(1)
as propriedades estatsticas deste vetor sero representadas por uma distribuio
conjunta de probabilidades, que pode ser formulada em termos de uma funo de
densidade de probabilidade conjunta, , ou uma funo de probabilidade acumulada
conjunta, , onde um ponto qualquer no espao amostral bi-
dimensional. A funo definida como:
(2)
sendo que a relao entre e definida como:
(3)
(4)
As definies apresentadas nas eqs. 1 a 4 podem facilmente ser extendidas para mais
de duas variveis aleatrias no vetor . A partir das definies acima, destacam-se as
seguintes propriedades de :
(5)
plot(x1,x2,'b.');
axis([-4 4 -4 10]);
grid on;
ans =
1.0000 -0.0482
-0.0482 1.0000
(6)
(7)
(8)
(9)
onde e so os desvios padro das respectivas distribuies marginais, e
denominado coeficiente de correlao. Demonstra-se (pela inequao de Schwartz) que
o coeficiente de correlao um nmero adimensional tal que . O uso da
notao j antecipa o fato de que as covarincias entre todos os
pares de variveis no vetor constituem uma matriz simtrica, denominada matriz
de covarincia, .
A covarincia, e sua forma adimensional representada pelo coeficiente de correlao,
so medidas da dependncia linear de duas variveis aleatrias. O estimador do
coeficiente de correlao :
(10)
(11)
onde a diagonal sempre 1 pois a correlao de uma varivel aleatria com ela
mesma mxima. Combinando-se as eqs. 9 e 11, e construindo-se a matriz diagonal:
(12)
com os desvios padro das variveis aleatrias do vetor , pode-se estabelecer uma
relao entre as matrizes de covarincia e de correlao como sendo:
(13)
Esta relao usada a seguir na expresso da distribuio gaussiana multivariada.
(14)
onde:
(15)
o vetor de mdias e a matriz de covarincia, , foi definida na seo anterior.
Tendo-se em conta a eq. 13, a matriz de covarincia pode ser re-escrita a partir de
uma fatorizao de Cholesky da matriz de correlao como:
(16)
(17)
a qual substituda na eq. 14 resulta em:
(18)
for ii = 1:N,
for jj = 1:N,
xy = L\[X(ii,jj); Y(ii,jj)];
pz(ii,jj) = exp(-(xy'*xy)/2)/sqrt(s);
end
end
colormap(bone); contour(X,Y,pz);
grid on; axis equal;
axis([-3 3 -3 3]);
(19)
(20)
Consequentemente, possvel inverter esta relao para produzir simulaes do
vetor a partir de simulaes no correlacionadas do vetor . Esta inverso resulta:
(21)
N = 1024;
R = [1.0 0.9;
0.9 1.0];
L = chol(R)';
Z = L*([randn(1,N); randn(1,N)]);
plot(Z(1,:),Z(2,:),'b.');
grid on;
axis equal;
axis([-3 3 -3 3]);
O uso desta transformao est ilustrado na fig. 3, onde se utiliza o Matlab para
produzir simulaes de duas variveis gaussianas padro com coeficiente de
correlao . As simulaes apresentadas correspondem portanto
distribuio de probabilidade ilustrada na fig. 2.
(22)
(23)
Ou seja, como o operador de expectncia linear ele pode avanar para dentro do
somatrio bem como atravessar constantes multiplicativas. Portanto:
(24)
Da mesma forma, pode-se usar o operador de expectncia para o clculo da varincia
da combinao:
(25)
(26)
(27)
(28)
(29)
Este resultado ser usado a seguir para explicar um processo aleatrio muito
importante na dinmica de sistemas.
6. O processo de Bernoulli
Pela definio original, um processo de Bernoulli, , uma vetor de nmeros
aleatrios no correlacionados, que podem assumir os valores ou sempre com as
mesmas probabilidades e , respectivamente. Sem perda de generalidade,
assume-se aqui que os dois valores possveis para o processo so e , com igual
probabilidade , e passamos a estudar o que ocorre com um processo
que corresponde soma acumulada dos elementos no correspondente vetor de
variveis aleatrias. Portanto, o -simo termo deste processo, , dado por:
(30)
(31)
(32)
for ii = 1:8,
B = 2*round(rand(1,N)) - 1;
Y = cumsum(B);
end
plot(1:N, sqrt(1:N),'r');
plot(1:N,-sqrt(1:N),'r');
hold off;
grid on;
axis([0 N -100 100]);