Escolar Documentos
Profissional Documentos
Cultura Documentos
16:44 prof.helios.ufrj@gmail.com 1
Aula 1
16:44 prof.helios.ufrj@gmail.com 2
16:44 prof.helios.ufrj@gmail.com 3
16:44 prof.helios.ufrj@gmail.com 4
Títulos das seções = títulos dos slides
16:44 prof.helios.ufrj@gmail.com 5
4) AVALIAÇÃO DA APRENDIZAGEM
16:44 prof.helios.ufrj@gmail.com 6
Zé Paulo & Zé Mauro
16:44 prof.helios.ufrj@gmail.com 7
Texto Base
16:44 prof.helios.ufrj@gmail.com 8
Lista de Unidades de Ensino
16:44 prof.helios.ufrj@gmail.com 9
1.1 Conceitos Fundamentais
16:44 prof.helios.ufrj@gmail.com 10
1.1 Conceitos Fundamentais
Dimensionamento de Serviços:
• Qual o número de circuitos compartilhados de modo
a se ter uma boa conexão? (boa = ?)
• Quanto tempo um usuário espera por uma conexão?
• Quanto tempo um usuário ocupa uma conexão?
• O sistema pode ficar inoperante?
16:44 prof.helios.ufrj@gmail.com 11
1.1 Conceitos Fundamentais
Dimensionamento de Serviços:
Qual a quantidade N adequada para postos de atendimento?
Qual o tempo de espera na fila?
Qual a extensão da fila?
Quantos abandonam a fila sem atendimento?
Quantos atendimentos são realizados por cada posto de serviço?
Qual o número de atendimentos por dia?
16:44 prof.helios.ufrj@gmail.com 12
1.1 Conceitos Fundamentais
Manutenção
16:44 prof.helios.ufrj@gmail.com 13
1.1 Conceitos Fundamentais
Ruído
O que é ruído?
16:44 prof.helios.ufrj@gmail.com 14
1.1 Conceitos Fundamentais
Sinais
Ruidosos
Tráfego de Internet de 12h30 a 13h30
16:44 prof.helios.ufrj@gmail.com 15
Aula 2
16:44 prof.helios.ufrj@gmail.com 16
1.1 Conceitos Fundamentais
PROBABILIDADE
Intuitivamente:
16:44 prof.helios.ufrj@gmail.com 17
1.1 Conceitos Fundamentais
Espaço Amostral
ou Espaço de
Amostras
Ω Resultado
ou ponto-amostra
Evento
. ω
A
16:44 prof.helios.ufrj@gmail.com 18
1.1 Conceitos Fundamentais
Equipamentos
Conjunto de todos produzidos e
os equipamentos armazenados
que podem ser
escolhidos Escolher um
Espaço Amostral equipamento ao
ou Espaço de acaso
Amostras
Ω Resultado
ou ponto-amostra
Evento
Um conjunto de . ω Equipamento
escolhido
equipamentos
(perfeitos, A
defeituosos, novos,
antigos, etc.)
16:44 prof.helios.ufrj@gmail.com 19
1.1 Conceitos Fundamentais
16:44 prof.helios.ufrj@gmail.com 20
1.1 Conceitos Fundamentais
16:44 prof.helios.ufrj@gmail.com 21
1.1 Conceitos Fundamentais
16:44 prof.helios.ufrj@gmail.com 22
1.1 Conceitos Fundamentais
Dever de Casa: revisar Teoria de Conjuntos (conjunto
universo, conjuntos, subconjuntos...) e algumas operações
fundamentais (união, interseção, complemento diferença...)
16:44 prof.helios.ufrj@gmail.com 23
1.1 Conceitos Fundamentais
16:44 prof.helios.ufrj@gmail.com 24
Aula 3
16:44 prof.helios.ufrj@gmail.com 25
TEORIA DAS PROBABILIDADES
1.1 Conceitos Fundamentais: espaço amostral, eventos e probabilidade
1.2 Probabilidade: escolas clássica, frequencial e axiomática. Teoremas
1.3 Prob condicional; Teo da Prob Total; Bayes; Independência
VARIÁVEIS ALEATÓRIAS
2.1 Definição e classificação;
2.2 Funções de probab de densidade e de distribuição de probabilidade
2.3 Distribuições especiais
2.4 Variáveis aleatórias condicionais. Independência
2.5 Momentos
2.6 Extensão para vetores aleatórios.
PROCESSOS ESTOCÁSTICOS
3.1 Definição e conceitos básicos
3.2 Caracterização de processos estocásticos
3.3 Estacionariedade
3-4 Processos especiais: Markov, Gaussiano, Poisson
16:44 prof.helios.ufrj@gmail.com 26
1.2 PROBABILIDADE
Laplace:
Quase todos os nossos
conhecimentos são apenas
prováveis… (1825)
16:44 prof.helios.ufrj@gmail.com 27
1.2 PROBABILIDADE
Probabilístico x Determinístico
Experimento determinístico:
Mesmas condições Mesmos resultados
Experimento probabilístico:
Mesmas condições Diferentes resultados
Vocabulário:
Probabilístico / Aleatório / Incerto / Estocástico…
Incerto... Desconhecido...
Qual o problema desta conceituação?
16:44 prof.helios.ufrj@gmail.com 28
1.2 PROBABILIDADE
Probabilidade como Proporção
Questão simples:
16:44 prof.helios.ufrj@gmail.com 29
1.2 PROBABILIDADE
Probabilidade como Frequência
Frequência relativa: número de ocorrências de um evento após N
repetições de uma experiência.
Aplicação:
Se não temos muitas informações ou informações precisas sobre os
postos de serviço, ou nem sabemos quantos são, como gerar respostas
quanto à fila de espera?
Resposta:
Simulação.
16:44 prof.helios.ufrj@gmail.com 30
1.2 PROBABILIDADE
Probabilidade como Frequência
Frequência relativa = número de ocorrências de um evento H após N
repetições de uma experiência fN(H)
16:44 prof.helios.ufrj@gmail.com 31
1.2 PROBABILIDADE
Probabilidade como Frequência
0,6
Jogada Cara
1 0,5
2
3 1 0,4
4 1
5
0,3
6
7
1
1
fN(H) 50%
8 0,2
9 1
10 0,1
11
12 1
0
13
0 5 10 15 20 25 30
14
15 1 0,4
16 1
0,35
17 1
18 0,3
19 0,25
20 1
0,2
21
22 0,15 fN(H) – fN-1(H) 0
23 1 0,1
24 1
0,05
25
26 0
27 1 0 5 10 15 20 25 30
-0,05
28 1
-0,1
29
30 1 -0,15
16:44 prof.helios.ufrj@gmail.com 32
1.2 PROBABILIDADE
Probabilidade como Frequência
N = 50 N = 500
Fonte: Leon-Garcia, A. Probability, Statistics and Random Processes for Electrical Engineering. 3rd Ed. Pearson Prentice Hall, 2008.
16:44 prof.helios.ufrj@gmail.com 33
1.2 PROBABILIDADE
Probabilidade como Frequência
16:44 prof.helios.ufrj@gmail.com 34
1.2 PROBABILIDADE
Probabilidade Axiomática
Probabilidade é uma função P(.) que, para um dado evento A, obedece a três
axiomas:
Axioma 1: Axioma 2:
Axioma 3:
16:44 prof.helios.ufrj@gmail.com 35
1.2 PROBABILIDADE
Probabilidade Axiomática
Axioma 1: Coisas que são iguais a uma mesma coisa, são iguais entre si.
Axioma 2: Se iguais são adicionados a iguais, os resultados são iguais.
Axioma 3: Se iguais são subtraídos de iguais, os restos são iguais.
Axioma 4: Coisas que coincidem uma com a outra, são iguais.
Axioma 5: O todo é maior do que qualquer uma das suas partes.
16:44 prof.helios.ufrj@gmail.com 36
1.2 PROBABILIDADE
Probabilidade Axiomática
Axioma 1: Axioma 2:
16:44 prof.helios.ufrj@gmail.com 37
1.2 PROBABILIDADE
Probabilidade Axiomática
Axioma 3:
A = {2} e B = {2, 3}
16:44 prof.helios.ufrj@gmail.com 39
1.2 PROBABILIDADE
Probabilidade Axiomática
Axioma 1: Axioma 2:
Axioma 3:
16:44 prof.helios.ufrj@gmail.com 40
1.2 PROBABILIDADE
Propriedades da Probabilidade
Propriedade da aditividade:
Se
Então
Propriedade do complemento:
16:44 prof.helios.ufrj@gmail.com 41
1.2 PROBABILIDADE
Propriedades da Probabilidade
Demonstração informal
16:44 prof.helios.ufrj@gmail.com 42
1.2 PROBABILIDADE
Propriedades da Probabilidade
P{1, 2, 3, 4, 5} = 5/6
A interseção é contada
em dobro
16:44 prof.helios.ufrj@gmail.com 43
Aula 4
16:44 prof.helios.ufrj@gmail.com 44
TEORIA DAS PROBABILIDADES
1.1 Conceitos Fundamentais: espaço amostral, eventos e probabilidade
1.2 Probabilidade: escolas clássica, frequencial e axiomática. Teoremas
1.3 Prob condicional; Teo da Prob Total; Bayes; Independência
VARIÁVEIS ALEATÓRIAS
2.1 Definição e classificação;
2.2 Funções de probab de densidade e de distribuição de probabilidade
2.3 Distribuições especiais
2.4 Variáveis aleatórias condicionais. Independência
2.5 Momentos
2.6 Extensão para vetores aleatórios.
PROCESSOS ESTOCÁSTICOS
3.1 Definição e conceitos básicos
3.2 Caracterização de processos estocásticos
3.3 Estacionariedade
3-4 Processos especiais: Markov, Gaussiano, Poisson
16:44 prof.helios.ufrj@gmail.com 45
1.3 PROBABILIDADE CONDICIONAL
Intuitivamente:
16:44 prof.helios.ufrj@gmail.com 46
1.3 PROBABILIDADE CONDICIONAL
Definição (?):
16:44 prof.helios.ufrj@gmail.com 47
1.3 PROBABILIDADE CONDICIONAL
Intuitivamente:
16:44 prof.helios.ufrj@gmail.com 48
1.3 PROBABILIDADE CONDICIONAL
Resultados equiprováveis (probabilidade como proporção)
P(B) = #B / # Ω
Portanto:
P(B|A) = #(B∩A) / #A =
= [#(B∩A) / # Ω] / [#A / # Ω] =
= P(B∩A) / P(A)
16:44 prof.helios.ufrj@gmail.com 49
1.3 PROBABILIDADE CONDICIONAL
Um exemplo:
Ω = {1…6}
A = resultado ímpar = {1,3,5}
B = resultado elevado = {4,5,6}
16:44 prof.helios.ufrj@gmail.com 50
1.3 PROBABILIDADE CONDICIONAL
Um exemplo:
X
Caso em que A = {1,3,4,5}
Mas mantendo Ω = {1…6} e B = {4,5,6}
Portanto:
Informar que A ocorre aumentou a probabilidade de B de 1/2 para 2/3.
16:44 prof.helios.ufrj@gmail.com 51
1.3 PROBABILIDADE CONDICIONAL
16:44 prof.helios.ufrj@gmail.com 52
1.3 PROBABILIDADE CONDICIONAL
Teorema da Probabilidade Total
Definição:
Uma coleção {Bi} i = 1, …m é uma partição de Ω quando
Intuitivamente: Ω
Temos uma partição quando as fatias B1 B2 … Bm B1 B2 B3 B4
não possuem partes em comum (são disjuntas,
interseções vazias) e unindo todas as fatias
reconstituimos o todo Ω. …
16:44 prof.helios.ufrj@gmail.com 53
1.3 PROBABILIDADE CONDICIONAL
Teorema da Probabilidade Total
Ω
B1 B2 B3 B4
Temos uma partição de Ω: {B1 B2 … Bm }
Temos uma partição de A: {A1, A2, …Am} A2 A3 A4
onde Aj = A∩Bj A1 …
A
16:44 prof.helios.ufrj@gmail.com 54
Aula 5
16:44 prof.helios.ufrj@gmail.com 55
1.3 PROBABILIDADE CONDICIONAL
Regra de Bayes
Portanto:
16:44 prof.helios.ufrj@gmail.com 56
1.3 PROBABILIDADE CONDICIONAL
Regra de Bayes
Portanto:
Probabilidade de selecionar uma defeituosa = P(D) = 500/4.500 = 11%
16:44 prof.helios.ufrj@gmail.com 57
1.3 PROBABILIDADE CONDICIONAL
Regra de Bayes
Exemplo A.2: Determinação da qualidade
Temos 4 caixas, cada uma com 2.000, 500, 1.000 e 1.000 peças de diferentes
fabricantes. Sabe-se que o percentual de peças defeituosas de cada fabricante é
5%, 40%, 10% e 10%. Escolhe-se uma caixa e dela se retira 1 peça.
Não se sabe de que caixa ela era. Média das condicionais
P(D|Ci)
Qual a probabilidade de ser ela defeituosa? Ponderada pelas origens
Dados: P(Ci)
P(C1) = P(C2) = P(C3) = P(C4) = ¼ = 0,25
P(D|C1) = 5%; P(D|C2) = 40%; P(D|C3) = P(D|C4) = 10%
16:44 prof.helios.ufrj@gmail.com 58
1.3 PROBABILIDADE CONDICIONAL
Regra de Bayes
Exemplo B.1: Determinação da origem
Uma peça foi retirada de uma caixa e testada, mas não se sabe se é
defeituosa ou perfeita.
16:44 prof.helios.ufrj@gmail.com 59
1.3 PROBABILIDADE CONDICIONAL
Regra de Bayes
Exemplo B.2: Determinação da origem
Uma peça foi retirada de uma caixa, testada e apresentou defeito.
16:44 prof.helios.ufrj@gmail.com 61
1.3 PROBABILIDADE CONDICIONAL
Regra de Bayes
Caso em que m = 3:
P(B|A) = P(A∩B) / P(A)
= P(A|B).P(B) / [P(AB) + P(AC) + P(AD)]
= P(A|B).P(B) / [P(A|B).P(B) + P(A|C).P(C) + P(A|D).P(D)]
B C
D
AB AC AD
A
16:44 prof.helios.ufrj@gmail.com 62
1.3 PROBABILIDADE CONDICIONAL
Regra de Bayes
Exemplo (um longo exemplo)
Suponha que o tempo de vida de um determinado equipamento é tal que
t ∈ Ω = (0, ∞).
16:44 prof.helios.ufrj@gmail.com 63
1.3 PROBABILIDADE CONDICIONAL
Regra de Bayes
Exemplo (cont.)
Suponha que num estoque a proporção de equipamentos defeituosos (bad)
seja P[B] = p.
P[C∩G] P[C∩B]
16:44 prof.helios.ufrj@gmail.com 64
1.3 PROBABILIDADE CONDICIONAL
Regra de Bayes
Exemplo (um longo exemplo)
Dessa forma:
P[C] = (1 – p)e-at + pe-1000at
16:44 prof.helios.ufrj@gmail.com 65
1.3 PROBABILIDADE CONDICIONAL
Regra de Bayes
Exemplo (um longo exemplo)
Como P[B] = p, P[G] = 1 – p, P[C|G] = e-aT e P[C|B] = e-1000aT:
(1 – p).e-aT
0,99
(1 – p).e-aT p.e-1000aT
Dessa forma:
T = [1/(999a)]. Ln{99p/(1 – p)}
Se
a = 0,01 quando P(perfeito durar pelo menos 10 anos) = 90%
p = 10% (percentual de defeituosos fabricados)
Teremos que:
T = [1/(999.0,01)].Ln{99.0,1/0,9} = 0,1 anos = 1 mês 7 dias e 2h
Duas perguntas
16:44 prof.helios.ufrj@gmail.com 66
1.3 PROBABILIDADE CONDICIONAL
Regra de Bayes
1) Quando:
a = 0,01 quando P(perfeito durar pelo menos 10 anos) = 90%
p = 10% (percentual de defeituosos fabricados)
Vimos que o tempo de testagem será T = 1 mês 7 dias e 2h.
Se a fábrica produzir apenas p = 2% de defeituosos, teremos que o tempo de
testagem T será de quantos dias?
2) Quando:
a = 0,01 quando P(perfeito durar pelo menos 10 anos) = 90%
p = 10% (percentual de defeituosos fabricados)
Vimos que o tempo de testagem será T = 1 mês 7 dias e 2h.
Se reduzirmos o tempo de testagem para apenas T = 1 semana, o percentual
de supostos perfeitos que são (de fato) perfeitos (P[G|C] = 99%)
aumentará ou diminuirá? Qual será o novo valor?
16:44 prof.helios.ufrj@gmail.com 67
1.3 PROBABILIDADE CONDICIONAL
Independência de Eventos
P(A∩B) = P(A).P(B)
Consequência:
P(A|B) = P(A∩B)/P(B) Sempre (pela def. de prob. condic.)
= P(A).P(B) / P(B) No caso de independência estatíst.
= P(A) A ocorrência de B não altera P(A)
16:44 prof.helios.ufrj@gmail.com 68
1.3 PROBABILIDADE CONDICIONAL
Independência de Eventos
Exemplo: o resultado do lançamento de um dado é fisicamente
independente do resultado do lançamento de uma moeda. De fato,
informar que ocorreu um determinado resultado no lançamento do
dado não altera a probabilidade de determinado resultado no
lançamento da moeda.
Portanto:
P(3H) = 1/12 = 1/6 x ½ = P(3).P(H) ■
16:44 prof.helios.ufrj@gmail.com 69
1.3 PROBABILIDADE CONDICIONAL
Independência de Eventos
Exemplo: no caso do lançamento de um dado, sejam
A = {4,5,6}, B = {1,3,5}, C = {3,4,5} e D = {3,4}
Confira se de fato:
P(B|A) e P(B|~A) ≠ P(B)
P(C|A) e P(C|~A) ≠ P(C)
P(D|A) = P(D|~A) = P(D)
16:44 prof.helios.ufrj@gmail.com 70
1.3 PROBABILIDADE CONDICIONAL
Independência de Eventos
Se
A∩B = Ø mutuamente exclusivos ou excludentes
P(A) e P(B) ≠ 0 probabilidades não nulas
Então
A e B não são independentes.
Porque?
16:44 prof.helios.ufrj@gmail.com 72
1.3 PROBABILIDADE CONDICIONAL
Independência de Eventos
Exemplo: M = 1.000:
16:44 prof.helios.ufrj@gmail.com 73
1.3 PROBABILIDADE CONDICIONAL
Independência de Eventos
Com
Tem-se:
16:44 prof.helios.ufrj@gmail.com 74
1.3 PROBABILIDADE CONDICIONAL
Independência de Eventos
16:44 prof.helios.ufrj@gmail.com 75
1.3 PROBABILIDADE CONDICIONAL
Independência de Eventos
Confiabilidade de equipamentos ou sistemas
P(S funcionar) = pn
16:44 prof.helios.ufrj@gmail.com 76
1.3 PROBABILIDADE CONDICIONAL
Independência de Eventos
1 2 3 4 5 6 7
16:44 prof.helios.ufrj@gmail.com 77