Sei sulla pagina 1di 116

Treinamento em Processamento

Digital de Imagens

Treinamento em Processamento Digital de Imagens Prof. Wheidima Carneiro de Melo wheidimawcm@gmail.com Curso: Probabilidade

Prof. Wheidima Carneiro de Melo

wheidimawcm@gmail.com

Curso: Probabilidade e Processos

Estocásticos

Probabilidade e Processos

Estocásticos

Probabilidade e Processos Estocásticos Ementa: • Probabilidade • Definições e axiomas • Probabilidade

Ementa:

Probabilidade

Definições e axiomas

Probabilidade condicional

Probabilidade total

Variáveis aleatórias

Processos estocásticos

Parte 1

Parte 1 Probabilidade

Probabilidade

Introdução

Introdução • Nas engenharias há um interesse no estudo de sistemas que variam de forma aleatória,

Nas engenharias há um interesse no estudo de sistemas

que variam de forma aleatória, não determinística da

ótica do observador.

Modelos probabilísticos são formas matemáticas para

descrever o comportamento de variáveis associadas ao

fenômeno.

Processos estocásticos são modelos probabilísticos para descrever sistemas que se desenvolvem no tempo

de forma aleatória.

Conceitos Básicos

Conceitos Básicos • Experimento aleatórios: são fenômenos (experimentos) que repetidos sob as mesmas condições

Experimento aleatórios: são fenômenos (experimentos)

que repetidos sob as mesmas condições apresentam

variações em seus resultados, onde é impossível afirmar

exatamente o resultado que ocorrerá.

Espaço Amostral (S): o conjunto que contém todos os resultados possíveis do experimento.

Evento: qualquer resultado de interesse para o experimento.

Revisão de Conjuntos

Revisão de Conjuntos • Conjunto é definido como uma coleção de objetos. – Método de enumeração:

Conjunto é definido como uma coleção de objetos.

Método de enumeração:

Método de descrição:

– Método de enumeração: – Método de descrição: • Os objetos são denominados elementos. – O
– Método de enumeração: – Método de descrição: • Os objetos são denominados elementos. – O

Os objetos são denominados elementos.

O elemento é distinto

A ordem não importa

Algumas definições:

x A

D

D S

A

c

B A

Revisão de Conjuntos

Revisão de Conjuntos • Operações básicas: – – – – – – – – – –

Operações básicas:

básicas: – – – – – – – – – – – A  B 
básicas: – – – – – – – – – – – A  B 

A B A B

A

c

c

A

A A

c

S

c

A A

c

A A   S S   S A

c

 

S

c

S

A B

(Conjuntos disjuntos).

Revisão de Conjuntos

Revisão de Conjuntos • Propriedades: I. Comutatividade: A  B  B  A   II.

Propriedades:

I.

Comutatividade:

A

B B A

 

II.

III.

Associatividade:

Distributividade:

A ( A ( B C) ( A B) ( A C)

B C)

( A B) C

Leis de Morgan:

a)

b)

A B ( A B ) C D (C D )

c

c

c

c

c

c

.

Conjuntos contáveis (finitos e infinitos).

Conjuntos incontáveis.

C  D  ( C  D ) c c c c c c .

Probabilidade

Probabilidade • Evento é um subconjunto do espaço amostral. • Dois eventos, A e B que

Evento é um subconjunto do espaço amostral.

Dois

eventos,

A

e

B

que

não

possam

ocorrer

mutuamente

,

conjuntamente

exclusivos.

são

denominados

    S S ; ; S

S

é denominado evento certo.

é denominado evento impossível.

Os elementos em

S s s

1

,

2

, s

3

,

são denominados

eventos elementares.

Exemplos de eventos.

 Os elementos em  S  s s 1 , 2 , s 3 ,

Probabilidade

Probabilidade • Probabilidade é uma função entre 0 e 1 aos conjuntos. • Axiomas: P (.)

Probabilidade é uma função

entre 0 e 1 aos conjuntos.

Axiomas:

P (.)

que atribui um número

1. P ( E ) 0

2. P ( S ) 1

para cada evento

E

3. Se

A , A , , A

1

2

k

são mutuamente exclusivos, então

P A

1

A

2

 

A

k

k

i 1

P A

i

Exemplos.

2 k são mutuamente exclusivos, então  P A 1  A 2   A

Propriedades da Função de

Probabilidade

Propriedades da Função de Probabilidade • • • • • • P  E  c

P E

c

1

P

E

.

P 0   P A 0 1 P A B P ( A) P ( B ) P ( A B )

Se

A

e

.

B

.

são eventos quaisquer,

Se

Se

A B

, então

P ( A) P ( B )

A , A , , A

1

2

k

são eventos quaisquer,

P A

1

A

2

 

A

k

k

i 1

P A

i

( B ) A , A , , A 1 2 k são eventos quaisquer, 

Propriedades da Função de

Probabilidade

Propriedades da Função de Probabilidade • Exercício: O circuito chaveador consiste de duas chaves defeituosas, onde

Exercício: O circuito chaveador consiste de duas chaves defeituosas, onde cada chave possui a probabilidade de 0,5 de fechar. A probabilidade das duas chaves fecharem

é de 0,25. Qual é a probabilidade do circuito operar

corretamente?

de fechar. A probabilidade das duas chaves fecharem é de 0,25. Qual é a probabilidade do

Propriedades da Função de

Probabilidade

Propriedades da Função de Probabilidade • Exercício: Sendo determine: a) b) c) P  A 

Exercício: Sendo determine:

a)

b)

c)

P A B

P

A B

c

P A B

c

c

P A 0,9 P B 0,8 P A B 0, 75

;

e

Probabilidade com o Espaço

Amostral Discreto

Probabilidade com o Espaço Amostral Discreto • Seja S finito e todos os seus elementos equiprováveis,

Seja

S

finito e todos os seus elementos equiprováveis,

isto é, pode-se assumir que cada evento elementar tem a mesma probabilidade de ocorrência.

Defini-se, para todo

A S

P A

(

)

n ( A )

n ( S )

onde

o número de elementos no espaço amostral.

n ( A )

é o número de elementos no evento e

n ( S )

é

Probabilidade com o Espaço

Amostral Discreto

Probabilidade com o Espaço Amostral Discreto • Exemplo: considere um experimento de lançar dois

Exemplo: considere

um

experimento

de

lançar

dois

dados (idênticos e obtidos em cada um.

honestos)

e

observar

os

pontos

a)

Descreva o espaço amostral do experimento.

 

b) Qual a probabilidade dos dados apresentarem iguais números de pontos?

Exemplo: uma urna possui 3 bolas vermelhas e 2 bolas

pretas. Calcule a probabilidade de em duas retiradas, com reposição da primeira bola, sair uma bola vermelha e depois uma bola preta. Obs.: a escolha é equiprovável.

Propriedade com o Espaço

Amostral Discreto

Propriedade com o Espaço Amostral Discreto • Pode-se recorrer ao métodos de contagem. 1. Permutação de

Pode-se recorrer ao métodos de contagem.

1. Permutação de

n objetos:

n! n ( n 1) ( n 2 )

2 1

2. Arranjos:

n objetos de um conjunto com

(a ordem diferencia).

N elementos

( N ) N ( N 1) ( N 2 )

n

( N n 1)

3. Combinação: objetos de um conjunto com (a

n

N

ordem não diferencia).

N

n

 

N !

n N

(

!

n

)!

Probabilidade Condicional

Probabilidade Condicional • Existem situações onde há interesse em conhecer a probabilidade de um evento ocorrência

Existem situações onde há interesse em conhecer a

probabilidade de um evento ocorrência de outro evento

B

.

A , sob a condição de

Definição: A probabilidade condicional da ocorrência de

dado que

B tenha ocorrido, é dada por

P A B

(

|

)

Probabilidade marginal

(

P A B

)

P

(

B )

P

( B )

, onde

Probabilidade conjunta

P ( A B )

P ( B ) 0

A

Teorema da Probabilidade Total

Teorema da Probabilidade Total • Sejam A , A , , A 1 2 k em

Sejam

A , A , , A

1

2

k

em

S tais que

uma partição de

A

i

,

  

A

j

i

j

k

i 1

A

i

S

S , isto é, eventos

Sendo

B um outro evento qualquer em

P

(

B

)

P

(

B

)

P

k

{

i 1

k

i 1

(

P B

(

B

A

i

)}

|

A P A

i

i

)

(

S , então

)

Teorema da Probabilidade Total

Teorema da Probabilidade Total • Exemplo: Duas urnas contém diferentes proporções de bolas vermelhas e pretas.

Exemplo: Duas urnas contém diferentes proporções de

bolas vermelhas e pretas. A urna 1 possui a proporção p de

1

bolas vermelhas e (1 de bolas pretas. A urna 2 possui

(1   p p )

1

2

proporção de p e ) de bolas vermelhas e pretas,

respectivamente. Encontre a probabilidade de uma bola

2

vermelha ser selecionada.

Independência de Eventos

Independência de Eventos • Têm-se situações em experimentos onde a ocorrência de um evento A não

Têm-se situações em experimentos onde a ocorrência de

um evento A não “afeta” a probabilidade da ocorrência

B

de um outro evento .

 

P ( A | B ) P ( A )

e

P ( B | A ) P ( B )

 

Definição: Diz-se que dois eventos independentes, se somente se,

A

e

B

são

P ( A B ) P ( A ) P ( B )

 

Eventos

independentes

são

diferentes

de

eventos

mutuamente exclusivos.

Teorema de Bayes

Teorema de Bayes • Da probabilidade condicional tem-se P A B ( | )  •

Da probabilidade condicional tem-se

P A B

(

|

)

Portanto,

P A

(

B

)

P

( B )

e

P B A

(

|

)

P A

(

B

)

P ( A )

P B A

(

|

)

P A B P B

(

|

)

(

)

P ( A )

Sendo

B , B , B

1

2

k

uma partição e

A um evento qualquer

de

S , pelo teorema da probabilidade total, tem-se

P B

(

j

|

)

A

P A B

(

|

j

)

P B

(

j

)

k

i 1

P A B P B

i

(

|

)

(

i

)

,

j

1, 2, ,

k

Teorema de Bayes

Teorema de Bayes • Exemplo: Um teste de laboratório é efetivo em 95% dos casos (detectar

Exemplo: Um teste de laboratório é efetivo em 95% dos

casos (detectar corretamente a doença) e apresenta “falso positivo” em 1% dos casos (indicar falsamente a doença). Se em uma população, onde 5% das pessoas

tem a doença, uma pessoa é selecionada ao acaso e

submetida ao teste.

a) Qual a probabilidade do resultado ser positivo?

b) Qual a probabilidade da pessoa ter doença se o teste for

positivo?

Parte 2

Parte 2 Variáveis Aleatórias

Variáveis Aleatórias

Variáveis Aleatórias

Variáveis Aleatórias • Em problemas reais, emprega-se modelos probabilísticos para descrever o comportamento de

Em problemas reais, emprega-se modelos probabilísticos

para descrever o comportamento de ocorrências. As observações são tratadas como resultantes de um experimento aleatório e associa-se números reais a cada

resultado do experimento.

Definição: Uma variável aleatória é uma função

associa um número real

X ( s )

a cada elemento

s

X (.)

S

.

que

Variáveis Aleatórias

Variáveis Aleatórias • O mapeamento pode ser um para um.

O mapeamento pode ser um para um.

Variáveis Aleatórias • O mapeamento pode ser um para um.

Variáveis Aleatórias

Variáveis Aleatórias • O mapeamento pode ser de muitas amostras para uma.

O mapeamento pode ser de muitas amostras para uma.

Variáveis Aleatórias • O mapeamento pode ser de muitas amostras para uma.

Variáveis Aleatórias

Variáveis Aleatórias • Exemplo: Faça um desenho representando um mapeamento dos padrões de pontos num dado,

Exemplo: Faça um desenho representando um

mapeamento dos padrões de pontos num dado, para os

números 1,2,3,4,5,6.

Repetir o exemplo anterior, mapeando os lados com 1, 2

e

3 dots para o número 0 e os remanescentes lados para

o

número 1.

Classificação de Variáveis

Aleatórias

Classificação de Variáveis Aleatórias • Discreta se o conjunto dos seus valores é finito ou infinito

Discreta se o conjunto dos seus valores é finito ou infinito

contável (enumerável).

Exemplo: Contar o número de vezes que o resultado é igual a “cara” em M lançamentos de uma moeda.

Contínua se assume valores em um intervalo, ou uma coleção de intervalos, de números reais.

Exemplo: Realizar experimentos para medir o consumo

de energia na execução de códigos em sistemas

embarcados.

Variável Aleatória Discreta

Variável Aleatória Discreta • O objetivo é obter as probabilidades da ocorrência de valores de interesse

O objetivo é obter as probabilidades da ocorrência de

valores de interesse para a variável aleatória.

Para v.a discreta

X , com valores

x x x

1

,

2

,

,

i

3

x

função massa de probabilidade (f.m.p.).

p

X

(

x P X x

i

i

)

(

)

para cada

Propriedades:

1.

2.

3.

0 P ( X P ( X x )   x 0, )   x 1, i x 1, , i 2,3, 1, 2,3,

i

i

i P ( X x ) 1

i

, é definia a

{

x x x }

1

,

2

,

3

,

Importantes Funções Massa de

Probabilidade

Importantes Funções Massa de Probabilidade • Modelo de Bernoulli: – Experimentos que admitem apenas dois

Modelo de Bernoulli:

Experimentos que admitem apenas dois resultados possíveis, definidos por

que admitem apenas dois resultados possíveis, definidos por – A variável é denominada v.a. de Bernoulli
que admitem apenas dois resultados possíveis, definidos por – A variável é denominada v.a. de Bernoulli

A variável é denominada v.a. de Bernoulli com parâmetro , onde a f.m.p. é dada por

definidos por – A variável é denominada v.a. de Bernoulli com parâmetro , onde a f.m.p.
definidos por – A variável é denominada v.a. de Bernoulli com parâmetro , onde a f.m.p.

Notação:

definidos por – A variável é denominada v.a. de Bernoulli com parâmetro , onde a f.m.p.

Importantes Funções Massa de

Probabilidade

Importantes Funções Massa de Probabilidade • Exemplo: Considere o experimento de selecionar ao acaso uma peça

Exemplo: Considere o experimento de selecionar ao acaso uma peça em um lote com 96 peças boas e 4 defeituosas.

Importantes Funções Massa de

Probabilidade

Importantes Funções Massa de Probabilidade • Modelo Binomial – Em um experimento com dois resultados de

Modelo Binomial

Em um experimento com dois resultados de interesse com repetições independentes com probabilidades constantes em todas as repetições. Define-se a variável aleatória por

todas as repetições. Define-se a variável aleatória por – A função de massa de probabilidade é
todas as repetições. Define-se a variável aleatória por – A função de massa de probabilidade é

A função de massa de probabilidade é dada por

repetições. Define-se a variável aleatória por – A função de massa de probabilidade é dada por

Notação:

repetições. Define-se a variável aleatória por – A função de massa de probabilidade é dada por

Importantes Funções Massa de

Probabilidade

Importantes Funções Massa de Probabilidade • Exemplo-1: Uma remessa de 800 estabilizadores de tensão é recebida

Exemplo-1: Uma remessa de 800 estabilizadores de tensão é recebida pelo controle de qualidade de uma empresa. São inspecionados 20 aparelhos da remessa,

que será aceita se ocorrer no máximo um defeituoso. Há

80 defeituosos no lote. Qual a probabilidade de o lote ser aceito?

Importantes Funções Massa de

Probabilidade

Importantes Funções Massa de Probabilidade • Exemplo-2: Acredita-se que 20% dos moradores das proximidades de uma

Exemplo-2: Acredita-se que 20% dos moradores das proximidades de uma grande indústria siderúrgica têm alergia aos poluentes lançados ao ar. Admitindo que

este percentual de alérgicos é real (correto), calcule a

probabilidade de que pelo menos 4 moradores tenham alergia entre 13 selecionados ao acaso.

Importantes Funções Massa de

Probabilidade

Importantes Funções Massa de Probabilidade • Modelo Geométrico – Em um experimento com dois resultados de

Modelo Geométrico

Em um experimento com dois resultados de interesse com repetições independentes com probabilidades constantes em todas as repetições. Define-se a variável aleatória por

todas as repetições. Define-se a variável aleatória por – A função de massa de probabilidade é

A função de massa de probabilidade é dada por

repetições. Define-se a variável aleatória por – A função de massa de probabilidade é dada por

Notação:

repetições. Define-se a variável aleatória por – A função de massa de probabilidade é dada por

Importantes Funções de Massa

de Probabilidade

Importantes Funções de Massa de Probabilidade • Exemplo-1: Se é uma variável aleatória com qual é

Exemplo-1: Se

Funções de Massa de Probabilidade • Exemplo-1: Se é uma variável aleatória com qual é a

é uma variável aleatória com

qual é a probabilidade de

de Massa de Probabilidade • Exemplo-1: Se é uma variável aleatória com qual é a probabilidade

? 0.4219

de Massa de Probabilidade • Exemplo-1: Se é uma variável aleatória com qual é a probabilidade

,

Importantes Funções de Massa

de Probabilidade

Importantes Funções de Massa de Probabilidade • Modelo de Poisson – Uma variável aleatória – A

Modelo de Poisson

Funções de Massa de Probabilidade • Modelo de Poisson – Uma variável aleatória – A função
Funções de Massa de Probabilidade • Modelo de Poisson – Uma variável aleatória – A função

Uma variável aleatória

A função de massa de probabilidade é dada por

com valores em

de massa de probabilidade é dada por com valores em – Notação: – Observação: é a
de massa de probabilidade é dada por com valores em – Notação: – Observação: é a

Notação:

Observação:

é a taxa média de ocorrência do evento no

intervalo considerado.

Modelo de Poisson

Modelo de Poisson • Exemplo-1: Suponha que Xt, o nº de partículas emitidas em t horas

Exemplo-1: Suponha que Xt, o nº de partículas emitidas em t horas por uma fonte radioativa, tenha uma distribuição de Poisson com parâmetro 20t. Qual será a

probabilidade de que exatamente 5 partículas sejam

emitidas durante um período de 15 min?

Modelo de Poisson

Modelo de Poisson • Exemplo-2: Uma indústria de tintas recebe pedidos de seus vendedores através de

Exemplo-2: Uma indústria de tintas recebe pedidos de seus vendedores através de fax, telefone e internet. A taxa média é de 5 pedidos por hora. (a) Qual a

probabilidade da indústria receber mais de dois pedidos

por hora? Digamos que, no horário do almoço, a indústria fica impossibilitada de atender a mais de dois pedidos por hora. Você acha que deveria aumentar o nº

de atendentes nesse período? (b) Em um dia de

trabalho (8 horas) qual seria a probabilidade de haver 50 pedidos? A indústria deveria aumentar o nº de

atendentes para receber mais de 50 pedidos por dia?

Modelo de Poisson

Modelo de Poisson • Exemplo-3: A chegada de ônibus em um terminal acontece a razão de

Exemplo-3: A chegada de ônibus em um terminal acontece a razão de 3 por minuto. Supondo que tenha uma distribuição de Poisson, determine a probabilidade

de:

a) chegarem exatamente 8 ônibus em 2 minutos

b) chegarem exatamente 4 ônibus em 5 minutos

Transformação de Variáveis

Aleatórias

Transformação de Variáveis Aleatórias • Há em alguns experimentos é interessante realizar uma transformação da

Há em alguns experimentos é interessante realizar uma transformação da variável aleatória.

Seja

uma transformação de
uma transformação de

tem-se que

Exemplo: Considere que os lados de um dado são

rotulados com os números 0,0,1,1,2,2. Encontre a f.m.p dos resultados.

Função de Distribuição

Acumulada

Função de Distribuição Acumulada • A função de distribuição cumulativa (f.d.a.) descreve a função de

A função de distribuição cumulativa (f.d.a.) descreve a função de probabilidade de uma variável aleatória:

a função de probabilidade de uma variável aleatória: • • Exemplo: Considere o experimento de lançar

de probabilidade de uma variável aleatória: • • Exemplo: Considere o experimento de lançar três vezes

Exemplo: Considere o experimento de lançar três vezes

um moeda honesta.

Obter o espaço amostral para o experimento.
Considere a variável aleatória igual ao número de “caras”.
, a f.d.a. da variável aleatória.

– Considere a variável aleatória igual ao número de “caras” . – , a f.d.a. da

,

– Considere a variável aleatória igual ao número de “caras” . – , a f.d.a. da

Função de Distribuição

Acumulada

Função de Distribuição Acumulada
Função de Distribuição Acumulada

Função de Distribuição

Acumulada - Propriedades

Função de Distribuição Acumulada - Propriedades • A função de distribuição acumulada é monotonicamente

A função de distribuição acumulada é monotonicamente crescente

Acumulada - Propriedades • A função de distribuição acumulada é monotonicamente crescente • • • .

Acumulada - Propriedades • A função de distribuição acumulada é monotonicamente crescente • • • .

.

Acumulada - Propriedades • A função de distribuição acumulada é monotonicamente crescente • • • .
Acumulada - Propriedades • A função de distribuição acumulada é monotonicamente crescente • • • .

. Para

Acumulada - Propriedades • A função de distribuição acumulada é monotonicamente crescente • • • .

Esperança de uma Variável

Aleatória Discreta

Esperança de uma Variável Aleatória Discreta • A esperança, ou valor médio, de uma variável aleatória

A esperança, ou valor médio, de uma variável aleatória é definida por

ou valor médio, de uma variável aleatória é definida por • Indica a região dos valores

Indica a região dos valores da variável aleatória com a maior concentração de probabilidade.

Exemplo: Considere o experimento de lançar três vezes

um moeda. Defina a variável aleatória

de caras obtidos. Qual é a esperança para o número de

caras?

como o número

um moeda. Defina a variável aleatória de caras obtidos. Qual é a esperança para o número

Esperança de uma Variável

Aleatória Discreta

Esperança de uma Variável Aleatória Discreta • Exemplo: Obtenha o valor esperado de uma variável aleatória

Exemplo: Obtenha o valor esperado de uma variável aleatória modelada por Bernoulli.

Exemplo: Obtenha o valor esperado de uma variável

aleatória Binomial.

Variância de uma Variável

Aleatória Discreta

Variância de uma Variável Aleatória Discreta • A variância de uma variável aleatória discreta é definida

A variância de uma variável aleatória discreta é definida por

de uma variável aleatória discreta é definida por • Utilizando a formula da esperança • Mede

Utilizando a formula da esperança

é definida por • Utilizando a formula da esperança • Mede a dispersão da distribuição da

Mede a dispersão da distribuição da variável aleatória em relação a esperança (valor médio).

Variância de uma Variável

Aleatória Discreta

Variância de uma Variável Aleatória Discreta • Exemplo: Obtenha a variância de “caras” obtidos no experimento

Exemplo: Obtenha a variância

de “caras” obtidos no experimento de lançar uma moeda três vezes.

Obtenha a variância de uma variável aleatória modelada

d , onde é o número

uma moeda três vezes. • Obtenha a variância de uma variável aleatória modelada d , onde

por Bernoulli.

Propriedades da Variância e

Esperança

Propriedades da Variância e Esperança • • • • • • •

Propriedades da Variância e Esperança • • • • • • •
Propriedades da Variância e Esperança • • • • • • •
Propriedades da Variância e Esperança • • • • • • •
Propriedades da Variância e Esperança • • • • • • •
Propriedades da Variância e Esperança • • • • • • •
Propriedades da Variância e Esperança • • • • • • •
Propriedades da Variância e Esperança • • • • • • •

Variáveis Aleatórias Contínuas

Variáveis Aleatórias Contínuas • Definição: É a variável que assume valores em um intervalo, ou conjunto

Definição: É a variável que assume valores em um intervalo, ou conjunto de intervalos, de número reais.

Exemplo: Realizar experimentos para medir a latência

na execução de códigos.

intervalos, de número reais. • Exemplo: Realizar experimentos para medir a latência na execução de códigos.

Variáveis Aleatórias Contínuas

Variáveis Aleatórias Contínuas • A descrição da variável aleatória contínua é dada pela função densidade de

A descrição da variável aleatória contínua é dada pela função densidade de probabilidade (f.d.p.)

da variável aleatória contínua é dada pela função densidade de probabilidade (f.d.p.) • Propriedades: – –

Propriedades:

da variável aleatória contínua é dada pela função densidade de probabilidade (f.d.p.) • Propriedades: – –

da variável aleatória contínua é dada pela função densidade de probabilidade (f.d.p.) • Propriedades: – –

Variáveis Aleatórias Contínuas

Variáveis Aleatórias Contínuas • Exemplo: (a) Vamos testar a função para ver se ela pode ser

Exemplo: (a) Vamos testar a função

Contínuas • Exemplo: (a) Vamos testar a função para ver se ela pode ser um f.d.p.

para ver se ela

• Exemplo: (a) Vamos testar a função para ver se ela pode ser um f.d.p. válida.

pode ser um f.d.p. válida. (b) Suponha e calcule a probabilidade do evento

(a) Vamos testar a função para ver se ela pode ser um f.d.p. válida. (b) Suponha

Modelo Uniforme Contínuo

Modelo Uniforme Contínuo • Uma variável aleatória continua tem distribuição uniforme em se sua f.d.p. é

Uma variável aleatória continua

Uniforme Contínuo • Uma variável aleatória continua tem distribuição uniforme em se sua f.d.p. é definida
Uniforme Contínuo • Uma variável aleatória continua tem distribuição uniforme em se sua f.d.p. é definida

tem distribuição

uniforme em se sua f.d.p. é definida por

A função

é constante em .
é constante em
.

As probabilidades dos intervalos são proporcionais aos seus comprimentos.

Notação:

é constante em . • As probabilidades dos intervalos são proporcionais aos seus comprimentos. • Notação:
é constante em . • As probabilidades dos intervalos são proporcionais aos seus comprimentos. • Notação:

Modelo Uniforme Contínuo

Modelo Uniforme Contínuo • Exemplo: Seja – – –

Exemplo: Seja

Modelo Uniforme Contínuo • Exemplo: Seja – – –

Modelo Uniforme Contínuo • Exemplo: Seja – – –
Modelo Uniforme Contínuo • Exemplo: Seja – – –
Modelo Uniforme Contínuo • Exemplo: Seja – – –

Modelo Exponencial

Modelo Exponencial • Uma variável aleatória continua tem distribuição exponencial se sua f.d.p. é dada por
Modelo Exponencial • Uma variável aleatória continua tem distribuição exponencial se sua f.d.p. é dada por

Uma variável aleatória continua tem distribuição exponencial se sua f.d.p. é dada por

tem distribuição exponencial se sua f.d.p. é dada por • Pode ser utilizada para modelar o
tem distribuição exponencial se sua f.d.p. é dada por • Pode ser utilizada para modelar o

Pode ser utilizada para modelar o tempo de vida de

componentes, duração de processos.

Notação:

é dada por • Pode ser utilizada para modelar o tempo de vida de componentes, duração

Modelo Exponencial

Modelo Exponencial • Mostre que para e     • Suponha que o tempo de duração

Mostre que para

• Mostre que para e

e

e
 
   
 

Suponha

que

o

tempo

de

duração

de ligações

telefônicas em uma empresa que trabalha com vendas

pode ser modelada por Determine a probabilidade de:

vendas pode ser modelada por Determine a probabilidade de: . – A ligação demorar menos de

.

A ligação demorar menos de 5 minutos?

A ligação demorar de cinco a dez minutos?

Modelo Gaussiano (Normal)

Modelo Gaussiano (Normal) • Uma variável aleatória continua tem distribuição Gaussiana se sua f.d.p. é definida
Modelo Gaussiano (Normal) • Uma variável aleatória continua tem distribuição Gaussiana se sua f.d.p. é definida

Uma variável aleatória continua tem distribuição Gaussiana se sua f.d.p. é definida por

tem distribuição Gaussiana se sua f.d.p. é definida por onde e . • A distribuição é

onde

distribuição Gaussiana se sua f.d.p. é definida por onde e . • A distribuição é simétrica

e

Gaussiana se sua f.d.p. é definida por onde e . • A distribuição é simétrica em

.

A distribuição é simétrica em torno de

O “tamanho” da densidade é dado pelo valor de

Considera-se como a distribuição mais importante.

Notação:

da densidade é dado pelo valor de • Considera-se como a distribuição mais importante. • Notação:

.

da densidade é dado pelo valor de • Considera-se como a distribuição mais importante. • Notação:
da densidade é dado pelo valor de • Considera-se como a distribuição mais importante. • Notação:

.

Modelo Gaussiano (Normal)

Modelo Gaussiano (Normal)
Modelo Gaussiano (Normal)

Modelo Gaussiano (Normal)

Modelo Gaussiano (Normal) • Exemplo: Se , calcule

Exemplo: Se

Modelo Gaussiano (Normal) • Exemplo: Se , calcule

, calcule

Modelo Gaussiano (Normal) • Exemplo: Se , calcule
Modelo Gaussiano (Normal) • Exemplo: Se , calcule
Modelo Gaussiano (Normal) • Exemplo: Se , calcule

Modelo Gaussiano (Normal)

Modelo Gaussiano (Normal) • Exemplo: Se , calcule

Exemplo: Se

Modelo Gaussiano (Normal) • Exemplo: Se , calcule

, calcule

Modelo Gaussiano (Normal) • Exemplo: Se , calcule
Modelo Gaussiano (Normal) • Exemplo: Se , calcule
Modelo Gaussiano (Normal) • Exemplo: Se , calcule

Modelo Gaussiano (Normal)

Modelo Gaussiano (Normal) • Exemplo: O Saldo médio dos clientes de um banco é uma variável

Exemplo: O Saldo médio dos clientes de um banco é uma variável aleatória normal com média R$ 2.000,00 de desvio padrão R$ 250,00. Os clientes com os 10%

maiores saldos médios recebem tratamento VIP,

enquanto aqueles com os 5% menores saldos serão convidados a mudar de banco.

Quanto você precisa de saldo médio para se tornar um cliente

VIP?

Abaixo de qual saldo médio o cliente será convidado a mudar de banco?

Modelo Gaussiano (Normal)

Modelo Gaussiano (Normal) • Uma máquina fabrica tubos metálicos cujos diâmetros podem ser considerados uma variável

Uma máquina fabrica tubos metálicos cujos diâmetros podem ser considerados uma variável aleatória normal com média 200mm e desvio padrão 2 mm. Verifica-se

que 15% dos tubos estão sendo rejeitados como

grandes e 10% como pequenos

Quais são as tolerâncias de especificação para esse diâmetro?

Esperança de uma Variável

Aleatória Contínua

Esperança de uma Variável Aleatória Contínua • Esperança (valor esperado) de uma variável aleatória contínua,

Esperança (valor esperado) de uma variável aleatória contínua, com f.d.p. , é definida por

variável aleatória contínua, com f.d.p. , é definida por • Caracteriza a região central da distribuição

Caracteriza a região central da distribuição de

probabilidade da variável aleatória contínua

Se a distribuição possuir um ponto de simetria, a esperança será igual a este ponto.

Esperança de uma Variável

Aleatória Contínua

Esperança de uma Variável Aleatória Contínua • Calcule o valor esperado de

Calcule o valor esperado de

Esperança de uma Variável Aleatória Contínua • Calcule o valor esperado de

Esperança de uma Variável

Aleatória Contínua

Esperança de uma Variável Aleatória Contínua • Calcule o valor esperado de • Calcule o valor

Calcule o valor esperado de

Esperança de uma Variável Aleatória Contínua • Calcule o valor esperado de • Calcule o valor
Esperança de uma Variável Aleatória Contínua • Calcule o valor esperado de • Calcule o valor

Calcule o valor esperado de

Esperança de uma Variável Aleatória Contínua • Calcule o valor esperado de • Calcule o valor
Esperança de uma Variável Aleatória Contínua • Calcule o valor esperado de • Calcule o valor

Variância de uma Variável

Aleatória Contínua

Variância de uma Variável Aleatória Contínua • A variância de uma variável aleatória contínua é definida

A variância de uma variável aleatória contínua é definida por

Aleatória Contínua • A variância de uma variável aleatória contínua é definida por • Calcule a

Calcule a variância de

Aleatória Contínua • A variância de uma variável aleatória contínua é definida por • Calcule a

Múltiplas Variáveis Aleatória

Discretas

Múltiplas Variáveis Aleatória Discretas • O resultados. interesse é medir mais que um atributo dos •

O

resultados.

interesse

é

medir

mais

que

um

atributo

dos

Duas variáveis aleatórias que são definidas no mesmo

são classificadas como

espaço

conjuntamente distribuídas.

amostral

variáveis aleatórias que são definidas no mesmo são classificadas como espaço conjuntamente distribuídas. amostral
variáveis aleatórias que são definidas no mesmo são classificadas como espaço conjuntamente distribuídas. amostral

Múltiplas Variáveis Aleatória

Discretas

Múltiplas Variáveis Aleatória Discretas • Exemplo: Mapeamento do lançamento de duas moedas.

Exemplo: Mapeamento do lançamento de duas moedas.

Múltiplas Variáveis Aleatória Discretas • Exemplo: Mapeamento do lançamento de duas moedas.

Múltiplas Variáveis Aleatória

Discretas

Múltiplas Variáveis Aleatória Discretas • • As variáveis aleatórias podem ser denominadas de vetor aleatório .

As variáveis aleatórias podem ser denominadas de vetor

aleatório

aleatórias podem ser denominadas de vetor aleatório . Elementos do vetor aleatório e tamanho do espaço

.

Elementos do vetor aleatório e tamanho do espaço

amostral:

aleatórias podem ser denominadas de vetor aleatório . Elementos do vetor aleatório e tamanho do espaço
aleatórias podem ser denominadas de vetor aleatório . Elementos do vetor aleatório e tamanho do espaço

Múltiplas Variáveis Aleatória

Discretas

Múltiplas Variáveis Aleatória Discretas • Função Massa de probabilidade conjunta • Exemplo: Faça a f.m.p.

Função Massa de probabilidade conjunta

Discretas • Função Massa de probabilidade conjunta • Exemplo: Faça a f.m.p. conjunta de um lançamento

Exemplo: Faça a f.m.p. conjunta de um lançamento de

duas moedas.

• Função Massa de probabilidade conjunta • Exemplo: Faça a f.m.p. conjunta de um lançamento de

Múltiplas Variáveis Aleatória

Discretas

Múltiplas Variáveis Aleatória Discretas • Mapeamento de um para um: • Mapeamento de mais de um

Mapeamento de um para um:

Múltiplas Variáveis Aleatória Discretas • Mapeamento de um para um: • Mapeamento de mais de um

Mapeamento de mais de um para um:

Múltiplas Variáveis Aleatória Discretas • Mapeamento de um para um: • Mapeamento de mais de um

Múltiplas Variáveis Aleatória

Discretas

Múltiplas Variáveis Aleatória Discretas • Exemplo: Lançamento de um dado azul e um vermelho. O dado

Exemplo: Lançamento de um dado azul e um vermelho. O dado que possuir o maior número é escolhido. Se os resultados forem iguais, o dado vermelho é escolhido.

Qual é a probabilidade de o dado vermelho ser

escolhido e o resultado ser igual a três. Obs.: utilize estas variáveis aleatórias:

de o dado vermelho ser escolhido e o resultado ser igual a três. Obs.: utilize estas

Múltiplas Variáveis Aleatória

Discretas

Múltiplas Variáveis Aleatória Discretas • Função massa de probabilidade marginal: • Exemplo:

Função massa de probabilidade marginal:

Múltiplas Variáveis Aleatória Discretas • Função massa de probabilidade marginal: • Exemplo:

Exemplo:

Múltiplas Variáveis Aleatória Discretas • Função massa de probabilidade marginal: • Exemplo:

Múltiplas Variáveis Aleatória

Discretas

Múltiplas Variáveis Aleatória Discretas • Exemplo: Considere a f.m.p conjunta Encontre as f.m.p. marginais. •

Exemplo: Considere a f.m.p conjunta

Variáveis Aleatória Discretas • Exemplo: Considere a f.m.p conjunta Encontre as f.m.p. marginais. • Observe que

Encontre as f.m.p. marginais.

Observe que

Variáveis Aleatória Discretas • Exemplo: Considere a f.m.p conjunta Encontre as f.m.p. marginais. • Observe que

e

Variáveis Aleatória Discretas • Exemplo: Considere a f.m.p conjunta Encontre as f.m.p. marginais. • Observe que

Múltiplas Variáveis Aleatória

Discretas

Múltiplas Variáveis Aleatória Discretas • Função de distribuição acumulada conjunta é dada por • Escrevendo

Função de distribuição acumulada conjunta é dada por

Função de distribuição acumulada conjunta é dada por • Escrevendo em função do somatório da f.m.p

Escrevendo em função do somatório da f.m.p conjunta

conjunta é dada por • Escrevendo em função do somatório da f.m.p conjunta • As f.d.a

As f.d.a marginais são dadas por:

conjunta é dada por • Escrevendo em função do somatório da f.m.p conjunta • As f.d.a

Função de Distribuição

Acumulada Conjunta

Função de Distribuição Acumulada Conjunta • Propriedades: – – – . aumenta. é monotonicamente crescente quando

Propriedades:

de Distribuição Acumulada Conjunta • Propriedades: – – – . aumenta. é monotonicamente crescente quando e/ou

de Distribuição Acumulada Conjunta • Propriedades: – – – . aumenta. é monotonicamente crescente quando e/ou

.
.

aumenta.

é monotonicamente crescente quando

de Distribuição Acumulada Conjunta • Propriedades: – – – . aumenta. é monotonicamente crescente quando e/ou

e/ou

de Distribuição Acumulada Conjunta • Propriedades: – – – . aumenta. é monotonicamente crescente quando e/ou

Função de Distribuição

Acumulada Conjunta

Função de Distribuição Acumulada Conjunta • A f.m.p pode ser obtida por: • Exemplo:

A f.m.p pode ser obtida por:

Função de Distribuição Acumulada Conjunta • A f.m.p pode ser obtida por: • Exemplo:

Exemplo:

Função de Distribuição Acumulada Conjunta • A f.m.p pode ser obtida por: • Exemplo:

Independência de Múltiplas

Variáveis Aleatórias

Independência de Múltiplas Variáveis Aleatórias • Se e variáveis aleatórias independentes, então • Exemplo:

Se

Independência de Múltiplas Variáveis Aleatórias • Se e variáveis aleatórias independentes, então • Exemplo:

e

Independência de Múltiplas Variáveis Aleatórias • Se e variáveis aleatórias independentes, então • Exemplo:

variáveis aleatórias independentes, então

• Se e variáveis aleatórias independentes, então • Exemplo: Lançamento de uma moeda de R$0,25 e

Exemplo: Lançamento de uma moeda de R$0,25 e

R$1,00 onde as f.m.p é

e variáveis aleatórias independentes, então • Exemplo: Lançamento de uma moeda de R$0,25 e R$1,00 onde
e variáveis aleatórias independentes, então • Exemplo: Lançamento de uma moeda de R$0,25 e R$1,00 onde

Transformação de Múltiplas

variáveis aleatórias

Transformação de Múltiplas variáveis aleatórias • Considere as variáveis aleatórias em e transformadas •

Considere as variáveis aleatórias em

aleatórias • Considere as variáveis aleatórias em e transformadas • Exemplo: Considere (variáveis

e

aleatórias • Considere as variáveis aleatórias em e transformadas • Exemplo: Considere (variáveis

transformadas

• Considere as variáveis aleatórias em e transformadas • Exemplo: Considere (variáveis independentes). Realize
• Considere as variáveis aleatórias em e transformadas • Exemplo: Considere (variáveis independentes). Realize

Exemplo: Considere

(variáveis

independentes). Realize a transformação e encontre

f.m.p conjunta.

e transformadas • Exemplo: Considere (variáveis independentes). Realize a transformação e encontre f.m.p conjunta.

Transformação de Múltiplas

variáveis aleatórias

Transformação de Múltiplas variáveis aleatórias • Considere a transformação do vetor aleatório variável

Considere a transformação do vetor aleatório variável aleatória . A f.m.p conjunta é

variáveis aleatórias • Considere a transformação do vetor aleatório variável aleatória . A f.m.p conjunta é
variáveis aleatórias • Considere a transformação do vetor aleatório variável aleatória . A f.m.p conjunta é

na

variáveis aleatórias • Considere a transformação do vetor aleatório variável aleatória . A f.m.p conjunta é

Valor Esperado de g(x,y)

Valor Esperado de g(x,y) • Seja então um vetor aleatório e uma função real, • Exemplo:

Seja

então

Valor Esperado de g(x,y) • Seja então um vetor aleatório e uma função real, • Exemplo:

um vetor aleatório e

Esperado de g(x,y) • Seja então um vetor aleatório e uma função real, • Exemplo: valor

uma função real,

• Seja então um vetor aleatório e uma função real, • Exemplo: valor esperado da soma

Exemplo:

valor

esperado

da

soma

de

variáveis

aleatórias

Exemplo:

valor

esperado

do

produto

das

variáveis

aleatórias

Valor Esperado de g(x,y)

Valor Esperado de g(x,y) • Exemplo: calcule . Suponha • A variância da variâncias. soma não

Exemplo: calcule

Valor Esperado de g(x,y) • Exemplo: calcule . Suponha • A variância da variâncias. soma não

. Suponha

Valor Esperado de g(x,y) • Exemplo: calcule . Suponha • A variância da variâncias. soma não
Valor Esperado de g(x,y) • Exemplo: calcule . Suponha • A variância da variâncias. soma não

A variância da

variâncias.

soma não

é

em

geral

a soma das

Novo conceito: Covariância.

Covariância

Covariância • Definição: A covariância entre duas variáveis aleatórias é definida por • Verifica a

Definição: A covariância entre duas variáveis aleatórias é definida por

entre duas variáveis aleatórias é definida por • Verifica a aleatórias. variabilidade conjunta entre as

Verifica

a

aleatórias.

variabilidade

conjunta

entre

as

variáveis

Valores positivos indicam que as variáveis aleatórias tendem a crescer no mesmo sentido, e valores negativos indicam sentidos opostos.

Expressão alternativa:

aleatórias tendem a crescer no mesmo sentido, e valores negativos indicam sentidos opostos. • Expressão alternativa:

Covariância

Covariância • Exemplo: Encontre a covariância da f.m.p. conjunta • Obtenha a covariância da f.m.p conjunta

Exemplo: Encontre a covariância da f.m.p. conjunta

Covariância • Exemplo: Encontre a covariância da f.m.p. conjunta • Obtenha a covariância da f.m.p conjunta

Obtenha a covariância da f.m.p conjunta

Covariância • Exemplo: Encontre a covariância da f.m.p. conjunta • Obtenha a covariância da f.m.p conjunta

Coeficiente de Correlação

Coeficiente de Correlação • O coeficiente de correlação entre duas variáveis aleatórias é definido por •

O coeficiente de correlação entre duas variáveis aleatórias é definido por

entre duas variáveis aleatórias é definido por • • • É uma medida que quantifica a

É uma medida que quantifica a associação linear entre

as variáveis aleatórias

.
.
.
.

Coeficiente de Correlação

Coeficiente de Correlação • Exemplo: Obtenha o coeficiente de correlação entre as variáveis aleatórias.

Exemplo: Obtenha o coeficiente de correlação entre as variáveis aleatórias.

Coeficiente de Correlação • Exemplo: Obtenha o coeficiente de correlação entre as variáveis aleatórias.

Função Massa de Probabilidade

Condicional

Função Massa de Probabilidade Condicional • Para e com distribuição conjunta discreta defini-se • Uma vez

Para

Função Massa de Probabilidade Condicional • Para e com distribuição conjunta discreta defini-se • Uma vez

e

Função Massa de Probabilidade Condicional • Para e com distribuição conjunta discreta defini-se • Uma vez

com distribuição conjunta discreta defini-se

• Para e com distribuição conjunta discreta defini-se • Uma vez que são distribuições de probabilidade

Uma vez que são distribuições de probabilidade

• Para e com distribuição conjunta discreta defini-se • Uma vez que são distribuições de probabilidade

Função Massa de Probabilidade

Condicional

Função Massa de Probabilidade Condicional • Exemplo: Resultado de lançamento de dois dados. Qual é a

Exemplo: Resultado de lançamento de dois dados. Qual é a f.m.p condicional da soma dos resultados dado que a soma é par?

Dado que a soma é ímpar?

Função Massa de Probabilidade

Condicional

Função Massa de Probabilidade Condicional • Algumas relações – Probabilidade conjunta – Probabilidade marginal

Algumas relações

Probabilidade conjunta

Função Massa de Probabilidade Condicional • Algumas relações – Probabilidade conjunta – Probabilidade marginal

Probabilidade marginal

Função Massa de Probabilidade Condicional • Algumas relações – Probabilidade conjunta – Probabilidade marginal

Esperança Condicional

Esperança Condicional • Definição:     • Calcule a esperança condicional do

Definição:

 
   
 

Calcule

a

esperança

condicional

do

exemplo

do

resultado de dois dado.

Função Massa de Probabilidade

Condicional

Função Massa de Probabilidade Condicional • Probabilidade Condicional: • Substituindo N por N-1: • Igualando as

Probabilidade Condicional:

de Probabilidade Condicional • Probabilidade Condicional: • Substituindo N por N-1: • Igualando as equações:
de Probabilidade Condicional • Probabilidade Condicional: • Substituindo N por N-1: • Igualando as equações:

Substituindo N por N-1:

de Probabilidade Condicional • Probabilidade Condicional: • Substituindo N por N-1: • Igualando as equações:
de Probabilidade Condicional • Probabilidade Condicional: • Substituindo N por N-1: • Igualando as equações:

Igualando as equações:

de Probabilidade Condicional • Probabilidade Condicional: • Substituindo N por N-1: • Igualando as equações:

Função Massa de Probabilidade

Condicional

Função Massa de Probabilidade Condicional • Regra da Cadeia: • Caso especial: • Propriedade de Markov:

Regra da Cadeia:

Função Massa de Probabilidade Condicional • Regra da Cadeia: • Caso especial: • Propriedade de Markov:

Caso especial:

Função Massa de Probabilidade Condicional • Regra da Cadeia: • Caso especial: • Propriedade de Markov:

Propriedade de Markov:

Função Massa de Probabilidade Condicional • Regra da Cadeia: • Caso especial: • Propriedade de Markov:

Teorema Central do Limite

Teorema Central do Limite • Sejam variáveis aleatórias independentes e e , , então com identicamente

Sejam

Teorema Central do Limite • Sejam variáveis aleatórias independentes e e , , então com identicamente

variáveis aleatórias independentes e

do Limite • Sejam variáveis aleatórias independentes e e , , então com identicamente distribuídas (iid),
do Limite • Sejam variáveis aleatórias independentes e e , , então com identicamente distribuídas (iid),

e

Limite • Sejam variáveis aleatórias independentes e e , , então com identicamente distribuídas (iid), com

,

, então com

identicamente distribuídas (iid), com média

variância finita. Seja

tem-se

(iid), com média variância finita. Seja tem-se • Pelo teorema central do limite, a distribuição da
(iid), com média variância finita. Seja tem-se • Pelo teorema central do limite, a distribuição da

Pelo teorema central do limite, a distribuição da soma de uma quantidade grande de variáveis aleatória iid pode ser aproximada por uma distribuição Normal, sem ser

necessário conhecer a distribuição das variáveis

aleatórias.

Teorema Central do Limite

Teorema Central do Limite • Exemplo: Encontre uma aproximação para função densidade de probabilidade da v.a.

Exemplo: Encontre uma aproximação para função

densidade de probabilidade da v.a. com

para função densidade de probabilidade da v.a. com , se • Encontre a probabilidade aproximada de
para função densidade de probabilidade da v.a. com , se • Encontre a probabilidade aproximada de
para função densidade de probabilidade da v.a. com , se • Encontre a probabilidade aproximada de

, se

Encontre a probabilidade aproximada de

exceder 7, se as

probabilidade da v.a. com , se • Encontre a probabilidade aproximada de exceder 7, se as

são iid com f.d.p.

probabilidade da v.a. com , se • Encontre a probabilidade aproximada de exceder 7, se as

são iid

probabilidade da v.a. com , se • Encontre a probabilidade aproximada de exceder 7, se as
probabilidade da v.a. com , se • Encontre a probabilidade aproximada de exceder 7, se as

Revisão para Variáveis

Aleatórias Contínuas

Revisão para Variáveis Aleatórias Contínuas • Função de distribuição acumulada • Transformação:

Função de distribuição acumulada

Revisão para Variáveis Aleatórias Contínuas • Função de distribuição acumulada • Transformação:

Transformação:

Revisão para Variáveis Aleatórias Contínuas • Função de distribuição acumulada • Transformação:
Revisão para Variáveis Aleatórias Contínuas • Função de distribuição acumulada • Transformação:

Revisão para Variáveis

Aleatórias Contínuas

Revisão para Variáveis Aleatórias Contínuas • Esperança: • Variância:

Esperança:

Variância:

Revisão para Variáveis Aleatórias Contínuas • Esperança: • Variância:
Revisão para Variáveis Aleatórias Contínuas • Esperança: • Variância:

Revisão para Variáveis

Aleatórias Contínuas

Revisão para Variáveis Aleatórias Contínuas • Distribuição conjunta: • Probabilidade marginal: • Valor

Distribuição conjunta:

Aleatórias Contínuas • Distribuição conjunta: • Probabilidade marginal: • Valor esperado de um vetor

Probabilidade marginal:

Contínuas • Distribuição conjunta: • Probabilidade marginal: • Valor esperado de um vetor aleatório

Valor esperado de um vetor aleatório

Contínuas • Distribuição conjunta: • Probabilidade marginal: • Valor esperado de um vetor aleatório

Revisão para Variáveis

Aleatórias

Revisão para Variáveis Aleatórias • Matriz de covariância: • Se a matriz é diagonal, então as

Matriz de covariância:

para Variáveis Aleatórias • Matriz de covariância: • Se a matriz é diagonal, então as variáveis

Se a matriz é diagonal, então as variáveis são

independentes.

Processos Estocásticos

Processos Estocásticos • Processo estocástico é o mapeamento de , o qual é um conjunto de

Processo estocástico é o mapeamento de

Estocásticos • Processo estocástico é o mapeamento de , o qual é um conjunto de seqüência

, o qual é um

conjunto de seqüência infinitas de resultados, para qual é um conjunto de seqüência infinitas de números.

qual é um conjunto de seqüência infinitas de números. , o • Exemplo: • Notação: é

, o

Exemplo:

é um conjunto de seqüência infinitas de números. , o • Exemplo: • Notação: é o
é um conjunto de seqüência infinitas de números. , o • Exemplo: • Notação: é o

Notação:

é um conjunto de seqüência infinitas de números. , o • Exemplo: • Notação: é o

é o processo e

é um conjunto de seqüência infinitas de números. , o • Exemplo: • Notação: é o

é a realização.

Processos Estocásticos

Processos Estocásticos • Exemplo: Processos de Bernoulli.

Exemplo: Processos de Bernoulli.

Processos Estocásticos • Exemplo: Processos de Bernoulli.

Processos Estocásticos

Processos Estocásticos • Exemplo: A probabilidade dos cinco primeiro resultados serem “cara”. • Exemplo:

Exemplo: A probabilidade dos cinco primeiro resultados serem “cara”.

Exemplo: Lançamento de um dado, repetidamente.

• Exemplo: Lançamento de um dado, repetidamente. Quais são probabilidade conjunta? e ? Qual é a

Quais são

probabilidade conjunta?

e

• Exemplo: Lançamento de um dado, repetidamente. Quais são probabilidade conjunta? e ? Qual é a

? Qual é a função massa de

Processos Estocásticos

Processos Estocásticos • Tipos de processos Estocásticos: – Processos de Tempo Contínuo: A variável pode alterar

Tipos de processos Estocásticos:

Processos de Tempo Contínuo: A variável pode alterar o seu valor em qualquer instante de tempo.

Processos de Tempo Discreto: A variável altera o seu valor em intervalos fixos de tempo.

Variável Continua: A variável pode assumir qualquer valor dentro de um determinado intervalo.

Variável Discreta: A variável pode assumir apenas alguns valores discretos.

Processos Estocásticos

Processos Estocásticos
Processos Estocásticos

Processos Estocásticos

Processos Estocásticos • Random walk onde • Qual a função densidade de probabilidade para um “n”

Random walk

onde

Processos Estocásticos • Random walk onde • Qual a função densidade de probabilidade para um “n”
Processos Estocásticos • Random walk onde • Qual a função densidade de probabilidade para um “n”

• Qual a função densidade de probabilidade para um “n” grande?

Processos Estocásticos

Processos Estocásticos • O processo estocástico pode ser classificado em: – Estacionário (a estatística não

O processo estocástico pode ser classificado em:

Estacionário (a estatística não depende do tempo).

Não-estacionário (caso contrário.)

Condição para o processo ser estacionário:

• Condição para o processo ser estacionário: • Exemplo: Prove que um processo estocástico iid é

Exemplo: Prove que um processo estocástico iid é um

caso especial de um processo estocástico estacionário.

Processos Estocásticos

Processos Estocásticos • Os valores esperados das funções do processo estocástico devem ser estacionários • Nos

Os valores esperados das funções do processo estocástico devem ser estacionários

funções do processo estocástico devem ser estacionários • Nos processos estocásticos estacionários a esperança

Nos processos estocásticos estacionários a esperança e a variância são constantes no tempo.

Processos Estocásticos

Processos Estocásticos • Processo Random Walk – Soma de “n” variáveis aleatórias iid – A distribuição

Processo Random Walk

– Soma de “n” variáveis aleatórias iid

Random Walk – Soma de “n” variáveis aleatórias iid – A distribuição de probabilidades das variáveis

A distribuição de probabilidades das variáveis

p k

U

[

]

1

p k



1

p k 1

p k  U [ ]    1  p k  1 p

Exemplo: Qual é a distribuição de probabilidade?

Processos Estocásticos

Processos Estocásticos • Processo estocástico estacionário no sentido amplo (WSS- wide sense stationary) • Um

Processo estocástico estacionário no sentido amplo (WSS- wide sense stationary)

Um processo estocástico é definido como WSS se

sense stationary) • Um processo estocástico é definido como WSS se como • Então as condições

como

sense stationary) • Um processo estocástico é definido como WSS se como • Então as condições

Então as condições equivalentes são

sense stationary) • Um processo estocástico é definido como WSS se como • Então as condições

Processos Estocásticos

Processos Estocásticos • Se o processo estocástico é WSS, pode-se definir a autocorrelação: • A

Se o processo estocástico é WSS, pode-se definir a autocorrelação:

estocástico é WSS, pode-se definir a autocorrelação: • A autocorrelação mede a correlação entre duas

A autocorrelação mede a correlação entre duas amostras do mesmo processo estocástico.

Exemplo: Processo estocástico definido por

do mesmo processo estocástico. • Exemplo: Processo estocástico definido por onde é iid, com média e

onde

do mesmo processo estocástico. • Exemplo: Processo estocástico definido por onde é iid, com média e

é iid, com média

do mesmo processo estocástico. • Exemplo: Processo estocástico definido por onde é iid, com média e

e variância

do mesmo processo estocástico. • Exemplo: Processo estocástico definido por onde é iid, com média e

Processos Estocásticos

Processos Estocásticos • Propriedades da autocorrelação: – É positiva para k=0. – É uma sequência par

Propriedades da autocorrelação:

É positiva para k=0.

É uma sequência par

– É positiva para k=0. – É uma sequência par – O maior valor é encontrado

O maior valor é encontrado em k=0.

uma sequência par – O maior valor é encontrado em k=0. • Exemplo: Um processo estoca.

Exemplo: Um processo estoca. de Bernoulli

em k=0. • Exemplo: Um processo estoca. de Bernoulli onde os valores das variáveis aleatórias são

onde

os valores das variáveis aleatórias são +1 e -1. Qual é a

autocorrelação da seqüência?

Processos Estocásticos

Processos Estocásticos • O processo é dito ergódico se sua média temporal é igual a média

O processo é dito ergódico se sua média temporal é igual a média do conjunto.

Processos Estocásticos • O processo é dito ergódico se sua média temporal é igual a média

Processos Estocásticos

Processos Estocásticos • Densidade Espectral de Potência (PSD – Power Spectral Density). – Para um sinal

Densidade Espectral de Potência (PSD Power Spectral Density).

Para um sinal determinístico os componentes espectrais são

obtidos a partir da transformada de Fourier.

Para sinais WSS essa informação é obtida a partir da PSD:

são obtidos a partir da transformada de Fourier. – Para sinais WSS essa informação é obtida

Processos Estocásticos

Processos Estocásticos • Exemplo: Encontre a PSD do sinal ruído branco definido por • Exemplo: Encontre

Exemplo: Encontre a PSD do sinal ruído branco definido por

• Exemplo: Encontre a PSD do sinal ruído branco definido por • Exemplo: Encontre a PSD

Exemplo: Encontre a PSD do sinal definido por

• Exemplo: Encontre a PSD do sinal ruído branco definido por • Exemplo: Encontre a PSD

Processos Estocásticos

Processos Estocásticos • Processos estocásticos Gaussianos: – Modela muitos sinais aleatórios. – Teorema

Processos estocásticos Gaussianos:

Modela muitos sinais aleatórios.

Teorema central do limite

• Processos estocásticos Gaussianos: – Modela muitos sinais aleatórios. – Teorema central do limite onde

onde

• Processos estocásticos Gaussianos: – Modela muitos sinais aleatórios. – Teorema central do limite onde

Processos Estocásticos

Processos Estocásticos • Continuação • Notação

Continuação

Processos Estocásticos • Continuação • Notação

Notação

Processos Estocásticos • Continuação • Notação

Processos Estocásticos

Processos Estocásticos • Processo estocástico de Poisson – Descreve o número de vezes que algum evento

Processo estocástico de Poisson

Descreve o número de vezes que algum evento ocorreu em função do tempo.

Definição:

algum evento ocorreu em função do tempo. – Definição: – Exemplo: Os clientes chegam na fila

Exemplo: Os clientes chegam na fila de um caixa a uma taxa de

0.1 clientes por segundo de acordo com um processo aleatório de Poisson. Determine a probabilidade de 5 clientes chegarem durante o primeiro minuto da fila do caixa estar aberta.