Você está na página 1de 94

8 – PROCESSOS ALEATÓRIOS

INTRODUÇÃO

• Na matemática, para se descrever um fenômeno, existem duas classes de


modelo:

Determinístico
Estocástico ou aleatório
PROBABILIDADE

• A probabilidade tem como base o estudo de fenômenos aleatórios. Como


não se tem o conhecimento de como se comportará o fenômeno, se torna uma
ferramenta que nos permite prever o resultado.

• O fenômeno terá uma série de resultados possíveis ( ξi ), e um conjunto de


resultados denominado espaço amostral (S).
PROBABILIDADE
• Exemplo 1:
• Ao jogar uma moeda, temos dois resultados possíveis (Cara ou Coroa),
podendo ser representados por ξ1 e ξ2 . Assim, como par geração de um bit
aleatório (0 ou 1)
• Exemplo 2:
• Ao jogar um dado, temos 6 resultados possíveis, podendo ser representados pelo
conjunto S = {ξ1, ξ2, ξ3, ξ4, ξ5, ξ6} , sendo S, o espaço amostral, onde contém todos os
resultados possíveis
• Exemplo 3:
• Ao tirar uma carta do baralho, com 53 resultados possíveis, temos que :
S = {ξ1, ξ2, ξ3, ξ4, ξ5,... ξ53}, sendo: ξ1 a ξ13  Cartas de Ouro
ξ14 a ξ26  Cartas de Copas
ξ53  Coringa
ξ27 a ξ39  Cartas de Espadas
ξ40 a ξ52 Cartas de Paus
PROBABILIDADE
• Experimento, Espaço Amostral, Evento :
• Seja um EXPERIMENTO, um lançamento de uma moeda, para o qual são
esperado os RESULTADOS cara ou coroa. Define-se o EVENTO
correspondente à ocorrência de cara nos dois primeiros lançamentos, num
total de 3.
Assim, o ESPACO AMOSTRAL ou conjunto é dado por :

Onde C  Cara e K  Coroa (Resultados)


O numero possível de resultados é 2³ = 8 (espaço amostral)
O evento pode ocorrer 2 vezes (evento do resultado)
PROBABILIDADE

• Probabilidade pro Frequência Relativa


• Exemplo:
• Determinar se uma moeda é justa ou não. Ao efetuar uma quantidade
grande de lances, registrando o resultado definido (cara), ao final,
saberemos o numero de resultados obtidos. Se esse valor converge para 0,5
a medida que aumentamos n(quantidade de lances), podemos dizer q a
moeda é justa. Do contrário, ela não é justa.
• A estatística será mais precisa quanto maior for o valor de n.
PROBABILIDADE

• Definição clássica
• Voltando ao exemplo anterior das moedas:
• Seja o EXPERIMENTO correspondente ao lançamento de moedas, para o qual
se espera o RESULTADO cara e coroa. O EVENTO é definido pela ocorrência
de 2 caras em um total de 3 lançamentos. Assim, teremos nosso ESPACO
AMOSTRAL, ou conjunto:

No espaço amostral podemos notar que o evento


ocorre 3 vezes em 8 possíveis. Logo, a probabilidade
é 3/8.
PROBABILIDADE
• Exemplo:
• Uma célula de um sistema de comunicações móveis possui 5 canais, que podem estar livres (L) ou
ocupados (O). Assim:
• A) o espaço amostral consiste em 32 combinações de 5 canais com as opções possíveis L e O em
cada canal, levando a 32 pontos.
• Seja 0  L e 1  O , teremos:

• B) admitindo os pontos do espaço amostral como EQUIPROVAVEIS ( tem a mesma


probabilidade de ocorrência), a probabilidade do tipo de conferencia, que precisa
de 3 canais livres para se completada, ser bloqueada por falta de canal livre é :

• Observa-se que no espaço amostral tem 16 ocorrências favoráveis (3 ou mais canais ocupados, o que leva
ao bloqueio da chamada) em 32 situações. Logo a probabilidade de bloqueio é 16/32 = 0,5
PROBABILIDADE
• Probabilidade Conjunta
• É a ocorrência de dois ou mais eventos.
• Exemplo: Em um jogo de dados, verificar a probabilidade conjunta
referente a dois lances do dado.
• O espaço amostral é observado por:

• A partir do conjunto, podemos verificar os cálculos.


Por exemplo, determinando a probabilidade de um
numero impar de pontos no primeiro lance um
numero 3 no segundo lançamento.

• A probabilidade P[ímpar, 3] = 3/36


PROBABILIDADE
• Probabilidades Marginais
• é a distribuição de probabilidade das variáveis contidas no subconjunto.
• Podemos obter P[A] e P[B]. Obtemos P[A] somando todas as probabilidades
conjuntas em que A é fixo e B é qualquer. Igualmente, obtemos P[B] somando
as probabilidades em B fixo e A sendo qualquer valor possível.
• No exemplo dos dois lançamentos de dados, qual a probabilidade de o
segundo lance apresentar o número 3 somando todas as probabilidades com
o 3 no segundo lance e qualquer valor no primeiro.

1 1
P(Bj = 3) = σ6𝑗=1 𝑃(𝐴𝑗, 𝐵𝑗) =6x =
36 6
PROBABILIDADE
• Probabilidade Condicional
• É a probabilidade de ocorrência de um evento, a partir de um outro evento. É
a probabilidade obtida de um outro evento, com informação adicional sobre
a ocorrência de outro. É dada por :
PROBABILIDADE
• Exemplo:
• Um caixa com 100 resistores cujas resistências e tolerâncias são mostradas na tabela. Um
resistor é selecionado aleatoriamente. Calcule a probabilidade do resistor ser de 47 ohms
dado que a tolerância é de 5% e calcule a probabilidade dele ser de tolerância de 5%
dado que a resistência é de 100ohms

• O calculo de P[47,5%] corresponde a se : retiramos da caixa um resistor qualquer, a


probabilidade de ser de 47 ohms e 5% é  P[47,5%] = 28/100
• Já P[47|5%] significa retirar um resistor da caixa, constatamos que sua tolerância é
de 5%. Assim, calcular a probabilidade e o resistor ser de 47ohms.
• P[47|5%] = P[47,5%]/ P[5%] = (28/100) / (62/100) = 28/62
PROBABILIDADE

• Teorema de Bayes
• Permite que calculemos a probabilidade condicional P[A|B] do conhecimento
de P[B|A]:
PROBABILIDADE
• Exemplo:
PROBABILIDADE

• Eventos Independentes
• Dois eventos são independentes se a ocorrência de um deles não influencia na
ocorrência dos demais. A ocorrência de um evento não adiciona nenhuma
informação à determinada probabilidade de ocorrência de outro evento.

• Para eventos independentes, a probabilidade de ocorrência conjunto dos


eventos é o produto das probabilidades de cada evento.
PROBABILIDADE

• Exemplo:
• Lançamento de duas moedas corresponde a eventos independentes. Assim, o
probabilidade de ocorrência de cara no primeiro lançamento e cara no
segundo lançamento é de :

• P[A] x P[B]
• 0,5 x 0,5 = 0,25
PROBABILIDADE

• Amostragem – escolha aleatório de um numero k de objetos dentro de uma


população com n objetos.
• Reposição – Ocorre quando retornamos um objeto selecionado à população
sob analise, antes que o próximo seja selecionado. (Exemplo : 2 bolas
selecionadas em um conjunto de 5 bolas numeradas. Supondo que a primeira
foi a de numero 3. Se o experimento é com reposição, a próxima bola pode
ser a 3 novamente. Se não houver reposição, a bola 3 fica de fora).
• Ordenação – Experimento com ordenação, significa que a ordem dos objetos
é relevante. Ou seja, diferentes ordenações, geram diferentes resultados
para o experimento.
PROBABILIDADE

• Principio Fundamental da contagem


• Dado um experimento E, com sub-experimentos E1, E2, ...., Ek, com números de
possibilidades n1, n2, ..., nk. O numero de possibilidades do experimento é
dado por :

• Exemplo:
• Uma prova com 4 questões (4sub-experimentos), onde o numero de
possibilidades de respostas para as questões é 3,2,4 e 6 respectivamente.
Assim, o numero possível de formas de resolver a prova é :
3 x 2 x 4 x 6 = 144
PROBABILIDADE

• Variável aleatória
• É um mapeamento dos resultados aleatórios de um experimento em números
que serão aleatórios.
• Exemplo: lançamento de uma moeda 2 vezes consecutivas e seja o evento
correspondente à contagem do numero de caras. Podemos definir, assim, uma
variável aleatória X, que corresponde a este evento. A variável X terá o
seguintes valores (0 ,1 e 2)
PROBABILIDADE

• Funcao de Distribuicao Cumulativa (FDC)

• Onde F indica uma FDC;


• X representa a variável aleatória que a FDC se refere;
• x é um valor para a variável a aleatória
• P[X≤x] é a probabilidade da variável aleatória X assumir valor menor ou igual a x
• Exemplo:
• Determinar a FDC da variável alatoria, sendo X um numero de Caras (C)
em três lançamentos de moeda ideal (assume 0, 1, 2 e 3) . Para uma
moeda justa, as probabilidades desse resultado são 1/8, 3/8, 3/8 e
1/8, respectivamente.
PROPRIEDADES DA FDC:
• Exemplo:
TIPOS DE VARIÁVEIS ALEATÓRIAS
• Os tipos de variáveis aleatórias se associam com as possibilidades de valores
da variável aleatória.
• Exemplo:
• Numa transmissão de dados, a variável aleatória pode ser a ocorrência de 0
e 1. Assim, os valores da v.a. são discretos e iguais a 0 ou 1. Assim, a FDC é
discreta
• Uma variável aleatória contínua, pode assumir qualquer valor dentre números
reais na faixa que uma v.a exista.
• Exemplo:
• A vazão máxima de um cano que alimenta uma residência com água seja de
1m³/h e a mínima seja 0. Em algum momento poderá ter valor entre 0 e
1m³/h :
• Uma variável aleatória mista, assume valores discretos e contínuos. Assim, sua
FDC é composta por partes discretas e parte continuas.
FUNCAO MASSA DE PROBABILIDADE (FMP)
• Representa em um gráfico as probabilidades de acontecimento de cada um
dos valores de uma v.a discreta.
• Exemplo:
• Uma v.a q pode assumir valores 0,1,2,3 com probabilidades 0,3; 0,2; 0,4 e 0
•2
FUNÇÃO DENSIDADE DE PROBABILIDADE (FDP)
• É uma função que descreve a probabilidade relativa de uma variável
aleatória tomar um valor dado
• Exemplo
• Coletada a estatura de 100 pessoas, obtendo diversos valores. Dentro da
faixa de valores encontrados, cria-se 7 sub-faixa e conta-se quantas pessoas
tem estatura dentro daquela sub-faixa. Um possível resultado é mostrado:
• Efetuando o limite de cada sub-faixa tendendo a zero, temo o resultado um
função contínua, mostrando como a estatura se distribui. A função encontrada
é denominada Função de densidade de probabilidade.
FUNÇÃO DENSIDADE DE PROBABILIDADE PARA V.A
DISCRETAS
• A FDP de uma v.a discreta é determinada simplesmente subistuindo os tracos
da FMP por funções impulsos.
FUNÇÃO DENSIDADE DE PROBABILIDADE PARA V.A
CONTINUAS
• A FDP de uma variável aleatória continua é dada por meio de uma função
continua de área unitária. Representa a densidade de probabilidade no
ponto x de forma que seja a probabilidade de X estar em um intervalo
pequeno de x;
PROPRIEDADES DE UMA FDP

• 1 – uma FDP não pode ter valores negativos, pois resultaria probabilidade
negativa
• 2 – permite calcular probabilidades a partir de uma FDP
• 3 – FDC é a integral da FDP e FDP é a derivada da FDC
• 4 – condição para que possamos calcular a probabilidade a partir do
calculo de área sob a FDP; A probabilidade de estar entre o intervalo deve
ser igual a 1
• 1 – FDP não pode ter valores negativos;
• 2 – Pode-se calcular probabilidade a parte de uma FDP
• 3 – Idem ao contínuo ( FDC é integral da FDP, porém no discreto, torna-se
somatório)
• 4 - condição para que possamos calcular a probabilidade a partir do calculo
de área sob a FDP; A probabilidade de estar entre o intervalo deve ser
igual a 1
DENSIDADES CONDICIONAIS
• Nos permite obter informações probabilísticas sobre uma v.a com um
conhecimento adicional sobre o experimento. Exemplo : numa luta do UFC,
sabemos que um lutador está doente ou machucado, assim diminui a
confiança em apostar nele.
• Para determinar a função densidade de probabilidade de uma v.a contínua
utiliza-se da derivada da FDC:
MÉDIA DE UMA VARIÁVEL ALEATÓRIA
• Um determinado experimento aleatório não permite que se saiba resultado
futuro qualquer. Porém, sabendo algum comportamento de tendência média,
referente ao experimento, de grande importância. Dessa forma, é possível
avaliar o seu comportamento.
• Seja um v.a. que pode assumir k valores x1, ..., xk. Sendo repetidos N vezes,
sendo m1, ...mk o numero de tentativas favoráveis aos resultados x1,..., xk.
Entao, o valor médio de X é dado por:
• O valor médio de uma variável aleatória é denominado de valor esperado e
representado pelo operador E[X] ( média de X, valor esperado de X,
esperança de X). É representado por μ.
• A média muitas vezes indica a região da FDP ou FMP com valores mais
prováveis para a v.a. em questão. Excluindo assim, valores variáveis com
distribuição uniforme e com a massa de probabilidade maior em torno da
média.
PROCESSOS ALEATORIOS
CORRELAÇÃO PROCESSOS ALEATÓRIOS
PROCESSOS ALEATÓRIOS