Baixe o app para aproveitar ainda mais
Prévia do material em texto
Universidade Presbiteriana Mackenzie Curso de Engenharia Ele´trica Pra´ticas de Engenharia Ele´trica II Notas de Aula Prof. Marcio Eisencraft Primeiro semestre de 2006 Práticas de Engenharia Elétrica 2 – Aula 1 – Professor Marcio Eisencraft – julho 2005 1 Universidade Presbiteriana Mackenzie Práticas de Engenharia Elétrica II Professor Marcio Eisencraft (marcioft@mackenzie.com.br) 2° semestre 2005 1. Objetivos Apresentar uma introdução à modelagem de sinais e sistemas através de variáveis aleatórias e processos estocásticos. Estes conceitos são muito im- portantes para o Engenheiro Elétrico atual sendo aplicado em diversas á- reas como: o Telecomunicações; o Automação e Controle (Controle estocástico) o Projeto e dimensionamento de redes de computadores o Projeto e dimensionamento de redes de Distribuição de energia o Estudos de Engenharia biomédica o Mercados financeiros. 2. Metodologia das aulas Aulas expositivas utilizando transparências e quadro negro. 3. Conteúdo programático O curso abordará: 1. Probabilidades (PEEBLES, 1993; p. 1-38) 2. A Variável Aleatória (PEEBLES, 1993; p.39-74). 3. Operações sobre uma variável – Esperança (PEEBLES, 1993; pp. 75-99). 4. Múltiplas variáveis aleatórias (PEEBLES, 1993; p. 100-133). 5. Operações sobre múltiplas variáveis (PEEBLES, 1993; p. 134-162). Práticas de Engenharia Elétrica 2 – Aula 1 – Professor Marcio Eisencraft – julho 2005 2 6. Processos aleatórios (PEEBLES, 1993; p. 163-198). 4. Avaliação A média do aluno será formada por três provas (P1, P2 e PAF). A média final será calculada como: 4 221 PAFPPMF ++= As provas serão realizadas no horário das aulas nos seguintes dias: PROVA Turma 10F (5ª 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 estão organizadas aula a aula e estão disponíveis na página do curso http://meusite.mackenzie.com.br/marcioft/. Livros que serão usados durante o semestre: COSTA NETO, P. L. O. Probabilidades: resumos teóricos, exercícios re- solvidos, exercícios propostos [por] Pedro Luiz de Oliveira Neto [e] Mel- vin Cymbalista. São Paulo: Edgard Blücher, 1993. DEVORE, J. L. Probability and Statistics for Engineering and the Sciences, 6th edition, New York: Duxbury, 2003. HSU, H. Schaum´s outline Theory and Problems of Probability, random variables, and random processes, New York: McGraw-Hill, 1997. Práticas de Engenharia Elétrica 2 – Aula 1 – Professor Marcio Eisencraft – julho 2005 3 HSU, H. Schaum´s 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. Estatística aplicada e probabilidade para enge- nheiros, 2ª edição, 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 questões a serem debatidas no curso 1. (PEEBLES, 1993; p.69) A central de um sistema de intercomunicação pro- vê música para seis quartos de um hospital. A probabilidade de que cada quarto seja ativado e consuma potência a qualquer instante é 0,4. Quando ativado, o quarto consome 0,5W. (a) Encontre e faça um gráfico das funções distribuição e densidade para a va- riável aleatória “potência fornecida pela central”. Práticas de Engenharia Elétrica 2 – Aula 1 – Professor Marcio Eisencraft – julho 2005 4 (b) Se o amplificador da estação principal fica sobrecarregado quando mais do que 2W é necessário, qual a probabilidade de sobrecarga? 2. A potência refletida por uma aeronave com um formato complexo é rece- bida por um radar e pode ser descrita por uma variável aleatória exponen- cial P . A densidade de P é, portanto, ( ) ⎪⎩ ⎪⎨ ⎧ >= − contrário caso , 0 0 ,1 0 0 Pe PPf P P P em que 0P é o valor médio da potência recebida. Em um instante particular, P pode ter um valor diferente do seu valor médio. Qual a probabilidade de que a potência recebida seja maior do que o seu valor médio? 3. Uma tensão aleatória X tem densidade gaussiana segundo ( ) ( ) 2 2 2 22 1 X Xax X X exf σ πσ −−= Esta tensão é aplicada a um amplificador linear que gera em sua saída a tensão ( ) baXXTY +== . Determine a função densidade de probabilidade de Y , ( )yfY . 4. (PEEBLES, 1993; p.173) Num sistema de controle, sabe-se que uma ten- são aleatória X tem média 21 −== mX V e momento de segunda ordem 92 2 == mX V2. Se a tensão X é amplificada por um amplificador que for- nece como saída 25,1 +−= XY encontre 2Xσ , Y , 2Y , 2Yσ e XYR . 5. (HSU, 2003; p. 149) Todos os dispositivos e máquinas produzidos falham mais cedo ou mais tarde. Se a taxa de falha é constante, o tempo até uma Práticas de Engenharia Elétrica 2 – Aula 1 – Professor Marcio Eisencraft – julho 2005 5 falha T é modelado por uma variável aleatória exponencial. Suponha que se descobriu que uma classe particular de chips de memória para computa- dores tem uma lei de falha exponencial dada por: ( ) ( )tuaetf atT −= , com t em horas. (a) Medidas mostraram que a probabilidade de que o tempo de falha exceda 104 horas para chips desta classe é de 1−e ( 368,0≈ ). Calcule o valor do parâme- tro a para este caso. (b) Usando o valor do parâmetro a determinado na parte (a), calcule o tempo 0t tal que a probabilidade de que o tempo de falha seja menor do que 0t seja de 0,05. 6. (PEEBLES, 1993; p. 71) Uma linha de produção fabrica resistores de 1000Ω que devem satisfazer uma tolerância de 10%. (a) Se a resistência é descrita adequadamente por uma variável aleatória gaus- siana X com 1000=Xa Ω e 40=xσ Ω, qual fração de resistores espera-se que seja rejeitada? (b) Se a máquina não está ajustada corretamente, os resistores produzidos pas- sam a ter 1050=Xa Ω (5% de erro). Qual fração será rejeitada agora? 7. (GIROD et al., 2003; p. 224) A figura a seguir mostra dois processos alea- tórios A e B que possuem valores esperados idênticos. Porém, as funções- amostra do processo A variam mais lentamente no tempo do que as do processo B . O que pode se esperar das funções de autocorrelação dos pro- cessos A e B ? Práticas de Engenharia Elétrica 2 – Aula 1 – Professor Marcio Eisencraft – julho 2005 6 Práticas de Engenharia Elétrica 2 – Aula 2 – Professor Marcio Eisencraft – julho 2005 1 Aula 2 - Probabilidades - Definição 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. Introdução ao curso e ao capítulo Ö Os objetivos principais deste curso são introduzir os princípios de sinais aleatórios e prover as ferramentas através das quais pode-se lidar com sis- temas envolvendo tais sinais. Ö Para chegar a esses objetivos, talvez a primeira coisa que deve ser feita é definir o que é um sinal aleatório: Sinal aleatório (ou randômico) é uma forma de onda que pode ser caracteri- zada apenas de uma maneira probabilística. Em geral, pode ser umaforma de onda desejada ou não. Exemplos: O ruído de fundo ouvido quando escutamos uma rádio. A forma de onda causadora do ruído, se observada em um osciloscópio, apareceria como uma tensão flutuando aleatoriamente com o tempo. Ela é indesejável já que interfere com nossa habilidade de ouvir o programa de rádio e é chamada de ruído. Num sistema de televisão, o ruído aparece na forma de interferência de i- magem, freqüentemente chamada de “snow”. Num sistema sonar, sons do mar gerados de forma aleatória geram ruídos que interferem com os ecos desejados. Práticas de Engenharia Elétrica 2 – Aula 2 – Professor Marcio Eisencraft – julho 2005 2 Bits em uma comunicação entre computadores parecem flutuar aleatoria- mente com o tempo entre os níveis zero e um gerando um sinal aleatório. A saída de tensão em um gerador eólico é aleatória por cauda da variação randômica da velocidade do vento. A tensão de um detector solar varia aleatoriamente devido à imprevisibili- dade das condições das nuvens e do tempo. A tensão de um analisador de vibração acoplado a um carro dirigido sobre um terreno irregular Para definir precisamente as características de um sinal aleatório precisa- mos dos conceitos da teoria das probabilidades. 1.1. Definições de conjuntos Um conjunto é uma coleção de objetos. Os objetos são chamados de ele- mentos do conjunto. Existem dois modos para especificar os elementos de um conjunto: o método tabular – todos os elementos são enumerados explicita- mente. Exemplo: { }9;8;7;6 . o método da regra – o conteúdo do conjunto é determinado por uma regra. Exemplo: { }10 e 5 entre inteiros . Um conjunto é dito enumerável se seus elementos podem ser postos em correspondência 1-a-1 (biunívoca) com os números naturais. Caso contrá- rio será não-enumerável. Um conjunto é dito vazio (φ ) se não possui elementos. Um conjunto finito é aquele que contém um número finito de elementos. Caso contrário será infinito. Dois conjuntos, A e B, são disjuntos ou mutuamente exclusivos se não têm nenhum elemento em comum. Práticas de Engenharia Elétrica 2 – Aula 2 – Professor Marcio Eisencraft – julho 2005 3 Exercícios 1. Os conjuntos a seguir representam os possíveis valores que podem ser ob- tidos na medição de certa corrente: { } { } { }5,85,0 ;3;2;1 7;5;3;1 ≤<= = = cC B A " { } { } { }125 14;12;10;8;6;4;2 0 ≤<−= = = fF E D Determine se são finitos ou não, enumeráveis ou não e especificados de forma tabular ou por regra. 2. Ainda com relação aos conjuntos do exercício anterior, diga se é verdadei- ro ou falso: (a) BA ⊂ (d) FC ⊂ (b) CA ⊂ (e) FD ⊄ (c) FA ⊄ (f) BE ⊂ 3. Escreva todos os pares de conjuntos que são mutuamente exclusivos. o O conjunto que contém todos os objetos em discussão é chamado de con- junto universo ( S ). Exercício 4. Suponha que se considere o problema de jogar um dado. Estamos interes- sados nos números que aparecem na face superior. Pede-se: (a) Escreva o conjunto universo S de todos os resultados possíveis. (b) Num jogo, suponha que uma pessoa ganhe se sair um número ímpar. Es- creva o conjunto A dos resultados que interessam a esta pessoa. Práticas de Engenharia Elétrica 2 – Aula 2 – Professor Marcio Eisencraft – julho 2005 4 (c) Suponha que uma outra pessoa vence se sair um número 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. Operações com conjuntos Igualdade e diferença o Dois conjuntos A e B são iguais se todos os elementos de A estão presen- tes em B e vice-versa. o A diferença de dois conjuntos BA − é o conjunto contendo todos os ele- mentos de A que não estão em B . União e intersecção o A união de dois conjuntos ( BA∪ ) é o conjunto de todos os elementos per- tencentes a A , B ou ambos. o A intersecção de dois conjuntos ( BA∩ ) é o conjunto de elementos comuns a A e B . Se A e B forem mutuamente exclusivos, φ=∩ BA . Complemento o O complemento de um conjunto A , denotado por A é o conjunto de todos os elementos que não estão em A . Exercício 5. Dados os conjuntos: { }12inteiros1 ≤≤=S { }11;10;9;8;7;6;2=B { }12,5,3,1=A { }8;7;6;4;3;1=C pede-se: (a) BA∪ (d) BA∩ (g) A (b) CA∪ (e) CA∩ (h) B (c) CB ∪ (f) CB ∩ (i) C Práticas de Engenharia Elétrica 2 – Aula 2 – Professor Marcio Eisencraft – julho 2005 5 Álgebra de conjuntos o Valem as propriedades comutativa, distributiva e associativa para união e intersecção. 1.3. Probabilidade introduzida através de conjuntos Experimentos e espaços amostrais o Espaço amostral: conjunto de todos os possíveis resultados de um experi- mento. Símbolo: S . Espaços amostrais discretos e contínuos o O espaço amostral é dito discreto se S é enumerável. O espaço amostral é dito contínuo se S é não-enumerável. Eventos o Um evento é definido como um subconjunto do espaço amostral. Como um evento é um conjunto, todas as definições e operações anteriores aplicadas a conjuntos se aplicam a eventos. Por exemplo, se dois eventos não têm re- sultados comuns eles serão mutuamente exclusivos. Definição de probabilidade e axiomas o A cada evento definido no espaço amostral S associa-se um número não negativo chamado de probabilidade. A probabilidade é, portanto uma fun- ção; é uma função dos eventos definidos. Adota-se a notação ( )AP para a “probabilidade do evento A ”. o A probabilidade deve satisfazer os seguintes axiomas para quaisquer even- tos definidos num espaço amostral S : Práticas de Engenharia Elétrica 2 – Aula 2 – Professor Marcio Eisencraft – julho 2005 6 Axioma um: ( ) 0≥AP Axioma 2: ( ) 1=SP Axioma três: ( )∑ == =⎟⎟⎠ ⎞⎜⎜⎝ ⎛ N n n N n n APAP 11 ∪ se φ=∩ nm AA Modelo matemático de experimentos o Para resolver problemas de probabilidades são necessários 3 passos: (1) estabelecimento do espaço amostral (2) definição dos eventos de interesse (3) associar probabilidade aos eventos de forma que os axiomas sejam satisfei- tos Exercício 6. Um experimento consiste em observar a soma dos números que saem quando dois dados são jogados. Determine a probabilidade dos seguintes eventos: (a) { }7soma ==A (b) { }11soma8 ≤<=B (c) { }soma10 <=C 7. [PEEBLES, p. 30] Um dado é jogado. Encontre a probabilidade dos even- tos { }obtido éímpar número um=A , { }obtido é 3 que domaior número um=B , BA∪ e BA∩ . Práticas de Engenharia Elétrica 2 – Aula 3 – Professor Marcio Eisencraft – julho 2005 1 Aula 3 - Probabilidade conjunta e condicional Independência estatística Bibliografia PEEBLES, P. Z. Probability, random variables and random signal principles. 3rd edition, New York: McGraw-Hill, 1993. Páginas 13 – 35. LATHI, B. P. Modern Digital and Analog Communication Systems, 3rd edition, New York: Oxford Uni- versity, 1998. Páginas 439 – 445. 1.4. Probabilidade conjunta e condicional Probabilidade conjunta Ö ( )BAP ∩ é chamada de probabilidade conjunta para dois eventos A e B que se interceptam no espaço amostral. Ö Estudando um diagrama de Venn, obtém-se: ( ) ( ) ( ) ( ) ( ) ( )BPAPBAPBPAPBAP +≤∩−+=∪ . Portanto, ( ) ( ) ( ) ( )BAPBPAPBAP ∪−+=∩ Para eventos mutuamente exclusivos, ( ) φ=∩ BAP e ( ) ( ) ( )BAPBPAP ∪=+ . Probabilidade condicional Dado um evento B com probabilidade não-nula, define-se a probabilidade condicional de um evento A , dado B , como: ( ) ( )( )BP BAPBAP∩= Práticas de Engenharia Elétrica 2 – Aula 3 – Professor Marcio Eisencraft – julho 2005 2 Exercício 1. Em uma caixa existem 100 resistores tendo a resistência e a tolerância mostradas na tabela a seguir: Figura 1 – Resistores em uma caixa (PEBLES, 1993). Considere que um resistor é selecionado da caixa e assuma que cada resistor tem a mesma possibilidade de ser escolhido. Defina três eventos: A como “se- lecionar um resistor de 47Ω”, B como “selecionar um resistor com tolerância de 5%” e C como “selecionar um resistor de 100Ω”. A partir da tabela, de- termine as seguintes probabilidades: (a) ( )AP (b) ( )BP (c) ( )CP (d) ( )BAP ∩ (e) ( )CAP ∩ (f) ( )CBP ∩ (g) ( )BAP (h) ( )CAP (i) ( )CBP Probabilidade Total Dado N eventos mutuamente exclusivos nB , Nn ,,2,1 …= , cuja união seja o espaço amostral S , a probabilidade de qualquer evento A pode ser escrita como: Práticas de Engenharia Elétrica 2 – Aula 3 – Professor Marcio Eisencraft – julho 2005 3 ( ) ( ) ( )∑ = = N n nn BPBAPAP 1 Figura 2 – N eventos mutuamente exclusivos nB e A (PEEBLES, 1993). Teorema de Bayes O Teorema de Bayes, um dos mais importantes e usados na área de proba- bilidades e na teoria de estimação estabelece que: ( ) ( ) ( )( )AP BPBAP AP nn=nB . Usando a probabilidade total, Práticas de Engenharia Elétrica 2 – Aula 3 – Professor Marcio Eisencraft – julho 2005 4 ( ) ( ) ( )( ) ( ) ( ) ( ) ( ) ( )NN nn BPBAPBPBAPBPBAP BPBAP AP +++= "2211n B . As probabilidades ( )nBP são geralmente chamadas de probabilidades a priori já que são aplicadas a eventos antes de ocorrer o experimento. As probabilidades ( )ABP n são chamadas de a posteriori já que elas se apli- cam quando um evento A é obtido. Exercício 2. Um sistema de comunicação binário elementar consiste de um transmissor que envia um de dois símbolos possíveis (1 ou 0) sobre um canal para o re- ceptor. O canal ocasionalmente causa erros de forma que um 1 é detectado quando foi transmitido um zero e vice-versa. O espaço amostral tem dois elementos (0 ou 1). Denota-se por iB , 2,1=i , como os eventos “o símbolo antes do canal é um” e “o símbolo antes do canal é zero”, respectivamente. Além disso, define-se iA , 2,1=i , como os eventos “o símbolo depois do canal é um” e “o símbolo depois do canal é zero”, respectivamente. Assume-se que as probabilidades de que os símbolos um e zero sejam sele- cionados para transmissão sejam ( ) 6,01 =BP e ( ) 4,02 =BP . O seguinte diagrama mostra as probabilidades condicionais que descrevem o efeito que o canal tem sobre os símbolos transmitidos: Práticas de Engenharia Elétrica 2 – Aula 3 – Professor Marcio Eisencraft – julho 2005 5 Figura 3 – Sistema de comunicação binário simétrico [PEEBLES]. Pede-se: (a) as probabilidades de se receber um um e de receber um 0 ( )1AP e ( )2AP . (b) as probabilidades de acerto de bit ( )11 ABP e ( )22 ABP . (c) as probabilidades de erro de bit ( )12 ABP e ( )21 ABP . 1.5. Eventos independentes Sejam dois eventos A e B tais que ( ) 0≠AP e ( ) 0≠BP . Dizemos que estes eventos são estatisticamente independentes se a probabilidade de ocorrên- cia de um evento não afeta a ocorrência do outro evento. Matematicamen- te, temos: ( ) ( )APBAP = e ( ) ( )BPABP = Por substituição no teorema de Bayes, temos que, para eventos estatistica- mente independentes, Práticas de Engenharia Elétrica 2 – Aula 3 – Professor Marcio Eisencraft – julho 2005 6 ( ) ( ) ( )BPAPBAP ⋅=∩ Cuidado: não confundir independência estatística com eventos mutuamente exclusivos. Dois eventos serem independentes significa que a ocorrência de um não depende, não é influenciado, pela ocorrência do outro. Dois even- tos serem mutuamente exclusivos significa que um não pode ocorrer se ou- tro ocorreu. Em suma, A e B Independentes: ( ) ( ) ( )BPAPBAP ⋅=∩ A e B mutuamente exclusivos: ( ) 0=∩BAP Pelas definições, dois eventos não podem ser simultaneamente independen- tes e mutuamente exclusivos. Exercícios 3. Em um experimento, uma carta é 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 ( )AP , ( )BP e ( )CP . (b) Determine as probabilidades conjuntas ( )BAP ∩ , ( )CBP ∩ e ( )CAP ∩ . (c) Determine se os pares A e B , A e C e B e C são estatisticamente inde- pendentes ou não. 4. Considere a retirada de quatro cartas de um conjunto com 52 cartas. Sejam os eventos 4321 ,,, AAAA definidos como a retirada de um ás na primei- Práticas de Engenharia Elétrica 2 – Aula 3 – Professor Marcio Eisencraft – julho 2005 7 ra, segunda, terceira e quarta tentativas. Determine a probabilidade conjun- ta ( )4321 AAAAP ∩∩∩ (ou seja, retirar quatro ases seguidos) nos seguintes casos: (a) cada carta é recolocada no baralho após ser retirada. (b) as cartas retiradas não são retornadas ao baralho. Em qual dos dois experimentos os eventos 4321 ,,, AAAA são independen- tes? 1.6. Tentativas de Bernoulli Problema: Seja A com ( ) pAP = um evento elementar tendo um de dois possíveis 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 é chamado de tentativas de Ber- noulli (“Bernoulli trials”). Pode-se mostrar que: ( ) ( ) kNk pp k N kAP −−⎟⎟⎠ ⎞ ⎜⎜⎝ ⎛= 1 vezes exatamenteocorrer , com ( )!! ! kNk N k N −=⎟⎟⎠ ⎞ ⎜⎜⎝ ⎛ . Quando N é muito grande, uma aproximação para a fórmula acima é a a- proximação de De Moivre-Laplace: ( ) ( ) ( ) ( )⎥⎦ ⎤⎢⎣ ⎡ − −−−= pNp Npk pNp kAP 12 exp 12 1 vezes exatamenteocorrer 2 π Práticas de Engenharia Elétrica 2 – Aula 3 – Professor Marcio Eisencraft – julho 2005 8 Exercícios 5. Um submarino deseja afundar um porta-aviões. Ele terá sucesso apenas se dois ou mais torpedos atingirem a embarcação. Se o submarino dispara três torpedos e a probabilidade de cada torpedo atingir o alvo é 0,4, qual a pro- babilidade do porta-aviões naufragar? 6. Em uma cultura usada para pesquisa biológica, o crescimento inevitável de bactérias ocasionalmente estraga os resultados de um experimento que re- quer pelo menos três de quatro culturas não estejam contaminadas para se obter um ponto de dado. Experiências mostram que cerca de 6 em cada 100 culturas são aleatoriamente contaminadas por bactérias. Se um experimento requer três pontos de dados, encontre a probabilidade de sucesso para um conjunto de 12 culturas (três pontos de dados usando quatro culturas cada). 7. Suponha que certa arma automática 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 aproximação de De Moivre-Laplace). 8. (PEEBLES, 1993; p. 32) Uma companhia vende amplificadores de alta fi- delidade capazes de gerar potências de 10, 25 e 50W. Ela tem em mãos 100 unidades de 10W das quais 15% são defeituosas, 70 unidades de 25W dos quais 10% são defeituosos e 30 dos de 50W dos quais 10% são defeituosos. (a) Qual a probabilidade de que um amplificador vendido entre os de 10W seja defeituoso? Práticas de Engenharia Elétrica 2 – Aula 3 – Professor Marcio Eisencraft – julho 2005 9 (b) Se cada amplificador de potência é 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? Práticas de Engenharia Elétrica 2 – Aula 4 – Professor Marcio Eisencraft – agosto 2005 1 Aula 4 - Variáveis aleatórias Funções densidade e distribuição Bibliografia PEEBLES, P. Z. Probability, random variables and random signal principles. 3rd edition, New York: McGraw-Hill, 1993. Páginas 41 – 51. LATHI, B. P. Modern Digital and Analog Communication Systems, 3rd edition, New York: Oxford Uni- versity, 1998. Páginas 445 – 452. 2. A variável aleatória 2.0. Introdução Neste capítulo é introduzido um conceito que permite definir eventos de uma forma mais consistente. Este novo conceito é o de variáveis aleatórias e se constitui em uma poderosa ferramenta na solução de problemas proba- bilísticos práticos. 2.1. O conceito de variável aleatória Definição de uma variável aleatória Define-se uma variável aleatória real como uma função real dos elementos de um espaço amostral S . Representa-se uma variável aleatória por letras maiúsculas (como W , X ou Y ) e um valor particular que ela assume por letras minúsculas (como w , x ou y ). Assim, dado um experimento definido pelo espaço amostral S com ele- mentos s , atribui-se a cada s o número real ( )sX de acordo com alguma regra e diz-se que ( )sX é uma variável aleatória. Variáveis aleatórias contínuas e discretas Uma variável aleatória é discreta se possui apenas valores discretos. Práticas de Engenharia Elétrica 2 – Aula 4 – Professor Marcio Eisencraft – agosto 2005 2 Uma variável aleatória é contínua se abrange um contínuo de valores. Exercícios 1. Um experimento consiste em jogar um dado e uma moeda. Considere uma variável aleatória X tal que: (1) uma cara (H) corresponde a valores positi- vos de X que são iguais aos números que aparecem no dado e (2) uma co- roa (T) corresponde a valores negativos de X cuja magnitude é o dobro do número que aparece no dado. Pede-se: (a) Represente o espaço amostral deste experimento; (b) Para cada evento s deste espaço amostral, determine ( )sX . 2. Um espaço amostral é definido pelo conjunto { }4;3;2;1=S sendo as probabilidades de seus elementos ( ) 24 41 =P , ( ) 24 32 =P e ( ) 24 73 =P . Definin- do a variável aleatória ( ) 3ssXX == , calcule as probabilidades: (a) { }1=XP (b) { }8=XP (c) { }27=XP (d) { }64=XP 3. Suponha que a temperatura de uma localidade seja modelada como uma variável aleatória contínua T que se sabe encontrar entre -5ºC e 35ºC. A- lém disso, considere que todos os valores { }355 ≤≤− t são igualmente pro- váveis. Calcule: (a) { }10≤TP (b) { }205 ≤≤ TP (c) { }10=TP 2.2. Função distribuição A probabilidade { }xXP ≤ é a probabilidade do evento { }xX ≤ . É um núme- ro que depende de x . Esta função, denotada por ( )xFX , é chamada de fun- Práticas de Engenharia Elétrica 2 – Aula 4 – Professor Marcio Eisencraft – agosto 2005 3 ção distribuição de probabilidade cumulativa da variável aleatória X . As- sim, ( ) { }xXPxFX ≤= Freqüentemente, ( )xFX é chamada de função distribuição de X . O argu- mento x é qualquer número real entre ∞− e ∞ . Propriedades: (1) ( ) 0=∞−XF (2) ( ) 1=∞XF (3) 10 ≤≤ XF (4) ( ) ( )21 xFxF XX ≤ se 21 xx < (5) { } ( ) ( )1221 xFxFxXxP XX −=≤< Exercícios 4. Considere que X assuma valores discretos no conjunto { }3;5,1;7,0;5,0;1 −− . As probabilidades correspondentes são { }2,0;4,0;1,0;2,0;1,0 . Determine e faça um gráfico de ( )xFX . 2.3. Função Densidade A função densidade de probabilidade ( )xf X é definida como a derivada da função de distribuição: ( ) ( ) dx xdFxf XX = Práticas de Engenharia Elétrica 2 – Aula 4 – Professor Marcio Eisencraft – agosto 2005 4 Freqüentemente, chama-se ( )xf X apenas de função densidade da variável aleatória X . Existência ( )xf X existe desde que a derivada de ( )xFX exista. No caso de variáveis aleatórias discretas, pode ser necessária a utilização de funções impulso ( ) ( ) dx xdux =δ para sua representação. Propriedades da função densidade (1) ( )xf X≤0 para todo x (2) ( ) 1=∫∞ ∞− dxxf X (3) ( ) ( )∫ ∞− = x XX dfxF ξξ (4) { } ( )∫=<< 2 1 21 x x X dxxfxXxP Exercícios 5. A tensão contínua X sobre um capacitor é uma variável aleatória cuja fun- ção densidade ( )xg X é dada na figura a seguir: Práticas de Engenharia Elétrica 2 – Aula 4 – Professor Marcio Eisencraft – agosto 2005 5 Figura 2 – Função densidade triangular (PEEBLES, 1993). (a) Determine a para que ( )xg X seja uma função densidade. (b) Para o valor de a do item anterior, determine e esboce ( )xGX . 6. Suponha que uma tensão aleatória X tenha a densidade de probabilidade triangular do exercício anterior com 80 =x , 5=α e 5 11 == αa . Determine a probabilidade { }7,65,4 ≤< XP . 7. A quantidade acessos normalizada a um servidor durante um dia é descrita por uma variável aleatória X que tem distribuição: ( ) ( ) ⎥⎥⎦ ⎤ ⎢⎢⎣ ⎡ −= − b x X exuxF 2 1 Determine a função densidade ( )xf X . 8. (PEEBLES, 2001, p.69) A central de um sistema de intercomunicação provê música para seis quartos de um hospital. A probabilidade de que ca- Práticas de Engenharia Elétrica 2 – Aula 4 – Professor Marcio Eisencraft – agosto 2005 6 da quarto seja ativado e consuma potência a qualquer instante é 0,4. Quan- do ativado, o quarto consome 0,5W. (a) Encontre e faça um gráfico das funções distribuição e densidade para a variável aleatória “potência fornecida pela central”. (b) Se o amplificador da estação principal fica sobrecarregado quando mais do que 2W é necessário, qual a probabilidade de sobrecarga? Práticas de Engenharia Elétrica 2 – Aula 5 – Professor Marcio Eisencraft – agosto 2005 1 Aula 5 - Exemplos de funções densidade e distribuição Bibliografia PEEBLES, P. Z. Probability, random variables and random signal principles. 4ª edição, McGraw-Hill, 2001. Páginas 51 – 65. LATHI, B. P. Modern Digital and Analog Communication Systems, 3ª edição, Oxford University Press, 1998. Páginas 452 – 463. 2. 4. A variável aleatória gaussiana. Uma variável aleatória X é chamada de gaussiana se sua função densidade de probabilidade tem a forma ( ) ( ) 2 2 2 22 1 x xax x X exf σ πσ −− = em que 0>xσ e ∞<<∞− xa são constantes reais. A densidade gaussiana é a mais importante de todas as densidades e apare- ce praticamente em todas as áreas da ciência e da Engenharia. Esta importância vem de sua descrição precisa de muitas quantidades práti- cas e significado no mundo real, especialmente as quantidades resultantes de muitos efeitos aleatórios pequenos que se somam agindo para criar a quantidade de interesse. A função distribuição é dada por: ( ) ( ) ∫ ∞− −− = x a x X dexF x x ξπσ σ ξ 2 2 2 22 1 . Esta integral não tem forma fechada conhecida. Para obter ( )xFX , define- se: Práticas de Engenharia Elétrica 2 – Aula 5 – Professor Marcio Eisencraft – agosto 2005 2 ( ) ∫ ∞− −= x dexF ξπ ξ 2 2 2 1 . Com esta definição, ( ) ⎟⎟⎠ ⎞ ⎜⎜⎝ ⎛ −= x x X axFxF σ A função ( )xF ou a função ( ) ( )xFxQ −= 1 são tabeladas e podem ser encon- tradas em muitos livros para 0≥x . Para 0<x ,usa-se ( ) ( )xFxF −=− 1 . Figura 1 – Valores tabelados de ( )xF [PEEBLES]. Práticas de Engenharia Elétrica 2 – Aula 5 – Professor Marcio Eisencraft – agosto 2005 3 Exercícios 1. A relação sinal-ruído no canal de um sistema de comunicações dada em dB pode ser aproximada por uma variável aleatória gaussiana tendo 3=xa e 2=xσ . Encontre a probabilidade do evento { }5.5≤X . 2. Assuma que a altura das nuvens sobre o solo em um determinado local é uma variável aleatória gaussiana X com 1830=xa m e 460=xσ m. Encontre a probabilidade de que uma nuvem esteja a uma altura superior a 2750m. 3. Seja uma variável aleatória gaussiana para a qual 7=xa e 5,0=Xσ . Encon- tre a probabilidade do evento { }3,7≤X . 2.5. Outros exemplos de distribuições e densidades Binomial Para 10 << p e …,2,1=N então a função ( ) ( ) ( )∑ = −−⎟⎟⎠ ⎞ ⎜⎜⎝ ⎛= N k kk X kxppk N xf 0 1 δ é chamada de função densidade binomial. A densidade binomial pode ser aplicada aos experimentos de Bernoulli. É aplicada a muitos problemas de detecção em radar e sonar e muitos expe- rimentos tendo apenas dois possíveis resultados. Integrando, obtém-se a função distribuição binomial: ( ) ( ) ( )∑ = −−⎟⎟⎠ ⎞ ⎜⎜⎝ ⎛= N k kk X kxuppk N xF 0 1 . A figura a seguir ilustra as funções densidades e distribuição binomial para 6=N e 25,0=p . Práticas de Engenharia Elétrica 2 – Aula 5 – Professor Marcio Eisencraft – agosto 2005 4 Figura 2 – Exemplo de densidade e distribuição binomial [PEEBLES]. Poisson Densidade e distribuição dadas por: ( ) ( )∑∞ = − −= 0 !k k b X kxk bexf δ ( ) ( )∑∞ = − −= 0 !k k b X kxuk bexF em que 0>b é uma constante positiva. Caso limite em que ∞→N e 0→p da distribuição binomial com bNp = . Usada para descrever número de unidades defeituosas numa linha de pro- dução, o número de chamadas telefônicas feitas durante um período de Práticas de Engenharia Elétrica 2 – Aula 5 – Professor Marcio Eisencraft – agosto 2005 5 tempo, o número de elétrons emitidos de uma pequena porção de um cáto- do num intervalo de tempo. Se o intervalo de tempo de interesse tem duração T e os eventos sendo contados ocorrem a uma taxa λ , então b é dado por: Tb λ= Exercício 4. Assuma que a chegada de carros num posto de gasolina é uma distribuição de Poisson e ocorrem a uma taxa média 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 função de transferência são definidas por: ( ) ⎪⎩ ⎪⎨ ⎧ ≤≤−= contrário caso ,0 ,1 bxa abxf X ( ) ⎪⎪⎩ ⎪⎪⎨ ⎧ ≥ <≤− − < = bx bxa ab ax ax xFX ,1 , ,0 para constantes reais ∞<<∞− a e ab > . Práticas de Engenharia Elétrica 2 – Aula 5 – Professor Marcio Eisencraft – agosto 2005 6 Figura 3 – Funções densidade e distribuição uniforme [PEEBLES]. Aplicação importante: quantização de sinais amostrados precedente à codi- ficação em sistemas de comunicações digitais Æ erro introduzido por arre- dondamentos são distribuídos uniformemente. Exponencial As funções distribuição e densidade são: ( ) ( ) ⎪⎩ ⎪⎨ ⎧ < >= −− ax axe bxf b ax X ,0 ,1 ( ) ( ) ⎪⎩ ⎪⎨ ⎧ < >−= −− ax axexF b ax X ,0 ,1 para números reais ∞<<∞− a e 0>b . Práticas de Engenharia Elétrica 2 – Aula 5 – Professor Marcio Eisencraft – agosto 2005 7 Figura 4 – Densidade e distribuição exponencial [PEEBLES]. Aplicações: descrição do tamanho das gotas de chuva, flutuação da inten- sidade de um sinal de radar recebido da reflexão de certas aeronaves. Exercício 5. A potência refletida por uma aeronave com um formato complexo é rece- bida por um radar e pode ser descrita por uma variável aleatória exponen- cial P . A densidade de P é, portanto, ( ) ⎪⎩ ⎪⎨ ⎧ >= − contrário caso , 0 0 ,1 0 0 Pe PPf P P P Práticas de Engenharia Elétrica 2 – Aula 5 – Professor Marcio Eisencraft – agosto 2005 8 em que 0P é o valor médio da potência recebida. Em um instante particular, P pode ter um valor diferente do seu valor médio. Qual a probabilidade de que a potência recebida seja maior do que o seu valor médio? Rayleigh As funções densidade e distribuição de Rayleigh são ( ) ( ) ( ) ⎪⎩ ⎪⎨ ⎧ < ≥−= −− ax axeax bxf b ax X , 0 ,2 2 ( ) ( ) ⎪⎩ ⎪⎨ ⎧ < ≥−= −− ax axexF b ax X , 0 ,1 2 para constantes reais ∞<<∞− a e 0>b . Figura 5 – Funções densidade e distribuição de Rayleigh [PEEBLES]. Práticas de Engenharia Elétrica 2 – Aula 5 – Professor Marcio Eisencraft – agosto 2005 9 Aplicações: descreve a envoltória de um tipo de ruído quando passa por um filtro passa-faixas. Também é importante na análise de erros em vários sis- temas de medição. Exercício 6. O valor 0xx = tal que { } { }00 xXPxXP >=≤ é chamado de mediana de uma distribuição. Determine a mediana de uma distribuição de Rayleigh. 7. [PEEBLES, p.72] Uma tensão aleatória gaussiana X para o qual 0=Xa e 2,4=Xσ V aparece através de um resistor de 100Ω com uma potência má- xima tolerável de 0,25W. Qual a probabilidade de que esta tensão cause uma potência instantânea que exceda a máxima do resistor? Práticas de Engenharia Elétrica 2 – Aula 7 – Professor Marcio Eisencraft – setembro 2005 1 Aula 7 - Questões da Prova P1 1. (SOARES NETO; CYMBALISTA, 1974) Um método A de diagnóstico de certa en- fermidade dá resultados positivos para 80% dos portadores da enfermidade e para 10% dos sãos. Um método B de diagnóstico da mesma enfermidade dá positivo para 70% dos portadores e para 5% dos sãos. Se 15% da população são portadores da dita enfer- midade, calcular a probabilidade: (a) (1,0) de uma pessoa fornecer resultado positivo pelos dois métodos. (b) (1,5) de, entre duas pessoas enfermas, pelo menos uma fornecer resultado positivo por algum método. 2. (SOARES NETO; CYMBALISTA, 1974) Considere dois eventos A e B tais que: ( ) 4 1=AP ; ( ) 2 1=ABP ; ( ) 4 1=BAP . (a) (1,0) Os eventos A e B são mutuamente exclusivos? Justifique. (b) (0,5) Os eventos A e B são independentes? Justifique. (c) (1,0) Calcule ( )BAP , ( ) ( )BAPBAP + e ( )BAP . 3. (HSU, 1996) Seja X uma variável aleatória contínua com função densidade de proba- bilidade: ( ) ⎩⎨ ⎧ <<= contrário caso,0 10, xkx xf X . em que k é uma constante. (a) (0,5) Determine o valor de k e esboce ( )xf X . (b) (1,0) Encontre e esboce a função distribuição de probabilidade correspondente. (c) (1,0) Encontre ⎟⎠ ⎞⎜⎝ ⎛ ≤< 2 4 1 XP . 4. (SOARES NETO; CYMBALISTA, 1974) (2,5) No circuito abaixo é igualmente prová- vel que a chave seletora esteja nas posições A ou B , bem como que os interruptores Práticas de Engenharia Elétrica 2 – Aula 7 – Professor Marcio Eisencraft – setembro 2005 2 P , Q , R , S e T estejam abertos ou fechados. Calcular a probabilidade de que a lâm- pada esteja acesa. Se a lâmpada está acesa, qual a probabilidade de que a chave seletora esteja na posição A ? Práticas de Engenharia Elétrica 2 – Aula 8 – Professor Marcio Eisencraft – outubro 2005 1 Aula 8 - Valor esperado e variância Bibliografia PEEBLES, P. Z. Probability, random variables and random signal principles. 3rd edition, New York: McGraw-Hill, 1993. Páginas 66 – 87. LATHI, B. P. Modern Digital and Analog Communication Systems, 3rd edition, New York: Oxford Uni- versity, 1998. Páginas 463 – 472. 3. Operações sobre uma variável aleatória – Valor esperado 3.0. Introdução Introduziremos neste capítulo algumas operações importantes que podem ser realizadas sobre uma variável aleatória. 3.1. Valor esperado Valor esperado é o nome dado ao processo de tomar uma média quando uma variável aleatória está envolvida. Para uma variável aleatória X , usa-se a notação [ ]XE , que pode ser lida como “a esperança matemática de X ”, “o valor esperado de X ”, “o valor médio de X ” ou “a média estatística de X ”. Ocasionalmente, usa-se a notação X que é lida da mesma forma que [ ]XE , ou seja, [ ]XEX = . Vamos começar com um exemplo: Exercício 1. Noventa pessoas foram selecionadas aleatoriamente e o valor em reais fra- cionário 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, Práticas de Engenharia Elétrica 2 – Aula 8 – Professor Marcio Eisencraft – outubro 2005 2 45, 64, 72, 77 e 95 centavos respectivamente. Determine o valor médio da quantidade de centavos nos bolsos. Valor esperado de uma variável aleatória Seguindo o exemplo do exercício anterior, o valor esperado de uma variá- vel aleatória X é definido por: [ ] ( )∫∞ ∞− == dxxxfXXE X . Caso X seja discreta com N possíveis valores de ix com probabilidades ( )ixP , então: [ ] ( )∑ = = N n ii xPxXE 1 Exercício 2. A potência captada na entrada de uma antena interna pode ser modelada aproximadamente por uma variável aleatória contínua distribuída exponen- cialmente com: ( ) ( ) ⎪⎩ ⎪⎨ ⎧ < >= −− ax axe bxf b ax X ,0 ,1 Determine o valor médio da potência recebida. Dica: ( )ax a edxxe ax ax +−= − −∫ 12 . Práticas de Engenharia Elétrica 2 – Aula 8 – Professor Marcio Eisencraft – outubro 2005 3 Valor esperado de uma função de uma variável aleatória Como ficará evidente na próxima seção, muitos parâmetros úteis relacio- nados a uma variável aleatória X podem ser obtidos encontrando o valor esperado de uma função real ( )⋅g de X . Pode-se mostrar que este valor es- perado é dado por ( )[ ] ( ) ( )∫∞ ∞− = dxxfxgXgE X (1) Se X for uma variável aleatória discreta, ( )[ ] ( ) ( )∑ = = N n ii xPxgXgE 1 Exercícios 3. Sabe-se que uma dada tensão aleatória pode ser representada por uma vari- ável aleatória de Rayleigh V com função densidade dada por: ( ) ( ) ( ) ⎪⎩ ⎪⎨ ⎧ < ≥−= −− av aveav bvf b av V ,0 ,2 2 com 0=a e 5=b . Esta tensão é aplicada a um dispositivo que gera uma ten- são ( ) 2VVgY == que é igual, numericamente, à potência de V (sobre um re- sistor de 1Ω). Encontre a potência média de V . 4. Um problema em sistemas de comunicações é como definir a informação de uma fonte. Considere a modelagem de uma fonte capaz de emitir L símbolos distintos (mensagem) representada pelos valores Práticas de Engenharia Elétrica 2 – Aula 8 – Professor Marcio Eisencraft – outubro 2005 4 Lixi ,,2,1, …= de uma variável aleatória discreta X ( 2=L é o caso binário). Seja ( )ixP a probabilidade do símbolo ixX = . Pergunta-se, qual a informação contida nesta fonte, em média. É necessário fazer três conside- rações. Primeiro, considera-se que a informação deve ser maior para saídas da fon- te com baixa probabilidade. Por exemplo, contém pouca informação prever tempo quente e seco para o deserto do Saara já que estas condições preva- lecem quase todo o tempo. Mas prever tempo frio e chuvas fortes carrega “muita informação”. A seguir, as informações de duas fontes independen- tes devem se somar de acordo e finalmente a informação deve ser uma quantidade positiva (uma escolha feita) e zero para um evento que ocorre com certeza. A única função com estas propriedades é a logarítmica. Como duas quantidades representam o menor número para uma escolha, o loga- ritmo na base 2 é escolhido para medir informação e sua unidade é chama- da de bit. Para uma fonte, definimos a informação de um símbolo ix como ( ) ( )[ ]ii xPxP 22 log 1log −=⎥⎦ ⎤⎢⎣ ⎡ . Determine então a informação média de uma fon- te, ou entropia, discreta com L símbolos possíveis. 3.2. Momentos Uma aplicação imediata do valor esperado de uma função ( )⋅g de uma va- riável aleatória X é o cálculo de momentos. Dois tipos de momentos são de interesse, os em torno da origem e os em torno da média. Momentos em torno da origem A função Práticas de Engenharia Elétrica 2 – Aula 8 – Professor Marcio Eisencraft – outubro 2005 5 ( ) …,2,1,0== nXXg n quando usada em (1) dá o momento em torno da origem da variável aleatória X . Denotando o n-ésimo momento por nm , temos: [ ] ( )∫∞ ∞− == dxxfxXEm Xnnn Claramente, 10 =m , a área sob a função ( )xf X e Xm =1 , o valor esperado de X . Momentos centrais Momentos em torno da média são chamados de momentos centrais e são simbolizados por nμ . São definidos pelo valor esperado da função ( ) ( ) …,2,1,0, =−= nXXXg n que é ( )[ ] ( ) ( )∫∞ ∞− −=−= dxxfXxXXE Xnnnμ . O momento 10 =μ , a área sob ( )xf X , enquanto 01 =μ . (Por quê?). Variância e distorção (skew) O segundo momento central 2μ é tão importante que é conhecido por um nome especial: variância representada por 2Xσ . Assim, a variância é dada por: Práticas de Engenharia Elétrica 2 – Aula 8 – Professor Marcio Eisencraft – outubro 2005 6 ( )[ ] ( ) ( )∫∞ ∞− −=−== dxxfXxXXE XX 2222 μσ . A raiz positiva Xσ da variância é chamada de desvio padrão de X e é uma medida do espalhamento da função ( )xf X ao redor da média. A variância pode ser determinada conhecendo-se o primeiro e segundo momento em torno da origem. Temos: ( )[ ] [ ] [ ] [ ] 212222222 22 mmXXEXXEXXXXEXXEX −=+−=+−=−=σ O terceiro momento central ( )[ ]33 XXE −=μ é uma medida da assimetria de ( )xf X ao redor de 1mXx == . É chamada de distorção (skew) da função densidade. Se uma densidade é simétrica em torno de Xx = então ela tem distorção zero. O terceiro momento central normalizado 33 Xσ μ é chamado de coeficiente de distorção (skewness). Exercícios 5. Seja X uma variável aleatória com a função densidade exponencial do E- xercício dois. Determine a variância de X . 6. Ainda para a variável X do exercício anterior, (a) Mostre que 3233 3 XXX X −−= σμ . (b) Calcule 3μ e o coeficiente de distorção. Dicas: ⎥⎦ ⎤⎢⎣ ⎡ +−=∫ 3222 22 mmxmxedxex mxmx . ⎥⎦ ⎤⎢⎣ ⎡ −+−=∫ 432233 663 mmxmxmxedxex mxmx . Práticas de Engenharia Elétrica 2 – Aula 8 – Professor Marcio Eisencraft – outubro 2005 7 7. (PEEBLES, 2001, p.101) Certo medidor é projetado para ler pequenas ten- sões, porém comete erros por causa de ruídos. Os erros são representados de forma acurada por uma variável aleatória gaussiana com média nula e desvio padrão 10-3V. Quando o nível DC é desconectado, descobre-se que a probabilidade da leitura do medidor ser positiva devido ao ruído é 0,5. Quando a tensão DC é presente, a probabilidade torna-se 0,2514. Qual o nível DC? Práticas de Engenharia Elétrica 2 – Aula 9 – Professor Marcio Eisencraft – outubro 2005 1 Aula 9 - Variáveis aleatórias múltiplas Bibliografia PEEBLES, P. Z. Probability, random variables and random signal principles. 3rd edition, New York: McGraw-Hill, 1993. Páginas 109 – 122. HSU, H. Schaum´s outline Theory and Problems of Analog and Digital Communications. 2nd edition, New York: McGraw-Hill, 2003. Páginas 133-135. 4. Múltiplas variáveis aleatórias 4.0. Introdução • Estendemos agora a teoria para incluir duas variáveis aleatórias na discri- ção de um fenômeno. Por exemplo, a posição de um ponto aleatório no plano. 4.1.Variáveis aleatórias vetoriais • Suponha que duas variáveis aleatórias X e Y sejam definidas num espaço amostral S em que valores específicos de X e Y são denotados por x e y respectivamente. • Então, qualquer para ordenado de números ( )yx, pode ser convenientemen- te considerado como um ponto aleatório no plano xy . • O ponto pode ser tomado como o valor específico de uma variável aleatória vetorial ou um vetor aleatório. A Figura 1 a seguir ilustra o mapeamento envolvido em ir de S para o plano xy . 4.2. Distribuição conjunta e suas propriedades As probabilidades dos eventos { }xXA ≤= e { }yYB ≤= já foram definidas como funções de x e y , respectivamente e chamadas de funções distribui- ção de probabilidades: Práticas de Engenharia Elétrica 2 – Aula 9 – Professor Marcio Eisencraft – outubro 2005 2 Figura 1 – Mapeamento do espaço amostral S para o plano xy (PEEBLES, 2001). ( ) { } ( ) { }yYPyF xXPxF Y X ≤= ≤= . Será introduzido agora um novo conceito para incluir a probabilidade do evento conjunto { }yYxX ≤≤ , . Função Distribuição Conjunta Define-se a probabilidade do evento conjunto { }yYxX ≤≤ , , que é uma fun- ção dos números x e y como uma função distribuição de probabilidades conjunta e a denotamos pelo símbolo ( )yxF YX ,, . Assim, ( ) { }yYxXPyxF YX ≤≤= ,,, { } ( )BAPyYxXP ∩=≤≤ , em que o evento BA∩ foi definido em S . Práticas de Engenharia Elétrica 2 – Aula 9 – Professor Marcio Eisencraft – outubro 2005 3 Exercício 1. Assuma que o espaço amostral conjunto JS tenha apenas três elementos possíveis: (1,1), (2,1) e (3,3). As probabilidades destes elementos são ( ) 2,01,1 =P , ( ) 3,01,2 =P e ( ) 5,03,3 =P . Encontre ( )yxF YX ,, . Resposta: Figura 2 – Função distribuição conjunta do Exercício 1 [PEEBLES]. Propriedades da distribuição conjunta (1) ( ) 0,, =−∞∞−YXF ( ) 0,, =∞− yF YX ( ) 0,, =−∞xF YX . (2) ( ) 1,, =∞∞YXF . (3) ( ) 1,0 , ≤≤ yxF YX (4) ( )yxF YX ,, é uma função não-decrescente de x e y . (5) ( ) ( ) ( ) ( ) { } 0,,,,, 212112,21,11,22, ≥≤≤≤≤=−−+ yYyxXxPyxFyxFyxFyxF YXYXYXYX . Práticas de Engenharia Elétrica 2 – Aula 9 – Professor Marcio Eisencraft – outubro 2005 4 (6) ( ) ( )xFxF XYX =∞,, ( ) ( )yFyF YYX =∞,, . Funções de distribuição marginal A propriedade (6) acima afirma que a função distribuição de uma variável aleatória pode ser obtida fazendo o valor da outra variável aleatória ser in- finito em ( )yxF YX ,, . As funções ( )xFX ou ( )yFY obtidas desta forma são chamadas de funções de distribuição marginal. Exercício 2. Encontre expressões explícitas para ( )yxF YX ,, e as distribuições marginais ( )xFX e ( )yFY para o espaço amostral conjunto do Exercício um. 4.3. Densidade conjunta e suas propriedades Função densidade conjunta Para duas variáveis aleatórias X e Y , a função densidade de probabilidade conjunta, denotada por ( )yxf YX ,, é definida como a segunda derivada da função distribuição conjunta onde quer que ela exista. ( ) ( ) yx yxF yxf YXYX ∂∂ ∂= ,, , 2 , Propriedades da densidade conjunta (1) ( ) 0,, ≥yxf YX (2) ( ) 1,, =∫ ∫∞ ∞− ∞ ∞− dxdyyxf YX Práticas de Engenharia Elétrica 2 – Aula 9 – Professor Marcio Eisencraft – outubro 2005 5 (3) ( ) ( )∫ ∫ ∞− ∞− = y x YXYX ddfyxF 2121,, ,, ξξξξ (4) ( ) ( )∫ ∫ ∞− ∞ ∞− = x YXX ddfxF 1221, , ξξξξ ( ) ( )∫ ∫ ∞− ∞ ∞− = y YXY ddfyF 2121, , ξξξξ (5) { } ( )∫ ∫=≤<≤< 2 1 2 1 ,, ,2121 y y x x YX dxdyyxfyYyxXxP (6) ( ) ( )∫∞ ∞− = dyyxfxf YXX ,, ( ) ( )∫∞ ∞− = dxyxfyf YXY ,, As propriedades (1) e (2) podem ser usadas para testar se uma dada função pode ser uma função densidade válida. Exercício 3. Seja b uma constante positiva. Determine seu valor para que a função ( ) ⎪⎩ ⎪⎨ ⎧ ≤≤≤≤= − contrário caso,0 2 0 e 20,cos , πyxybe yxg x seja uma função densidade de probabilidade válida. Função Densidade Marginal As funções ( )xf X e ( )yfY da propriedade (6) são chamadas de funções den- sidade de probabilidade marginal ou apenas funções densidade marginal. Elas são as funções densidades das variáveis simples X e Y , definidas co- mo as derivadas das funções distribuição marginais: ( ) ( ) ( ) ( ) dy ydFyf dx xdFxf Y X = = Práticas de Engenharia Elétrica 2 – Aula 9 – Professor Marcio Eisencraft – outubro 2005 6 Exercício 4. As tensões X e Y foram medidas em volts em dois pontos diferentes de um circuito elétrico. Encontre ( )xf X e ( )yfY se a função densidade de pro- babilidade conjunta dada dessas tensões é dada por: ( ) ( ) ( ) ( )1, , +−= yxYX xeyuxuyxf . 4.4. Densidade e distribuição condicional A função distribuição condicional de uma variável aleatória X , dado al- gum evento B é definida como: ( ) { } { }( )BP BxXPBxXPBxFX ∩≤=≤= . A função densidade condicional correspondente foi definida através da de- rivada ( ) ( ) dx BxdF Bxf XX = . Densidade e distribuição condicional – condição pontual Pode-se mostrar que, para variáveis discretas, vale: ( ) ( )( ) ( )∑= −== N i i k ki kX xxyP yxP yYxf 1 , δ . Para o caso contínuo vale: Práticas de Engenharia Elétrica 2 – Aula 9 – Professor Marcio Eisencraft – outubro 2005 7 ( ) ( ) ( )( )yf yxf yxfyYxf Y YX X ,,=== Exercício 5. Encontre ( )xyfY para a função densidade definida no Exercício quatro. 4.5. Independência Estatística Dois eventos A e B são independentes se (e somente se): ( ) ( ) ( )BPAPBAP =∩ . Assim, pela definição de funções distribuição, duas variáveis aleatórias X e Y são estatisticamente independentes se: ( ) ( ) ( )yFxFyxF YXYX ⋅=,, ou ( ) ( ) ( )yfxfyxf YXYX ⋅=,, . Usando a densidade e a distribuição condicionais, vemos que se duas vari- áveis aleatórias X e Y forem independentes, vale: ( ) ( )( ) ( ) ( )( ) ( )xfyf yfxfyf yxf yxf X Y YX Y YX === ,, ( ) ( )( ) ( ) ( )( ) ( )yfxf yfxfxf yxf xyf Y X YX X YX === ,, . Assim, as densidades deixam de ser condicionais e tornam-se iguais às marginais. Exercícios 6. Verifique se as tensões do Exercício quatro são independentes. Práticas de Engenharia Elétrica 2 – Aula 9 – Professor Marcio Eisencraft – outubro 2005 8 7. A densidade conjunta de duas variáveis aleatórias X e Y tem densidade conjunta ( ) ⎪⎩ ⎪⎨ ⎧ <<−<<−⎟⎠ ⎞⎜⎝ ⎛ = contrário caso,0 11 e 11, 2 cos , 2 , yxxyk yxf YX π em que ( ) 315,02 ≈+= ππ π Si k e o seno integral é definido por: ( ) ( )∫= x dxSi 0 sin ξξ ξ . Determine se X e Y são estatisticamente independentes. Práticas de Engenharia Elétrica 2 – Aula 10 – Professor Marcio Eisencraft – outubro 2005 1 Aula 10 - Correlação e covariância Bibliografia PEEBLES, P. Z. Probability, random variables and random signal principles. 3rd edition, New York: McGraw-Hill, 1993. Páginas 122 – 146. HSU, H. Schaum´s outline Theory and Problems of Analogand Digital Communications. 2nd edition, New York: McGraw-Hill, 2003. Páginas 137-138. 5. Operações sobre múltiplas variáveis aleatórias 5.0. Introdução Vamos estender o conceito de valor esperado para o caso de duas ou mais variáveis aleatórias. 5.1. Valor esperado de uma função de variáveis aleatórias O valor esperado de uma função de uma variável aleatória foi definido no Capítulo 3 como: ( )[ ] ( ) ( )∫∞ ∞− = dxxfxgxgE X . Quando mais de uma variável aleatória é envolvida, o valor esperado deve ser tomado em relação a todas as variáveis envolvidas. Por exemplo, se ( )YXg , é uma função de duas variáveis aleatórias X e Y , o valor esperado de ( )⋅⋅,g é dado por: ( )[ ] ( ) ( )∫ ∫∞ ∞− ∞ ∞− == dxdyyxfyxgYXgEg YX ,,, , Para N variáveis aleatórias 1X , 2X ,..., NX e uma função dessas variáveis denotada por ( )NXXg ,,1 … , o valor esperado dessa função se torna: ( )[ ] ( ) ( )∫ ∫∞ ∞− ∞ ∞− == NNXXNN dxdxxxfxxgXXgEg N ………"… … 11,,11 ,,,,,, 1 . Práticas de Engenharia Elétrica 2 – Aula 10 – Professor Marcio Eisencraft – outubro 2005 2 Um resultado que segue diretamente da definição acima é que o valor esperado de uma soma ponderada de variáveis aleatórias ( ) ∑ = = N i iiN XXXg 1 1 , α… é a soma ponderada de seus valores médios: [ ]∑∑ == =⎥⎦ ⎤⎢⎣ ⎡= N i ii N i ii XEXEg 11 αα Momentos Conjuntos em torno da origem Uma importante aplicação do valor esperado é na definição de momentos conjuntos em torno da origem. Eles são denotados por nkm e são definidos por: [ ] ( )∫ ∫∞ ∞− ∞ ∞− == dxdyyxfyxYXEm YXknknnk ,, para o caso de duas variáveis aleatórias X e Y . Claramente, [ ]nn XEm =0 são os momentos nm de X e [ ]kk YEm =0 são os momentos de Y . A soma kn + é chamada de ordem dos momentos. Assim, 02m , 20m e 11m são todos momentos de segunda ordem de X e Y . Os momentos de primeira ordem [ ] YYEm ==01 e [ ] XXEm ==10 são os valores esperados de X e Y respectivamente e são as coordenadas do “centro de gravidade” da função ( )yxf YX ,, . O momento de segunda ordem [ ]XYEm =11 é chamado de correlação de X e Y . Ele é tão importante que recebe um símbolo especial XYR .Assim, Práticas de Engenharia Elétrica 2 – Aula 10 – Professor Marcio Eisencraft – outubro 2005 3 [ ] ( )∫ ∫∞ ∞− ∞ ∞− === dxdyyxxyfXYEmR YXXY ,,11 Se a correlação puder ser escrita na forma [ ] [ ]YEXERXY ⋅= , então X e Y são ditas não correlacionadas. Independência estatística de X e Y é suficiente para garantir que elas são não correlacionadas. Porém, o contrário não é verdade em geral. Ou seja, independência implica não-correlação, mas não-correlação não implica independência. Se 0=XYR as variáveis X e Y são ditas ortogonais. Resumindo: ( ) ( ) ( )yfxfyxf YXYX ⋅=,, Æ X e Y são independentes [ ] [ ]YEXERXY ⋅= Æ X e Y são não-correlacionadas 0=XYR Æ X e Y são ortogonais X e Y independentes ⇒ X e Y não correlacionadas Exercício 1. Seja X uma variável aleatória com um valor médio [ ] 3== XEX e variância 22 =Xσ e uma outra variável Y dada por 226 +−= XY . Pede-se: (a) [ ]2XE (b) Y (c) XYR (d) as variáveis são correlacionadas? (e) as variáveis são ortogonais? Práticas de Engenharia Elétrica 2 – Aula 10 – Professor Marcio Eisencraft – outubro 2005 4 Momentos conjuntos centrais Uma outra aplicação importante da definição de valores esperado é a definição de momentos centrais conjuntos. Para duas variáveis aleatórias X e Y , estes momentos denotados por mμ são dadas por: ( ) ( )[ ] ( ) ( ) ( )∫ ∫∞ ∞− ∞ ∞− −−=−−= dxdyyxfYyXxYYXXE YXknknnk ,,μ Os momentos centrais de segunda ordem ( )[ ] ( )[ ] 2202 22 20 Y X YYE XXE σμ σμ =−= =−= são as variâncias de X e Y . O momento conjunto de segunda ordem 11μ é muito importante. É chamado de covariância de X e Y e é simbolizado por XYC . Assim, ( )( )[ ] ( )( ) ( )∫ ∫∞ ∞− ∞ ∞− −−=−−== dxdyyxfYyXxYYXXEC YXXY ,,11μ Expandindo diretamente o produto ( )( )YYXX −− esta integral se reduz a: [ ] [ ]YEXERYXRC XYXYXY −=−= Se X e Y forem independentes ou não correlacionadas, então [ ] [ ]YEXERXY = e 0=XYC . Se X e Y forem ortogonais então [ ] [ ]YEXECXY −= , X e Y ortogonais. Claramente, 0=XYC se X ou Y também tiverem média nula além de serem ortogonais. Práticas de Engenharia Elétrica 2 – Aula 10 – Professor Marcio Eisencraft – outubro 2005 5 O momento de segunda ordem normalizado: YX XYC σσμμ μρ == 0220 11 dado por ( ) ( )⎥⎦ ⎤⎢⎣ ⎡ −−= YX YYXXE σσρ é conhecido como coeficiente de correlação de X e Y . Pode-se mostrar que 11 ≤≤− ρ . Uma aplicação direta das definições acima é que se X é uma soma ponderada de variáveis aleatórias iX , ∑ = = N i ii XX 1 α , então: [ ] ∑ = = N i ii XXE 1 α e 2 1 22 iX N i iX σασ ∑ = = . Exercício 2. (PEEBLES, 2001, p.173) Num sistema de controle, sabe-se que uma tensão aleatória X tem média 21 −== mX V e momento de segunda ordem 92 2 == mX V2. Se a tensão X é amplificada por um amplificador que fornece como saída 25,1 +−= XY encontre 2Xσ , Y , 2Y , 2Yσ e XYR . Práticas de Engenharia Elétrica 2 – Aula 12 – Professor Marcio Eisencraft – novembro 2005 1 Aula 12 - Questões da Prova P2 1. (PEEBLES, 2001, p. 173) (2,5) Em um sistema de controle, sabe-se que uma tensão aleatória X tem valor médio 21 −== mX V e um momento de segunda ordem [ ] 922 == mXE V2. Se a tensão X é amplificada por um am- plificador que tem como saída 25,1 +−= XY , encontre 2Xσ , Y , [ ]2YE , 2Yσ e XYR . 2. (PEEBLES, 2001, p. 101) (2,5) Certo medidor é projetado para medir pe- quenas tensões dc, mas comete erros por causa de ruído. Estes erros podem ser representados de forma precisa por uma variável aleatória gaussiana com média zero e desvio padrão 310− V. Quando a tensão dc está desconec- tada descobre-se que a probabilidade do medidor registrar um valor positi- vo é 0,5 por causa do ruído. Quando a tensão dc está presente, esta proba- bilidade torna-se 0,2514. Qual o valor da tensão dc? 3. (PEEBLES, 2001, p. 99) (2,5) Mostre que o valor médio e a variância de uma tensão aleatória com função densidade uniforme dada por: ( ) ⎪⎩ ⎪⎨ ⎧ ≤≤−= contrário caso,0 ,1 bxa abxf X são [ ] ( ) 2 baXEX +== e ( ) 12 2 2 ab X −=σ . 4. (HSU, 1997, p. 98) A pdf conjunta de um v.a. bivariada ( YX , ) é dada por: ( ) ⎩⎨ ⎧ <<<<= contrário caso,0 10,10, ,, yxkxy yxf YX em que k é uma constante. Práticas de Engenharia Elétrica 2 – Aula 12 – Professor Marcio Eisencraft – novembro 2005 2 (a) (1,0) Determine o valor de k . (b) (1,0) X e Y são independentes? (c) (0,5) Encontre ( )1<+YXP . Práticas de Engenharia Elétrica 2 – Aula 13– Professor Marcio Eisencraft – novembro 2005 1 Aula 13 Variáveis aleatórias gaussianas conjuntas Bibliografia PEEBLES, P. Z. Probability, random variables and random signal principles. 3rd edition, New York: McGraw-Hill, 1993. Páginas 148 – 178. KAY, S. M. Fundamentals of Statistical Signal Processing: Estimation Theory. New Jersey: Prentice Hall, 1993. Páginas 1-14. 5.3. Variáveis aleatórias gaussianas conjuntas Variáveis aleatórias gaussianas são muito importantes porque aparecem praticamente em todas as áreas da Engenharia e das Ciências. Nesta seção o caso de duas variáveis aleatórias conjuntas gaussianas será examinado. Duas variáveis aleatórias Duasvariáveis aleatórias X e Y são ditas conjuntamente gaussianas se sua função densidade conjunta é ( ) ( ) ( ) ( )( ) ( ) ⎪⎭ ⎪⎬ ⎫ ⎪⎩ ⎪⎨ ⎧ ⎥⎥⎦ ⎤ ⎢⎢⎣ ⎡ −+−−−−− − − = YYXXYX YX YyYyXxXxyxf σσσ ρ σρρσπσ 2 2 2 22, 2 12 1exp 12 1, com: [ ] [ ] ( )[ ] ( )[ ] ( )( )[ ] YX XY YX Y X CYYXXE YYE XXE YEY XEX σσσσρ σ σ =−−= −= −= = = 22 22 Práticas de Engenharia Elétrica 2 – Aula 13– Professor Marcio Eisencraft – novembro 2005 2 A Figura 1 ilustra a aparência da função densidade gaussiana. Seu máximo ocorre em ( )YX , . Figura 1 – Densidade conjunta de duas v.a. ’s gaussianas (PEEBLES, 2001). Práticas de Engenharia Elétrica 2 – Aula 13– Professor Marcio Eisencraft – novembro 2005 3 Pode-se ver que se 0=ρ , correspondendo a variáveis X e Y não- correlacionadas, ( )yxf YX ,, pode ser reescrita como: ( ) ( ) ( )yfxfyxf YXYX ⋅=,, em que ( )xf X e ( )yfY são as densidades marginais de X e Y dadas por: ( ) ( ) ( ) ( ) ⎪⎭ ⎪⎬ ⎫ ⎪⎩ ⎪⎨ ⎧ −−= ⎪⎭ ⎪⎬ ⎫ ⎪⎩ ⎪⎨ ⎧ −−= 2 2 2 2 2 2 2 exp 2 1 2 exp 2 1 YY Y XX X Yyyf Xxxf σπσ σπσ . Assim, concluímos que quaisquer variáveis aleatórias gaussianas não cor- relacionadas são estatisticamente independentes. Exercício 1. Sejam duas variáveis aleatórias gaussianas X e Y com médias X e Y , va- riâncias 2Xσ e 2Yσ e coeficiente de correlação ρ . Determine o ângulo θ tal que as variáveis: θθ θθ cossin sincos YXB YXA +−= += sejam independentes. 2. (PEEBLES, 2001, p. 176) Suponha que a queda de neve anual (quantidade de neve acumulada em metros) em dois hotéis de esqui alpinos vizinhos se- ja representada por variáveis aleatórias gaussianas conjuntas X e Y para as quais 82,0=ρ , 5,1=Xσ m, 2,1=Yσ m e 476,81=XYR m2. Se a queda de neve média no primeiro hotel é 10m, qual a taxa de queda média no outro hotel? Práticas de Engenharia Elétrica II - Lista de Exercícios Suplementares 1 – Professor Marcio Eisencraft – agosto 2005 1 Práticas de Engenharia Elétrica II Lista de Exercícios Suplementares 1 – 2º semestre 2005 1. Resolver Exercício 10.1-9 da página 481 do (LATHI, 1998). O primeiro aluno a entregar uma resolução completa e correta deste exercício ganhará 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 previsão de chuva, qual a probabilidade de chover? RESP: 47,06%. 3. (HSU, 2003, p. 149) Todos os dispositivos e máquinas produzidos falham mais cedo ou mais tarde. Se a taxa de falha é constante, o tempo até uma falha T é modelado por uma variável aleatória exponencial. Suponha que se descobriu que uma classe particular de chips de memória para computadores tem uma lei de falha exponencial dada por: ( ) ( )tuaetf atT −= , com t em horas. (a) Medidas mostraram que a probabilidade de que o tempo de falha exceda 104 horas para chips desta classe é de 1−e ( 368,0≈ ). Calcule o valor do parâmetro a para este caso. (b) Usando o valor do parâmetro a determinado na parte (a), calcule o tempo 0t tal que a probabilidade de que o tempo de falha seja menor do que 0t seja de 0,05. RESP: (a) 410−=a ; (b) 512,93h. 4. (PEEBLES, 1993, p. 71) Uma linha de produção fabrica resistores de 1000Ω que devem satisfazer uma tolerância de 10%. (a) Se a resistência é descrita adequadamente por uma variável aleatória gaussiana X com 1000=Xa Ω e 40=xσ Ω, qual fração de resistores espera-se que seja rejeitada? Práticas de Engenharia Elétrica II - Lista de Exercícios Suplementares 1 – Professor Marcio Eisencraft – agosto 2005 2 (b) Se a máquina não está ajustada corretamente, os resistores produzidos passam a ter 1050=Xa Ω (5% de erro). Qual fração será rejeitada agora? RESP: (a) 1,24%; (b) 10,57%. 5. (PEEBLES, 1993, p.101) Certo medidor é projetado para ler pequenas tensões, po- rém comete erros por causa de ruídos. Os erros são representados de forma acurada por uma variável aleatória gaussiana com média nula e desvio padrão 10-3V. Quan- do o nível DC é desconectado, descobre-se que a probabilidade da leitura do medi- dor ser positiva devido ao ruído é 0,5. Quando a tensão DC é presente, a probabili- dade torna-se 0,2514. Qual é o nível DC? RESP: -0,67mV. 6. (NETO, 1993, p. 25) Rivelino e Zé Maria estão machucados e talvez não possam defender o Corinthians em sua próxima partida contra o Palmeiras. A probabilidade de Rivelino jogar é de 40% e a de Zé Maria, 70%. Com ambos os jogadores, o Co- rinthians terá 60% de probabilidade de vitória; sem nenhum deles, 30%; com Rive- lino, mas sem Zé Maria, 50%, e com Zé Maria, mas sem Rivelino, 40%. Qual é a probabilidade de o Corinthians ganhar a partida? RESP: 0,45. 7. (PEEBLES, 1993, p. 67) O resistor 2R na Figura 1 a seguir é escolhido aleatoria- mente de uma caixa de resistores contendo resistores de 180Ω, 470Ω, 1000Ω e 2200Ω. Todos os valores de resistores têm mesma possibilidade de ser selecionado. A tensão 2E é uma variável aleatória discreta. Encontre o conjunto de valores que 2E pode assumir e dê a suas probabilidades. Figura 1 – Circuito do Exercício 2 [PEEBLES]. RESP: { }VVVVE 74,8;59,6;37,4;16,22 ∈ sendo que cada valor tem 25% de probabilidade. Práticas de Engenharia Elétrica II - Lista de Exercícios Suplementares 1 – Professor Marcio Eisencraft – agosto 2005 3 8. (HSU, 1997, p. 26) Duas máquinas produzem peças semelhantes. A maquina A pro- duz 1000 peças, 100 das quais são defeituosas. A maquina B produz 2000 peças sendo 150 defeituosas. Uma peça é selecionada aleatoriamente e é considerada de- feituosa. Qual a probabilidade dela ter sido produzida pela máquina A? RESP: 0,4. 9. (HSU, 1997, p. 33) Um sistema constituído de n componentes separados é 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 ip , ni ,,2,1 …= . Encon- tre a probabilidade de funcionamento do sistema. RESP: ∏ = − n i ip 1 1 . 10. (HSU, 1997, p. 37) A rede de relês mostrada na figura a seguir funciona se e somen- te se existe um caminho fechado de relês da esquerda para a direita. Assuma que os relês falhem de forma independente e que a probabilidade de falha de cada relê seja a indicada na figura. Qual a probabilidade da rede funcionar? (HSU, 1997) 1s ns 2s .... Práticas de Engenharia Elétrica II - Lista de Exercícios Suplementares 1 – Professor Marcio Eisencraft – agosto 2005 4 RESP: 0,865. 11. (HSU, 1997, p. 37) Sejam A e B dois eventos independentes em S . Sabe-se que ( ) 16,0=∩ BAP e ( ) 64,0=∪ BAP . Encontre ( )AP e ( )BP . RESP: ( ) ( ) 4,0== BPAP . 12. (HSU, 1997, p. 56) A função densidade de probabilidade (p.d.f.) de uma variável aleatória (v.a.) X é dada por: ( ) ⎪⎪ ⎪ ⎩ ⎪⎪ ⎪ ⎨ ⎧ << << = contrário caso,0 21, 3 2 10, 3 1 x x xf X . Encontre a correspondente função distribuição (c.d.f.) ( )xFx e esboce ( )xf X e ( )xFx . 13. (HSU, 1997, p. 57) Seja X uma v.a. contínua com p.d.f. ( ) ⎩⎨ ⎧ <<= contráriocaso xkx xf X 0 10, em que k é uma constante. (a) Determine o valor de k e esboce ( )xf X . (b) Encontre e esboce a correspondente c.d.f. ( )xFX . (c) Encontre ⎟⎠ ⎞⎜⎝ ⎛ ≤< 2 4 1 XP . RESP: (a) 2; (c)16 15 . 14. (HSU, 1997, p. 75) Um sistema de transmissão digital tem uma probabilidade de erro de 610− por dígito. Encontre a probabilidade de três ou mais erros em 610 dígi- tos utilizando a aproximação da distribuição de Poisson. RESP: 0,08. 15. (HSU, 1997, p. 75) Sabe-se que os disquetes produzidos por uma companhia A são defeituosos com uma probabilidade de 0,01. A companhia vende os discos em paco- Práticas de Engenharia Elétrica II - Lista de Exercícios Suplementares 1 – Professor Marcio Eisencraft – agosto 2005 5 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 constituído de 100 fusíveis é inspecionado pelo seguinte processo: cinco fusíveis são selecionados aleatoriamente e se os cinco “queimarem” na corrente especificada, o lote é aceito. Suponha que um lote contenha 10 fusíveis defeituosos. Qual a probabilidade de se aceitar o lote? RESP: 0,584. 17. (NETO, 1993, p. 25) Uma cápsula espacial aproxima-se da Terra com dois defeitos: nos seus circuitos elétricos e no sistema de foguetes propulsores. O comandante considera que, até o instante de reingresso na atmosfera, existe 20% de probabilida- de de reparar os circuitos elétricos 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 êxito no retorno são as seguintes: (a) 90% com os circuitos elétricos e o sistema de foguetes reparados. (b) 80% só com o sistema de foguetes reparado. (c) 60% só com os circuitos elétricos reparados. (d) 40% com os circuitos elétricos e o sistema de foguetes defeituosos. Com base nas considerações acima, qual é a probabilidade de êxito no retorno? Se o retorno se proces- sar com êxito, qual a probabilidade de que tenha se realizado nas condições mais adver- sas (ambos os sistemas não-reparados)? RESP: 63% e 25,40% respectivamente. 18. (PEEBLES, 1993, p. 73) Assuma que as lâmpadas fluorescentes fabricadas por uma empresa tenham probabilidade de 0,05 de serem inoperantes quando novas. Uma pessoa compra oito lâmpadas para uso doméstico. (a) Qual a probabilidade de exatamente uma lâmpada ser inoperante entre as oito? (b) Qual a probabilidade de que as oito lâmpadas estejam funcionando? (c) Determine a probabilidade de que uma ou mais lâmpadas sejam inoperantes. (d) Faça um gráfico da função distribuição de probabilidades da variável aleatória “o número de lâmpadas inoperantes”. RESP: (a) 27,93%; (b) 66,34%; (c) 33,66%. Práticas de Engenharia Elétrica II - Lista de Exercícios Suplementares 1 – Professor Marcio Eisencraft – agosto 2005 6 19. (PEEBLES, 1993, p. 72) Suponha que a altura da base das nuvens seja uma variável aleatória gaussiana X com 4000=Xa m e 1000=Xσ m. João afirma que a altura das nuvens amanhã estará no conjunto { }m3300m1000 ≤<= XA enquanto Pedro afirma que a altura estará no conjunto { }m4200m2000 ≤<= XB . Paulo afirma que os dois estarão corretos. Encontre a probabilidade de cada um acertar a previsão. RESP: João: 24,07%; Pedro: 55,66% e Paulo: 21,93%. Práticas de Engenharia Elétrica II - Lista de Exercícios Suplementares 2 – Professor Marcio Eisencraft – outubro2005 1 Práticas de Engenharia Elétrica II Lista de Exercícios Suplementares 2 – 2º semestre 2005 1. Resolver Exercício 10.2-8 da página 483 do (LATHI, 1998). Resposta: (a) ( ) ( )xuxexf xX 2 2 −= ; ( ) ( )yuyeyf yY 2 2 −= ; ( ) ( )xfyxf XYX = ; ( ) ( )yfxyf YXY = ; (b) Sim. 2. Resolver Exercício 10.3-5 da página 485 do (LATHI, 1998). Respostas: [ ] 18 1; 6 17; 3 5 22 === XXEX σ . 3. Resolver Exercício 10.5-2 da página 486 do (LATHI, 1998). 4. Resolver Exercício 10.5-3 da página 486 do (LATHI, 1998). O primeiro aluno a entregar uma resolução completa e correta deste exercício ganhará 0,5 ponto na P2. 5. (PEEBLES, 2001, p. 173) 2 1=X , 2 5____2 =X , 2=Y , 2 19____2 =Y e 32 1−=XYC para variáveis aleatórias X e Y . (a) Encontre 2Xσ , 2Yσ , XYR e ρ . (b) Qual a media da variável aleatória ( ) 323 2 +++= XYXW ? Resposta: (a) 4 92 =Xσ ; 2 112 =Yσ ; 6 36 −=XYR ; 99 66−=ρ ; (b) 96,27. 6. (DEVORE, 2003, p. 210) Dois componentes de um microcomputador têm a seguin- te pdf conjunta para seus tempos de vida útil X e Y : ( ) ( ) ⎩⎨ ⎧ ≥≥= +− contrário caso,0 0 e 0, , 1 yxxe yxf yx XY . (a) Quais são as pdf’s marginais de X e Y ? Estes tempos de vida são independentes? Justifique. (b) Qual a probabilidade de que o tempo de vida X do primeiro componente exceda 3? Práticas de Engenharia Elétrica II - Lista de Exercícios Suplementares 2 – Professor Marcio Eisencraft – outubro2005 2 Resposta: (a) ( ) 0, ≥= − xexf xX ; ( ) ( )21 1 y yfY += ; (b) 0,0498. 7. Duas variáveis aleatórias 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: ( )5,1;5,0 << YXP , ( )5,0<XP , ( )5,1<YP e ( )5,4;25,0 <> YXP . (b) (MONTGOMERY, 2003, p. 103) Determine [ ]XE e [ ]YE . Respostas: (a) 3/8; 3/8; 7/8; 5/8 respectivamente. (b) 0,125 e ¼ respectivamente. 8. (COSTA NETO; CYMBALISTA, 1974, p. 55) Seja X uma variável aleatória con- tínua com função densidade constante entre a e b , ba < . Mostre que: [ ] 2 baXE += e ( ) 12 2 2 ab X −=σ . 9. (COSTA NETO; CYMBALISTA, 1974, p. 70) Sendo a função densidade conjunta de ( )YX , dada por ( ) yeyxf −= 4 1, , para 04 >> x , 0>y e zero em qualquer outro ponto, calcular a probabilidade ( )4,2 <> YXP . Resposta: 0,4908. 10. (PEEBLES, 2001, p. 174) As variáveis aleatórias estatisticamente independentes X e Y têm respectivamente médias 1=X e 2 1−=Y . Seus momentos de segunda or- dem são 42 =X e 4 112 =Y . Uma outra variável aleatória é definida como 123 2 ++= YXW . Encontre 2Xσ , 2Yσ , XYR , XYC e WYR . Práticas de Engenharia Elétrica II - Lista de Exercícios Suplementares 2 – Professor Marcio Eisencraft – outubro2005 3 Resposta: 32 =Xσ ; 5,22 =Yσ ; 5,0−=XYR ; 0=XYC ; 1−=WYR . 11. (HSU, 1997, p. 77) Uma variável aleatória X é chamada de variável aleatória de Laplace se sua função densidade de probabilidade é dada por: ( ) ∞<<∞−>= − xkexf xX ,0, λλ em que k é uma constante. (a) Encontre o valor de k . (b) Encontre ( )xFX . (c) Encontre a média e a variância de X . Resposta: (a) 2 λ=k ; (b) ( ) ⎪⎪⎩ ⎪⎪⎨ ⎧ ≥− < = 0, 2 11 0, 2 1 xe xe xF x x X λ λ ; (c) [ ] [ ] 22;0 λ== XVarXE . 12. (PEEBLES, 2001, p.98) Uma tensão aleatória gaussiana X tem valor médio 0== XaX e variância 92 =Xσ . A tensão X é aplicada a um diodo detector de on- da completa com lei quadrática que tem função de transferência 25XY = . Encontre o valor médio da tensão de saída Y . 13. (PEEBLES, 2001, p. 98) Uma variável aleatória X tem função densidade: ( ) ⎪⎩ ⎪⎨ ⎧ <<−= contrário caso,0 22 ,cos 2 1 ππ xx xf X . Encontre o valor médio da função ( ) 24XXg = . 14. (HSU, 1997, p. 98) A função densidade conjunta das variáveis aleatórias X e Y é dada por: ( ) ( ) ⎩⎨ ⎧ <<<<+= contrário. caso,0 20,20, ,, yxyxk yxf YX . em que k é uma constante. (a) Encontre o valor de k . (b) Encontre as funções densidade marginais de X e Y . (c) X e Y são independentes? Práticas de Engenharia Elétrica II - Lista de Exercícios Suplementares
Compartilhar