Intodução À Probabilidade

Introduo Probabilidade
Por Paulo Jacob S.Santos
CENTRO UNIVERSITRIO NILTON

LINS
Copyright LARC 1996,97,98,03 WVR/LARC/PCS/EPUSP Aula_2_1 - 1

Abordagem Probabilstica
Universo Universo
Fsico Fsico
Observao Modelo Avaliao, Predio
Universo
Conceitual
u Quais caractersticas justificam o uso

de um modelo probabilstico ?

Abordagem Probabilstica: Estocstica
u Quando as leis que governam

determinado fenmeno produzem
resultados observveis eminentemente
estocsticos.
u Exemplo: Mecnica Quntica

Abordagem Probabilstica: Rudo
u Quando no conhecemos completamente

as leis que governam determinado
fenmeno
u Exemplo: Rudo

Abordagem Probabilstica: Estatstica
u Quando a abordagem determinstica

falha
u Exemplo: Mecnica Estatstica

O Modelo de Kolmogorov
u O que um modelo probabilstico ?
u um modelo matemtico, que expressa de

modo formal a aleatoriedade
(estocasticidade) dos eventos
u Espao Amostral S
l Conjunto exaustivo e mutuamente exclusivo de
elementos que representam todos os possveis
resultados de um experimento
l Cada elemento w do espao amostral dito um ponto

amostral

O Modelo de Kolmogorov: Eventos
u Classe de eventos E
l Conjunto de pontos amostrais
l Conjunto de todos os subconjuntos de S (fechamento

transitivo)
l Cada evento corresponde a um possvel resultado do

sistema real (experimento).

O Modelo de Kolmogorov: Probabilidade
u Uma Medida de Probabilidade P
l Mapeia todos os eventos de S em um

subconjunto dos nmeros reais
l Corresponde frequncia relativa na situao
experimental (pressuposto de regularidade
estatstica)
l Esta medida satisfaz algumas propriedades
(axiomas):
A( A E ) 0 P( A ) 1
P( S ) 1, P( ) 0
A B P( A B ) P ( A ) P( B )

Independncia entre eventos
u Dois eventos so ditos estatisticamente
independentes se e somente se:
P[AB] = P[A]*P[B]
u Probabilidade condicional:
P[A|B] = P[AB]/P[B]
l-se, probabilidade de A dado B, ou seja,

probabilidade de ocorrer o evento A dado
que ocorreu o evento B.
Probabilidade incondicional
u Para dois eventos independentes A e B,
P[A|B] = P[A]
o que significa que o conhecimento de

que o evento B ocorreu no influencia na
probabilidade de ocorrncia do evento A.
u O teorema da probabilidade total
expressa a probabilidade de ocorrncia
de um evento B em relao a um conjunto
de eventos Ai mutuamente exclusivos e
exaustivos.

Teorema da Probabilidade Total
u Dado um evento B e um conjunto de eventos Ai
mutuamente exclusivos e exaustivos, se o evento B
ocorrer ele necessariamente deve ocorrer em
conjunto com um dos eventos A i, ou seja, esta
probabilidade dada por:
n
u
P[ B] P[ B | Ai ] * P[ Ai ]
i 1
u Esta expresso utilizada para calcular a

probabilidade de certos eventos complexos. Para
tal, condiciona-se este evento a um conjunto Ai de
eventos tal que seja possvel se calcular as
probabilidades condicional P[B|Ai].

Caracterizao do Modelo
u Para caracterizar completamente um
modelo probabilstico, devemos:
l Descrever todos os resultados experimentais

observveis, isto , o espao amostral
l Descrever a medida de probabilidade para cada

um destes pontos amostrais

Varivel Aleatria: Definio
u Baseado nisto, definimos o conceito

de varivel aleatria:
l um mapeamento (adequado), entre os

pontos amostrais e um sub-conjunto real,
em outras palavras, uma funo que possui
como domnio o espao amostral e como
imagem um sub-conjunto dos nmeros reais
l Desta forma, podemos associar uma regra de

formao para a medida de probabilidade a
partir da varivel aleatria

Varivel Aleatria Discreta
S
W (3/8)
L (3/8)
D (1/4)
E = {W, D, L}
-5 0 +5
Linha dos nmeros
P[W] = P[x = -5] = 3/8, reais
P[D] = P[x = 0] = 1/4 , P[L] = P[x = 5] = 3/8

Funo Distribuio de Probabilidade
(PDF)
u Esta uma das funes que descrevem
uma varivel aleatria. Ela representa a
funo cumulativa das medidas de
probabilidade de uma varivel aleatria.
u A funo distribuio de probabilidades
representada por:
FX(x) = P[X x]
u Esta funo expressa a probabilidade de

que a varivel aleatria X assuma valores
menores ou iguais x.
Propriedades de FX(x):
u FX(x) 0;
u FX(infinito) = 1;
u FX(- infinito) = 0;
u FX(b) - FX(a) = P[a < X b], para a <b;
u FX(b) FX(a) , para a b;

Exemplo
FX(x)
8/8
3/8
5/8
1/4
3/8
x
-5 0 5
O que acontece se temos um espao amostral com

infinitos pontos ?
Funo Densidade de Probabilidade
(pdf)
u Se temos um espao amostral com um
nmero infinito de pontos ento no
podemos associar uma medida de
probabilidade diferente de zero a cada
um destes pontos amostrais!
u Por este motivo, definimos a densidade
de probabilidade, como sendo a
derivada da funo distribuio de
probabilidades dFXrelao
em ( x) x:
f ( x) X
dx

Relao entre PDF e pdf
u Para se obter a funo distribuio de
probabilidades em termos da funo
densidade de probabilidade, deve-se
inverter a equao anterior, ou seja:
x
F( x) X f( y ) X dy

Portanto a funo pdf quando integrada
sobre um determinado intervalo resulta
na probabilidade da varivel aleatria
naquele intervalo: b
P( a < X b) f( x) X dx
a

Caracterizao Parcial
u Nem sempre possumos todos os

parmetros da densidade de
probabilidade de um determinado
modelo;
u Portanto, importante poder

caracterizar parcialmente o modelo
atravs de alguns de seus parmetros;
u com esta finalidade que se utiliza a
Mdia e a Varincia de uma varivel
aleatria

Valor Mdio
u A Mdia ou valor esperado pode ser
definida como o centro de gravidade da
densidade de probabilidade associada a
uma varivel aleatria. Este o primeiro
momento central da distribuio de
probabilidades:

E( X ) x* f

X
( x ) dx
u onde = E(X) representa a mdia da

varivel aleatria X.

Varincia: segundo momento central
u A Varincia ou disperso pode ser
definido como o momento de inrcia da
densidade de probabilidade associada a
uma varivel aleatria
2 2
2 2
X
X X X ( X)
2 2 2
X
X 2. . X

2
2
X
X X . fX dx


Coeficiente de Varincia
u A varincia fornece uma primeira
aproximao do grau de disperso dos
valores da distribuio em relao a sua
mdia;
u O coeficiente de varincia representa esta
medida de disperso normalizada em
relao ao valor da mdia da distribuio:
CX = X/
onde X o desvio padro da varivel

aleatria X, com X = ( X 2)1/2.

N-simo Momento Central
u O n-simo momento central de uma
distribuio de probabilidades dado por:
u

n n
u X X x X . f( x) dx
X
u
u
u Valor mdio da disperso elevada a n-
sima potncia.

Funo Exponencial
u Vamos aplicar estes conceitos uma
densidade de probabilidade bastante
comum em teoria das filas: a funo de
Densidade de probabilidade Exponencial
com parmetro :
*x
f X
( x) * e

Exponencial: valor mdio e varincia
u Calculando a mdia ( = 1/) e a varincia
( 2):

*x 1
E ( x) x * * e
0
dx

*x 2
x * * e
2 2
E( x ) dx

2
0
1
E ( x )
2 2 2

Exponencial: Probabilidade de Evento
u Calculando a probabilidade de um
determinado evento temos:
b
*x
P ( a x b) * e dx
a
*a *b
P ( a x b) e e

Usando Transformadas
u A transformada de Laplace de uma
funo densidade de probabilidade pdf
de uma varivel aleatria X dada por:
Seja A(x) = P[X x] a PDF de X, e

a(x) a pdf de X, ento:
A(s) a transformada de Laplace

de a(x), onde

sX sX.
A( s ) E e e a( x) dx
0
Funo Caracterstica de X
u A transformada de Laplace da funo
densidade de probabilidade de uma
varivel aleatria X apresenta uma
propriedade muito interessante para se
calcular todos os seus momentos
centrais: n
d n. n
A( 0 ) ( 1 ) X
d xn

Exemplo: funo exponencial
u A funo densidade de probabilidade
de uma funo exponencial :
f X ( x ) a ( x ) * e x
u
u A transformada de Laplace de uma
distribuio exponencial dada por:
A(s) = /(+s)

Primeiro Momentos: Mdia
u Se avaliarmos a transformada de Laplace
para s = 0, teremos A(0) = 1;
u se avaliarmos a primeira derivada da

transformada de Laplace para s = 0,
teremos: d
A( s )
ds ( s)
2
d
X A( 0 ) . ( 1 )
ds
1
X

Segundo Momento: Varincia
u Se avaliarmos a segunda derivada da
transformada de Laplace para s = 0,
temos:
2
d
A( s ) 2.
d s2 ( s)
3
2
2 2. d
X ( 1) A( 0 )
d s2
2 2
X


Transformadas com variveis
discretas
u Para o caso de variveis aleatrias
discretas devemos utilizar a transformada
Z em vez da transformada de Laplace;
onde gk = P[X = k]
u Neste caso obtemos a funo geradora de

probabilidades da varivel aleatria
discreta X;
X k
G( z) E z z . gk
k
Funo Geradora de Probabilidades
u Analogamente, a n-sima derivada desta
funo avaliada para z = 1 fornece meios
para se calcular o n-simo momento
central da varivel aleatria discreta X:
n k!
d .g
G( 1 ) k
d zn (k n )!
k
1
d
G( 1 ) k. g k X
d z1
k
2
d 2
G( 1 ) k. ( k 1). gk X X
d z2
k

Processo Estocstico: Definio
u Ao associarmos a cada ponto amostral uma
varivel aleatria funo do tempo (ou de
um outro indexador qualquer) , criamos uma
classe de funes, a esta classe chamamos
Processo Estocstico
X(t,) ou simplesmente X(t)
u Um processo estocstico uma funo (em

geral do tempo) cujos valores so variveis
aleatrias.
u A especificao completa de um processo
estocstico feita atravs de uma funo
distribuio de probabilidades PDF
Processo Estocstico: Propriedades
u FX(x,t) = P[X(t) x] , PDF de X(x,t);
u Se definirmos os possveis valores de t,

{t1, t2,.,tn}, podemos calcular a
distribuio conjunta de probabilidades:
FX1X2.Xn = P[X(t1) x1,X(t2) x2,.,X(tn) xn]
u Esta funo representada por:
FX(x,t)

Varivel e Processos Estocsticos
u Uma varivel real definida simplesmente pelo
seu valor dentro do conjunto dos nmero reais;
u Uma varivel aleatria para ser completamente
definida necessita ter a sua funo distribuio
de probabilidades FX(x) = P[X x] descrita. Esta
funo define a frequncia de ocorrncia dos
valores reais mapeados a esta varivel
aleatria;
u Um processo estocstico um conjunto de
variveis aleatrias ordenadas por um ndice,
portanto a sua completa definio s pode ser
feita atravs da funo distribuio conjunta de
probabilidades de todas as variveis aleatrias
que compem o processo estocstico.

Processo Estacionrio
u Costumamos classificar os processos
estocsticos como estacionrios
(homogneos) se no sofrem alteraes sob
deslocamento no tempo:
FX(x;t+) = FX(x;t)
u Para definirmos completamente um processo

estocstico devemos determinar as suas
funes FX(x,t) para todos os possveis sub-
conjuntos {xi}, {ti} e todos os valores de n.

Processo Estocstico: Valor Mdio
u Da mesma forma que para variveis
aleatrias, definimos Esperana (valor
mdio) para um processo estocstico como
sendo:
E( X (t )) x f X
( x ; t ) dx
R
u e analogamente definem-se todas as

outras funes de distribuies de
probabilidades.

OBRIGADO PELA ATENO!

Intodução À Probabilidade

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Intodução À Probabilidade

Caricato da

Copyright:

Formati disponibili

Introduo Probabilidade

Por Paulo Jacob S.Santos

CENTRO UNIVERSITRIO NILTON

Copyright LARC 1996,97,98,03 WVR/LARC/PCS/EPUSP Aula_2_1 - 1

Observao Modelo Avaliao, Predio

u Quais caractersticas justificam o uso

Copyright LARC 1996,97,98,03 WVR/LARC/PCS/EPUSP Aula_2_1 - 2

u Quando as leis que governam

u Exemplo: Mecnica Quntica

Copyright LARC 1996,97,98,03 WVR/LARC/PCS/EPUSP Aula_2_1 - 3

u Quando no conhecemos completamente

Copyright LARC 1996,97,98,03 WVR/LARC/PCS/EPUSP Aula_2_1 - 4

u Quando a abordagem determinstica

u Exemplo: Mecnica Estatstica

Copyright LARC 1996,97,98,03 WVR/LARC/PCS/EPUSP Aula_2_1 - 5

u um modelo matemtico, que expressa de

l Cada elemento w do espao amostral dito um ponto

Copyright LARC 1996,97,98,03 WVR/LARC/PCS/EPUSP Aula_2_1 - 6

l Conjunto de pontos amostrais

l Conjunto de todos os subconjuntos de S (fechamento

l Cada evento corresponde a um possvel resultado do

Copyright LARC 1996,97,98,03 WVR/LARC/PCS/EPUSP Aula_2_1 - 7

u Uma Medida de Probabilidade P

l Mapeia todos os eventos de S em um

Copyright LARC 1996,97,98,03 WVR/LARC/PCS/EPUSP Aula_2_1 - 8

l-se, probabilidade de A dado B, ou seja,

o que significa que o conhecimento de

Copyright LARC 1996,97,98,03 WVR/LARC/PCS/EPUSP Aula_2_1 - 10

u Esta expresso utilizada para calcular a

Copyright LARC 1996,97,98,03 WVR/LARC/PCS/EPUSP Aula_2_1 - 11

l Descrever todos os resultados experimentais

l Descrever a medida de probabilidade para cada

Copyright LARC 1996,97,98,03 WVR/LARC/PCS/EPUSP Aula_2_1 - 12

u Baseado nisto, definimos o conceito

l um mapeamento (adequado), entre os

l Desta forma, podemos associar uma regra de

Copyright LARC 1996,97,98,03 WVR/LARC/PCS/EPUSP Aula_2_1 - 13

Copyright LARC 1996,97,98,03 WVR/LARC/PCS/EPUSP Aula_2_1 - 14

u Esta funo expressa a probabilidade de

u FX(b) - FX(a) = P[a < X b], para a <b;

u FX(b) FX(a) , para a b;

Copyright LARC 1996,97,98,03 WVR/LARC/PCS/EPUSP Aula_2_1 - 16

O que acontece se temos um espao amostral com

Copyright LARC 1996,97,98,03 WVR/LARC/PCS/EPUSP Aula_2_1 - 18

Copyright LARC 1996,97,98,03 WVR/LARC/PCS/EPUSP Aula_2_1 - 19

u Nem sempre possumos todos os

u Portanto, importante poder

Copyright LARC 1996,97,98,03 WVR/LARC/PCS/EPUSP Aula_2_1 - 20

u onde = E(X) representa a mdia da

Copyright LARC 1996,97,98,03 WVR/LARC/PCS/EPUSP Aula_2_1 - 21

Copyright LARC 1996,97,98,03 WVR/LARC/PCS/EPUSP Aula_2_1 - 22

onde X o desvio padro da varivel

Copyright LARC 1996,97,98,03 WVR/LARC/PCS/EPUSP Aula_2_1 - 23

Copyright LARC 1996,97,98,03 WVR/LARC/PCS/EPUSP Aula_2_1 - 24

Copyright LARC 1996,97,98,03 WVR/LARC/PCS/EPUSP Aula_2_1 - 25

Copyright LARC 1996,97,98,03 WVR/LARC/PCS/EPUSP Aula_2_1 - 26

Copyright LARC 1996,97,98,03 WVR/LARC/PCS/EPUSP Aula_2_1 - 27

Seja A(x) = P[X x] a PDF de X, e

A(s) a transformada de Laplace

Copyright LARC 1996,97,98,03 WVR/LARC/PCS/EPUSP Aula_2_1 - 29

Copyright LARC 1996,97,98,03 WVR/LARC/PCS/EPUSP Aula_2_1 - 30

u se avaliarmos a primeira derivada da

Copyright LARC 1996,97,98,03 WVR/LARC/PCS/EPUSP Aula_2_1 - 32