaes de
eventos (eventos compostos);
seja S um espao amostral, seja uma classe que comporta todos os possveis
eventos em S, e seja P uma funo de valores reais definida em . Ento P
DCA/FEEC/Unicamp
8
denominada de funo de probabilidade e E P denominada de
probabilidade de E se os seguintes axiomas forem vlidos:
Axioma 1: Para todo evento E, 1 0 E P .
O axioma 1 determina que a probabilidade de que o resultado de um
experimento um ponto em E algum nmero entre 0 e 1.
Axioma 2: 1 = S P .
O axioma 2 determina que, com probabilidade igual a 1, o resultado ser um
ponto no espao amostral S.
Axioma 3: Para qualquer seqncia de eventos mutuamente exclusivos K , ,
2 1
E E
(isto , eventos para os quais =
j i
E E quando j i ),
=
=
1 1 i
i
i
i
E P E P
U

DCA/FEEC/Unicamp
9
algumas proposies simples podem ser deduzidas a partir dos axiomas
enumerados acima:
Proposio 1: Dado que E e E
c
so eventos sempre mutuamente exclusivos e,
visto que S E E
c
= , pelos Axiomas 1 e 2 temos que:
c c
E P E P E E P S P + = = = 1 .
de forma equivalente, a equao acima pode ser escrita como:
E P E P
c
= 1 .
em palavras, a proposio 1 afirma que a probabilidade de um evento no
ocorrer igual a 1 menos a probabilidade do evento ocorrer.
Proposio 2:
F E P F P E P F E P + = .
DCA/FEEC/Unicamp
10
para deduzir a frmula para F E P necessrio lembrar que ) ( F E pode
ser escrito como a unio de dois eventos disjuntos E e ) ( F E
c
. Assim,
utilizando o Axioma 3, temos que:
F E P E P
F E E P F E P
c
c
+ =
= ) (

alm disto, como ) ( ) ( F E F E F
c
= , obtemos pelo Axioma 3 que:
F E P F E P F P
c
+ =
ou, de forma equivalente:
F E P F P F E P
c
= ,
completando assim a prova de que
F E P F P E P F E P + = .
DCA/FEEC/Unicamp
11
esta proposio pode tambm ser demonstrada utilizando o diagrama de Venn
mostrado abaixo.
S
II III I
F E

as divises no diagrama mostram trs sees mutuamente exclusivas. Em
palavras, a seo I representa todos os pontos em E que no esto em F (isto ,
c
F E ); a seo II representa todos os pontos que esto tanto em E quanto
em F (isto , F E ), e a seo III representa todos os pontos em F que no
esto em E (isto , F E
c
).
DCA/FEEC/Unicamp
12
do diagrama de Venn, observamos que:
III II
II I
III II I
=
=
=
F
E
F E

como I, II e III so mutuamente exclusivos, temos pelo Axioma 3 que:
III II
II I
III II I
P P F P
P P E P
P P P F E P
+ =
+ =
+ + =

mostrando que
II P F P E P F E P + = .
visto que F E = II , temos ento:
F E P F P E P F E P + = ,
que conhecida como a lei de adio de probabilidades.
DCA/FEEC/Unicamp
13
em palavras, pode ser expressa como:
A probabilidade do evento E ou do evento F ocorrer a soma de
suas probabilidades em separado menos a probabilidade de ambos
ocorrerem. No caso dos eventos E e F serem mutuamente
exclusivos, eles no tero pontos em comum e, portanto,
0 = F E P . Neste caso, F P E P F E P + = , como j
indicado pelo axioma 3.

maiores detalhes sobre definies, axiomas, e exemplos envolvendo teoria de
probabilidade consultar material de apoio (PAPOULIS, 1991, caps. 1 e 2)
DCA/FEEC/Unicamp
14
3 O conceito de varivel aleatria
ao se arremessar um dado, sabido que o valor da face que ficar para cima
vai ser um nmero entre 1 e 6, mas no possvel predizer este valor.
quando uma lmpada entra em operao, o seu tempo de vida tambm no
pode ser predito.
nestes dois casos, uma varivel aleatria ou estocstica.
arremesso de dado e lmpada em operao so experimentos.
o conjunto {1, 2, 3, 4, 5, 6} e o intervalo real de unidades de tempo [0, +)
so os espaos amostrais correspondentes.
so eventos:
# nmero par na face que ficou para cima: E = {2, 4, 6};
# lmpada com tempo de vida inferior a 400 unidades de tempo:
E = [0, 400).
DCA/FEEC/Unicamp
15
logo, uma varivel aleatria uma funo que aloca um ponto do espao
amostral a cada resultado de um experimento aleatrio. Dito de outro modo,
uma varivel aleatria uma funo associada a um experimento, sendo que a
realizao do experimento leva esta varivel a assumir um valor dependente
do acaso, mas pertencente ao respectivo espao amostral.
cada vez que um experimento realizado, o resultado obtido indica a
ocorrncia ou no de um determinado evento (subconjunto do espao
amostral).
Formalizao do conceito: Uma varivel aleatria uma funo com as
seguintes propriedades:
# assume valores no espao amostral S de um experimento;
# para todo evento E S, a probabilidade de que assuma um valor x E
aps a realizao do experimento, dada por Px E = PE, bem
definida (embora possa ser desconhecida).
DCA/FEEC/Unicamp
16
como o evento pode ser qualquer, possvel considerar eventos do tipo: E x,
onde x S. Logo, temos que, para todo x S, a probabilidade de que valha
x aps a realizao do experimento, dada por P = x = Px, bem definida.
dado que as probabilidades mencionadas acima so bem definidas, para toda
varivel aleatria, ento sempre possvel obter uma funo distribuio de
probabilidade definida em todo o espao amostral. Geralmente, se emprega a
funo distribuio cumulativa de probabilidade. Para tal, seja x S e suponha
que E(z) = {x | x z}. Ento, a funo distribuio cumulativa de
probabilidade associada varivel aleatria dada na forma:
z x x P z E P z E x P z F = = =
| ) ( ) ( ) (
apesar desta definio de funo distribuio de probabilidade ser muito
genrica (atende a qualquer tipo de varivel aleatria), apenas uma quantidade
reduzida de tipos de distribuio so verificados em aplicaes prticas.
DCA/FEEC/Unicamp
17
neste ponto do texto, o mais importante dividir estes poucos tipos em duas
classes:
1. distribuies discretas: ocorrem em experimentos que requerem
contagem. Exemplos: pessoas com menos de 30 anos, mortes por cncer,
produtos com defeito.
2. distribuies contnuas: ocorrem em experimentos que requerem
medidas. Exemplos: tenso eltrica, presso sangnea, vazo de rio.
para cada uma das duas classes, a respectiva funo distribuio de
probabilidade ) (
F ter sempre associada a si:

# uma funo massa de probabilidade ) (
f , no caso discreto;
# uma funo densidade de probabilidade ) (
f , no caso contnuo.
deste modo, o conhecimento do comportamento de uma das funes, ) (
F ou
) (
f , em todo o espao amostral j suficiente para se obter a outra funo.

DCA/FEEC/Unicamp
18
3.1 Distribuies e variveis aleatrias discretas
uma varivel aleatria e sua distribuio de probabilidade so discretas se o
espao amostral (onde assume valores) contm apenas um nmero finito de
elementos ou um nmero infinito, mas contvel, de elementos.
neste caso, a funo massa de probabilidade assume a forma:
= =
=
alhures 0
...) , 2 , 1 ( se
) (
j x z p
z f
j j

e a correspondente funo distribuio de probabilidade dada por:

= =
z x
j
z x
j
j j
j j
p x f z F
que tal

que tal

) ( ) (
onde x
j
, j=1,2,..., so os elementos do espao amostral.
Exemplo: no caso de um dado no-viciado, a varivel aleatria ,
representando a face que ficar para cima aps o arremesso do dado, tem as
seguintes funes massa e distribuio de probabilidade:
DCA/FEEC/Unicamp
19
f
( z )
1 3 4 5 6 2
1
6
F
( z )
z
1 3 4 5 6 2
1
2
1
z

DCA/FEEC/Unicamp
20
em muitas aplicaes, existe o interesse em medidas de probabilidade do tipo
r q
x x P < , ou seja, a probabilidade de que assuma qualquer valor no
intervalo
r q
x x x < , onde x
q
e x
r
no precisam necessariamente ser
elementos de S. Da definio z x x P z F =
| ) ( de funo distribuio de
probabilidade, fica evidente que:
) ( ) (
q r r q
x F x F x x P

= < .
como a varivel aleatria discreta, resulta:
<
= <
r j q
x x x
j
j r q
p x x P
que tal

.
uma conseqncia direta o resultado a seguir:
1
que tal

=
S x
j
j
j
p
DCA/FEEC/Unicamp
21
3.2 Distribuies e variveis aleatrias contnuas
uma varivel aleatria e sua distribuio de probabilidade so contnuas se o
espao amostral (onde assume valores) contm um nmero infinito e
incontvel de elementos.
neste caso, valem as seguintes relaes entre as funes distribuio ) (
F e
densidade ) (
f de probabilidade:
dz
z dF
z f
) (
) (
= e

= =
z
dx x f z x x P z F ) ( | ) (
como no caso discreto, existe o interesse em medidas de probabilidade do tipo
r q
x x P < , ou seja, a probabilidade de que assuma qualquer valor no
intervalo
r q
x x x < , onde x
q
e x
r
no precisam necessariamente ser
elementos de S. Da definio z x x P z F =
| ) ( de funo distribuio de
probabilidade, fica evidente que:
DCA/FEEC/Unicamp
22
) ( ) (
q r r q
x F x F x x P

= < .
para uma varivel aleatria contnua, resulta:

= <
r
q
x
x
r q
dx x f x x P ) ( .
uma conseqncia direta o resultado a seguir:
1 ) ( =
dx x f
Exemplo: uma varivel aleatria com distribuio normal tem as seguintes
funes densidade e distribuio de probabilidade:
f
(z)
z
F
(z)
z

DCA/FEEC/Unicamp
23
3.3 Exemplos de funes densidade de probabilidade
normal: uma varivel aleatria contnua chamada normal ou gaussiana se
sua densidade de probabilidade pode ser expressa na forma:
2
2
2
) (
2
1
) (

=
z
e z f
uniforme: uma varivel aleatria contnua chamada uniforme no intervalo
[x
1
,x
2
] se sua densidade de probabilidade pode ser expressa na forma:

=
alhures 0
se
1
) (
2 1
1 2
x z x
x x z f
binomial: uma varivel aleatria discreta tem uma distribuio binomial de
ordem n se sua densidade de probabilidade pode ser expressa na forma:
DCA/FEEC/Unicamp
24
|
.
|
\
|
=
n
k
k n k
k z q p
k
n
z f
0
) ( ) (
Exemplos: sabendo que a probabilidade de um evento A ocorrer em um dado
experimento p, a probabilidade deste evento A ocorrer k vezes em n k
experimentos (sob as mesmas condies) dada por:
( )
k n k
p p
k
n
k A P
|
.
|
\
|
= 1 vezes ocorrer
e a probabilidade deste evento A ocorrer at k vezes em n k experimentos
(sob as mesmas condies) dada por:
( )
|
.
|
\
|
=
k
r
r n r
p p
r
n
k A P
0
1 vezes at ocorrer
DCA/FEEC/Unicamp
25
3.4 Mdia e varincia da distribuio
a funo distribuio de probabilidade ) (
F , ou equivalentemente a funo
massa ou densidade de probabilidade ) (
f , determinam completamente uma

varivel aleatria. Sendo assim, parmetros e propriedades (como simetria) da
varivel aleatria podem ser obtidos a partir destas funes de probabilidade.
dado o tipo de distribuio e na presena de simetria, a mdia e a varincia
passam a descrever completamente a varivel aleatria.
Definio 1: o valor mdio ou a mdia de uma varivel aleatria dado por:
#

=
j
j j
x f x ) ( , para o caso discreto (o somatrio sobre todos os
valores possveis de j);
#
= dx x xf ) ( , para o caso contnuo.

a mdia tambm conhecida como esperana matemtica: E[] = .
DCA/FEEC/Unicamp
26
por hiptese, suposto que a srie (caso discreto) converge absolutamente e
que a integral (caso contnuo) existe (tem um valor finito).
Definio 2: a distribuio dita ser simtrica em relao a um valor c se
) ( ) ( z c f z c f = + .
Teorema 1: Se uma distribuio simtrica em relao a um valor c e tem
mdia , ento = c.
Definio 3: A varincia de uma distribuio denotada por
2
, sendo dada
por:
# ( )

=
j
j j
x f x ) (
2
2
, para o caso discreto (o somatrio sobre todos
os valores possveis de j);
# ( )
= dx x f x ) (
2
2
, para o caso contnuo.
por hiptese, suposto que a srie (caso discreto) converge absolutamente e
que a integral (caso contnuo) existe (tem um valor finito).
DCA/FEEC/Unicamp
27
com exceo do caso em que f(z) = 1 em um nico ponto e se anula alhures,
para o qual resulta
2
= 0, em todos os outros casos, sempre vai ocorrer
2
> 0.
Definio 4: A raiz quadrada da varincia denominada desvio padro, tendo
por notao .
como conseqncia, a varivel aleatria

=
N

tem mdia zero e varincia unitria.
3.5 Momentos
Definio 5: Para qualquer varivel aleatria e qualquer funo contnua
g(): , a esperana matemtica de g() dada por:
DCA/FEEC/Unicamp
28
# [ ]

=
j
j j
x f x g g E ) ( ) ( ) ( , para o caso discreto (o somatrio sobre
todos os valores possveis de j);
# [ ]

+

= dx x f x g g E ) ( ) ( ) ( , para o caso contnuo.

tomando ( )
k
g = , k = 1, 2, ..., as esperanas matemticas acima representam
o k-simo momento de .
tomando ( ) ( )
k
g = , k = 1, 2, ..., as esperanas matemticas acima
representam o k-simo momento central de .
lembre-se que o operador esperana matemtica linear, ou seja:
# [ ] [ ] [ ]
2 1 2 1
x E x E x x E + = + ;
# [ ] [ ] x E x E = , com determinstico e constante.
DCA/FEEC/Unicamp
29
4 Medidas amostrais
mdia amostral (N amostras):
=
=
N
k
k
x
N
x
1
1

varincia amostral: ( )
=
N
k
k
x x
N
1
2 2
1
1

desvio padro amostral: ( )
=
N
k
k
x x
N
1
2
1
1

covarincia amostral: ( )( )
=
N
k
j jk i ik ij
x x x x
N
1
1
1

coeficiente de correlao amostral:
j i
ij
ij
r

=

DCA/FEEC/Unicamp
30
5 Probabilidade Condicional e a Regra de Bayes
mesmo no sabendo qual teoria do mundo a correta, necessrio tomar
decises, e elas estaro baseadas em alguma teoria do mundo.
como validar as teorias do mundo a partir da experincia?
dois conceitos so fundamentais aqui:
$ dado: instanciao de uma varivel aleatria (ou vetor de variveis
aleatrias);
$ hiptese: teoria de como o mundo funciona.
vamos trabalhar daqui em diante com um problema didtico. Considere a
existncia de 5 hipteses para descrever o contedo de uma caixa enorme
repleta de bolas em seu interior (idealmente, o nmero de bolas deveria ser
infinito):

DCA/FEEC/Unicamp
31
$ h
1
: 100% das bolas so azuis;
$ h
2
: 75% das bolas so azuis e 25% so vermelhas;
$ h
3
$ h
4
$ h
5
: 100% das bolas so vermelhas.
dada uma caixa, a varivel aleatria H denota o tipo de caixa, podendo
assumir os valores h
1
, h
2
, ..., h
5
.
suponha que H no diretamente observvel (no h nenhum rtulo indicando
o tipo de caixa).
quando as bolas so retiradas, dados so observados: d
1
, d
2
, ..., d
N
.
cada d
j
, j=1,...,N, uma varivel aleatria que pode assumir os valores azul
ou vermelha.
se o nmero de bolas for infinito, ento no h necessidade de reposio da
bola retirada. Caso contrrio, a reposio necessria.
Tarefa: predizer a cor da prxima bola a partir dos dados j observados.
DCA/FEEC/Unicamp
32
embora seja uma tarefa simples, necessrio inferir uma teoria acerca de
como o mundo funciona.
a inferncia bayesiana indica a probabilidade de cada hiptese, a partir dos
dados j observados, e o resultado do uso de todas as hipteses, devidamente
ponderadas.
repare que no se adota aqui a escolha da hiptese mais provvel para se
executar a tarefa de predio. Logo, a predio se transforma em um problema
de inferncia probabilstica.
seja [ ]
T
N
d d d L
2 1
= d o vetor de dados j observados. Pela regra de
Bayes, a probabilidade de cada hiptese dada por:
i i i
h P h P h P d d =
onde um fator de normalizao definido de modo que 1
5
1
=
= i
i
h P d .
DCA/FEEC/Unicamp
33
duas quantidades-chaves na abordagem bayesiana so:
$ probabilidade a priori de cada hiptese:
i
h P , tal que 1
5
1
=
= i
i
h P ;
$ probabilidade dos dados, condicionada hiptese:
i
h P d .

i
h P indica o grau inicial de veracidade da hiptese.

i
h P d indica o quo bem os dados so explicados pela hiptese.
d
i
h P indica o novo grau de veracidade da hiptese, condicionada aos
dados, ou seja, o quo bem a hiptese explicada pelos dados.
supondo que as observaes so i.i.d. (independently and identically
distributed), o que bastante razovel quando o nmero de bolas tende a
infinito, ento a probabilidade dos dados, condicionada hiptese dada por:
=
=
N
j
i j i
h d P h P
1
d
DCA/FEEC/Unicamp
34
seja d
N+1
a varivel aleatria que indica a cor da prxima bola.
a probabilidade desta varivel assumir uma cor especfica, condicionada aos
dados j observados, dada por:
=
+ +
=
5
1
1 1
i
i N i N
h d P h P d P d d
a parcela
i N
h d P
1 +
indica a probabilidade daquela cor especfica ocorrer sob
a hiptese h
i
. E d
1 + N
d P a soma destas probabilidades ponderadas pelo
grau de veracidade da hiptese correspondente ( d
i
h P ).
em outras palavras, a probabilidade de uma cor especfica uma mdia
ponderada das probabilidades desta cor especfica nas hipteses individuais.
com isso, as hipteses representam apenas peas intermedirias entre os dados
observados e a predio da cor da prxima bola.

DCA/FEEC/Unicamp
35
Evoluo das probabilidades supondo que todas as observaes
correspondem a bolas vermelhas.
Probabilidades a priori: Ph
1
=0.1 / Ph
2
=0.2 / Ph
3
=0.4 / Ph
4
=0.2 / Ph
5
=0.1

N
DCA/FEEC/Unicamp
36
Evoluo da probabilidade de que a prxima bola seja vermelha, supondo
que todas as observaes correspondem a bolas vermelhas.

N
DCA/FEEC/Unicamp
37
6 Referncias
BULMER, M.G. Principles of Statistics, Dover, 1979.
DOS REIS, S.F. Introduo ao Estudo de Probabilidade, Notas de Aula do Curso de Gentica Populacional
Terica, IB/Unicamp, 2001.
EVANS, D.H. Probability and Its Applications for Engineers, ASQC Quality Press, 1992.
KREYSZIG, E. Advanced Engineering Mathematics, 7th edition, John Wiley & Sons, 1993.
LINDGREN, B.D. Statistical Theory, Macmillan Publishing Company, 1976.
LIPSCHUTZ, S. Theory and Problems of Probability, McGraw-Hill Book Company, 1965.
MARDIA, K.V., KENT, J.T. & BIBBY, J.M. Multivariate Analysis, Academic Press, 1979.
MONTGOMERY, D.C. & RUNGER, G.C. Applied Statistics and Probability for Engineers, John Wiley & Sons,
1994.
MOOD, A.M. & GRAYBILL, F.A. Introduction to the Theory of Statistics, McGraw-Hill Book Company, 1963.
PAPOULIS, A. Probability, Random Variables, and Stochastic Processes, Third Edition, McGraw-Hill, 1991.
ROSS, S. A First Course in Probability, Macmillan Publishing Company, 1984.
WALPOLE, R.E. & MYERS, R.H. Probability and Statistics for Engineers and Scientists, Fifth Edition,
Macmillan Publishing Company, 1993.

Processos Estocásticos

Transféré par

Informations du document

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

Processos Estocásticos

Transféré par

Droits d'auteur :

Formats disponibles

EA932 - Prof.

F ter sempre associada a si:

f , em todo o espao amostral j suficiente para se obter a outra funo.

f , determinam completamente uma

= dx x xf ) ( , para o caso contnuo.

= dx x f x g g E ) ( ) ( ) ( , para o caso contnuo.

Vous aimerez peut-être aussi