Notas em Matemática Aplicada Editores Cassio Machiaveli ... - sbmac
Notas em Matemática Aplicada Editores Cassio Machiaveli ... - sbmac
Notas em Matemática Aplicada Editores Cassio Machiaveli ... - sbmac
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Variáveis aleatórias contínuas com suporte [0,∞):<br />
Seja X uma variável aleatória contínua real com suporte [0,∞). Deseja-se<br />
determinar a densidade de probabilidade p de X que maximiza a entropia S:<br />
S(p) = −<br />
∞<br />
0<br />
45<br />
p(x)lnp(x) dx. (2.2.67)<br />
tal que: ∞<br />
p(x) dx = 1 e p(x) ≥ 0 , ∀x ∈ [0,∞). (2.2.68)<br />
0<br />
1. Caso nenhuma informação adicional sobre X seja conhecida, o probl<strong>em</strong>a de<br />
otimização não possui solução.<br />
2. Caso a média de X seja conhecida, E[X] = µ, a densidade de probabilidade<br />
que maximiza a entropia de Shannon é a exponencial:<br />
p(x) = 1 [0,∞)(x) 1<br />
µ e −x<br />
µ . (2.2.69)<br />
3. Caso sejam conhecidos o valor esperado de X e o valor esperado de log(X),<br />
ou seja, E[X] = µ e E[log(X)] = q, a densidade de probabilidade p que<br />
maximiza a entropia de Shannon é a densidade Gamma:<br />
p(x) = 1 [0,+∞)(x) 1<br />
<br />
1<br />
µ δ 2<br />
1<br />
δ2 1<br />
Γ(1/δ 2 )<br />
onde Γ é a função Gamma ( Γ(a) =<br />
de dispersão adimensional.<br />
∞<br />
0<br />
x<br />
µ<br />
1<br />
δ2 −1 <br />
x<br />
exp<br />
δ 2 <br />
, (2.2.70)<br />
µ<br />
t a−1 exp(−t)dt) e δ = σ<br />
µ um fator<br />
4. Caso os valores de E[ln(X)] e E[ln(1−X)] sejam conhecidos e iguais a k1 e<br />
k2 respectivamente, a densidade de probabilidade que maximiza a entropia<br />
de Shannon é:<br />
p(x) = 1 ]0,+∞)(x)<br />
1<br />
B(m,n) x(m−1) (1+x) −(n+m) , (2.2.71)<br />
onde B é a função beta (2.2.64) e, os valores de m e n são determinados a<br />
partir dos vínculos E[ln(X)] e E[ln(1−X)]. De forma que:<br />
1<br />
B(m,n)<br />
∞<br />
x<br />
0<br />
(m−1) (1+x) −(n+m) ln(x) dx = E[ln(X)] = k1, (2.2.72)