Você está na página 1de 19

EA932 - Prof.

Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
1
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.
EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
2
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]?
EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
3
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.
EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
4
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
EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
5
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.
EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
6
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.
EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
7
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
EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
8
denominada de funo de probabilidade e E P denominada de
probabilidade de E se os seguintes axiomas forem vlidos:
Axioma 1: Para todo evento E, 1 0 E P .
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: 1 = S P .
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 K , ,
2 1
E E
(isto , eventos para os quais =
j i
E E quando j i ),

=
=
1 1 i
i
i
i
E P E P
U

EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
9
algumas proposies simples podem ser deduzidas a partir dos axiomas
enumerados acima:
Proposio 1: Dado que E e E
c
so eventos sempre mutuamente exclusivos e,
visto que S E E
c
= , pelos Axiomas 1 e 2 temos que:
c c
E P E P E E P S P + = = = 1 .
de forma equivalente, a equao acima pode ser escrita como:
E P E P
c
= 1 .
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:
F E P F P E P F E P + = .
EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
10
para deduzir a frmula para F E P necessrio lembrar que ) ( F E pode
ser escrito como a unio de dois eventos disjuntos E e ) ( F E
c
. Assim,
utilizando o Axioma 3, temos que:
F E P E P
F E E P F E P
c
c
+ =
= ) (

alm disto, como ) ( ) ( F E F E F
c
= , obtemos pelo Axioma 3 que:
F E P F E P F P
c
+ =
ou, de forma equivalente:
F E P F P F E P
c
= ,
completando assim a prova de que
F E P F P E P F E P + = .
EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
11
esta proposio pode tambm ser demonstrada utilizando o diagrama de Venn
mostrado abaixo.
S
II III I
F E

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 ,
c
F E ); a seo II representa todos os pontos que esto tanto em E quanto
em F (isto , F E ), e a seo III representa todos os pontos em F que no
esto em E (isto , F E
c
).
EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
12
do diagrama de Venn, observamos que:
III II
II I
III II I
=
=
=
F
E
F E

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

mostrando que
II P F P E P F E P + = .
visto que F E = II , temos ento:
F E P F P E P F E P + = ,
que conhecida como a lei de adio de probabilidades.
EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
13
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,
0 = F E P . Neste caso, F P E P F E P + = , 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)
EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
14
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).
EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
15
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).
EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
16
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:
z x x P z E P z E x P z F = = =

| ) ( ) ( ) (
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.
EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
17
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.


EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
18
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:

= =
=

alhures 0
...) , 2 , 1 ( se
) (
j x z p
z f
j j

e a correspondente funo distribuio de probabilidade dada por:



= =
z x
j
z x
j
j j
j j
p x f z F
que tal

que tal

) ( ) (
onde x
j
, 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:
EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
19
f

( z )
1 3 4 5 6 2
1
6
F

( z )
z
1 3 4 5 6 2
1
2
1
z

EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
20
em muitas aplicaes, existe o interesse em medidas de probabilidade do tipo
r q
x x P < , ou seja, a probabilidade de que assuma qualquer valor no
intervalo
r q
x x x < , onde x
q
e x
r
no precisam necessariamente ser
elementos de S. Da definio z x x P z F =

| ) ( de funo distribuio de
probabilidade, fica evidente que:
) ( ) (
q r r q
x F x F x x P

= < .
como a varivel aleatria discreta, resulta:

<
= <
r j q
x x x
j
j r q
p x x P
que tal

.
uma conseqncia direta o resultado a seguir:
1
que tal

=

S x
j
j
j
p
EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
21
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:
dz
z dF
z f
) (
) (

= e



= =
z
dx x f z x x P z F ) ( | ) (
como no caso discreto, existe o interesse em medidas de probabilidade do tipo
r q
x x P < , ou seja, a probabilidade de que assuma qualquer valor no
intervalo
r q
x x x < , onde x
q
e x
r
no precisam necessariamente ser
elementos de S. Da definio z x x P z F =

| ) ( de funo distribuio de
probabilidade, fica evidente que:
EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
22
) ( ) (
q r r q
x F x F x x P

= < .
para uma varivel aleatria contnua, resulta:

= <
r
q
x
x
r q
dx x f x x P ) ( .
uma conseqncia direta o resultado a seguir:
1 ) ( =

dx x f
Exemplo: uma varivel aleatria com distribuio normal tem as seguintes
funes densidade e distribuio de probabilidade:
f

(z)
z
F

(z)
z

EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
23
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:
2
2
2
) (
2
1
) (



=
z
e z f
uniforme: uma varivel aleatria contnua chamada uniforme no intervalo
[x
1
,x
2
] se sua densidade de probabilidade pode ser expressa na forma:


=
alhures 0
se
1
) (
2 1
1 2
x z x
x x z f
binomial: uma varivel aleatria discreta tem uma distribuio binomial de
ordem n se sua densidade de probabilidade pode ser expressa na forma:
EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
24

|
.
|

\
|
=
n
k
k n k
k z q p
k
n
z f
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:
( )
k n k
p p
k
n
k A P

|
.
|

\
|
= 1 vezes ocorrer
e a probabilidade deste evento A ocorrer at k vezes em n k experimentos
(sob as mesmas condies) dada por:
( )

|
.
|

\
|
=
k
r
r n r
p p
r
n
k A P
0
1 vezes at ocorrer
EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
25
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:
#

=
j
j j
x f x ) ( , para o caso discreto (o somatrio sobre todos os
valores possveis de j);
#

= dx x xf ) ( , para o caso contnuo.


a mdia tambm conhecida como esperana matemtica: E[] = .
EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
26
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
) ( ) ( z c f z c f = + .
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:
# ( )

=
j
j j
x f x ) (
2
2
, para o caso discreto (o somatrio sobre todos
os valores possveis de j);
# ( )

= dx x f x ) (
2
2
, para o caso contnuo.
por hiptese, suposto que a srie (caso discreto) converge absolutamente e
que a integral (caso contnuo) existe (tem um valor finito).
EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
27
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:
EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
28
# [ ]

=
j
j j
x f x g g E ) ( ) ( ) ( , para o caso discreto (o somatrio sobre
todos os valores possveis de j);
# [ ]

+

= dx x f x g g E ) ( ) ( ) ( , para o caso contnuo.


tomando ( )
k
g = , k = 1, 2, ..., as esperanas matemticas acima representam
o k-simo momento de .
tomando ( ) ( )
k
g = , k = 1, 2, ..., as esperanas matemticas acima
representam o k-simo momento central de .
lembre-se que o operador esperana matemtica linear, ou seja:
# [ ] [ ] [ ]
2 1 2 1
x E x E x x E + = + ;
# [ ] [ ] x E x E = , com determinstico e constante.
EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
29
4 Medidas amostrais
mdia amostral (N amostras):

=
=
N
k
k
x
N
x
1
1

varincia amostral: ( )

=
N
k
k
x x
N
1
2 2
1
1

desvio padro amostral: ( )

=
N
k
k
x x
N
1
2
1
1

covarincia amostral: ( )( )

=
N
k
j jk i ik ij
x x x x
N
1
1
1

coeficiente de correlao amostral:
j i
ij
ij
r

=

EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
30
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):

EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
31
$ h
1
: 100% das bolas so azuis;
$ h
2
: 75% das bolas so azuis e 25% so vermelhas;
$ h
3
: 50% das bolas so azuis e 50% so vermelhas;
$ h
4
: 25% das bolas so azuis e 75% so vermelhas;
$ h
5
: 100% das bolas so vermelhas.
dada uma caixa, a varivel aleatria H denota o tipo de caixa, podendo
assumir os valores h
1
, h
2
, ..., h
5
.
suponha que H no diretamente observvel (no h nenhum rtulo indicando
o tipo de caixa).
quando as bolas so retiradas, dados so observados: d
1
, d
2
, ..., d
N
.
cada d
j
, 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.
EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
32
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 [ ]
T
N
d d d L
2 1
= d o vetor de dados j observados. Pela regra de
Bayes, a probabilidade de cada hiptese dada por:
i i i
h P h P h P d d =
onde um fator de normalizao definido de modo que 1
5
1
=

= i
i
h P d .
EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
33
duas quantidades-chaves na abordagem bayesiana so:
$ probabilidade a priori de cada hiptese:
i
h P , tal que 1
5
1
=

= i
i
h P ;
$ probabilidade dos dados, condicionada hiptese:
i
h P d .

i
h P indica o grau inicial de veracidade da hiptese.

i
h P d indica o quo bem os dados so explicados pela hiptese.
d
i
h P 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
j
i j i
h d P h P
1
d
EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
34
seja d
N+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
1
1 1
i
i N i N
h d P h P d P d d
a parcela
i N
h d P
1 +
indica a probabilidade daquela cor especfica ocorrer sob
a hiptese h
i
. E d
1 + N
d P a soma destas probabilidades ponderadas pelo
grau de veracidade da hiptese correspondente ( d
i
h P ).
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.

EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
35
Evoluo das probabilidades supondo que todas as observaes
correspondem a bolas vermelhas.
Probabilidades a priori: Ph
1
=0.1 / Ph
2
=0.2 / Ph
3
=0.4 / Ph
4
=0.2 / Ph
5
=0.1


N
EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
36
Evoluo da probabilidade de que a prxima bola seja vermelha, supondo
que todas as observaes correspondem a bolas vermelhas.


N
EA932 - Prof. Von Zuben
DCA/FEEC/Unicamp
Tpico 8 - Fundamentos para Processos Estocsticos
37
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.