Processos Estocásticos

Luiz Affonso Guedes

 Sumário
• Modelos Probabilísticos
– Discretos
• Uniforme
• Bernoulli
• Binomial
• Hipergeométrico
• Geométrico
• Poisson
– Contínuos
• Uniforme
• Normal
• Tempo de Vida
– Exponencial
– Gama
– Weibull
 Modelos Probabilísticos
• Podem ser discretos ou contínuos, dependendo das
variáveis aleatórias que os descrevem.
• Servem para descrever fenômenos físicos.
• São expressos por uma família de distribuições de
probabilidade que dependem de um ou mais
parâmetros.
 Modelos Discretos
• Modelo Uniforme Discreto
– Seja a v.a. X, cujos possíveis valores são representados por x1, x2,
..., xk. Dizemos que X segue o modelo Uniforme Discreto se
atribui a mesma probabilidade 1/k para cada um desses k valores.
– P(X=xi) = 1/k, ∀i = 1,2, ..., k.
Modelo Uniforme Discreto
– E[X] = (1+k)/2 0.18

– σ2[X] = (k2-1)/12 0.16

0.14

0.12

0.1
f(X)

0.08

0.06

0.04

0.02

0
1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
X
 Modelos Discretos
• Modelo de Bernoulli
– A v.a. X assume dois valores possíveis (0 ou 1),
com probabilidades (1-p) e p, respectivamente.
– P(X=x) = px (1-p)1-x, x = 0,1.
 Modelos Discretos
• Modelo Binomial (experimentos co reposição)
– Considere a repetição de n ensaios de Bernoulli
independentes e todos com a mesma probabilidade p de
sucesso. Sendo k o número de sucessos.
– P(X=k) = Cn,k pk (1-p)n-k, k = 0,1,2,..., n.
– Cn,k = n!/(k! (n-k)!)
– Notação: X~b(n,p)
– Exemplo:
• Qual é a probabilidade de se obter 03 sucessos numa
b(12,0.4)?
– P(X=3) = C12,3 (0.4)3 (0.6)9 = ... = 0.142
 Modelos Discretos
• Modelo Binomial
– Exemplo:
• Seja uma urna com N bolas das quais M são brancas
e (N-M) são pretas. Retiram-se sucessivamente n
bolsa da urna, recolocando a bola na urna após cada
retirada.
• Qual é a probabilidade de se tirar k vezes bolas
brancas?
– P(X=k) = Cn,k (M/N)k (1- M/N)n-k
• Qual é a probabilidade de se tirar até k vezes bolas
brancas?
 Modelos Discretos
• Modelo Binomial
– Esperança: E[X]
• E[X] = ∑k=0,..n k . P(X=k)
= ∑k=1,..n k . [Cn,k . pk .(1-p)n-k]
= ∑k=1,..n k . [ (n!/{k!(n-k)!}) . pk .(1-p)n-k]
= ∑k=1,..n [ ( n!/{(k-1)!(n-k)!}) . pk .(1-p)n-k ]
= n.p. ∑k=1,..n [( ( n-1)!/{(k-1)!(n-k)!}) . pk-1 .(1-p)n-k ]
= n.p. ∑j=o,..n-1 [ ( (n-1)!/{(j)!(n-j-1)!}) . pj .(1-p)n-j-1 ]
= n.p. ∑j=o,..n-1 [ Cn-1,j . pj .(1-p)n-j-1 ]
= n.p. (p+ (1-p)n-1 = np
j=k-1
 Modelos Discretos
• Modelo Binomial
– Esperança: E[X] – via função geradora de momento
• φ(t) = E(etX) = ∑k=o,..n [ etk . Cn,k . pk . (1-p)n-k ]
= ∑k=o,..n [ Cn,k . (p.et)k . (1-p)n-k ]
= ( p.et + (1-p) )n
• E[X] = dφ(t=0)/dt = n(p.et + (1-p))n-1 p.et , para t =0
= np

(a+b)N = ∑n=o,..N [CN,n . an . bN-n]

 Modelos Discretos
• Modelo Binomial
– Segundo momento: E[X2] – via função geradora de
momento
• φ(t) = E(etX) =( p.et + (1-p) )n
• dφ(t)/dt = n(p.et + (1-p))n-1 p.et
• d2φ(t)/dt2 = n(n-1)(pet+(1-p))n-2p2e2t + n(pet + (1-p))n-1 pet
• E[X2] = d2φ(0)/dt2 = n(n-1)p2 + np
– Variância: σ2[X]
• σ2[X] = E[X2] – E2[X] = n(n-1)p2+np – (np)2
= n2p2 – np2 +np –n2p = np(1-p)
 Modelos Discretos
• Modelo Hipergeométrico
– Modela experimentos sem reposição de uma
população com um número finito de elementos, em
cada elemento pode ser de um de dois tipos. M
elementos do tipo 1 e (N-M) do tipo 2. Se X é a
v.a. que designa o número de ocorrência do evento
do tipo 1 dentre n experimentos, então sua
distribuição de probabilidade é:
• P[X=k] = CM,k . CN-M,n-k / CN,n
 Modelos Discretos
• Modelo Hipergeométrico
– P[X=k] = CM,k . CN-M,n-k / CN,n
– Exemplo:
• Uma caixa contém 15 peças das quais 04 estão com
defeito. Retira-se uma amostra de 03 peças da caixa sem
reposição. Calcular a probabilidade que haja 02 ou 03
peças defeituosas na amostra.
– P[X=2] + P[X=3] = (C4,2.C11,1/C15,3) + (C4,3 . C11,0/C15,3) = 0,153
 Modelos Discretos
• Modelo Hipergeométrico
– P[X=k] = CM,k . CN-M,n-k / CN,n
– Esperança:
• E[X] = n. M/N
– Variância:
• σ2[X] = n M (N-M) (N-n) / (N2 (N-1) )
 Modelos Discretos
• Modelo Geométrico
– Dizemos que uma v.a. X tem distribuição Geométrica
de parâmetro p, se sua probabilidade tem forma:
• P[X=k] = p(1-p)k, 0≤p≤1 e k=0,1,2,...
– Notação:
• X~G(p)
– Interpretação:
• Sendo p a probabilidade de sucesso, a distribuição
Geométrica seria o número de ensaios de Bernoulli que
precedem o primeiro sucesso.
 Modelos Discretos
• Modelo Geométrico
– X~G(p) = P[X=k] = p(1-p)k, 0≤p≤1 e k=0,1,2,...
– Exemplo:
• X~G(0,01) – Se 0,05 é a probabilidade de uma fábrica produzir uma
peça defeituosa, qual é a probabilidade de se produzir Q peças boas
antes de se produzir a primeira defeituosa?
– P(Q=k) = 0,05 . 0,95k, k=0,1,2,...0.05 Distribuiçao geométrica - G(0,05)

0.045

0.04

0.035

0.03

P(Q=k)
0.025

0.02

0.015

0.01

0.005

0
0 5 10 15 20 25 30 35 40 45 50
k - Número de experimentos
 Modelos Discretos
• Modelo Geométrico
– X~G(p) = P[X=k] = p(1-p)k, 0≤p≤1 e k=0,1,2,...
– Esperança:
• E[X] = (1-p)/p
– Variância:
• σ2[X] = (1-p)/p2
 Modelos Discretos
• Modelo de Poisson: X~Po(λ)
– Grande importância prática: telecomunicações, física,
biologia, ...
– É uma aproximação do modelo binomial quando o
número de ensaios de Bernoulli tende a infinito.
– A v.a. X tem distribuição de Poisson com parâmetro
λ se para k=0,1,2,...:
• P[X=k] = e-λ λk / k! , onde λ (>0) é a taxa de ocorrência
média esperada num determinado intervalo de tempo.
• Sendo que:
– E[X] = λ
– σ2[X] = λ
 Modelos Discretos
• Modelo de Poisson: X~Po(λ)
– P[X=k] = e-λ λk / k! , para λ >0.
– E[X] = λ , σ2[X] = λ
– Exemplo:
• A emissão de partículas radioativas tem sido modelada através de
distribuição de Poisson, com o valor do parâmetro dependendo da fonte
utilizada. Suponha que o número de partículas α, emitidas por minuto,
seja uma v.a. seguindo o modelo de Poisson com parâmetro 5, isto é, a
taxa média é 5 emissões por minuto. Qual é a probabilidade de haver
mais de 2 emissões em um minuto?
• A ~ Po(5).
• P(A>2) = ∑a=3, ..., ∝P(A=a) = 1 - ∑a=1,2,3P(A=a)
= 1 - ∑a=1,2,3 (e-5.5a)/a! = 0,875
 Modelos Discretos
• Modelo de Poisson: X~Po(λ)
– P[X=k] = e-λ λk / k! , para λ >0.
– E[X] = λ , σ2[X] = λ

Distribuição de Poisson com lambda = 5 --- Po(5)

0.18
Distribuição de Poisson com lambda = 2 -- Po(2)
0.35
0.16

0.14 0.3

0.12 0.25

0.1
P(N=n)

0.2

0.08 P(N=n)
0.15

0.06
0.1
0.04

0.05
0.02

0 0
0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16 18 20
k
k - número de repetições
 Modelos Contínuos
• Modelo Uniforme Contínuo – X~U[a,b]
– A v.a. X tem distribuição uniforme contínua no
intervalo [a,b], a<b, se sua função densidade de
probabilidade é dada por:
• f(x) =  1/ (b-a) , a≤x≤b; e 0,caso contrário.
– E[X] = (a+b) / 2
f(X)
– E[X2] = (a2+ab+b2)/3 1/(b-a)
– σ2[X] = (b-a)2/12
– F(X) = ?
a b X
 Modelos Contínuos
• Modelo Exponencial – X~Exp(α)
– A v.a. contínua X, assumindo valores não
negativos, segue o modelo exponencial com
parâmetro α>0 se sua densidade de probabilidade é
dada por:
• f(x) =  α e-αx , x≥ e 0, caso contrário.
• F(x) = ∫0,x α e-αx dx = 1- e-αx
• P(a<X<b) = F(b) – F(a) = - e-αb + e-αa
• E[X] = 1/ α
• σ2[X] = 1/ α2
 Modelos Contínuos
• Modelo Exponencial – X~Exp(α)
– f(x) =  α e-αx , x≥ e 0, caso contrário.
– F(x) = 1- e-αx ; P(a<X<b) = ?
F u n ç õ e s D e n s id a d e e D is t rib u iç ã o d e P ro b a b ilid a d e d o M o d e lo E x p o n e n c ia l - X~ E x p (2 )
2

1.8

1.6

1.4

1.2

0.8

0.6

0.4

0.2

0
0 1 2 3 4 5 6
V .A . X
 Modelos Contínuos
• Modelo Exponencial – X~Exp(α)
– f(x) =  α e-αx , x≥ e 0, caso contrário.
– F(x) = 1- e-αx
– Exemplo:
• O intervalo, em minutos, entre emissões consecutivas de uma fonte
radioativa é uma v.a. com distribuição exponencial com α=0,2. Qual é
a probabilidade de haver uma emissão em um intervalo inferior a 2
minutos?
– P(X<2) = F(2) – F(0) = -e-0.2(2) + e-0.2 (0) = -e-0.4 + 1 = 0,33
– E[X] = 1/ α = 5
– σ2[X] = 1/ α2 = 25
• Qual é probabilidade do intervalo ser superior a 7, sabendo-se que ele é
superior a 5 minutos?
– P(X>7/X>5) = P(X>7,X>5) / P(X>5) = P(X>7) / P(X>5) = ?
 Modelos Contínuos
• Modelo Exponencial – X~Exp(α)
– f(x) =  α e-αx , x≥ e 0, caso contrário.
– F(x) = 1- e-αx
– Propriedade:
• P(X>t+s|X>s) = P(X>t).
– P(X>t+s|X>s) = P(X>t+s,X>s)/P(X>s) = P(X>t+s)/P(X>s)
= {F(+∝) – F(t+s)} / {F(+∝) – F(s)}
= e- αt = P(X>t)

– P(X>7/X>5) = P(X>7,X>5) / P(X>5) = P(X>7) / P(X>5) = P(X>2)

 Modelos Contínuos
• Modelo Normal ou Gaussiana – X~N(µ, σ2)
– A v.a. contínua X tem distribuição Normal, com
parâmetros µ, σ2, se sua função densidade é dada
por:
• f(x) = {1/(σ √2π)} . e-(x-µ) (x-µ) /(2σσ), para -∝<x<+∝
– Propriedades:
• f(x) é simétrica em relação à µ;
• f(x)Æ0 quando x Æ -∝ ou +∝;
• O valor máximo de f(x) se dá para x = µ.
• E[X] = µ
• Variância = E[(X - µ)2] = σ2
 Modelos Contínuos
• Modelo Normal ou Gaussiana – X~N(µ, σ2)
• f(x) = {1/(σ √2π)} . e-(x-µ) (x-µ) /(2σσ), para -∝<x<+∝
• E[X] = µ
• Variância = E[(X - µ)2] = σ2
F u n ç õ e s d e n s id a d e e d is t rib u iç ã o d e p ro b a b ilid a d e p a ra u m m o d e lo N o rm a l - N (1 , 1 )
1

0 .9

0 .8

0 .7

0 .6

0 .5

0 .4

0 .3

0 .2

0 .1

0
-5 -4 -3 -2 -1 0 1 2 3 4 5
X
 Funçao Normal - N(0,1) Histogram a de um a distribuiçao Nornal - N~(0,1)
0.4 90

0.35 80

70
0.3

60
0.25
50
0.2
40

0.15
30

0.1 20

0.05 10

0
0 -3 -2 -1 0 1 2 3
-5 -4 -3 -2 -1 0 1 2 3 4 5
Histogram a para m il am ostras

5
Histograma de uma distribuiçao Nornal - N~(0,1) x 10 Histograma de uma distribuiçao Nornal - N~(0,1)
900 8

800 7

700 6

600
5

500
4
400
3
300
2
200

100 1

0 0
-3 -2 -1 0 1 2 3 -3 -2 -1 0 1 2 3
Histograma para 10 mil amostras Histogramas para 10 milhões do amostras
 Modelos Contínuos
• Modelo Normal ou Gaussiana – X~N(µ, σ2)
Funçao Normal - variando-se a média
0.4

0.35

0.3

0.25

0.2

0.15

0.1

0.05

0
-6 -4 -2 0 2 4 6
 Modelos Contínuos
• Modelo Normal ou Gaussiana – X~N(µ, σ2)
Funçao Normal - variando-se a variancia
0.7

0.6

0.5

0.4

0.3

0.2

0.1

0
-6 -4 -2 0 2 4 6
 Modelos Contínuos
• Modelo Normal ou Gaussiana – X~N(µ, σ2)
– f(x) = {1/(σ √2π)} . e-(x-µ) (x-µ) /(2σσ), para -
∝<x<+∝
– E[X] = µ
– Variância = E[(X - µ)2] = σ2
– F(X) = ∫-∝,x f(X)dx Æ não há solução analítica
– P(a<x<b) = F(b) –F(a) = ∫a,b f(X)dx
 Modelos Contínuos
• Modelo Normal ou Gaussiana – X~N(µ, σ2)
• f(x) = {1/(σ √2π)} . e-(x-µ) (x-µ) /(2σσ), para -∝<x<+∝

• Dado X~(µ, σ2) Æ z = (x-u)/ σ

• E[Z]= E[(X- µ)/ σ] = (1/ σ) (E[X] - µ) = 0

• Var[Z] = Var[(X- µ)/ σ]=(1/ σ2) Var[(X- µ)]
= (1/ σ2) Var[X] = 1

ÆZ~N(0,1) Æ Normal padrão!

 Modelos Contínuos
• Modelo Normal ou Gaussiana – X~N(µ, σ2)
• z = (x-u)/ σ
• Z~N(0,1) Æ Normal padrão!
• Então:
– P(a<X<b) = P[(a-u)/ σ < Z < (b-u)/ σ ]
– Assim, basta saber os valores tabelados de F(Z).
• Exemplo:
– dado X~N(2,9), obter P(2<X<5).
– P(2<X<5) = P[(2-2)/ 3 < Z < (5-2)/ 3 ]
= P(0<Z<1) = 0,3413
 Modelos Contínuos
• Modelo Normal ou Gaussiana – X~N(µ, σ2)
• z = (x-u)/ σ
• Z~N(0,1) Æ Normal padrão!
– Exemplo:
• dado X~N(0,2)
– A) P(1<X<2) = 0,421 –0,258 = 0,163
– B) P(1<X<2/ X>1)
» P(0,7<Z) = 0,5 – P(0<Z<0,7) = 0,5 – 0,258 = 0,242
 Modelos Contínuos
• Modelo Normal ou Gaussiana – X~N(µ, σ2)
• z = (x-u)/ σ
• Z~N(0,1) Æ Normal padrão!
– Exemplo:
• Se X ~(0,2) e Y = 3X2, calcule, E[Y], σ(Y) e
fy(y).