Estocástica PDF

EA932 - Prof.
Von Zuben
DCA/FEEC/Unicamp
Fundamentos para Processos Estocásticos

1 O papel da estatística na engenharia e na ciência
As teorias científicas lidam com conceitos, não com a realidade. Embora elas
sejam formuladas para corresponder à realidade, esta correspondência é
aproximada e a justificativa para todas as conclusões teóricas é baseada em
alguma forma de raciocínio indutivo.
Athanasios Papoulis
• métodos estatísticos fornecem ferramentas importantes para a engenharia, com

teor descritivo e analítico para operar com a variabilidade presente nos dados
observados.
• a estatística lida com a coleta, apresentação, análise e uso de dados em
tomada de decisão e na solução de problemas.
Tópico 8 - Fundamentos para Processos Estocásticos 1
EA932 - Prof. Von Zuben

DCA/FEEC/Unicamp
• um estatístico usa as leis fundamentais da probabilidade e da inferência

estatística para elaborar conclusões acerca de determinado experimento.
• objetivo: descrever e modelar a variabilidade e tomar decisões na presença de
variabilidade (inferência estatística).
• fundamento: o modelo deve possuir ao menos um elemento intrinsecamente
aleatório.
• a variabilidade é resultante de mudanças nas condições sob as quais as
observações são feitas, de características 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 informação contida nas amostras demonstra de forma conclusiva que o
ganho do transistor é menor que 5.50?
! quanta confiança pode se ter de que o ganho no transistor está contido no
intervalo [5.00, 5.30]?

DCA/FEEC/Unicamp
• estatística inferencial × estatística descritiva

• estatística inferencial: estimação pontual de parâmetros, estimação de
intervalos de confiança, teste de hipóteses.
• estatística descritiva: aplicação de métodos gráficos e numéricos na
organização e apresentação da informação em uma forma sucinta.
2 Probabilidade
• a probabilidade é a linguagem empregada na fundamentação matemática da

inferência estatística. Trata-se de uma disciplina exata e desenvolvida a partir
de um encadeamento lógico de deduções a partir de um conjunto de axiomas
claramente definidos.
• há uma óbvia quebra de continuidade entre os elementos de probabilidade
apresentados em cursos introdutórios e os conceitos sofisticados necessários
nas aplicações do dia-a-dia.

DCA/FEEC/Unicamp
• o importante é observar que, quando se aplica a teoria de probabilidade ao

mundo real, ela se mostra eficaz.
• Exemplo 1: as raízes da teoria de probabilidade estão associadas aos jogos de

azar, em Monte Carlo, no século 17.
• Exemplo 2: parte do sucesso da indústria japonesa é atribuída ao emprego de

métodos estatísticos na produção, gerenciamento e planejamento (não apenas
gerar relatórios, mas extrair conclusões ou inferências).
• Exemplo 3: Prévia Eleitoral (procedimento sistemático para elaboração do

experimento e coleta de dados)
coleção de todos os indivíduos (população)
↓
processo de amostragem
↓
inferência sobre toda a população

DCA/FEEC/Unicamp
2.1 Os conceitos de experimento, espaço amostral e evento
• experimento é o termo utilizado para indicar a realização de algo, ou a

observação de algo, que acontece sob certas condições, levando a um
resultado.
• ocasionalmente, a natureza de um experimento faz com que o seu resultado
seja definido unicamente pelas condições nas quais o experimento é realizado.
• na prática, todavia, observa-se que muitos experimentos não apresentam a
propriedade de repetitividade, mesmo sob condições supostamente idênticas.
• este é o caso quando existem fatores que influenciam o resultado, mas que não
são de conhecimento do experimentador ou que o experimentador não pode
controlar e, também, quando os fatores que supostamente estão sob controle,
na verdade não estão.

DCA/FEEC/Unicamp
• o resultado não pode, então, ser predito a partir do conhecimento das

“condições” sob as quais o experimento foi realizado. Neste caso, fala-se do
experimento como sendo um “experimento envolvendo o acaso” ou,
simplesmente, “experimento aleatório”.
• devido à imprevisibilidade ou ao elemento do acaso no experimento, o tipo de
modelo matemático usual envolvendo equações determinísticas é inadequado
e um novo tipo de estrutura matemática é necessário para representar os
fenômenos de interesse, denominados processos estocásticos.
• uma vez que o resultado do experimento não é previsível, ele vai ser um
dentre os muitos resultados possíveis.
• o espaço amostral de um experimento aleatório é o conjunto de todos os
resultados possíveis do experimento, sendo geralmente denotado por S.

DCA/FEEC/Unicamp
• normalmente, é interessante focalizar a atenção em subconjuntos do espaço

amostral S. Para tanto, define-se um evento como qualquer subconjunto E do
espaço amostral S (E ⊂ S).
2.2 Axiomas de probabilidade
• o ingrediente principal do modelo matemático de um experimento aleatório é

a noção de probabilidade, a qual formaliza o conceito de que alguns eventos
são mais verossímeis do que outros, em termos de suas freqüências de
ocorrência relativas.
• os axiomas de probabilidade permitem a manipulação de combinações de
eventos (eventos compostos);
• seja S um espaço amostral, seja ε uma classe que comporta todos os possíveis
eventos em S, e seja P uma função de valores reais definida em ε. Então P é

DCA/FEEC/Unicamp
denominada de função de probabilidade e P E é denominada de

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

O axioma 1 determina que a probabilidade de que o resultado de um
experimento é um ponto em E é algum número entre 0 e 1.
Axioma 2: P S = 1.
O axioma 2 determina que, com probabilidade igual a 1, o resultado será um
ponto no espaço amostral S.
Axioma 3: Para qualquer seqüência de eventos mutuamente exclusivos E1 , E 2 ,K

(isto é, eventos para os quais Ei ∩ E j = ∅ quando i ≠ j ),
∞ ∞
P U Ei = ∑ P Ei
i =1 i =1

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

enumerados acima:
Proposição 1: Dado que E e Ec são 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 equação acima pode ser escrita como:

P Ec = 1− P E .
• em palavras, a proposição 1 afirma que a probabilidade de um evento não

ocorrer é igual a 1 menos a probabilidade do evento ocorrer.
Proposição 2:
P E∪F = P E +P F −P E∩F .

DCA/FEEC/Unicamp
• para deduzir a fórmula para P E ∪ F é necessário lembrar que ( E ∪ F ) pode
ser escrito como a união 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
• além 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 E∪F = P E +P F −P E∩F .

DCA/FEEC/Unicamp
• esta proposição pode também ser demonstrada utilizando o diagrama de Venn

mostrado abaixo.
E F
I II III
• as divisões no diagrama mostram três seções mutuamente exclusivas. Em

palavras, a seção I representa todos os pontos em E que não estão em F (isto é,
E ∩ F c ); a seção II representa todos os pontos que estão tanto em E quanto
em F (isto é, E ∩ F ), e a seção III representa todos os pontos em F que não
estão em E (isto é, 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 são 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 então:

P E∪F = P E +P F −P E∩F ,
que é conhecida como a lei de adição de probabilidades.

DCA/FEEC/Unicamp
• em palavras, pode ser expressa como:

A probabilidade do evento E ou do evento F ocorrer é a soma de
suas probabilidades em separado menos a probabilidade de ambos
ocorrerem. No caso dos eventos E e F serem mutuamente
exclusivos, eles não terão pontos em comum e, portanto,
P E ∩ F = 0 . Neste caso, P E ∪ F = P E + P F , como já
indicado pelo axioma 3.
• maiores detalhes sobre definições, axiomas, e exemplos envolvendo teoria de

probabilidade → consultar material de apoio (PAPOULIS, 1991, caps. 1 e 2)

DCA/FEEC/Unicamp
3 O conceito de variável aleatória

• ao se arremessar um dado, é sabido que o valor ξ da face que ficar para cima
vai ser um número entre 1 e 6, mas não é possível predizer este valor.
• quando uma lâmpada entra em operação, o seu tempo de vida ξ também não
pode ser predito.
• nestes dois casos, ξ é uma variável aleatória ou estocástica.
• ‘arremesso de dado’ e ‘lâmpada em operação’ são experimentos.
• o conjunto {1, 2, 3, 4, 5, 6} e o intervalo real de unidades de tempo [0, +∞)
são os espaços amostrais correspondentes.
• são eventos:
# número par na face que ficou para cima: E = {2, 4, 6};
# lâmpada com tempo de vida inferior a 400 unidades de tempo:
E = [0, 400).

DCA/FEEC/Unicamp
• logo, uma variável aleatória é uma função que aloca um ponto do espaço
amostral a cada resultado de um experimento aleatório. Dito de outro modo,
uma variável aleatória é uma função associada a um experimento, sendo que a
realização do experimento leva esta variável a assumir um valor dependente
do acaso, mas pertencente ao respectivo espaço amostral.
• cada vez que um experimento é realizado, o resultado obtido indica a
ocorrência ou não de um determinado evento (subconjunto do espaço
amostral).
• Formalização do conceito: Uma variável aleatória ξ é uma função com as
seguintes propriedades:
# ξ assume valores no espaço amostral S de um experimento;
# para todo evento E ⊂ S, a probabilidade de que ξ assuma um valor x ∈ E
após a realização do experimento, dada por P〈x ∈ E〉 = P〈E〉, é bem
definida (embora possa ser desconhecida).

DCA/FEEC/Unicamp
• como o evento pode ser qualquer, é possível considerar eventos do tipo: E ≡ x,

onde x ∈ S. Logo, temos que, para todo x ∈ S, a probabilidade de que ξ valha
x após a realização do experimento, dada por P〈ξ = x〉 = P〈x〉, é bem definida.
• dado que as probabilidades mencionadas acima são bem definidas, para toda
variável aleatória, então é sempre possível obter uma função distribuição de
probabilidade definida em todo o espaço amostral. Geralmente, se emprega a
função distribuição cumulativa de probabilidade. Para tal, seja x ∈ S e suponha
que E(z) = {x | x ≤ z}. Então, a função distribuição cumulativa de
probabilidade associada à variável aleatória ξ é dada na forma:
Fξ ( z ) = P x ∈ E ( z ) = P E ( z ) = P x | x ≤ z
• apesar desta definição de função distribuição de probabilidade ser muito

genérica (atende a qualquer tipo de variável aleatória), apenas uma quantidade
reduzida de tipos de distribuição são verificados em aplicações práticas.

DCA/FEEC/Unicamp
• neste ponto do texto, o mais importante é dividir estes poucos tipos em duas
classes:
1. distribuições discretas: ocorrem em experimentos que requerem
contagem. Exemplos: pessoas com menos de 30 anos, mortes por câncer,
produtos com defeito.
2. distribuições contínuas: ocorrem em experimentos que requerem
medidas. Exemplos: tensão elétrica, pressão sangüínea, vazão de rio.
• para cada uma das duas classes, a respectiva função distribuição de
probabilidade Fξ (⋅) terá sempre associada a si:
# uma função massa de probabilidade f ξ (⋅) , no caso discreto;
# uma função densidade de probabilidade f ξ (⋅) , no caso contínuo.
• deste modo, o conhecimento do comportamento de uma das funções, Fξ (⋅) ou

f ξ (⋅) , em todo o espaço amostral já é suficiente para se obter a outra função.

DCA/FEEC/Unicamp
3.1 Distribuições e variáveis aleatórias discretas
• uma variável aleatória ξ e sua distribuição de probabilidade são discretas se o

espaço amostral (onde ξ assume valores) contém apenas um número finito de
elementos ou um número infinito, mas contável, de elementos.
• neste caso, a função massa de probabilidade assume a forma:
 p j se z = x j ( j = 1, 2, ...)
f ξ ( z) = 
0 alhures
e a correspondente função distribuição de probabilidade é dada por:
Fξ ( z ) = ∑ fξ (x j ) = ∑ pj
j j
tal que x j ≤ z tal que x j ≤ z
onde xj, j=1,2,..., são os elementos do espaço amostral.

• Exemplo: no caso de um dado não-viciado, a variável aleatória ξ,
representando a face que ficar para cima após o arremesso do dado, tem as
seguintes funções massa e distribuição de probabilidade:

DCA/FEEC/Unicamp
fξ(z )
1
6
1 2 3 4 5 6 z
F ξ(z)
1
1
2
1 2 3 4 5 6 z

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

P x q < ξ ≤ x r , ou seja, a probabilidade de que ξ assuma qualquer valor no
intervalo x q < x ≤ x r , onde xq e xr não precisam necessariamente ser
elementos de S. Da definição Fξ ( z ) = P x | x ≤ z de função distribuição de
probabilidade, fica evidente que:

P x q < ξ ≤ x r = Fξ ( x r ) − Fξ ( x q ) .
• como a variável aleatória ξ é discreta, resulta:

P xq < ξ ≤ xr = ∑ pj .
j
tal que x q < x j ≤ x r
• uma conseqüência direta é o resultado a seguir:

∑ pj =1
j
tal que x j ∈S

DCA/FEEC/Unicamp
3.2 Distribuições e variáveis aleatórias contínuas
• uma variável aleatória ξ e sua distribuição de probabilidade são contínuas se o

espaço amostral (onde ξ assume valores) contém um número infinito e
incontável de elementos.
• neste caso, valem as seguintes relações entre as funções distribuição Fξ (⋅) e
densidade f ξ (⋅) de probabilidade:
dFξ ( z ) z
f ξ ( z) = e Fξ ( z ) = P x | x ≤ z = ∫− ∞ f ξ ( x )dx
dz
• como no caso discreto, existe o interesse em medidas de probabilidade do tipo
P x q < ξ ≤ x r , ou seja, a probabilidade de que ξ assuma qualquer valor no
intervalo x q < x ≤ x r , onde xq e xr não precisam necessariamente ser
elementos de S. Da definição Fξ ( z ) = P x | x ≤ z de função distribuição de
probabilidade, fica evidente que:

DCA/FEEC/Unicamp
P x q < ξ ≤ x r = Fξ ( x r ) − Fξ ( x q ) .
• para uma variável aleatória ξ contínua, resulta:

x
P x q < ξ ≤ x r = ∫x r f ξ ( x )dx .
q
• uma conseqüência direta é o resultado a seguir:

+∞
∫− ∞ f ξ ( x )dx = 1
• Exemplo: uma variável aleatória ξ com distribuição normal tem as seguintes
funções densidade e distribuição de probabilidade:
f ξ (z) F ξ (z)
z z

DCA/FEEC/Unicamp
3.3 Exemplos de funções densidade de probabilidade
• normal: uma variável aleatória contínua é chamada normal ou gaussiana se

sua densidade de probabilidade pode ser expressa na forma:
− ( z − η) 2
1
f ( z) = e 2σ2
σ 2π
• uniforme: uma variável aleatória contínua é 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 variável aleatória discreta tem uma distribuição 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 δ( z − k )
k = 0 
• Exemplos: sabendo que a probabilidade de um evento A ocorrer em um dado
experimento é p, a probabilidade deste evento A ocorrer k vezes em n ≥ k
experimentos (sob as mesmas condições) é dada por:
n
P A ocorrer k vezes =   p k (1 − p )n − k
k 
e a probabilidade deste evento A ocorrer até k vezes em n ≥ k experimentos
(sob as mesmas condições) é dada por:
k
n
P A ocorrer até k vezes = ∑  r  p r (1 − p )n − r
r =0  

DCA/FEEC/Unicamp
3.4 Média e variância da distribuição
• a função distribuição de probabilidade Fξ (⋅) , ou equivalentemente a função
massa ou densidade de probabilidade f ξ (⋅) , determinam completamente uma
variável aleatória. Sendo assim, parâmetros e propriedades (como simetria) da

variável aleatória podem ser obtidos a partir destas funções de probabilidade.
• dado o tipo de distribuição e na presença de simetria, a média e a variância
passam a descrever completamente a variável aleatória.
• Definição 1: o valor médio ou a média de uma variável aleatória ξ é dado por:
# ξ = ∑ x j f ξ ( x j ) , para o caso discreto (o somatório é sobre todos os
j
valores possíveis de j);
+∞
# ξ = ∫− ∞ xf ξ ( x )dx , para o caso contínuo.
• a média é também conhecida como esperança matemática: E[ξ] = ξ .

DCA/FEEC/Unicamp
• por hipótese, é suposto que a série (caso discreto) converge absolutamente e

que a integral (caso contínuo) existe (tem um valor finito).
• Definição 2: a distribuição é dita ser simétrica em relação a um valor c se
f (c + z ) = f (c − z ) .
• Teorema 1: Se uma distribuição é simétrica em relação a um valor c e tem
média ξ , então ξ = c.
• Definição 3: A variância de uma distribuição é denotada por σ2, sendo dada
por:
σ 2 = ∑ (x j − ξ ) f ξ ( x j ) , para o caso discreto (o somatório é sobre todos
2
#
j
os valores possíveis de j);
σ 2 = ∫− ∞ (x − ξ ) f ξ ( x )dx , para o caso contínuo.
+∞ 2
#
• por hipótese, é suposto que a série (caso discreto) converge absolutamente e

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

DCA/FEEC/Unicamp
• com exceção do caso em que f(z) = 1 em um único ponto e se anula alhures,

para o qual resulta σ2 = 0, em todos os outros casos, sempre vai ocorrer
σ2 > 0.
• Definição 4: A raiz quadrada da variância é denominada desvio padrão, tendo
por notação σ.
• como conseqüência, a variável aleatória
ξ− ξ
ξN =
σ
tem média zero e variância unitária.
3.5 Momentos
• Definição 5: Para qualquer variável aleatória ξ e qualquer função contínua

g(⋅): ℜ → ℜ, a esperança matemática de g(ξ) é dada por:

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

j
todos os valores possíveis de j);

+∞
# E [g ( ξ)] = ∫− ∞ g ( x ) f ξ ( x )dx , para o caso contínuo.
• tomando g (ξ) = ξ k , k = 1, 2, ..., as esperanças matemáticas acima representam

o k-ésimo momento de ξ.
• tomando g (ξ) = (ξ − ξ ) , k = 1, 2, ..., as esperanças matemáticas acima

k
representam o k-ésimo momento central de ξ.
• lembre-se que o operador esperança matemática é linear, ou seja:
# E [x1 + x 2 ] = E [x1 ] + E [x 2 ];
# E [αx ] = αE [x ], com α determinístico e constante.

DCA/FEEC/Unicamp
4 Medidas amostrais
N
1
• média amostral (N amostras): x =
N
∑ xk
k =1
1 N
• variância amostral: σ 2 = ∑ ( xk − x )2
N − 1 k =1
1 N
• desvio padrão amostral: σ = ∑ ( x k − x )2
N − 1 k =1
∑ ( xik − xi )(x jk − x j )
1 N
• covariância amostral: σ ij =
N − 1 k =1
σ ij
• coeficiente de correlação amostral: rij =
σi σ j

DCA/FEEC/Unicamp
5 Probabilidade Condicional e a Regra de Bayes
• mesmo não sabendo qual ‘teoria’ do mundo é a correta, é necessário tomar

decisões, e elas estarão baseadas em alguma ‘teoria’ do mundo.
• como validar as ‘teorias’ do mundo a partir da experiência?
• dois conceitos são fundamentais aqui:
$ dado: instanciação de uma variável aleatória (ou vetor de variáveis
aleatórias);
$ hipótese: teoria de como o ‘mundo’ funciona.
• vamos trabalhar daqui em diante com um problema didático. Considere a
existência de 5 hipóteses para descrever o conteúdo de uma caixa enorme
repleta de bolas em seu interior (idealmente, o número de bolas deveria ser
infinito):

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

$ h2: 75% das bolas são azuis e 25% são vermelhas;
$ h5: 100% das bolas são vermelhas.
• dada uma caixa, a variável aleatória H denota o tipo de caixa, podendo
assumir os ‘valores’ h1, h2, ..., h5.
• suponha que H não é diretamente observável (não há nenhum rótulo indicando
o tipo de caixa).
• quando as bolas são retiradas, dados são observados: d1, d2, ..., dN.
• cada dj, j=1,...,N, é uma variável aleatória que pode assumir os ‘valores’ azul
ou vermelha.
• se o número de bolas for infinito, então não há necessidade de reposição da
bola retirada. Caso contrário, a reposição é necessária.
• Tarefa: predizer a cor da próxima bola a partir dos dados já observados.

DCA/FEEC/Unicamp
• embora seja uma tarefa simples, é necessário inferir uma ‘teoria’ acerca de
como o mundo ‘funciona’.
• a inferência bayesiana indica a probabilidade de cada hipótese, a partir dos
dados já observados, e é o resultado do uso de todas as hipóteses, devidamente
ponderadas.
• repare que não se adota aqui a escolha da hipótese mais provável para se
executar a tarefa de predição. Logo, a predição se transforma em um problema
de inferência probabilística.
• seja d = [d1 d 2 L d N ]T o vetor de dados já observados. Pela regra de
Bayes, a probabilidade de cada hipótese é dada por:
P hi d = αP d hi P hi
5
onde α é um fator de normalização definido de modo que ∑ P hi d = 1.
i =1

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

5
$ probabilidade a priori de cada hipótese: P hi , tal que ∑ P hi = 1;
i =1
$ probabilidade dos dados, condicionada à hipótese: P d hi .
• P hi indica o grau inicial de veracidade da hipótese.
• P d hi indica o quão bem os dados são explicados pela hipótese.
• P hi d indica o novo grau de veracidade da hipótese, condicionada aos

dados, ou seja, o quão bem a hipótese é explicada pelos dados.
• supondo que as observações são i.i.d. (independently and identically
distributed), o que é bastante razoável quando o número de bolas tende a
infinito, então a probabilidade dos dados, condicionada à hipótese é dada por:
N
P d hi = ∏ P d j hi
j =1

DCA/FEEC/Unicamp
• seja dN+1 a variável aleatória que indica a cor da próxima bola.

• a probabilidade desta variável assumir uma cor específica, condicionada aos
dados já observados, é 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 específica ocorrer sob

a hipótese hi. E P d N +1 d é a soma destas probabilidades ponderadas pelo
grau de veracidade da hipótese correspondente ( P hi d ).
• em outras palavras, a probabilidade de uma cor específica é uma média

ponderada das probabilidades desta cor específica nas hipóteses individuais.
• com isso, as hipóteses representam apenas peças intermediárias entre os dados
observados e a predição da cor da próxima bola.

DCA/FEEC/Unicamp
Evolução das probabilidades supondo que todas as observações

correspondem a bolas vermelhas.
Probabilidades a priori: P〈h1〉=0.1 / P〈h2〉=0.2 / P〈h3〉=0.4 / P〈h4〉=0.2 / P〈h5〉=0.1

DCA/FEEC/Unicamp
Evolução da probabilidade de que a próxima bola seja vermelha, supondo

que todas as observações correspondem a bolas vermelhas.

DCA/FEEC/Unicamp
6 Referências
BULMER, M.G. “Principles of Statistics”, Dover, 1979.
DOS REIS, S.F. “Introdução ao Estudo de Probabilidade”, Notas de Aula do Curso de Genética Populacional
Teórica, 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.

Estocástica 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

Estocástica PDF

Enviado por

Direitos autorais:

Formatos disponíveis

EA932 - Prof.

Fundamentos para Processos Estocásticos

• métodos estatísticos fornecem ferramentas importantes para a engenharia, com

Tópico 8 - Fundamentos para Processos Estocásticos 1

EA932 - Prof. Von Zuben

• um estatístico usa as leis fundamentais da probabilidade e da inferência

Tópico 8 - Fundamentos para Processos Estocásticos 2

• estatística inferencial × estatística descritiva

• a probabilidade é a linguagem empregada na fundamentação matemática da

Tópico 8 - Fundamentos para Processos Estocásticos 3

EA932 - Prof. Von Zuben

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

• Exemplo 1: as raízes da teoria de probabilidade estão associadas aos jogos de

• Exemplo 2: parte do sucesso da indústria japonesa é atribuída ao emprego de

• Exemplo 3: Prévia Eleitoral (procedimento sistemático para elaboração do

Tópico 8 - Fundamentos para Processos Estocásticos 4

2.1 Os conceitos de experimento, espaço amostral e evento

• experimento é o termo utilizado para indicar a realização de algo, ou a

Tópico 8 - Fundamentos para Processos Estocásticos 5

EA932 - Prof. Von Zuben

• o resultado não pode, então, ser predito a partir do conhecimento das

Tópico 8 - Fundamentos para Processos Estocásticos 6

• normalmente, é interessante focalizar a atenção em subconjuntos do espaço

2.2 Axiomas de probabilidade

• o ingrediente principal do modelo matemático de um experimento aleatório é

Tópico 8 - Fundamentos para Processos Estocásticos 7

EA932 - Prof. Von Zuben

denominada de função de probabilidade e P E é denominada de

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

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

Tópico 8 - Fundamentos para Processos Estocásticos 8

• algumas proposições simples podem ser deduzidas a partir dos axiomas

Proposição 1: Dado que E e Ec são eventos sempre mutuamente exclusivos e,

• de forma equivalente, a equação acima pode ser escrita como:

• em palavras, a proposição 1 afirma que a probabilidade de um evento não

Tópico 8 - Fundamentos para Processos Estocásticos 9

EA932 - Prof. Von Zuben

• para deduzir a fórmula para P E ∪ F é necessário lembrar que ( E ∪ F ) pode

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

• além disto, como F = ( E ∩ F ) ∪ ( E c ∩ F ) , obtemos pelo Axioma 3 que:

• ou, de forma equivalente:

completando assim a prova de que

Tópico 8 - Fundamentos para Processos Estocásticos 10

• esta proposição pode também ser demonstrada utilizando o diagrama de Venn

• as divisões no diagrama mostram três seções mutuamente exclusivas. Em

Tópico 8 - Fundamentos para Processos Estocásticos 11

EA932 - Prof. Von Zuben

• do diagrama de Venn, observamos que:

• visto que II = E ∩ F , temos então:

Tópico 8 - Fundamentos para Processos Estocásticos 12

• em palavras, pode ser expressa como:

• maiores detalhes sobre definições, axiomas, e exemplos envolvendo teoria de

Tópico 8 - Fundamentos para Processos Estocásticos 13

EA932 - Prof. Von Zuben

3 O conceito de variável aleatória

Tópico 8 - Fundamentos para Processos Estocásticos 14

Tópico 8 - Fundamentos para Processos Estocásticos 15

EA932 - Prof. Von Zuben

• como o evento pode ser qualquer, é possível considerar eventos do tipo: E ≡ x,

• apesar desta definição de função distribuição de probabilidade ser muito

Tópico 8 - Fundamentos para Processos Estocásticos 16

# uma função massa de probabilidade f ξ (⋅) , no caso discreto;

# uma função densidade de probabilidade f ξ (⋅) , no caso contínuo.