CIAW PRE Helios Malebranche 078-137

Aula 6
16:44 prof.helios.ufrj@gmail.com 78
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
2. VARIÁVEIS ALEATÓRIAS
O que são?
Para que servem?
Aplicações?
Já vimos algumas neste curso?
2.1 Variáveis Aleatórias - Definição
Iniciaremos com variáveis aleatórias reais.
Mais adiante, veremos também: vetoriais, complexas, funções…
Variável aleatória é uma função, cujo domínio é o espaço amostral e a

imagem é a o conjunto dos números reais:
Exemplo: x( )=3
Espaço Amostral
ou Espaço de Amostras
R
Ω
x x(ω) = a
Evento
A .
3
Resultado
ou ponto-amostra
ω
P({3, 4, 5}) = P(x ∈ [3, 5]) = 3/6
=1 3 4 6
5
= [3, 5]
=1 3 5
Qualquer função x(.) que tenha como

domínio um espaço amostral e como
imagem o conjunto dos números reais
pode ser considerada uma variável aleatória?
Lançamento
de um dado:
P(x ≤ 4) = 4/6 ≥ 0
Se M > 6:
P(x = M) = 0
Se N < 1:
P(x = N) = 0
Aula 7
2.5 Momentos
2.2 Função Distribuição de Probabilid.
Exemplo: x = resultado do lançamento de um dado
Fx(0,8) = P(x ≤ 0,8) = 0
Fx(1,7) = P(x ≤ 1,7) = P{1} = 1/6
Fx(2,1) = P(x ≤ 2,1) = P{1,2} = 2/6
Fx(3,4) = P(x ≤ 3,4) = P{1,2,3} = 3/6
Fx(5,9) = P(x ≤ 5,9) = P{1, …, 5} = 5/6
Fx(6,1) = P(x ≤ 6,1) = P{1, …, 6} = 6/6
Propriedades:
Lim X +ꝏ Fx(X) = P(x ≤ +ꝏ) = 1
Lim X -ꝏ Fx(X) = P(x ≤ -ꝏ) = 0
P(a < x ≤ b) = Fx(b) - Fx(a)
Fx(1,7) = P(x ≤ 1,7) = 1/6 Fx(5,9) = P(x ≤ 5,9) = 5/6
Fx(0,8) = P(x ≤ 0,8) = 0
2.2 FDP de v.a. Discreta
A grosso modo:
Qual a durabilidade de um equipamento?

0 anos (fabricado com defeito), 1 ano (muitas imperfeições),
2 anos (algumas imperfeições), 5 anos, 10 anos (em
conformidade com as especificações), 20 anos?
Ω = {0, 1, 2, 3...} = N
No caso de variável aleatória discreta o espaço amostral é um conjunto
enumerável, i.e., é um conjunto de pontos isolados.
Exemplo: Ω = {… a6, a7, a8, a9, …}

Por definição: Fx(X) = P(x ≤ X)
Portanto: Fx(a8) - Fx(a7) = P(x ≤ a8 ) - P(x ≤ a7) =
= P{… a5, a6, a7, a8} - P{… a5, a6, a7}
= P(a8)
Probabilidade de uma variável aleatória discreta:
P(x = a) é o valor da descontinuidade da função Fx no ponto X = a
Como
Fx(a8) - Fx(a7) = P(x = a8)
Temos que:
Probabilidade de uma variável aleatória discreta:

P(x = a) é o valor da descontinuidade da função Fx no ponto X = a
P(x = 4) = Fx(4) - Fx(3) = 1/6
2.2 FDP ou FDA?
Pela definição de FDP: Fx(a) = P(x ≤ a)
Portanto, se Ω = {… a6, a7, a8, a9, …}, a função distribuição de

probabilidade (FDP) pode ser entendida da seguinte forma:
Fx(a9) = P(x ≤ a9) = P(x ∈ {… a6, a7, a8, a9})
= P(x = a9) + P(x = a8) + P(x = a7) + …
Por esse motivo ela também é conhecida como função

distribuição acumulada (FDA), uma vez que acumula as
probabilidades dos resultados anteriores.
Aula 8
2.2. FDP de v.a. Contínua
A grosso modo:
Qual a durabilidade de um equipamento?

0 anos (fabricado com defeito), 1 ano e 3 dias (muitas
imperfeições), 2 anos e 1h (algumas imperfeições), 5 anos,
10 anos? Não confundir a durabilidade com a precisão da
avaliação do tempo decorrido.
Ω = [0, ∞ ) = R+
Uma v.a. é dita contínua quando sua FDP é contínua (i.e., sem saltos) e
diferenciável, podendo não ser diferenciável apenas em pontos isolados.
Como vimos, P(x = a) é o valor da descontinuidade (salto) da função Fx no

ponto X = a. Uma vez que Fx não tem descontinuidades, P(x = a) = 0 sempre.

Exemplos de v.a. Contínuas?
Eventos de probabilidade nula ocorrem?
Nível da represa
Energia disponível

Analogias com a Mecânica?
Massa da barra no intervalo [a, b] =

Massa até b – Massa até a = Fx(b) - Fx(a) =
P(x ≤ b) – P(x ≤ a) = P(x ∈ (a, b]
Massa da barra no ponto a =

Lim δ  0 {Massa até a – Massa até a - δ}=
Lim δ  0 {Fx(a) - Fx(a – δ) = P(x ∈ (a, a - δ]} = P(x = a) = 0

2.2. FDP de v.a. Mista
Uma v.a. é dita mista quando sua função distribuição de probabilidade

(FDP) é contínua e diferenciável (podendo não ser diferenciável em pontos
isolados), apresentando saltos (descontinuidades) em pontos isolados.
Se a função Fx apresentar um salto (descontinuidade) em X = a, como

vimos, o valor do salto na função Fx em X = a é o valor da probabilidade P(x
= a).

2.2. Fç. Distrib. de v.a. Mista
Fx(a)
Fx(a - δ) P(x = a) = Fx(a) - Fx(a - δ)
a-δ

2.2. Fç. Distrib. de v.a. Mista
Quando ocorrem
essas v.a.’s mistas?
Fx(a)
Fx(a - δ) P(x = a) = Fx(a) - Fx(a - δ)
a-δ

2.2. Fç. Densidade de Probabilidade (fdp)
Na mecânica dF(X) = p(X)dx  elemento de massa = elemento de

barra (dx) multiplicado pela densidade.
A Função Densidade de Probabilidade (fdp) é definida como

derivada da Função Distribuição de Probabilidade (FDP).
Ao analisar as propriedades da fdp as coisas ficam mais claras 

dF(X) =
px(X)dX
px(X)
F(Y) =
∫ [a, Y] px(X)dX
Y
Na mecânica, o elemento de massa dF(X) é o elemento de barra dX
multiplicado pela densidade px(X): dF(X) = px(X)dX
Massa da barra até a posição Y: F(Y) = ∫[a, Y] dF(X) = ∫ [a, Y] px(X)dX

(i)
(ii) P(x ≤ X) = P(-ꝏ, X)
(iii)
Teorema. Fundamental
do Cálculo:
(iv) dF(X)/dX = px(X)
∫ [a, b] px(X)dX = F(b) – F(a)
= P(x ∈ (a, b])
Qual a analogia Mecânica que pode ser feita?

Índice Dow Jones Tráfego Internet
v.a.´s Discretas tratadas como v.a.´s Contínuas
3/14/2023 Copyright (CETUC-Marco Grivet) 109

v.a. contínua X v.a. discreta
discretização 
v.a. Contínua v.a Discreta
 interpolação
Discretizações usuais:
Tempo, espaço, massa... (precisão da medida)
Interpolações possíveis:
Cotações (Ibovespa, taxa de câmbio, taxa de juros...)
3/14/2023 110
Aula 9

2.5 Momentos

2.3 Distribuições Especiais
Surgem em
situações
Distribuições especiais ou clássicas clássicas
X
Distribuições outras Surgem em
situações novas,
específicas

2.3 Distribuições Especiais (discretas)
Distribuição Uniforme
Na ausência de informação, é comum a hipótese de que todos os possíveis

resultados de um experimento aleatório possuem a mesma probabilidade.
Ω = {r1, r2, r3, … rN}
P(x = r1) = P(x = r2) = … = P(x = rN) = 1/N
Exemplos: ?

Funções Distribuição e Densidade de v.a. Discreta
Fç Distribuição de Prob. (FDP) fç. densidade de prob. (fdp)

Distribuição Uniforme de v.a. Discreta
Aplicação Real:
Casos em que se conhece apenas a faixa de valores possíveis (mínimo e
máximo) , sendo razoável afirmar que todos os valores nos intervalo
possuem chances similares de ocorrência (resultados equiprováveis).
0,14
0,12
0,10
Ex: 8 caixas... 0,08

0,06
0,04
0,02
0,00
1 2 3 4 5 6 7 8

Distribuição Triangular de v.a. Discreta
Aplicação Real (Petrobras):

Casos em que se conhece apenas a faixa de valores possíveis (mínimo = a
e máximo = b) e um eventual ponto de máxima probabilidade:
0,35
P(X) = 0 se X<a ou se X>b
0,3
P(c) = Máx P(X) 0,25
0,2
0,15
0,1
0,05
0
1 2 3 4 5 6

Experimento de Bernoulli
Experiência aleatória com dois possíveis resultados:
Ex: Sucesso/Fracasso, Positivo/Negativo, Atinge/Erra, etc.
P(Sucesso) = p P(Fracasso) = 1 – p
Distribuição Binomial
Probabilidade de termos 2 sucessos em 5 repetições da experiência:
P(x = 2) = P({ssfff, fsfsf, ..., sfsff}) =
P({ssfff} U … U {sfsff}) = Np2(1-p)(5 – 2) (N = ?)
Probabilidade de termos 4 sucessos em 5 repetições da experiência:
P(x = 4) = P({fssss, sfsss, ssfss, sssfs, ssssf}) =
P({fssss} U … U {ssssf}) = 5p4(1-p)
Experimento de Bernoulli
Dois possíveis resultados:
Repetidos experimentos de Bernoulli geram a CN,K =

Distribuição Binomial N!/[K!(N – K)!]
Probabilidade de se ter K sucessos em N repetições da experiência:

P(x = K) = CN,K pK (1 – p)N-K

Considerando p = 0,6: P(k) = Cn,k 0,6k (1 – 0,6)n-k
n.p = 10 x 0,6 n.p = 12
k k
n.p = 30 n.p = 60
k k

Probabilidade de sucesso = 90%
≠
9 sucessos em cada 10 tentativas

Exemplo: probabilidade de 9 sucessos em 10 tentativas no uso de um

equipamento, quando a P(sucesso) = 90%.
N = 10 K=9 p = 90% Ω = {0, 1, 2 … 10}
P(x = 9) = P(errar na 1ª ou errar na 2ª ou … errar na 10ª)

= P({EAA…AA ou AEA…AA ou… AA…AAE})
P(x = 9) = C10,9 0,99 0,11 = [10!/(9!1!)].0,387.0,1 = 38,7%

38,7%

Exemplo: Considerando P(sucesso) = 90%
P(90% de sucesso em N tentativas) = ?
45,0%
38,7%
40,0%
N P 35,0%
10 38,7% 30,0%
20 28,5% 25,0%
30 23,6% 20,0%
40 20,6% 15,0%
50 18,5% 10,0%
5,0%
0,0%
10 20 30 40 50

N = 20 K = 0, 1, 2, …20
p = 0,1 p = 0,5 p = 0,8

Distribuição Multinomial
Experiência aleatória com M possíveis resultados
P(r1) = p1, P(r2) = p2, … P(rM) = pM
Probabilidade do resultado ri ocorrer Ki vezes em N repetições da
experiência: (K1 + K2 +…+ KM = N)
P(x = [K1 ,K2,…KM ]) = N!/(K1!K2!…KM!) p1K1 p2K2 …pMKM

Distribuição Multinomial
Exemplo:
O uso de um equipamento pode apresentar 3 possíveis resultados:
R1 = preciso; R2 = funciona sem muita precisão; e R3 = não funciona.
Esses resultados possuem as seguintest probabilidades:
P(R1) = 70%, P(R2) = 20% e P(R3) = 10%.
Probabilidade dos resultados R1, R2 e R3 ocorrerem exatamente 30, 8 e 2
vezes em 40 tentativas:
P(x = [K1 ,K2,…KM ]) = N!/(K1!K2!…KM!) p1K1 p2K2 …pMKM
P(x = [30, 8, 2]) = 40!/(30!8!2!) (0,7)30 (0,2)8 (0,1)2 = 2,2%

38 milhões de possibilidades
Aula 10

Distribuição Geométrica
Ex: Sucesso/Fracasso, Positivo/Negativo, Atinge/Erra, etc.
Probabilidade de se ter sucesso só na K-ésima tentativa, i.e.,
fracassar nas K-1 tentativas iniciais e ter sucesso na tentativa K:
P(f f f ... f f f s)
K-1 falhas
P(x = K) = (1 – p)K-1 p

Distribuição Geométrica
Exemplo: Número de utilizações até levar à manutenção, supondo
que a probabilidade de falha é de 10%.
P(N=1) = P(falha na 1ª utilização) = P(f) = 0,1 = 10%
P(N=2) = P(falha na 2ª utilização) = P(sf) = 0,9.0,1 = 9%
P(N=3) = P(falha na 3ª utilização) = P(ssf) = 0,92.0,1 = 8,1%
P(N=4) = P(falha na 4ª utilização) = P(sssf) = 0,93.0,1 = 7,3%
6,56%
3,87%
1,35%
0,47%

Distribuição de Pascal
Exemplo: Suponha que P(atingir alvo) = p (probabilidade de errar é 1 – p).
Interesse na probabilidade da ocorrência do kº erro ocorrer na nª tentativa:
P(n, k, p) = Cn-1, k-1 (1-p)k pn-k
Analise a relação entre a distribuição de Pascal e a distribuição geométrica.

Distribuição de Pascal
Exemplo:
Probabilidade de se atirar 80 vezes e que ocorra um 3º erro na 80ª
tentativa, sendo 5% a probabilidade de falha.
P(n=80, k=3, p=5%) = C80-1, 3-1 0,05 3 0,95 80-3
Note que neste exemplo o interesse é em falhas e não em sucessos.

Distribuição de Poisson
k = nº de chamadas telefônicas em determinado intervalo de tempo, ou
nº de erros em determinada região (uma página impressa), ou
nº de partículas emitidas por substância radioativa por segundo, etc.
λ = média de ocorrências.
taxa de ocorrências por
intervalo de tempo ou espaço.
P(x = k) = λke-λ / k!
k = 0, 1, 2…
Ω = {0, 1, 2…} k

Aplicações:
clientes demandando um serviço em determinado intervalo de tempo;
acidentes em uma determinada região;
embarcações que chegam a um porto em determinado período;
falhas em componentes por unidade de tempo;
requisições para um servidor em um intervalo de tempo; e
peças defeituosas substituídas durante o primeiro ano de um equipamento.

Condições:
• o número de ocorrências em um intervalo (de tempo ou espaço) é
independente do nº de ocorrências em qualquer outro intervalo disjunto;
• a probab. de duas ou mais ocorrências simultâneas é praticamente zero;
• o número médio de ocorrências por intervalo (de tempo ou espaço) é
constante (ao longo do tempo ou espaço); e
• o número de ocorrências durante qualquer intervalo depende somente
do tamanho do intervalo, quanto maior o intervalo, maior o número de
ocorrências.

Exemplo:
Uma central recebe uma média de 5 chamadas por minuto. Qual a
probabilidade de não receber nenhuma (x = 0) ou apenas uma (x = 1)
chamada durante um intervalo de 1 minuto?
P(x = k) = λke-λ / k!
P(x = 0) = 50e-5 / 0! = e-5 = 0,0067 = 0,67%
P(x = 1) = 51e-5 / 1! = 5. e-5 = 0,0335 = 3,35%

λ=3 λ=5
3,35%
0,67%
λ=7 λ=9

CIAW PRE Helios Malebranche 078-137

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 078-137

Enviado por

Direitos autorais:

Formatos disponíveis

Aula 6

Para que servem?

Já vimos algumas neste curso?

Iniciaremos com variáveis aleatórias reais.

Mais adiante, veremos também: vetoriais, complexas, funções…

Variável aleatória é uma função, cujo domínio é o espaço amostral e a

Qualquer função x(.) que tenha como

Fx(0,8) = P(x ≤ 0,8) = 0

Qual a durabilidade de um equipamento?

Exemplo: Ω = {… a6, a7, a8, a9, …}

Probabilidade de uma variável aleatória discreta:

P(x = 4) = Fx(4) - Fx(3) = 1/6

Portanto, se Ω = {… a6, a7, a8, a9, …}, a função distribuição de

Por esse motivo ela também é conhecida como função

Qual a durabilidade de um equipamento?

Como vimos, P(x = a) é o valor da descontinuidade (salto) da função Fx no

16:44 prof.helios.ufrj@gmail.com 100

Eventos de probabilidade nula ocorrem?

16:44 prof.helios.ufrj@gmail.com 101

Massa da barra no intervalo [a, b] =

Massa da barra no ponto a =

16:44 prof.helios.ufrj@gmail.com 102

Uma v.a. é dita mista quando sua função distribuição de probabilidade

Se a função Fx apresentar um salto (descontinuidade) em X = a, como

16:44 prof.helios.ufrj@gmail.com 103

16:44 prof.helios.ufrj@gmail.com 104

16:44 prof.helios.ufrj@gmail.com 105

Na mecânica dF(X) = p(X)dx  elemento de massa = elemento de

A Função Densidade de Probabilidade (fdp) é definida como

Ao analisar as propriedades da fdp as coisas ficam mais claras 

Massa da barra até a posição Y: F(Y) = ∫[a, Y] dF(X) = ∫ [a, Y] px(X)dX

16:44 prof.helios.ufrj@gmail.com 107

(ii) P(x ≤ X) = P(-ꝏ, X)

Qual a analogia Mecânica que pode ser feita?

v.a.´s Discretas tratadas como v.a.´s Contínuas

3/14/2023 Copyright (CETUC-Marco Grivet) 109

16:44 prof.helios.ufrj@gmail.com 111

16:44 prof.helios.ufrj@gmail.com 112

16:44 prof.helios.ufrj@gmail.com 113

Na ausência de informação, é comum a hipótese de que todos os possíveis

16:44 prof.helios.ufrj@gmail.com 114

Funções Distribuição e Densidade de v.a. Discreta

Fç Distribuição de Prob. (FDP) fç. densidade de prob. (fdp)

16:44 prof.helios.ufrj@gmail.com 115

Ex: 8 caixas... 0,08

16:44 prof.helios.ufrj@gmail.com 116

Aplicação Real (Petrobras):

P(c) = Máx P(X) 0,25

16:44 prof.helios.ufrj@gmail.com 117

Repetidos experimentos de Bernoulli geram a CN,K =

Probabilidade de se ter K sucessos em N repetições da experiência:

16:44 prof.helios.ufrj@gmail.com 119

n.p = 10 x 0,6 n.p = 12

16:44 prof.helios.ufrj@gmail.com 120

Probabilidade de sucesso = 90%

16:44 prof.helios.ufrj@gmail.com 121

Exemplo: probabilidade de 9 sucessos em 10 tentativas no uso de um

P(x = 9) = P(errar na 1ª ou errar na 2ª ou … errar na 10ª)

P(x = 9) = C10,9 0,99 0,11 = [10!/(9!1!)].0,387.0,1 = 38,7%

16:44 prof.helios.ufrj@gmail.com 122

16:44 prof.helios.ufrj@gmail.com 123

16:44 prof.helios.ufrj@gmail.com 124

16:44 prof.helios.ufrj@gmail.com 125

P(x = [K1 ,K2,…KM ]) = N!/(K1!K2!…KM!) p1K1 p2K2 …pMKM