Aula 1 - PPE

UPE – UNIVERSIDADE DE PERNAMBUCO PROF. Dr. ROBERTA A. de A.
FAGUNDES
Probabilidade e Processo Estacástico
Engenharia da Computação
Prof. Dr Roberta A. de A. Fagundes

roberta.fagundes@upe.br
Homepage
robertafagundes.wix.com/raaf
1 AULA 1 - PPE sábado, 29 de julho de 2023

UPE – UNIVERSIDADE DE PERNAMBUCO PROF. Dr. ROBERTA A. de A. FAGUNDES
Ementa
 Parte 1 - Probabilidade
 Conceitos de Probabilidade
 Variáveis Discretas e suas distribuições
 Variáveis Contínuas e suas distribuições
 Parte 2 – Inferência
 Estimação Pontual
 Intervalo de Confiança
 Teste de Hipótese
 Parte 3 - Processo Estocástico (Prof. Meuser)

 Cadeia de Marcov e Séries Temporais
 Parte 4 – Prática de R
Bibliografia
 Livro(s) :
 Estatística Aplicada e Probabilidade para Engenheiros,
Douglas C. Montgomery e George C. Runger. Quarta
Edição. Editora LTC; (LIVRO TEXTO)
 Estatística Básica. Probabilidade e Inferência. Volume

Único. Luiz Gonzaga Morettin. Person; (LIVRO DE
EXERCÍCIOS)
 A. Papoulis and S. U. Pillai. Probability, Random Variables

and Stochastic Processes. McGraw Hill Higher Education,
4Rev Ed edition. 2002.

Metodologia
 Aulas
 Teóricas
 Práticas
 Software R
 Avaliações
 Provas
 Participação em sala de aula e

monitorias
Metodologia
 Avaliações
 1. Prova => [0,0 ; 10,0]
 2. Prova => [0,0 ; 10,0]
 Desafios/Lista de exercícios
 Transformação de notas em conceitos
Conceitos Notas
A [9,0;10,0]
B [7,0;9,0[
C [5,0;7,0[
D Abaixo de 5,0
Cronograma
Data Horas Aula Assunto
09/09 4 Aula 01
16/09 8 Aula 02
23/09 16 Aula 03 Monitoria:
30/09 20 Aula de Exercícios
06/10 24 Primeira Avaliação Local: Sala Virtual
13/10 28 Aula 04 Dia: ????
20/10 32 Aula 05 Horário: fim de tarde
27/10 36 Aula 06 Aluno: Filipe Tabosa
04/11 40 Aula de Exercícios
11/11 44 Segunda Avaliação
18/11 48 Prof. Meuser
25/11 52 Prof. Meuser
02/12 56 Aula de R
09/12 60 Aula de R
16/12 64 Segunda Chamada/Notas

Conceitos Básicos de Probabilidade

Como identificar o espaço amostral de um experimento.
Como distinguir as probabilidades
Como identificar e usar as propriedades da probabilidade

Motivação
 Uma empresa que oferece produtos químicos para satisfazer clientes.
 Cliente testa cada lote depois de recebe-lo e 40% dos lotes devem
ser devolvidos.
 O custo da empresa testar os lotes antes de envia-los é caro e
então propuseram um teste de baixo custo.
 Qual a probabilidade de que um lote passaria no teste do cliente dado

se este tivesse passado no teste da empresa?
 A análise de probabilidade indicou que um lote tinha uma
probabilidade 0,909 de passar no teste do cliente.
 Resultados:
 O estudo forneceu evidência para adoção de um novo
procedimento de teste na empresa.
 Melhoria no serviço e redução nos custos de embarque e manuseio
de lotes devolvidos.

Tipos de Probabilidade
 Probabilidade clássica: usada quando cada resultado
no espaço amostral tem a mesma probabilidade de
ocorrer.
 Quando um dado é lançado, qual a probabilidade da
face 2?
 Probabilidade empírica: baseia-se em observações

obtidas de experimentos aleatórios
 Uma companhia de seguros constata que a cada 100
pedidos de pagamentos, quatro são fraudulentos. Qual é
a probabilidade de o próximo pedido de pagamento ser
uma fraude?

Experimento Aleatório
 Um experimento que pode fornecer diferentes
resultados (contagens, medidas ou respostas) , muito
embora seja repetido toda vez da mesma maneira.
 Caracteriza:
 A possibilidade de repetição sob as mesmas condições.
 Os resultados não são determinados a priori.
 Existência de regularidade quando o número de repetições
é grande.
 O conjunto de todos os resultados possíveis de um
experimento aleatório é chamado de espaço amostral.

Exemplo
 Um resultado é um ponto amostral.
 Espaço amostral é o conjunto de todos os
possíveis resultados.
 Um evento é um subconjunto do espaço
amostral.
 Experimento: jogar um dado.
 Espaço amostral: {1,2,3,4,5,6}
 Evento: a face é par, {2,4,6}
 Ponto amostral: um resultado {2}

Eventos
 A soma das probabilidade de todos os
resultados possíveis de um experimento é 1.
 Teorema do evento completar
 P(A) + P(Ac) = 1
 Eventos equiprováveis
 P(A1) = P(A2)=P(A3) =p ; p=K*1/n ; P(A) = K/n
 Teorema da Soma
 A probabilidade de o evento A ou B ocorrer
P(AouB)=P(AB).
 P (AB)=P(A)+P(B)-P(AB).
Eventos
 Ex.: Retira-se uma carta de um baralho
completo de 52 cartas. Qual a probabilidade
de sair um rei ou carta de espadas.
 Seja A = sair um rei
 Seja B = sair uma carta de espada
 A{Rp,Re,Rc,Ro} => P(A) = 4/52
 B{Ae,2e,……,Re}=>P(B) = 13/52
 A ∩ B ={Re} => P(A ∩ B) = 1/52
 Logo:
 P(A U B) = P(A) + P(B) - P(A ∩ B) = 16/52
Probabilidade condicional

Probabilidade condicional

Eventos independentes e dependentes


 Ex.: A probabilidade de que um homem
esteja vivo daqui a 30 anos é 2/5; a de sua
mulher é de 2/3. Determinar a probabilidade
de que daqui a 30 anos.
 A) Ambos estejam vivos;
 B) Somente o homem esteja vivo;
 C) Somente a mulher esteja viva;
 D) Nenhum esteja vivo;
 E) Pelo menos um esteja vivo;




Regra da Multiplicação
 Probabilidade Condicional
 Teste de Independência
 Se P(B|A) = P(B) => Ocorrência do evento A

não influi na probabilidade do evento B
 Se P(B|A) ≠P(B) => Então A e B são eventos
dependentes
 Ou seja (Regra da Multiplicação):
 P(A e B) = P(A) . P(B) independentes
 P(A e B) ≠ P(A) . P(B) dependentes

Teorema de Bayes
 Partição do Espaço Amostral

Teoremas de Bayes
 Regra Multiplicação
 Esta a formação só é válida, quando A e B são eventos mutuamente

excludentes

Teorema de Bayes

Teorema de Bayes
 Considere A1, A2, A3, ... , An eventos mutuamente
excludentes cuja união representa espaço
amostral , isto é, um dos eventos
necessariamente deve ocorrer.
Assim, se B é um evento qualquer,

temos o seguinte teorema,
conhecido
como teorema de Bayes.

Teorema de Bayes
 Seja B um evento (efeito). Se A1,...,Ak
(causas) são eventos mutuamente
excludentes (eventos dependentes), então
P( Ai )  P( B / Ai )
P( Ai / B) 
P( A1 )  P( B / A1 )  ...  P( Ak )  P ( B / Ak )
 Também conhecido como Teorema da

probabilidade a posteriori. Ele relaciona uma
das parcelas da probabilidade total com a
própria probabilidade total.

Teorema de Bayes
 Ex.: Suponha que 60% das mulheres que compram kits de gravidez
instantâneos estão, de fato, grávidas. Para um kit de uma marca
específica, se a mulher estiver grávida, o teste fornecerá resultado
positivo 96% das vezes e negativo 4% das vezes (um “falso negativo").
Se ela não estiver grávida, o teste resultará positivo em 1% das vezes
(um “falso positivo”) e negativo 99% das vezes (conforme figura).
Suponha que um teste resulte positivo. Qual a probabilidade de que a
mulher esteja realmente grávida?

Teorema de Bayes
 Resolução

Teorema de Bayes
 Ex.:Uma companhia multinacional tem três fábricas que
produzem o mesmo tipo de produto.
 A fábrica I responsável por 30% do total produzido, a
fábrica II produz 45% do total, e o restante vem da fábrica
III. Cada uma das fábricas, no entanto, produz uma
proporção de produtos que não atendem aos padrões
estabelecidos pelas normas internacionais.
 Tais produtos são considerados “defeituosos” e
correspondem a 1%, 2% e 1,5%, respectivamente, dos
totais produzidos por fábrica. No centro de distribuição, é
feito o controle de qualidade da produção combinada das
fábricas.

Teorema de Bayes
 Resolução:

Teorema de Bayes
 Resolução:

Lições Aprendidas

Exercícios de Classe _01

Exercício de Classe_01: Resolução

Exercícios de Classe _02

Exercício Classe_02: Resolução
com com

Variáveis Aleatórias
Como distinguir entre variáveis aleatórias discretas.
Como descobrir sua média, variância e desvio padrão de uma variável

aleatória discreta, como também função de probabilidade e de função de
distribuição acumulada.

Motivação
 Os dados sobre condições climáticas são usados
mundialmente em previsões de tempo.
 Estações de tempo, navios, aviões, satélites e um
grande número de outros aparelhos de coleta de dados
podem fornecer dados aos meteorologistas para fazer
previsões do tempo.
 Mesmo assim os profissionais são incapazes de
prever o tempo com certeza.
 O meteorologista pode determinar que há 40% de
chance de chover com base na frequência relativa
da chuva sob condições climáticas similares.

Variável Aleatória
 É uma função que associa um valor numérico a cada um
dos resultados do espaço amostral de um experimento
aleatório.
 Variável Discreta: se houver um número finito ou contável
de resultados possíveis que possam ser enumerados.
 Ex: número arraões de uma superfície, número de bits
que transmitidos que foram recebidos com erro,
proporção de peças defeituosas entre 1000 testadas.
 Variável Contínua: se houver um número incontável de
resultados possíveis representado por um intervalo sobre o
eixo real.
 Ex: corrente elétrica, comprimento, temperatura,
pressão, tempo, peso, voltagem.

Variável Aleatória Discreta

 Exemplos
 N. de acidentes na marginal Tietê no período da
manhã;
 N. de alunos aprovados no vestibular entre 200
inscritos;
 N. de pessoas que visitaram um determinado
site, num certo período de tempo;
 N. de inadimplentes dentre 100 pessoas que
pegaram empréstimo no último ano.


 Experimento Aleatório
 Observa-se a face superior no lançamento de duas
moedas. Nesse caso o espaço amostral pode ser
definido na forma
 Variável Aleatória
 Se definimos a variável aleatória X:número de caras no
lançamento de duas moedas, então obtemos

Distribuição de Variável Aleatória Discreta

 Definição
 Para cada elemento do espaço amostral transferimos um valor
p(X( )) para o intervalo [0; 1]. Se denotamos xi = X( ), então
podemos definir:
 Função de Distribuição de probabilidade de X


 Descrição do cálculo da probabilidade da variável aleatória X: número de caras no lançamento de duas moedas, dado
 Função de Probabilidade da variável aleatória X:
p(w1)=1/4
p(w2)=2/4
p(w4)=1/4


 Função de Distribuição Acumulada
 Outra maneira de definirmos a distribuição de uma variável aleatória é através da função de distribuição acumulada, definida
 em que x é um número real e F(x) pertence ao intervalo [0; 1].

 Descrição da função de distribuição acumulada F(x) = P(X ≤ x) da variável aleatória X: número de caras no lançamento de duas
moedas
0
0,25
0,25 + 0,5 =0,75
0,75+0,25 = 1


 Função de Distribuição Acumulada
 Exemplo 2
0
0,19
0,19 + 0,02 =0,21
0,21+0,23 = 0,44
0,44 + 0,56 =1


 Ex.:Num experimento aleatório observa-se o
gênero das crianças em famílias com três filhos
(M: masculino e F: feminino). O espaço amostral
fica dado por
 Para a variável aleatória X: número de crianças do

sexo masculino, temos a relação
 Portanto, X assume os valores X = 0; 1; 2; 3.


 Ex.: cont.
 Para a variável aleatória Y: número de crianças do sexo feminino, temos a relação
 Portanto, Y assume os valores Y = 0; 1; 2; 3.

 Assim, para um mesmo espaço amostral podemos definir mais de uma variável aleatória.


 Ex.: Joga-se um dado equilibrado e observa-se a face superior. Considere a variável aleatória X:
número da face superior. A função de probabilidade de X fica dada por:
 Ex.: Joga-se dois dados equilibrados e observa-se as faces superiores. Considere a variável
aleatória X: soma das faces superiores. A função de probabilidade de X fica dada por:


 Esperança Matemática
 Seja X uma variável aleatória discreta que
assume os valores x1, x2, ... xk . Chamamos de
valor médio, ou valor esperado, ou esperança
matemática de X o valor
 em que p(xi ) = P(X = xi ). Notação = E(X).


 Ex.: Cálculo Esperança Matemática
 A função de probabilidade da variável aleatória
X: número de caras no lançamento de duas
moedas é dada por:
 Esperança matemática de X fica então dada por:
 Espera-se, portanto, 1 cara.


 Ex.: Cálculo da Esperança Matemática
 A função de probabilidade da variável aleatória X:
soma das faces superiores é dada por
 Esperança matemática de X fica então dada por
 Espera-se, portanto, soma 7.


 Variância
 Seja X uma variável aleatória discreta que
assume os valores x1,x2, ..., xk . Chamamos de
variância de X o valor esperado da variável
 em que p(xi ) = P(X = xi ). Notação

 Desvio Padrão de X é definido por :

 A Variância de X pode, alternativamente, ser
expressa na forma:
 Em que


 Variância
 Ex.: Para a variável X: número de caras no lançamento de duas moedas, obtemos
 Portanto, a variância de X fica dada por
 E o desvio padrão de X


Uma medida de dispersão que mostra quão
 Variância distantes os valores estão da média
 Significado: normalmente a variância é transformada para
desvio padrão para a análise dos dados;
 Quando o “desvio padrão” assume um valor alto (em relação
aos valores da média), significa que os dados desta amostra
têm uma “alta dispersão”, ou seja, possuem valores
discrepantes uns dos outros. Essa amostra, assim, é formada
por dados diversos, não sendo caracterizada como
homogênea.
 Quando o “desvio padrão” assume um valor baixo (em
relação aos valores da e da média e da amplitude da amostra
em questão), pode-se dizer que não houve muita variação
nos dados desta amostra, possuindo seus dados, valores
próximos ao da média da amostra.


 Variância
 Para a variável X: soma das faces superiores obtemos
 Portanto, a variância de X fica dada por
 E o desvio padrão de X dado por


 Conhecemos a média, mas não temos uma
medida que nos grau de dispersão;
 Investimento X Investimento Y
Y P(Y) Y*P(Y)
X P(X) X*P(X)
-1 1/5 -1/5
0 1/8 0
-2 1/5 -2/5
1 6/8 6/8
0 1/5 0
2 1/8 2/8
3 1/5 3/5
µx = 1
5 1/5 5/5
µY= 1
 Var(X) =0,25 Var(Y) =6,8

 DP (X) = 0,5 DP(Y) = 2,61
 Qual melhor investimento X ou Y e justifique?
Lições Aprendidas
 Variável Aleatória Discreta
 Esperança
n
E ( X )  x1  P ( X  x1 )  ...  x n  P ( X  x n )   xi  P ( X  xi )
i 1
 Variância
Var( X )  E ( X 2 ) – [ E ( X )] 2 .
 Desvio Padrão
DP( X )  Var( X ) .

Exercício de Classe_01
 Exec.01: Sabe-se que uma moeda mostra a
face cara quatro vezes mais do que a face
coroa quando lançada. Esta moeda é
lançada 4 vezes. Seja X o número de caras
que aparece, determine:
a) E(X)
b) Var(X)
c) P(X ≥ 2)
d) P(1 ≤ X < 3)

 Resolução
 Seja P(r)=a e P(c)=4a, como a+4a=1=>a=1/5;
 P(c) = 4/5 =>0,8 e P(r)=1/5=>0,2
 P(X = 0) => P(4r) = (0,2)4 => 0,0016
 P (X = 1) =>P(1c e 3r) = (0,8) * (0,2)3*4=0,0256
 P(X = 2) => P(2c e 2r) = (0,8)2 * (0,2)2*6=0,1536
 P(X = 3) => P(3c e 1r) = (0,8)3 * (0,2)*4=0,4096
 P(X = 4) =>P(4c) = (0,8)4=0,4096

X P(X) X*P(X) X2*P(X) = E(X2)
0 0,0016 0 0
1 0,0256 0,0256 0,0256
2 0,1536 0,3072 0,6144
3 0,4096 1,2288 3,6864
4 0,4096 1,6384 6,5536
Total 1 3,20 10,88
P(X ≥ 2 )= 1 – P(X< 2) = 1 - {P(X=0) + P(X=1)} => 0,9728

P(X=1) + P(X=2) => 0,1792

 Exerc.02: As probabilidades de que um aluno no
período das provas tenha uma ou duas provas, no
mesmo dia, são:0,70 e 0,30, respectivamente.
 A probabilidade de que deixe de fazer uma prova,
por razões diversas, é 0,20. O tempo de duração
de cada prova é de 90 minutos.
 Faça X o tempo total gasto, por dia, que ele usa
fazendo as provas. Achar em média quantas horas
gasta, por dia, resolvendo provas.

 Resolução  P(F c) = 0,14 + 0,012 => 0,152
P(1P F c) = 0.14  P(F1) = 0,56 + 0,096 => 0,656
0,2 Fc
 P(F2) = 0,192
1P 0,8 X P(X) X*P(X)

0,7 P(1P F1) = 0.56
0 0,152 0
F1
90 0,656 59,04
180 0,192 34,56
P(2P F c) = 0.012
0,3 (0,2)2 F c Somatório 1 93,6
2P
(0,2)(0,8)2 P(2P F1) = 0.096  E(X) = 93,6 min
F1  E(X) = 1h 34 min
(0,8)2 P(2P F2) = 0.192
F2

Desafio
 Alunos: Ailton Leite a Laila Campos
 Questão 01 - Na verificação de máquinas, observam-se
as partes elétrica, mecânica e estrutural. A probabilidade
de aparecer uma falha em cada uma das partes é 0,01;
independente das demais. Ocorrendo falha, o tempo de
conserto é 10, 20 ou 50 minutos para falha elétrica,
mecânica ou estrutural, respectivamente. Para uma
máquina escolhida ao acaso, qual a probabilidade do
tempo de interrupção (se não há falha, esse tempo é
zero):
 a) Durar menos de 25 minutos?
 b) Ultrapassar 40 minutos?

Desafio
 Alunos: Leonardo Dias a Wladimir Filho
 Questão 02 - Uma empresa paga a seus estagiários de engenharia
de acordo com o ano de curso do estudante. Para se obter o salário
mensal pago por 30 horas semanais, multiplica-se o salário mínimo
pelo ano de curso do estagiário. Dessa forma, o estudante do
primeiro ano ganha um salário mínimo, o do segundo recebe dois e
assim por diante até o quinto ano. A empresa vai empregar dois
novos estagiários e admitimos que todos os anos têm igual número
de estudantes interessados no estágio (considere a população de
candidatos muito grande de modo a não haver diferença entre
escolher com ou sem reposição). Pergunta-se a probabilidade de:
 a) A empresa gastar no máximo 3 salários mínimos com os
estágios.
 b) Sabendo-se que gastou pelo menos 4, gastar menos de 7
salários mínimos.

Aula 1 - PPE

Enviado por

Dados do documento

Título original

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

Aula 1 - PPE

Enviado por

Direitos autorais:

Formatos disponíveis

UPE – UNIVERSIDADE DE PERNAMBUCO PROF. Dr. ROBERTA A. de A.

Probabilidade e Processo Estacástico

Prof. Dr Roberta A. de A. Fagundes

1 AULA 1 - PPE sábado, 29 de julho de 2023

 Variáveis Discretas e suas distribuições

 Variáveis Contínuas e suas distribuições

 Parte 3 - Processo Estocástico (Prof. Meuser)

 Estatística Básica. Probabilidade e Inferência. Volume

 A. Papoulis and S. U. Pillai. Probability, Random Variables

3 AULA 1 - PPE sábado, 29 de julho de 2023

 Participação em sala de aula e

6 AULA 1 - PPE sábado, 29 de julho de 2023

Conceitos Básicos de Probabilidade

Como identificar e usar as propriedades da probabilidade

7 AULA 1 - PPE sábado, 29 de julho de 2023

 Qual a probabilidade de que um lote passaria no teste do cliente dado

8 AULA 1 - PPE sábado, 29 de julho de 2023

 Probabilidade empírica: baseia-se em observações

9 AULA 1 - PPE sábado, 29 de julho de 2023

10 AULA 1 - PPE sábado, 29 de julho de 2023

11 AULA 1 - PPE sábado, 29 de julho de 2023

14 AULA 1 - PPE sábado, 29 de julho de 2023

15 AULA 1 - PPE sábado, 29 de julho de 2023

Eventos independentes e dependentes

16 AULA 1 - PPE sábado, 29 de julho de 2023

Eventos independentes e dependentes

 C) Somente a mulher esteja viva;

 D) Nenhum esteja vivo;

 E) Pelo menos um esteja vivo;

17 AULA 1 - PPE sábado, 29 de julho de 2023

Eventos independentes e dependentes

18 AULA 1 - PPE sábado, 29 de julho de 2023

Eventos independentes e dependentes

19 AULA 1 - PPE sábado, 29 de julho de 2023

Eventos independentes e dependentes

20 AULA 1 - PPE sábado, 29 de julho de 2023

 Se P(B|A) = P(B) => Ocorrência do evento A

 P(A e B) = P(A) . P(B) independentes

 P(A e B) ≠ P(A) . P(B) dependentes

21 AULA 1 - PPE sábado, 29 de julho de 2023

22 AULA 1 - PPE sábado, 29 de julho de 2023

 Esta a formação só é válida, quando A e B são eventos mutuamente

23 AULA 1 - PPE sábado, 29 de julho de 2023

24 AULA 1 - PPE sábado, 29 de julho de 2023

Assim, se B é um evento qualquer,

25 AULA 1 - PPE sábado, 29 de julho de 2023

 Também conhecido como Teorema da

26 AULA 1 - PPE sábado, 29 de julho de 2023

27 AULA 1 - PPE sábado, 29 de julho de 2023

28 AULA 1 - PPE sábado, 29 de julho de 2023

29 AULA 1 - PPE sábado, 29 de julho de 2023

30 AULA 1 - PPE sábado, 29 de julho de 2023

31 AULA 1 - PPE sábado, 29 de julho de 2023

32 AULA 1 - PPE sábado, 29 de julho de 2023

Exercícios de Classe _01

33 AULA 1 - PPE sábado, 29 de julho de 2023

Exercício de Classe_01: Resolução

34 AULA 1 - PPE sábado, 29 de julho de 2023

Exercícios de Classe _02

35 AULA 1 - PPE sábado, 29 de julho de 2023

Exercício Classe_02: Resolução

36 AULA 1 - PPE sábado, 29 de julho de 2023

Como distinguir entre variáveis aleatórias discretas.