CIAW PRE Helios Malebranche 001-077

Probabilidade, Estatística e
Processos Estocásticos - PRE

Texto Base: Albuquerque J.P.A., Fortes J.M.P., Finamore W.A., Ed. PUC-Rio
Prof. Helios Malebranche
16:44 prof.helios.ufrj@gmail.com 1
Aula 1
Títulos das seções = títulos dos slides
4) AVALIAÇÃO DA APRENDIZAGEM
Média aritmética entre os resultados obtidos em duas avaliações conforme abaixo

distribuídas:
I - uma prova escrita, referente às UE 1 a 3. Deverão ser utilizados 2 TA para

aplicação e 1 TA para os comentários e vista, a serem computados na UE 3; e
II - um trabalho individual, referente a todas às UE. Deverão ser utilizados 1

TA para realização e 1 TA para os comentários e vista do trabalho, a serem
computados na UE 3.
Como será nossa prova? E nosso trabalho?
Zé Paulo & Zé Mauro
Texto Base
Lista de Unidades de Ensino
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?
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?
Manutenção
Qual a vida útil de um equipamento?
Qual o número de utilizações ou tempo de uso de um

equipamento sem ocorrência de defeitos?
Quando realizar a manutenção antes que ocorra uma falha?
Qual o defeito ocorrerá e seu custo?
Ruído
O que é ruído?
Fontes de Ruído de Comunicação
• equipamento transmissor Sinal Ruidoso

• canal de transmissão
• equipamento receptor
Durante quanto tempo a comunicação estará operacional?

Qual a duração dos momentos não operacionais?
Qual o momento da próxima interrupção?
Quantas interrupções por dia?
Preço do Petróleo em abril/2022
Sinais
Ruidosos
Tráfego de Internet de 12h30 a 13h30
Aula 2
PROBABILIDADE
Intuitivamente:
Experiência aleatória: experiência com incertezas  lançar dado
Resultado ou ponto-amostra: resultado da experiência aleatória  3
Espaço amostral: conjunto de todos os possíveis resultados de uma

experiência aleatória  {1, 2, 3, 4, 5, 6} = Ω
Evento: um conjunto de resultados  { }, {3}, {1, 2}, {2, 4, 6}, ..., Ω
Probabilidade de um evento: chance do evento ocorrer

 P({1, 2}) = 2/6 = 1/3 ≈ 0,33 = 33%
Espaço Amostral
ou Espaço de
Amostras
Ω Resultado
ou ponto-amostra
Evento
. ω
A
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.)
Nº de chamadas simultâneas que podem estar

ocorrendo se tivermos n circuitos disponíveis: Ω = {0, 1, 2, 3, … n}
Interesse em no máximo 2 chamadas: A = {0, 1, 2}
Número de chamadas ocorrendo ao longo de um minuto em

determinado momento do dia, supondo que cada chamada dure ao
menos 1s:
Ω = {0, 1, 2, 3, … , N} onde N = n x 60
Após a chegada do usuário N na fila:

• tempo (em minutos) para a chegada do próximo
usuário: Ω = {0, 1, 2, 3, … }
• tempo para a chegada do próximo usuário: Ω = [0, ꝏ)
Dever de Casa: revisar Teoria de Conjuntos (conjunto
universo, conjuntos, subconjuntos...) e algumas operações
fundamentais (união, interseção, complemento diferença...)
Evento é qualquer subconjunto de Ω que pertença à σ-álgebra.
Exemplos simples: lançamentos de moedas e dados.
Aula 3
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
1.2 PROBABILIDADE
Laplace:
Quase todos os nossos
conhecimentos são apenas
prováveis… (1825)
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?
1.2 PROBABILIDADE
Probabilidade como Proporção
Questão simples:
Qual a “chance” de vencermos num jogo em que lançamos um

dado e apostamos nos resultados 1 e 2?
Quais as possíveis dificuldades de abordar

probabilidade como proporção?
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.
1.2 PROBABILIDADE
Frequência relativa = número de ocorrências de um evento H após N
repetições de uma experiência  fN(H)
Se após N jogadas tivermos m caras: fN(H) = m/N
Após a próxima (N+1) jogada teremos 2 possibilidades:

fN+1(H) = m/(N+1)  no caso de ocorrer T
fN+1(H) = (m+1)/N+1)  no caso de ocorrer H
A diferença entre essas duas possibilidade é d(N) = 1/(N+1)

LimNꝏ d(N) = 0
Por esse motivo, a probabilidade “pode” ser entendida como

limite da frequência relativa, i.e.,
LimNꝏ fN (H) = P(H)
1.2 PROBABILIDADE
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
1.2 PROBABILIDADE
Resultado de um jogo em que lançamos um dado N vezes e recebemos R$ 2

quando ocorre 6 ou 5, recebemos R$ 1 quando ocorre 4 ou 3 e nada recebemos
quando ocorre 2 ou 1 (R$ 0).
Uma possível sequência de ganhos: 1 2 2 2 1 0 0 2 1 2 1 0 …
f12 (R$ 2) = 0,42 f12 (R$ 1) = 0,33 f12 (R$ 0) = 0,25
f500 (R$ 2) ≈ 0,33… f500 (R$ 1) ≈ 0,33… f500 (R$ 0) ≈ 0,33…
N = 50 N = 500
Fonte: Leon-Garcia, A. Probability, Statistics and Random Processes for Electrical Engineering. 3rd Ed. Pearson Prentice Hall, 2008.
1.2 PROBABILIDADE
Quais as possíveis utilidades dessa

abordagem frequencial?
Monte Carlo … Projeto Manhattan
Probabilidade como proporção + probabilidade como frequência +   
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:
1.2 PROBABILIDADE
Para Aristóteles, axiomas são verdades incontestáveis aplicadas a todas as

ciências e foi assim também usado por Euclides.
Axiomas da geometria euclidiana:
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.
Os axiomas não são passíveis de demonstração por serem evidentemente

verdadeiros.
1.2 PROBABILIDADE
Entendimento intuitivo dos axiomas:
Axioma 1: Axioma 2:
Axioma 1  não existem chances negativas
Axioma 2  não existe chance superior a 100%
1.2 PROBABILIDADE
Axioma 3:
Consideremos no lançamento de um dado os eventos A = {1} e B = {2, 3}

Os eventos A e B são disjuntos
P(A) = chance de 1 em 6 = #A/#Ω = 1/6
P(B) = chance de 2 em 6 = #B/#Ω = 2/6
P(AUB) = P({1, 2, 3}) = #(AUB)/#Ω = 3/6 = 1/6 + 2/6
Axioma 3  P(AUB) = P(A) + P(B)

1.2 PROBABILIDADE
Caso em que os eventos não são disjuntos.
A = {2} e B = {2, 3}
P(A) = chance de 1 em 6 = #A/#Ω = 1/6

P(B) = chance de 2 em 6 = #B/#Ω = 2/6
P(AUB) = P({2, 3}) = #(AUB)/#Ω = 2/6 ≠ P(A) + P(B) = 1/6 + 2/6
O axioma 3 não se aplica: P(AUB) ≠ P(A) + P(B)
1.2 PROBABILIDADE
Probabilidade (axiomática) é uma função:

P(.): A  R
A  [0, 1]
que obedece aos seguintes axiomas:
Axioma 1: Axioma 2:
Axioma 3:
Qual o motivo de adotarmos essa abordagem matemática?
1.2 PROBABILIDADE
Propriedades da Probabilidade
Propriedade da aditividade:
Se
Então
Propriedade do complemento:
1.2 PROBABILIDADE
Propriedade do evento vazio:
Propriedade do limite superior para P(A):
Probabilidade da união de eventos:
Demonstração informal 
1.2 PROBABILIDADE
No cálculo da propriedade da união de eventos não disjuntos, a interseção é

contada duplamente, portanto, sua probabilidade precisa ser retirada uma vez:
P({1, 2, 3}U{3, 4, 5}) =
P{1, 2, 3, 4, 5} = 5/6
P{1, 2, 3} + P{3, 4, 5} – P{3} = 3/6 + 3/6 – 1/6 = 5/6
A interseção é contada
em dobro
Aula 4
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
1.3 PROBABILIDADE CONDICIONAL
Intuitivamente:
A probabilidade de B é a chance de um evento B ocorrer.
A probabilidade condicional de B dado A, também denominada de

probabilidade de B condicionada a A é a chance de B ocorrer, tendo-se a
informação de que o evento A ocorre ou ocorreu, sendo denotada por P(B|A).
Quais as possíveis aplicações deste

cálculo de probabilidade?
Indicações de defeitos ou problemas…
Definição (?):
Se P(A) > 0, então a probabilidade condicional de B dado A

ou probabilidade de B condicionada a A é denotada por P(B|A) e calculada
da seguinte forma:
Intuitivamente:
Calcular a probabilidade condicional de B dado A, ou simplesmente, calcular a

probabilidade de B dado A, significa:
calcular a chance de B ocorrer dado que A ocorre.
Quando dizemos que A ocorre, dizemos que o complemento de A não ocorre.

Isso significa uma redução do espaço amostral Ω.
O espaço amostral reduzido Ω’ é então formado apenas pelos novos possíveis
resultados, i.e., Ω’ = A, pois o que está fora de A não ocorre.
Da mesma forma, os elementos de B que estão fora de A não podem mais

ocorrer. Temos uma redução do evento B. O evento B é reduzido a B’ = B∩A.
Resultados equiprováveis (probabilidade como proporção)
P(B) = #B / # Ω
P(B|A) é a probabilidade de B dado que

apenas os elementos de A podem ocorrer
Portanto:
P(B|A) = #(B∩A) / #A =
= [#(B∩A) / # Ω] / [#A / # Ω] =
= P(B∩A) / P(A)
P(B|A) = P(B∩A) / P(A)
Um exemplo:
Ω = {1…6}
A = resultado ímpar = {1,3,5}
B = resultado elevado = {4,5,6}
Probabilidade de um resultado elevado:

P(B) = #B / # Ω = #{4,5,6} / #{1…6} = 3/6 = 1/2
Probabilidade de um resultado elevado dado que o resultado é ímpar:

P(B|A) = #(B∩A) / # (Ω∩A) = #{5} / #{1,3,5} = 1/3
Portanto:
Informar que A ocorre reduziu a probabilidade de B de 1/2 para 1/3.
Condicionar sempre reduz a probabilidade?
Um exemplo:
X
Caso em que A = {1,3,4,5}
Mas mantendo Ω = {1…6} e B = {4,5,6}
P(B) = #B / # Ω = #{4,5,6} / #{1…6} = 3/6 = 1/2
P(B|A) = #(B∩A) / # (Ω∩A) = #{4,5} / #{3,4,5} = 2/3
Portanto:
Informar que A ocorre aumentou a probabilidade de B de 1/2 para 2/3.
Condicionar pode reduzir, aumentar ou não alterar a probabilidade.
Três casos especiais fáceis de se verificar:
P(B|A) > P(B)
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. …
Teorema da Probabilidade Total
Como Bi∩Bj = Ø para i ≠ j, se fizermos Ai := A∩Bi teremos que Ai∩Aj = Ø e

portanto {Ai} i = 1…m também formam uma partição de A.
Portanto: P(A) = ∑ i=1,m P(Ai)

Então:
P(A) = ∑ i=1,m P(Ai) = ∑ i=1,m P(A∩Bi) = ∑ i=1,m P(A|Bi).P(Bi)
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
Aula 5
Regra de Bayes
Combinando a probabilidade condicional com a probabilidade total:
P(Bj|A) = P(Bj ∩A) / P(A)  probabilidade condicional

= P(Bj ∩A) / [∑ k=1,n P(A∩Bk)] P(Bk)]  probabilidade total
= P(A|Bj).P(Bj) / [∑ k=1,n P(A|Bk).P(Bk)  probabilidade condicional
Portanto:
P(Bj)  probabilidades a priori

P(Bj|A)  probabilidade a posteriori
Regra de Bayes
Exemplo A.1: Determinação da qualidade

Temos 4 caixas, cada uma com 2.000, 500, 1.000 e 1.000 peças de diferentes
fabricantes. O percentual de peças defeituosas de cada fabricante é 5%, 40%,
10% e 10%. As peças foram retiradas das caixas, misturadas e escolhida uma
ao acaso. Não se sabe de que caixa ela era.
Qual a probabilidade dela ser defeituosa?
Total de peças = 2.000 + 500 + 1.000 + 1.000 = 4.500
Total de defeituosas = 2.000x5% + 500x40% + 1.000x10% + 1.000x10% = 500
Portanto:
Probabilidade de selecionar uma defeituosa = P(D) = 500/4.500 = 11%
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%
P(D) = ∑ i=1,4 P(D|Ci).P(Ci)  Probabilidade Total

= 5%x0,25 + 40%x0,25 + 10%x0,25 + 10%x0,25 = 16,25%
Porque a probabilidade aumentou de 11% para 16,25%?
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.
Qual a probabilidade de ter sido retirada da caixa 2?
São 4 caixas  P(C2) = ¼ = 25%
Regra de Bayes
Uma peça foi retirada de uma caixa, testada e apresentou defeito.
Aplicando a definição de Prob. Condicional e o Teo da Prob. Total:

P(C2|D) = P(C2∩D) / P(D)  prob. condicional
= P(D|C2).P(C2) / P(D)  prob. condicional
= P(D|C2).P(C2) / ∑ i=1,4 P(D|Ci). P(Ci)  teo. probab. total
= 0,4 x 0,25 / 0,1625 = 62%
Ou, equivalentemente, diretamente pela Regra de Bayes:
P(C2|D) = P(D|C2).P(C2) / [∑ i=1,4 P(D|Ci).P(Ci)] = 62%
Porque a probabilidade aumentou de 25% para 62%?

Regra de Bayes
Suponha que as peças foram retiradas das caixas e misturadas.
Uma foi escolhida e apresentou defeito.
P(C2|D)= P(C2∩D) / P(D)  probab. condicional

= P(D|C2).P(C2) / P(D)  probab. condicional
= 40% x 0,25 / 0,11 = 91%
Vide Exemplo A.1 onde:
P(D) = (500 defeituosas)/(4.500 no total) = 11%
Passou de 25% para 62% e agora foi a 91%. Porque?
Regra de Bayes
Utilidade da Regra (ou Teorema) de Bayes
Inversão das probabilidades condicionais:
P(Bj|A) = P(A|Bj).P(Bj) / ∑ k=1,m P(A|Bk).P(Bk)
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
Regra de Bayes
Exemplo (um longo exemplo)
Suponha que o tempo de vida de um determinado equipamento é tal que
t ∈ Ω = (0, ∞).
Se o equipamento é perfeito, a probabilidade dele já ter funcionado até o

instante t seja dado pela probabilidade P(t, ∞) = e-at.
Suponha que o mesmo tipo de equipamento, quando produzido com defeito

é tal que P(t, ∞) = e-1.000at, isto é, um decaimento a uma taxa 1.000 vezes
maior.
Como ilustração: se 90% dos equipamentos perfeitos duram pelo menos 10

anos, teremos que: P(10, ∞) = 0,9  e-a10 = 0,9  -a.10 = log 0,9 
a = -(log 0,9)/10  o coeficiente é dado por:
a ≈ 0,01.
Regra de Bayes
Exemplo (cont.)
Suponha que num estoque a proporção de equipamentos defeituosos (bad)
seja P[B] = p.
Consequentemente, a proporção de equipamentos perfeitos (good) será

P[G] = 1 – p.
Seja C o evento dado por “o equipamento estava funcionando após

decorrido o tempo t”.
Pelo Teorema da Probabilidade Total:
P[C∩G] P[C∩B]
Regra de Bayes
Dessa forma:
P[C] = (1 – p)e-at + pe-1000at
Suponhamos que, ao retirar um equipamento do estoque, façamos um teste:

se ele funcionar pelo menos pelo tempo t, ele é suposto perfeito.
Determinaremos o tempo T de testagem, de modo que 99% dos

equipamentos supostos perfeitos, sejam (de fato) perfeitos (good). Portanto,
temos que determinar o tempo T de modo que a probabilidade de um
suposto perfeito seja (de fato) perfeito seja 99%, i.e.:
P[G|C] = 0,99
Aplicando a Regra de Bayes:
Regra de Bayes
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 
Regra de Bayes
1) Quando:
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:
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?
Independência de Eventos
Definição: dois eventos A e B são ditos estatisticamente independentes

quando:
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)
Portanto, se A e B são estatísticamente independentes:

P(A) = P(A|B) = P(A|~B)
P(B) = P(B|A) = P(B|~A)
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.
Ao lançarmos um dado e uma moeda temos que:

#Ω = #{1H, 2H, 3H, ... 6H, 1T, 2T, ... 6T} = 12
Portanto, a probabilidade de uma dupla específica é 1/12.
Dessa forma, P(ocorrer 3 no dado e H na moeda) = 1/12

Mas: P(3) = 1/6 (temos 6 possibilidades no dado)
P(H) = ½ (temos 2 possibilidades na moeda)
Portanto:
P(3H) = 1/12 = 1/6 x ½ = P(3).P(H) ■
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}
P(A∩B) = 1/6 ≠ P(A).P(B) = (3/6).(3/6) = 1/4  A e B não independ.

De fato: P(A|B) = 1/3 ≠ P(A) = ½
P(A∩C) = 1/3 ≠ P(A).P(C) = (3/6).(3/6) = 1/4  A e C não independ.

De fato: P(A|C) = 2/3 ≠ P(A) = ½
P(A∩D) = 1/6 e P(A).P(D) = (3/6).(2/6) = 1/6  A e D independentes

De fato: P(A|D) = 1/2 = P(A) = ½
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)
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?
Porque se B ocorre, A não ocorre:

P(A|B) = P(A∩B) / P(B) (prob. condic.)
= P(Ø) / P(B)
= 0 ≠ P(A)  não independentes
Se A ocorre, B não ocorre:
P(B|A) = 0 ≠ P(B)  não independentes
Exemplo: Num depósito temos M equipamentos perfeitos e N

com algum defeito.
Probabilidade de retirar um perfeito tendo-se a informação de

que já fora retirado um 1º equipamento que estava perfeito:
P(2º perf | 1º perf) = (M-1)/(M+N-1) = a
Probabilidade de retirar um perfeito tendo-se a informação de

que já fora retirado um 1º equipamento que estava defeituoso:
P(2º perf | 1º def) = M/(M+N-1) ≠ a
Isto é, a qualidade do 2º equipamento não é independente da

qualidade do 1º retirado. Entretanto…
Exemplo: M = 1.000:
A rigor, a qualidade do 2º equipamento não é independente da qualidade

do 1º equipamento:
P(2º perf | 1º perf) = 999/(999+N) ≠ P(2º perf | 1º def) = 1.000/(999+N)
Diferença de 1/(999 + N), inferior a 0,1%
Por exemplo, se temos N = 100 defeituosos (N = 10% de M) a diferença é

de 1/(999 + 100) < 0,1%
Na prática, no caso de grandes quantidades, podemos considerar os

eventos como “aproximadamente” independentes e, assim, podemos
considerar a amostragem sem reposição como sendo “aproximadamente
equivalente” a uma amostragem com reposição.
Uma generalização: os eventos {Ak} k = 1, 2, …, n são estatisticamente

independentes quando,
Para qualquer conjunto de índices distintos
Com
Tem-se:
Se {Ak} k = 1, …, n são estatisticamente independentes:
Exemplo: se uma moeda é lançada N vezes, qualquer sequência é

igualmente provável:
P(HHH) = P(THH) = P(HTT) = P(TTT) = (½)3 = 1/8
E depois de uma sequência da N caras,

continuamos com P(H) = ½
Confiabilidade de equipamentos ou sistemas
Um sistema S é composto por n subsistemas S1 S2 S3 … Sn em série.
O funcionamento dos subsistemas é independente, i.e., o fato de um

apresentar ou não defeito não afeta o funcionamento dos demais.
O sistema só funcionará se os n subsistemas funcionarem:
P(S funcionar) = P([S1 funcionar] ∩ [S2 funcionar] ∩… [Sn funcionar])

= P(S1 funcionar).P(S2 funcionar)…P(Sn funcionar)
Se a probabilidade de cada um funcionar for a mesma, p, então:
P(S funcionar) = pn
Confiabilidade de equipamentos ou sistemas
Exemplo: Um sistema S é composto por n subsistemas S1 S2 S3 … Sn em

série. Cada subsistema tem alta confiabilidade, em torno de 90%. Se
necessitarmos de 7 desses subsistemas para compor um sistema, a
confiabilidade do sistema será inferior a 50%, i.e., baixa confiabilidade,
inclusive será mais provável que ele não funcione:
P(sistema) = P(subsistema)N = 0,97 = 47,8% < 50%
1 2 3 4 5 6 7

CIAW PRE Helios Malebranche 001-077

Enviado por

Dados do documento

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

CIAW PRE Helios Malebranche 001-077

Enviado por

Direitos autorais:

Formatos disponíveis

Probabilidade, Estatística e

Processos Estocásticos - PRE

Prof. Helios Malebranche

Média aritmética entre os resultados obtidos em duas avaliações conforme abaixo

I - uma prova escrita, referente às UE 1 a 3. Deverão ser utilizados 2 TA para

II - um trabalho individual, referente a todas às UE. Deverão ser utilizados 1

Como será nossa prova? E nosso trabalho?

Qual a vida útil de um equipamento?

Qual o número de utilizações ou tempo de uso de um

Quando realizar a manutenção antes que ocorra uma falha?

Qual o defeito ocorrerá e seu custo?

Fontes de Ruído de Comunicação

• equipamento transmissor Sinal Ruidoso

Durante quanto tempo a comunicação estará operacional?

Preço do Petróleo em abril/2022

Experiência aleatória: experiência com incertezas  lançar dado

Resultado ou ponto-amostra: resultado da experiência aleatória  3

Espaço amostral: conjunto de todos os possíveis resultados de uma

Evento: um conjunto de resultados  { }, {3}, {1, 2}, {2, 4, 6}, ..., Ω

Probabilidade de um evento: chance do evento ocorrer

Nº de chamadas simultâneas que podem estar

Interesse em no máximo 2 chamadas: A = {0, 1, 2}

Número de chamadas ocorrendo ao longo de um minuto em

Após a chegada do usuário N na fila:

Evento é qualquer subconjunto de Ω que pertença à σ-álgebra.

Exemplos simples: lançamentos de moedas e dados.

Qual a “chance” de vencermos num jogo em que lançamos um

Quais as possíveis dificuldades de abordar

Se após N jogadas tivermos m caras: fN(H) = m/N

Após a próxima (N+1) jogada teremos 2 possibilidades:

A diferença entre essas duas possibilidade é d(N) = 1/(N+1)

Por esse motivo, a probabilidade “pode” ser entendida como

Resultado de um jogo em que lançamos um dado N vezes e recebemos R$ 2

Quais as possíveis utilidades dessa

Monte Carlo … Projeto Manhattan

Probabilidade como proporção + probabilidade como frequência +   

Para Aristóteles, axiomas são verdades incontestáveis aplicadas a todas as

Axiomas da geometria euclidiana:

Os axiomas não são passíveis de demonstração por serem evidentemente

Entendimento intuitivo dos axiomas:

Axioma 1  não existem chances negativas

Axioma 2  não existe chance superior a 100%

Consideremos no lançamento de um dado os eventos A = {1} e B = {2, 3}

Axioma 3  P(AUB) = P(A) + P(B)

Caso em que os eventos não são disjuntos.

P(A) = chance de 1 em 6 = #A/#Ω = 1/6

P(AUB) = P({2, 3}) = #(AUB)/#Ω = 2/6 ≠ P(A) + P(B) = 1/6 + 2/6

O axioma 3 não se aplica: P(AUB) ≠ P(A) + P(B)

Probabilidade (axiomática) é uma função:

Qual o motivo de adotarmos essa abordagem matemática?

Propriedade do evento vazio:

Propriedade do limite superior para P(A):

Probabilidade da união de eventos:

No cálculo da propriedade da união de eventos não disjuntos, a interseção é

P({1, 2, 3}U{3, 4, 5}) =

P{1, 2, 3} + P{3, 4, 5} – P{3} = 3/6 + 3/6 – 1/6 = 5/6

A probabilidade de B é a chance de um evento B ocorrer.

A probabilidade condicional de B dado A, também denominada de

Quais as possíveis aplicações deste

Indicações de defeitos ou problemas…

Se P(A) > 0, então a probabilidade condicional de B dado A

Calcular a probabilidade condicional de B dado A, ou simplesmente, calcular a

Quando dizemos que A ocorre, dizemos que o complemento de A não ocorre.

Da mesma forma, os elementos de B que estão fora de A não podem mais