Topico8 03 PDF

EA932 - Prof.
Von Zuben
DCA/FEEC/Unicamp
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.
Tpico 8 - Fundamentos para Processos Estocsticos 1
EA932 - Prof. Von Zuben

DCA/FEEC/Unicamp
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
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
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
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
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
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
denominada de funo de probabilidade e P E denominada de

probabilidade de E se os seguintes axiomas forem vlidos:
Axioma 1: Para todo evento E, 0 P E 1 .

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: P S = 1.
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 E1 , E 2 ,K

(isto , eventos para os quais Ei E j = quando i j ),

P U Ei = P Ei
i =1 i =1

DCA/FEEC/Unicamp
algumas proposies simples podem ser deduzidas a partir dos axiomas

enumerados acima:
Proposio 1: Dado que E e Ec so eventos sempre mutuamente exclusivos e,

visto que E E c = S , pelos Axiomas 1 e 2 temos que:
1 = P S = P E Ec = P E + P Ec .
de forma equivalente, a equao acima pode ser escrita como:

P Ec = 1 P E .
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:
P EF = P E +P F P EF .

DCA/FEEC/Unicamp
para deduzir a frmula para P E F necessrio lembrar que ( E F ) pode
ser escrito como a unio de dois eventos disjuntos E e ( E c F ) . Assim,

utilizando o Axioma 3, temos que:
P E F = P E (E c F )
= P E + P Ec F
alm disto, como F = ( E F ) ( E c F ) , obtemos pelo Axioma 3 que:
P F = P E F + P Ec F
ou, de forma equivalente:

P Ec F = P F P E F ,
completando assim a prova de que

P EF = P E +P F P EF .

DCA/FEEC/Unicamp
esta proposio pode tambm ser demonstrada utilizando o diagrama de Venn

mostrado abaixo.
E F
I II III
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 ,
E F c ); a seo II representa todos os pontos que esto tanto em E quanto
em F (isto , E F ), e a seo III representa todos os pontos em F que no
esto em E (isto , E c F ).

DCA/FEEC/Unicamp
do diagrama de Venn, observamos que:

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

P EF = P E +P F P EF ,
que conhecida como a lei de adio de probabilidades.

DCA/FEEC/Unicamp
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,
P E F = 0 . Neste caso, P E F = P E + P F , 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
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
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
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:
F ( z ) = P x E ( z ) = P E ( z ) = P x | x z
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
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
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:
p j se z = x j ( j = 1, 2, ...)
f ( z) =
0 alhures
e a correspondente funo distribuio de probabilidade dada por:
F ( z ) = f (x j ) = pj
j j
tal que x j z tal que x j z
onde xj, 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
f(z )
1
6
1 2 3 4 5 6 z
F (z)
1
1
2
1 2 3 4 5 6 z

DCA/FEEC/Unicamp
em muitas aplicaes, existe o interesse em medidas de probabilidade do tipo

P x q < x r , ou seja, a probabilidade de que assuma qualquer valor no
intervalo x q < x x r , onde xq e xr no precisam necessariamente ser
elementos de S. Da definio F ( z ) = P x | x z de funo distribuio de
probabilidade, fica evidente que:

P x q < x r = F ( x r ) F ( x q ) .
como a varivel aleatria discreta, resulta:

P xq < xr = pj .
j
tal que x q < x j x r
uma conseqncia direta o resultado a seguir:

pj =1
j
tal que x j S

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

DCA/FEEC/Unicamp
P x q < x r = F ( x r ) F ( x q ) .
para uma varivel aleatria contnua, resulta:

x
P x q < x r = x r f ( x )dx .
q
uma conseqncia direta o resultado a seguir:

+
f ( x )dx = 1
Exemplo: uma varivel aleatria com distribuio normal tem as seguintes
funes densidade e distribuio de probabilidade:
f (z) F (z)
z z

DCA/FEEC/Unicamp
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:
( z ) 2
1
f ( z) = e 22
2
uniforme: uma varivel aleatria contnua chamada uniforme no intervalo
[x1,x2] se sua densidade de probabilidade pode ser expressa na forma:
1
se x1 z x 2
f ( z ) = x 2 x1
0
alhures
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
n
n
f ( z) = k p k q n k ( z k )
k = 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:
n
P A ocorrer k vezes = p k (1 p )n k
k
e a probabilidade deste evento A ocorrer at k vezes em n k experimentos
(sob as mesmas condies) dada por:
k
n
P A ocorrer at k vezes = r p r (1 p )n r
r =0

DCA/FEEC/Unicamp
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:
# = x j f ( x j ) , para o caso discreto (o somatrio sobre todos os
j
valores possveis de j);
+
# = xf ( x )dx , para o caso contnuo.
a mdia tambm conhecida como esperana matemtica: E[] = .

DCA/FEEC/Unicamp
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
f (c + z ) = f (c z ) .
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:
2 = (x j ) f ( x j ) , para o caso discreto (o somatrio sobre todos
2
#
j
os valores possveis de j);
2 = (x ) f ( x )dx , para o caso contnuo.
+ 2
#
por hiptese, suposto que a srie (caso discreto) converge absolutamente e

que a integral (caso contnuo) existe (tem um valor finito).

DCA/FEEC/Unicamp
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
# E [g ( )] = g ( x j ) f ( x j ) , para o caso discreto (o somatrio sobre

j
todos os valores possveis de j);

+
# E [g ( )] = g ( x ) f ( x )dx , para o caso contnuo.
tomando g () = k , k = 1, 2, ..., as esperanas matemticas acima representam

o k-simo momento de .
tomando g () = ( ) , k = 1, 2, ..., as esperanas matemticas acima

k
representam o k-simo momento central de .
lembre-se que o operador esperana matemtica linear, ou seja:
# E [x1 + x 2 ] = E [x1 ] + E [x 2 ];
# E [x ] = E [x ], com determinstico e constante.

DCA/FEEC/Unicamp
4 Medidas amostrais
N
1
mdia amostral (N amostras): x =
N
xk
k =1
1 N
varincia amostral: 2 = ( xk x )2
N 1 k =1
1 N
desvio padro amostral: = ( x k x )2
N 1 k =1
( xik xi )(x jk x j )
1 N
covarincia amostral: ij =
N 1 k =1
ij
coeficiente de correlao amostral: rij =
i j

DCA/FEEC/Unicamp
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
$ h1: 100% das bolas so azuis;

$ h2: 75% das bolas so azuis e 25% so vermelhas;
$ h5: 100% das bolas so vermelhas.
dada uma caixa, a varivel aleatria H denota o tipo de caixa, podendo
assumir os valores h1, h2, ..., h5.
suponha que H no diretamente observvel (no h nenhum rtulo indicando
o tipo de caixa).
quando as bolas so retiradas, dados so observados: d1, d2, ..., dN.
cada dj, 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
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 d = [d1 d 2 L d N ]T o vetor de dados j observados. Pela regra de
Bayes, a probabilidade de cada hiptese dada por:
P hi d = P d hi P hi
5
onde um fator de normalizao definido de modo que P hi d = 1.
i =1

DCA/FEEC/Unicamp
duas quantidades-chaves na abordagem bayesiana so:

5
$ probabilidade a priori de cada hiptese: P hi , tal que P hi = 1;
i =1
$ probabilidade dos dados, condicionada hiptese: P d hi .
P hi indica o grau inicial de veracidade da hiptese.
P d hi indica o quo bem os dados so explicados pela hiptese.
P hi d 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
P d hi = P d j hi
j =1

DCA/FEEC/Unicamp
seja dN+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
P d N +1 d = P hi d P d N +1 hi
i =1
a parcela P d N +1 hi indica a probabilidade daquela cor especfica ocorrer sob

a hiptese hi. E P d N +1 d a soma destas probabilidades ponderadas pelo
grau de veracidade da hiptese correspondente ( P hi d ).
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
Evoluo das probabilidades supondo que todas as observaes

correspondem a bolas vermelhas.
Probabilidades a priori: Ph1=0.1 / Ph2=0.2 / Ph3=0.4 / Ph4=0.2 / Ph5=0.1

DCA/FEEC/Unicamp
Evoluo da probabilidade de que a prxima bola seja vermelha, supondo

que todas as observaes correspondem a bolas vermelhas.

DCA/FEEC/Unicamp
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.

Topico8 03 PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Topico8 03 PDF

Enviado por

Direitos autorais:

Formatos disponíveis

EA932 - Prof.

Fundamentos para Processos Estocsticos

mtodos estatsticos fornecem ferramentas importantes para a engenharia, com

Tpico 8 - Fundamentos para Processos Estocsticos 1

EA932 - Prof. Von Zuben

um estatstico usa as leis fundamentais da probabilidade e da inferncia

Tpico 8 - Fundamentos para Processos Estocsticos 2

estatstica inferencial estatstica descritiva

a probabilidade a linguagem empregada na fundamentao matemtica da

Tpico 8 - Fundamentos para Processos Estocsticos 3

EA932 - Prof. Von Zuben

o importante observar que, quando se aplica a teoria de probabilidade ao

Exemplo 1: as razes da teoria de probabilidade esto associadas aos jogos de

Exemplo 2: parte do sucesso da indstria japonesa atribuda ao emprego de

Exemplo 3: Prvia Eleitoral (procedimento sistemtico para elaborao do

Tpico 8 - Fundamentos para Processos Estocsticos 4

2.1 Os conceitos de experimento, espao amostral e evento

experimento o termo utilizado para indicar a realizao de algo, ou a

Tpico 8 - Fundamentos para Processos Estocsticos 5

EA932 - Prof. Von Zuben

o resultado no pode, ento, ser predito a partir do conhecimento das

Tpico 8 - Fundamentos para Processos Estocsticos 6

normalmente, interessante focalizar a ateno em subconjuntos do espao

2.2 Axiomas de probabilidade

o ingrediente principal do modelo matemtico de um experimento aleatrio

Tpico 8 - Fundamentos para Processos Estocsticos 7

EA932 - Prof. Von Zuben

denominada de funo de probabilidade e P E denominada de

Axioma 1: Para todo evento E, 0 P E 1 .

Axioma 3: Para qualquer seqncia de eventos mutuamente exclusivos E1 , E 2 ,K

Tpico 8 - Fundamentos para Processos Estocsticos 8

algumas proposies simples podem ser deduzidas a partir dos axiomas

Proposio 1: Dado que E e Ec so eventos sempre mutuamente exclusivos e,

de forma equivalente, a equao acima pode ser escrita como:

em palavras, a proposio 1 afirma que a probabilidade de um evento no

Tpico 8 - Fundamentos para Processos Estocsticos 9

EA932 - Prof. Von Zuben

para deduzir a frmula para P E F necessrio lembrar que ( E F ) pode

ser escrito como a unio de dois eventos disjuntos E e ( E c F ) . Assim,

alm disto, como F = ( E F ) ( E c F ) , obtemos pelo Axioma 3 que:

ou, de forma equivalente:

completando assim a prova de que

Tpico 8 - Fundamentos para Processos Estocsticos 10

esta proposio pode tambm ser demonstrada utilizando o diagrama de Venn

as divises no diagrama mostram trs sees mutuamente exclusivas. Em

Tpico 8 - Fundamentos para Processos Estocsticos 11

EA932 - Prof. Von Zuben

do diagrama de Venn, observamos que:

visto que II = E F , temos ento:

Tpico 8 - Fundamentos para Processos Estocsticos 12

em palavras, pode ser expressa como:

maiores detalhes sobre definies, axiomas, e exemplos envolvendo teoria de

Tpico 8 - Fundamentos para Processos Estocsticos 13

EA932 - Prof. Von Zuben

3 O conceito de varivel aleatria

Tpico 8 - Fundamentos para Processos Estocsticos 14

Tpico 8 - Fundamentos para Processos Estocsticos 15

EA932 - Prof. Von Zuben

como o evento pode ser qualquer, possvel considerar eventos do tipo: E x,

apesar desta definio de funo distribuio de probabilidade ser muito

Tpico 8 - Fundamentos para Processos Estocsticos 16

# uma funo massa de probabilidade f () , no caso discreto;

# uma funo densidade de probabilidade f () , no caso contnuo.