PE Rev Prob PDF

Revis ao de Probabilidade
Disciplina: Introdu c ao aos Processos Estoc asticos
Prof. Rodrigo Gusm ao Cavalcante

rodgcav@ifba.edu.br rodgcav@gmail.com
Departamento de Engenharia El etrica Instituto Federal da Bahia
Prof. Rodrigo G. Cavalcante (IFBA)
Disciplina: Processos Estoc asticos
1 / 79
1 2
Modelos (Determin stico Probabil stico) Probabilidade Abordagem da frequ encia relativa Axiomas de probabilidade Probabilidade condicional Vari aveis aleat orias M edias estat sticas Momentos Fun c ao Caracter stica Algumas vari aveis aleat orias importantes Vari aveis Aleat orias Conjuntas Momentos Conjuntos Fun co es de v arias vari aveis aleat orias Teorema do Limite Central
Disciplina: Processos Estoc asticos Revis ao de Probabilidade 2 / 79
3 4
5 6 7 8 9
1 2
3 4
5 6 7 8 9
Modelos (Determin stico Probabil stico)

Modelo determin stico
Em modelos determin sticos, os par ametros prexados que caracterizam a condi c ao sobre a qual um experimento e desenvolvido, determinam a sa da exata desse experimento. Nesses modelos matem aticos determin sticos, a solu c ao de um conjunto de equa c oes matem aticas especicam a sa da exata do experimento. A teoria dos circuitos (aplica c oes das leis de Ohm e Kichho) e um exemplo de modelo matem atico determin stico (desde que as condi c oes envolvidas no experimento sejam as mesmas).
Modelo probabil stico (estoc astico)

Muitos sistemas de interesse envolvem fen omenos associados a vari aveis aleat orias. Exemplos em Telecomunica c oes, Controle, ... Um experimento aleat orio e caracterizado pelo fato de sua sa da variar aleatoriamente quando o experimento e repetido sob as mesmas condi c oes.
Prof. Rodrigo G. Cavalcante (IFBA) Disciplina: Processos Estoc asticos Revis ao de Probabilidade 4 / 79
1 2
3 4
5 6 7 8 9
Probabilidade
A teoria das probabilidades est a enraizada em fen omenos que, expl cita ou implicitamente, podem ser modelados por uma experi encia com um resultado que est a sujeito ao acaso. Al em disso, se a experi encia for repetida, o resultado poder a diferir devido a inu encia de fen omeno aleat orio. Essa experi encia denominase experimento aleat orio. Um experimento aleat orio precisa de tr es caracter sticas:
1 2 3
O experimento pode ser repetido sob condi c oes id enticas. Em uma u nica tentativa, o resultado e imprevis vel. Para um grande n umero de tentativas no experimento, os resultados exibem regularidade estat stica; ou seja, um padr ao m edio denido de resultados ser a observado se o experimento for repetido muitas vezes.
6 / 79
Abordagem da frequ encia relativa

Probabilidade
Considere que um evento A indique um dos resultados poss veis de um experimento aleat orio. Suponha que em n tentativas do experimento, o evento A ocorra Nn (A) vezes. Pode-se atribuir a rela c ao Nn (A)/n ao evento A. Essa rela c ao e denominada frequ encia relativa do evento A, e satisfaz 0 Nn (A) 1. n
Dizemos que um experimento exibe regularidade estat stica se, para qualquer sequ encia de n tentativas, a frequ encia relativa Nn (A)/n convergir para o mesmo limite ` a medida que n se torna grande. Dessa forma, parece natural que denamos a probabilidade do evento A como
n
lim
Nn (A) n
.
Revis ao de Probabilidade 7 / 79
Axiomas de probabilidade
Probabilidade
O k - esimo resultado de um experimento, indicado por sk , e chamado de ponto amostral. A totalidade dos pontos amostrais correspondentes ao conjunto de todos os resultados poss veis de um experimento denomina-se espa co amostral, o qual indicamos por S. Um sistema de probabilidade consiste no triplo:
1 2 3
Um espa co amostral S de eventos elementares (resultados). Uma classe E de eventos que e um subconjunto de S. Uma medida de probabilidade P () atribu da a cada evento A da classe E , a qual tem as seguintes propriedades:
i) P (S) = 1 ii) 0 P (A) 1 iii) Se A + B e a uni ao de eventos mutuamente exclusivos (A B = ) da classe E , ent ao P (A + B ) = P (A) + P (B )
8 / 79
Probabilidade
Propriedade 1
P (A) = 1 P (A) onde A e o complementar do evento A.
Propriedade 2
Se M eventos mutuamente exclusivos A1 , A2 , . . . , AM t em a propriedade exclusiva A1 + A2 + + AM = S, ent ao Ai Aj = , i = j = 1, 2, . . . , M
P (A1 ) + P (A2 ) + + P (AM ) = 1
Quando os M eventos s ao igualmente prov aveis (t em a mesma probabilidade de ocorr encia), ent ao a equa c ao acima e simplicada como 1 P (Ai ) = , i = 1, 2, . . . , M M
Probabilidade
Propriedade 3
Quando os eventos A e B n ao s ao mutuamente exclusivos, a probabilidade do evento A ou B (uni ao) e igual a P (A + B ) = P (A) + P (B ) P (AB ) onde P (AB ) e a probabilidade do evento conjunto A e B .
Exemplo 1
Qual e a probabilidade de que o n umero total de caras em 3 lan camentos de uma moeda honesta seja mpar? Em 4 lan camentos? Em 5 lan camentos? A resposta em cada caso e 1/2. Mostre que a probabilidade de um n umero mpar de caras em qualquer n umero de lan camentos e 1/2.
Probabilidade
Exemplo 2
Um experimento aleat orio tem um espa co amostral S = {a , b , c } e probabilidades pa = 1/7, pb = 2/7 e pc = 4/7. Descreva um experimento usando uma urna de maneira que possa ser usado para simular esse experimento aleat orio.
Exerc cio 1
Dez chas numeradas 1 at e 10 s ao misturadas em uma urna. Duas chas numeradas (X , Y ), s ao extra das da urna, sucessivamente e, sem reposi c ao. Qual e a probabilidade de que seja X + Y = 10?
11 / 79
Probabilidade
Exerc cio 2
Dentre os n umeros 0, 1, 2, . . . , 9 s ao escolhidos ao acaso r n umeros (0 < r < 10). Qual e a probabilidade de que n ao ocorra n umeros iguais?
Exerc cio 3
Um lote cont em n pe cas, das quais r s ao defeituosas. Se a ordem da inspe c ao das pe cas se zer ao acaso, qual a probabilidade de que a pe ca inspecionada em k - esimo lugar (k r ) seja a u ltima pe ca defeituosa contida no lote?
Exerc cio 4
Uma vara de 1 metro de comprimento e quebrada em dois pontos escolhidosao acaso . Formule um modelo probabil stico adequado a esta situa c ao. De acordo com seu modelo, qual e a probabilidade de que se possa formar um tri angulo com os tr es peda cos resultantes?
Probabilidade condicional
Probabilidade
Suponha um experimento que envolva um par de eventos A e B . P (B |A) indica a probabilidade do evento B , dado que o evento A tenha ocorrido, ou, probabilidade condicional de B dado A. A probabilidade P (B |A) e denida por P (B |A) = P (AB ) , P (A) P (A) = 0
onde P (AB ) e a probabilidade conjunta de A e B . Se A e B forem independentes, ent ao P (AB ) = P (A)P (B ) e P (A|B ) = P (A)
Regra de Bayes
P (B |A) =
P (A|B )P (B ) , P (A)
P (A) = 0
Probabilidade
Uma parti c ao e uma poss vel divis ao do espa co amostral, de forma que os conjuntos dessa fam lia sejam disjuntos ou mutualmente exclusivos (isto e, n ao possuem elementos em comum). Se um evento B S for denido em uma parti c ao (A1 , A2 , . . . , An ) de S, ent ao
n n
P (B ) =
i =1
P (BAi ) =
i =1
P (B |Ai )P (Ai )
Al em disso, usando a Regra de Bayes, pode-se obter P (Ai |B ) = P (B |Ai )P (Ai )

n
P (B |Ai )P (Ai )
i =1
14 / 79
Probabilidade
Exemplo 3
Um assinante a de uma central A pode comunicar-se com um assinante b de uma central B atrav es de dois percursos T1 e T2 , conforme mostra a gura abaixo.
T1 T2
Central A
Central B
A probabilidade de congestionamento em T1 (impedindo que a atinja b por este percurso) e 0.05. A probabilidade de congestionamento em T2 vale 0.02. Al em disso, sabendo-se que se T1 est a congestionado a probabilidade de T2 estar tamb em congestionado e 0.15. Determine a probabilidade de que a consiga comunicar-se com b .
Probabilidade
Exerc cio 5
Suponha que um equipamento possua N v alvulas, todas necess arias para seu funcionamento. A m de localizar uma v alvula com mau funcionamento, faz-se a substitui c ao de cada v alvula, sucessivamente, por uma v alvula nova. Calcule a probabilidade de que seja necess ario trocar as N v alvulas, se a probabilidade de uma v alvula estar defeituosa e p.
Exerc cio 6
Quatro sinais de r adio s ao emitidos sucessivamente. Se a recep c ao de cada um for independente da recep c ao de outro, e se essas probabilidades forem 0.1, 0.2, 0.3 e 0.4, respectivamente, calcule a probabilidade de que k sinais venham a ser recebidos para k = 0, 1, 2, 3, 4.
Probabilidade
Exemplo 4
A gura abaixo mostra um canal de comunica c oes cuja entrada x pode assumir os valores0 ,1e2, e cuja sa da y tamb em pode assumir os valores 0 , 1 e 2 . Considere a experi encia que consiste em observar os valores da entrada x e da sa da y resultante. Sabe-se que P (x = 0) = 0.4 e P (x = 1) = 0.1. Determine:
a) o n umero total de pontos no espa co amostral S;
b) o n umero total de eventos (admitindo-se todos os subconjuntos de S); c) P (x = 0 y = 1) d) P (y = 1) e) P (x = 0 y = 1)

Probabilidade
Exerc cio 7
A gura abaixo mostra um canal de comunica c oes cuja entrada x pode assumir os valores0 ,1e2, e cuja sa da y tamb em pode assumir os valores 0 , 1 e 2 . Considere a experi encia que consiste em observar os valores da entrada x e da sa da y resultante. Sabe-se que P (x = 0) = 0.4 e P (x = 1) = 0.1. Determine:
a) P (x = 1|y = 1); b) P (x = 0|y = 1);

c) P (y = 0); d) P (x = 0 y = 2); e) a probabilidade que ocorra um erro na transmiss ao.

1 2
3 4
5 6 7 8 9
Vari aveis aleat orias

Pode-se imaginar o resultado de um experimento como uma vari avel aleat oria que pode vagar pelo conjunto de pontos amostrais e cujo valor e determinado pelo experimento. Quando o resultado de um experimento e s , a vari avel aleat oria e indicada por X (s ) ou simplesmente X . Quando uma vari avel aleat oria assume somente um conjunto discreto de valores, estamos lidando com uma vari avel aleat oria discreta. Exemplo: o resultado do lan camento de um dado. Entretanto, se a vari avel aleat oria X puder assumir qualquer valor de um intervalo de observa c ao, X ser a denominada vari avel aleat oria cont nua. Exemplo: a amplitude de uma tens ao de ru do. Contudo, necessitamos de uma descri c ao probabil stica de vari aveis aleat orias que funcione igualmente bem para vari aveis aleat orias discretas ou cont nuas.

Considere uma vari avel aleat oria X e a probabilidade do evento X x , isto e, P (X x ). A fun c ao FX (x ) denomina-se fun c ao distribui c ao cumulativa (fdc) ou simplesmente fun c ao distribui c ao da vari avel aleat oria X , e denida como FX (x ) = P (X x ) a probabilidade de X assumir valores menores ou iguais a x . A fun c ao FX (x ) tem as seguintes propriedades:
1
a fun c ao distribui c ao FX (x ) limita-se entre zero e um, isto e 0 FX (x ) 1. a fun c ao distribui c ao FX (x ) e uma fun c ao n ao-decrescente de x, ou seja, FX (x1 ) FX (x2 ) , se x1 < x2
21 / 79

Uma descri c ao alternativa da probabilidade da vari avel aleat oria X ea derivada da fun c ao distribui c ao FX (x ), isto e fX (x ) = d FX (x ) , dx
a qual e denominada fun c ao densidade de probabilidade (fdp) da vari avel aleat oria X . O nome, fun c ao densidade, prov em do fato de que a probabilidade do evento x1 X x2 ocorrer, ser igual a P (x1 < X < x2 ) = P (X x2 ) P (X x1 ) = FX (x2 ) FX (x1 )
x2
=
x1
fX (x ) dx
A probabilidade de um intervalo e, portanto, a area sob a fun c ao densidade de probabilidade nesse intervalo.

A fun c ao distribui c ao e denida em termos da fun c ao densidade de probabilidade da seguinte maneira:
x
FX (x ) =
fX ( ) d ,
al em disso,
fX (x ) dx = 1
Como a fun c ao distribui c ao e sempre n ao-decrescente, ent ao a fun c ao densidade de probabilidade e sempre n ao-negativa. Para uma fdp a seguinte propriedade e v alida:
x
P (X > x ) =
x
fX (x ) dx = 1
fX (x ) dx = 1 P (X x )

Exemplo de fdp e fdc de uma v.a. discreta
1/8, 3/8, fX (x ) = 3/8, 1/8,
fX (x)
3 8 3 8 1 2 1 8 1 8 1 8
se se se se
x x x x
=0 =1 =2 =3
FX (x)
7 8
24 / 79

Exemplo de fdp e fdc de uma v.a. cont nua
0, se x < a
fX (x ) =
1 , se a x b ba 0, se x > b
FX ( x )
f X (x )
1 b a
a
x
b
x
25 / 79

Exemplo 5
De um lote que cont em 25 pe cas, das quais 5 s ao defeituosas, s ao escolhidas 4 ao acaso. Seja X o n umero de pe cas defeituosas encontradas. Estabele ca a distribui c ao de probabilidade de X , quando: a) as pe cas forem escolhidas com reposi c ao b) as pe cas forem escolhidas sem reposi c ao
Exerc cio 8
Suponha que a m aquina 1 produza (por dia) o dobro das pe cas que s ao produzidas pela m aquina 2. No entanto, 4% das pe cas fabricadas pela m aquina 1 tendem a ser defeituosas, enquanto que a m aquina 2 produz somente cerca de 2% de pe cas defeituosas. Admita que a produ c ao di aria das duas m aquinas seja misturada. Uma amostra aleat oria de 10 pe cas e extra da da produ c ao total. Qual ser a a probabilidade de que essa amostra contenha 2 pe cas defeituosas?

Exemplo 6
Para a vari avel aleat oria X e dado que P (X > t ) = e t (t + 1), Encontre FX (x ), fX (x ) e P (X > 1/). > 0, t > 0.
Exerc cio 9
A raz ao entre os desvios no comprimento e na largura de pastilhas de sil cio tem a seguinte fdp fX (x ) = a , 1 + x2 < x < .
Calcule o valor de a e encontre a fdc de X . Ache a probabilidade de que X esteja no intervalo (1, 1).

Exerc cio 10
Seja X a dura c ao da vida (medida em horas) de um dispositivo eletr onico. Suponha que X seja uma vari avel aleat oria cont nua com fdp f (x ) = k /x n , 2000 x 10000. a) Para n = 2, determine k . b) Para n = 3, determine k . c) Para n em geral determine k . d) Qual a probabilidade de que o dispositivo falhe antes que 5000 horas se tenham passado? e) Esboce a FX (x ) para a letra (c) e determine sua forma alg ebrica.
Exerc cio 11
Um ponto e escolhido ao acaso sobre uma reta de comprimento L. Qual e a probabilidade de que o quociente do segmento mais curto para o mais longo seja menor que 1/4?
1 2
3 4
5 6 7 8 9
M edias estat sticas

Neste momento, ser a apresentado uma maneira de determinar o comportamento m edio dos resultados que surgem em experimentos aleat orios.
x = E [X ] =
x fX (x ) dx ,
onde E [] indica o operador de expectativa estat stica ou operador esperan ca. O valor x indica o centro de gravidade da area sob a curva da densidade de probabilidade da vari avel aleat oria X . No caso particular em que X seja uma vari avel aleat oria discreta S = {x1 , x2 , . . . , xn }, ent ao o c alculo da m edia (amostral) e simplicado para
n
E [X ] =
i =1
xi pi ,
onde pi = P (X = xi ) e a probabilidade de X ser igual a xi .


Exemplo 7
O tempo de atendimento de um cliente em uma ag encia banc aria possui a seguinte fdc FX (x ) = 1 e 5x , x 0 . Determine o tempo m edio de espera de um cliente.
Exerc cio 12
O tempo de espera de um cliente em uma ag encia banc aria possui a seguinte fdp fX (x ) = 1.2 e 2x , x 0 . Determine o tempo m edio de espera de um cliente.
Exerc cio 13
Um cliente pode fazer as opera c oes dep osito=3 min, retirada=2 min ou ambas=4 min em uma ag encia, com probabilidade 0.4, 0.4, 0.2, respectivamente. Qual o tempo m edio de opera c ao de um cliente?

Admita agora que X indique uma vari avel aleat oria e que Y = g (X ) indique uma fun c ao real de X . No caso, Y tamb em e uma vari avel aleat oria, cuja fun c ao densidade de probabilidade e dada por fY (y ) = fX (x ) |dy /dx | = |dx /dy | fX (x )
x =g 1 (y ) x =g 1 (y )
Com isso, naturalmente, a m edia de Y e dada por
y = E [ Y ] =
y fY (y ) dy ,
Entretanto, um procedimento mais simples e escrever
y = E [g (X )] =
g (x ) fX (x ) dx .

Exemplo 8
Um sinal x (t ), com distribui c ao uniforme variando de (0, 10), passa por um circuito com resposta dada por y (t ) = e x (t ) . Calcule a fdp e a m edia do sinal de sa da y (t ).
Exerc cio 14
Um sinal x (t ), com distribui c ao uniforme variando de (, ), passa por um circuito com resposta dada por y (t ) = sin(x (t )). Calcule a fdp e a m edia do sinal y (t ).
Exerc cio 15
Um sinal x (t ), com distribui c ao uniforme variando de (1, 1), passa por um circuito com resposta dada por y (t ) = x (t )2 . Calcule a fdp de y (t ).

Exemplo 9
Suponha que S , uma tens ao aleat oria, varie entre 0 e 1 volt e seja uniformemente distribu da sobre esse intervalo. Suponha que o sinal S seja perturbado por um ru do aleat orio independente, aditivo, N , o qual seja e uniformemente distribu do entre 0 e 2 volts. a) Determine a tens ao esperada do sinal, levando em conta o ru do. b) Determine a pot encia esperada quando o sinal perturbado for aplicado a um resistor de 2 .
Exerc cio 16
Suponha que a vari avel aleat oria cont nua X tenha a fdp fX (x ) = 2xe x , Seja Y = X 2 . Calcule E[Y ]: a) diretamente, sem primeiro obter a fdp de Y . b) primeiramente, obtendo a fdp de Y .
2
x 0.
Momentos
Para o caso especial de g (X ) = X n , obtemos o n- esimo momento da distribui c ao de probabilidade da vari avel aleat oria X , ou seja,
E [X ] =
x n fX (x ) dx .
Sem d uvida, os momentos mais importantes de X s ao os dois primeiros, onde n = 1 e a m edia e n = 2 e o valor quadr atico m edio (eqm)
E [X 2 ] =
x 2 fX (x ) dx .
Tamb em, pode-se denir os momentos centrais, os quais s ao simplesmente os momentos da diferen ca entre uma vari avel aleat oria X e sua m edia x .
Momentos
Assim, o n- esimo momento central e dado por
E [(X x ) ] =
(x x )n fX (x ) dx .
Para n = 1, o momento central e zero, ao passo que para n = 2, o segundo momento central e chamado de vari ancia da vari avel aleat oria X , a qual e escrita como
var[X ] = E [(X x ) ] =
(x x )2 fX (x ) dx .
2. A vari ancia de uma vari avel aleat oria X e comumente indicada por x
A raiz quadrada da vari ancia, x , denomina-se desvio padr ao da vari avel aleat oria X .
Momentos
2 de uma vari A vari ancia x avel aleat oria X , de certo modo, e uma medida da aleatoriedade da vari avel. 2 , restringe-se signicativamente a largura Ao especicar a vari ancia x efetiva da fun c ao densidade de probabilidade fX (x ) da vari avel aleat oria X nas vizinhan cas do valor m edio x .
Uma formula c ao precisa desta restri c ao se deve a Chebyshev. A desigualdade de Chebyshev arma que, para qualquer n umero positivo , tem-se que 2 P (|X x | > ) x . A partir dessa desigualdade, nota-se que o valor m edio e vari ancia de uma vari avel aleat oria fornecem uma descri c ao parcial de sua distribui c ao de probabilidade, da o uso dessas medidas na pr atica.
37 / 79
Momentos
Exemplo 10
Uma vari avel aleat oria X e uniformemente distribu da no intervalo (a , b ). Encontre uma express ao adequada para os n - esimos momentos e momentos centrais de X .
Exerc cio 17
A raz ao entre os desvios no comprimento e na largura de pastilhas de sil cio tem a seguinte fdp fX (x ) = a , 1 + x2 < x < .
Determine os dois primeiros momentos de X .
38 / 79
Fun c ao Caracter stica

Outra deni c ao estat stica importante e a fun c ao caracter stica X ( ) da distribui c ao de probabilidade da vari avel aleat oria X , a qual e denida como a expectativa da fun c ao exponencial complexa e j X , como mostrado por
X ( ) = E [e
j X
]=
fX (x ) e j x dx ,
onde e real e j =
Observe que menos de uma mudan ca de sinal no expoente e fazendo = 2 f e x = t , a fun c ao caracter stica e a transformada de Fourier da fun c ao densidade de probabilidade. Logo, 1 fX (x ) = 2
X ( ) e j x d .

Todos os momentos de uma vari avel aleat oria X podem ser obtidos da fun c ao caracter stica por deriva c ao sucessiva E [X n ] = 1 dn X ( ) j n d n .
=0
Exemplo 11
Encontre a fun c ao caracter stica e os dois primeiros momentos de uma vari avel aleat oria X com a seguinte distribui c ao de probabilidade x fX (x ) = e u (x ) , > 0 .
Exerc cio 18
Encontre a fun c ao caracter stica e os dois primeiros momentos de uma vari avel aleat oria X com a seguinte distribui c ao de probabilidade n n k fX (x ) = p (1 p )n k (x k ) . k
k =0

Em problemas onde as vari aveis aleat orias s ao n ao-negativas, e mais conveniente usar a transformada-z ou a transformada de Laplace para caracterizar a fun c ao caracter stica das vari aveis aleat orias. No caso de uma vari avel aleat oria N que assume valores inteiros n aonegativos, pode-se denir a fun c ao geratriz GN (z )
GN (z ) = E[z ] =
k =0
fN (k )z k
Note que a fun c ao caracter stica de N e dada por N ( ) = GN (e j ). Usando uma deriva c ao pode-se mostrar que a fdp de N e dada por fN (k ) = 1 dk GN (z ) k ! dz k
z =0
41 / 79

Em teoria de las, alguns par ametros como tempo de servi co, tempo de espera, e atrasos s ao vari aveis aleat orias cont nuas n ao-negativas. Neste caso, o uso da transformada de Laplace da fdp e mais adequado.
X (s ) =
0
fX (x )e sx dx = E[e sX ].
O m etodo de obten c ao dos momentos tamb em pode ser aplicado ` a X (s ): dk E[X n ] = (1)n n X (s ) ds s =0
42 / 79
1 2
3 4
5 6 7 8 9
Algumas vari aveis aleat orias importantes

Existem um n umero de vari aveis aleat orias que aparecem em diversas aplica c oes pr aticas. A seguir apresentaremos algumas distribui c oes de probabilidade que aparecem com maior frequ encia na Engenharia El etrica.
Vari aveis aleat orias discretas

Bernoulli Binomial Geom etrica Binomial negativa (Pascal) Poisson
Vari aveis aleat orias cont nuas

Uniforme Exponencial Gaussiana (normal) Rayleigh Laplaciana
44 / 79
Vari avel aleat oria de Bernoulli

Algumas vari aveis aleat orias importantes - discretas
A vari avel aleat oria de Bernoulli e o valor da fun c ao indicadora IA para algum evento A; X = 1 se IA ocorre e X = 0 caso contr ario. S = {0, 1} p0 = q = 1 p p1 = p , E [X ] = p var [X ] = p (1 p ) GX (z ) = (q + pz ) onde z = e j X e GX (z ) e a fun c ao geratriz (caracter stica X ( )). 0p1
45 / 79
Vari avel aleat oria Binomial

X representa o somat orio de sucessos em uma sequ encia de n eventos independentes de Bernoulli. S = {0, 1, . . . , n } n k pk = p (1 p )n k , k E [X ] = n p var [X ] = np (1 p ) GX (z ) = (q + pz )n
k = 0, 1, . . . , n
46 / 79
Vari avel aleat oria Geom etrica

X e n umero de falhas antes do primeiro sucesso em uma sequ encia de eventos independentes de Bernoulli. S = {0, 1, 2, . . . } pk = p (1 p )k , k = 0, 1, . . . E [X ] = (1 p )/p var [X ] = (1 p )/p 2 p GX (z ) = 1 qz
47 / 79

Exemplo 18
Suponha que voc e teste um circuito. Com probabilidade p o circuito e rejeitado. Seja X o n umero de circuitos rejeitados em um teste. Qual e PX (x )?
Exemplo 18
Em um teste de integridade de circuitos existe a probabilidade p de que cada circuito seja rejeitado. Seja Y igual ao n umero de testes at e que uma rejei c ao seja descoberta. Qual e a fun c ao distribui c ao de probabilidade de Y ?
Exemplo 18
Suponha que testamos n circuitos e cada circuito e rejeitado com probabilidade p independente dos resultados dos outros testes. Seja K igual ao n umero de rejei c oes em n testes. Encontre PK (k )
Vari avel aleat oria Binomial Negativa (ou Pascal)

X e n umero de tentativas at e que o r - esimo sucesso de uma sequ encia de eventos independentes de Bernoulli.
S = pk E [X ] var [X ] GX (z ) = = = = {r , r + 1, . . . } k 1 r p (1 p )k r , r 1 r /p r (1 p )/p 2 r p 1 qz
k = r , r + 1, . . .
49 / 79
Vari avel aleat oria de Poisson

X e n umero de falhas antes do primeiro sucesso em uma sequ encia de eventos independentes de Bernoulli. Essa distribui c ao aproxima a distribui c ao Binomial para = np , quando n for grande.
S = {0, 1, 2, . . . } k e , k = 0, 1, . . . pk = k! E [X ] = var [X ] GX (z ) = = e (z 1)
e >0
50 / 79

O modelo probabil stico de uma vari avel aleat oria de Poisson descreve um fen omeno que ocorre aleatoriamente no tempo. Enquanto que o tempo de cada ocorr encia e completamente aleat orio, existe o conhecimento do n umero m edio de ocorr encias por unidade de tempo. O modelo de Poisson e usado por exemplo para caracterizar: a chegada de requisi c oes em um servidos World Wide Web, inicializa c ao de chamadas telef onicas, emiss ao de particulas de fontes radioativas, etc.
Exemplo 18
Suponha que voc e teste o circuito at e encontrar k rejei c oes. Seja L igual o n umero de testes. Qual e a distribui c ao de probabilidade de L?
51 / 79

Exemplo 16
O n umero de solicita c oes em uma p agina da Internet em algum tempo e uma vari avel aleat oria de Poisson. A p agina particular tem em m edia = 2 solicita c oes por segundo.Qual e a probabilidade que n ao existam solicita c oes em um intervalo de 0.25 segundos? Qual e a probabilidade que n ao existam mais do que duas solicita c oes em um intervalo de um segundo?
Exemplo 17
A probabilidade de erro de bit em um canal de comunica c oes e 103 . Encontre a probabilidade que um bloco de 1000 bits tenha 5 ou mais erros. Use a distribui c ao Binomial e a distribui c ao de Poisson.
52 / 79
Exerc cio 19
Um determinado telefone recebe liga c oes a uma taxa chamadas por segundos. Sabe-se que o n umero de chamadas em um intervalo de tempo e uma vari avel aleat oria de Poisson. Encontre a probabilidade de n ao existir chamadas em 1 segundo. Encontre tamb em a probabilidade de existirem n ou mais chamadas em 1 segundo.
Exerc cio 20
Chamadas chegam em um tempo aleat orio em um comutador telef onico com m edia = 0.25 chamadas/segundo. Determine a fdp para intervalos de 2 e 20 segundos. A fdp seria diferente se fosse a unidade fosse chamadas/minuto?
53 / 79
Vari avel aleat oria Uniforme

Algumas vari aveis aleat orias importantes - cont nuas
S = [a , b ] 1 fX (x ) = , ax b ba a +b E [X ] = 2 (b a )2 var [X ] = 12 e j b e j a X ( ) = j (b a )
f X (x )
1 b a
FX ( x )
a
x
54 / 79
Vari avel aleat oria Exponencial

A vari avel aleat oria exponencial e uma vari avel aleat oria cont nua com a propriedade de ser sem mem oria. S = [0, ) fX (x ) = e x , E [X ] = 1/ var [X ] = 1/2 X ( ) = j x 0 e >0
55 / 79

Exemplo 18
O angulo de fase de um sinal de entrada de um modem e uniformemente distribu do entre 0 e 2 radianos. Encontre f (), F (), a m edia e a vari ancia de .
Exemplo 19
A probabilidade que uma chamada telef onica n ao dura mais que t minutos e modelada como uma exponencial fdc. FT (t ) = 1 e t /3 , t 0 0, caso contr ario.
Qual e a fdp da dura c ao em minutos da conversa c ao do telefone? Qual e a probabilidade de que a conversa c ao dure entre 2 e 4 minutos?
56 / 79
Vari avel aleat oria Gaussiana (Normal)

X pode ser usada para aproximar o somat orio de um grande n umero de vari aveis aleat orias independentes. S = (, ) 1 2 2 fX (x ) = e (x ) /2 , 2 E [X ] = var [X ] = 2 X ( ) = e j
2 2 /2
< x <
e >0
57 / 79
Vari avel aleat oria Gaussiana (Normal)

Na Engenharia El etrica tem-se o costume de trabalhar com a fun c ao Q (x ), a qual e denida como 1 Q (x ) = 2
x
e t
2 /2
dt ,
onde x = (x )/ , e representa a probabilidade da cauda da fdp Gaussiana, isto eX >x . A fun c ao Q (x ) possui as seguintes propriedades: Q (0) = 1/2 e Q (x ) = 1 Q (x ).
A fun c ao Q (x ) pode ser aproximada com uma boa precis ao pela express ao 1 1 2 e x /2 , Q (x ) 2 2 (1 a )x + a x + b onde a = 1/ e b = 2
Vari avel aleat oria Rayleigh

A distribui c ao de Rayleigh e derivada de X = Y 2 + Z 2 , onde Y e Z s ao gaussianas independentes de mesmas m edia e vari ancia. S = [0, ) x x 2 /22 fX (x ) = , e E [X ] = /2 var [X ] = (2 /2)2
x 0
e >0
59 / 79
Vari avel aleat oria Laplaciana

S = (, ) |x | fX (x ) = e , 2 E [X ] = 0 var [X ] = 2/2 2 X ( ) = 2 2
< x < e > 0
60 / 79
Exemplo 20
a) Mostre que a integral de a da fun c ao densidade de probabilidade Gaussiana e igual a 1. b) Mostre que a fun c ao de probabilidade cumulativa de uma vari avel aleat oria de Poisson soma 1.
Exerc cio 21
Um sistema de comunica c oes aceita uma tens ao V positiva como entrada e como sa da uma tens ao Y = V + N , onde = 102 e N e uma vari avel aleat oria Gaussiana com par ametros = 0 e = 2. Encontre o valor de V tal que P (Y < 0) = 106 . Use Q (4.753) = 106 .
61 / 79
1 2
3 4
5 6 7 8 9
Vari aveis Aleat orias Conjuntas

At e agora, tratamos apenas de situa c oes que envolvem uma u nica vari avel aleat oria. Entretanto, alguns experimentos requerem diversas vari aveis aleat orias para sua descri c ao. Consideraremos agora situa c oes que envolvem duas vari aveis aleat orias. Contudo, a descri c ao probabil stica apresentada pode ser facilmente estendida para qualquer n umero de vari aveis aleat orias. Considere duas vari aveis aleat orias X e Y . Denimos a fun c ao distribui c ao conjunta FX ,Y (x , y ) como a probabilidade de que a vari avel aleat oria X seja menor ou igual a um valor x especicado e que a vari avel aleat oria Y seja menor ou igual a um valor y especicado. FX ,Y (x , y ) = P (X x , Y y ) Geralmente, o espa co amostral conjunto e o plano xy , ou um subconjunto dele.

Supondo que a fun c ao distribui c ao conjunta FX ,Y (x , y ) seja cont nua em todas as parte e que a derivada parcial fX ,Y (x , y ) = 2 FX ,Y (x , y ) , x y
exista e seja cont nua em todo o dom nio da fun c ao. Ent ao, denominase a fun c ao fX ,Y (x , y ) a fun c ao densidade de probabilidade conjunta das vari aveis aleat orias X e Y . A fun c ao distribui c ao conjunta FX ,Y (x , y ) e n ao-decrescente tanto em x como em y . Portanto, a fun c ao densidade de probabilidade conjunta fX ,Y (x , y ) e sempre n ao-negativa. Al em disso, o volume total sob o gr aco de uma fun c ao densidade de probabilidade deve ser a unidade, como mostrado por

fX ,Y (, ) d d = 1 ,


A fun c ao de probabilidade conjunta para a vari avel aleat oria X pode ser obtida de sua fun c ao densidade de probabilidade conjunta com uma segunda vari avel aleat oria (digamos, Y ) da seginte maneira:
x
FX (x ) =

fX ,Y (, ) d d .
Portanto, derivando os dois lados da equa c ao acima em rela c ao a x , obtemos a rela c ao
fX (x ) =
fX ,Y (x , ) d ,
Dessa forma, a fun c ao densidade de probabilidade marginal fX (x ) e obtida da fun c ao densidade de probabilidade conjunta FX ,Y (x , y ).

A fun c ao densidade de probabilidade condicional de Y , dado que X = x , e denida por fX ,Y (x , y ) , fY (y |x ) = fX (x ) desde que fX (x ) > 0 onde fX (x ) e a densidade de probabilidade marginal de X . Al em disso, a fun c ao fY (y |x ) satisfaz os seguintes requisitos,
fY (y |x ) 0
fY (y |x ) dy = 1 .
Se as vari aveis aleat orias X e Y forem estatisticamente independentes, ent ao o conhecimento do resultado de x n ao poder a de forma alguma, afetar a distribui c ao de y . Como consequ encia, fY (y |x ) = fY (y )
e fX ,Y (x , y ) = fX (x )fY (y ) .

Exemplo 21
Encontre a constante de normaliza c ao c e as fun c oes densidades de probabilidade marginais da seguinte fdp conjunta: fX ,Y (x , y ) = ce x e y , 0 y x < 0, caso contr ario.
Exerc cio 22
Para o exemplo acima encontre P [X + Y 1]. Resposta: P [X + Y 1] = 1 2e 1
Exerc cio 23
Sejam X e Y as vari aveis aleat orias introduzidas no exemplo acima. Encontre FX (x |y ) e FY (y |x ).
1 2
3 4
5 6 7 8 9
Momentos Conjuntos
Considere o seguinte par de vari aveis aleat orias X e Y . As m edias estat sticas importantes para essas vari aveis s ao os momentos conjuntos,

E X Y
x i y k fX ,Y (x , y )dx dy ,
onde i e k podem assumir quaisquer valores inteiros positivos. Um momento conjunto de especial import ancia e a correla c ao denida por E [XY ]. A correla c ao das vari aveis aleat orias centralizadas X x Y y , ou seja, cov[XY ] = E [(X x )(Y y )] = E [XY ] x y , denomina-se covari ancia de X e Y .
Momentos Conjuntos
2 e 2 indiquem as vari Admita que x ancias de X e Y , respectivay mente. Ent ao, a covari ancia de X e Y , normalizada em rela c ao a x y , denomina-se coeciente de correla c ao de X e Y :
x ,y =
cov[XY ] . x y
Dizemos que duas vari aveis aleat orias X e Y s ao n ao-correlacionadas se e somente se a sua covari ancia for zero. Dizemos que elas s ao ortogonais se e somente se sua correla c ao for zero. Note que se uma das vari aveis aleat orias X e Y ou ambas tiverem valores m edios iguais a zero e forem ortogonais, ent ao elas ser ao n aocorrelacionadas, e vice-versa.
70 / 79
Momentos Conjuntos
Observe tamb em que se X e Y forem estatisticamente independentes, elas ser ao n ao-correlacionadas; entretanto, o inverso dessa arma c ao n ao e necessariamente verdadeiro.
Exemplo 22
Seja uniformemente distribuida no intervalo (0, 2 ). Considere, X = cos e Y = sin .
Verique se X e Y s ao independentes? s ao descorrelacionadas?
Exerc cio 24
Sejam X e Y vari aveis aleat orias discutidas no exemplo anterior. Encontre E [XY ], cov[XY ] e x ,y
71 / 79
1 2
3 4
5 6 7 8 9
Fun co es de v arias vari aveis aleat orias

Considere uma vari avel aleat oria Z como uma fun c ao de v arias vari aveis aleat orias: Z = g (X1 , X2 , . . . , Xn ) A fdc de Z e encontrada determinando-se o evento equivalente {Z z }, isto e, o conjunto Rz = {x = (x1 , x2 , . . . , xn ) tal que g (x ) z }, FZ (z ) = P [X Rz ] =
x Rz
fX1 ,...,Xn (x1 , . . . , xn ) dx1 . . . dxn .
A fdp de Z e ent ao obtida derivando FZ (z ).
Soma de vari aveis aleat orias

Seja Z = X + Y , onde X e Y s ao vari aveis aleat orias independentes, ent ao fZ (z ) =
fX (x )fY (z x )dx ,
que e a integral de convolu c ao da fdp marginal de X e Y .


Divis ao de vari aveis aleat orias
Seja Z = X /Y , onde X e Y s ao vari aveis aleat orias independentes, ent ao
fZ (z ) =
|y |fX ,Y (y z , y )dy .
Transforma c ao de vari aveis aleat orias conjuntas

A transforma c ao de vari aveis aleat orias conjuntas, ilustrada na Figura abaixo, e uma ferramenta poderosa para solucionar problemas em diversas areas.
y
(x, y + dy ) (x + dx, y + dy )
fX,Y (x, y )
(x, y ) (x + dx, y ) (u, v )
fU,V (u, v )
x
Prof. Rodrigo G. Cavalcante (IFBA) Disciplina: Processos Estoc asticos
u

Para deduzir a f ormula que mapeia as vari aveis aleat orias X e Y nas vari aveis aleat orias U e V , e preciso considerar que a probabilidade e conservada para qualquer transforma c ao, ou seja, os volumes diferenciais de entrada e sa da s ao iguais fX ,Y (x , y )dxdy = fU ,V (u , v )dudv . Ou mais especicamente, fX ,Y (x , y ) , |J (x , y )|
fU ,V (u , v ) =
onde |J (x , y )| e o m odulo do determinante do jacobiano da transforma c ao J (x , y ) = u / x v / x u / y v / y


Exemplo 23
Encontre a distribui c ao conjunta das vari aveis aleat orias Z = X + Y e W = X Y , considerando que X e Y s ao vari aveis aleat orias independentes com distribui c ao Gaussiana.
Exerc cio 25
Sejam X e Y duas vari aveis aleat orias com distribui c ao uniforme em (0, 1). Determine a fdp da vari avel aleat oria Z = X + Y .
Encontre a distribui c ao de Rayleigh, isto e, Z = X 2 + Y 2 onde X e Y s ao vari aveis aleat orias independentes Gaussianas de mesmas m edias e vari ancias.
Exerc cio 26
76 / 79
1 2
3 4
5 6 7 8 9
Teorema do Limite Central

Muitos problemas podem envolver uma composi c ao de eventos combinados de maneira que os resultados podem ser reduzidos, de forma exata ou aproximada, por uma soma de vari aveis aleat orias independentes. O estudo deste tipo de fen omeno resulta no mais importante teorema relativo a vari aveis aleat orias: o Teorema do Limite Central.

Seja Sn o somat orio de n vari aveis aleat orias independentes e identicamente distribu das com m edia nita E [X ] = e vari ancia nita 2 , e seja Zn uma vari avel aleat oria de m edia zero, denida por Zn = ent ao 1 lim P [Zn z ] = n 2
Sn n n
z
e x
2 /2
dx
Exemplo 24
Suponha que os valores dos pedidos de um restaurante sejam vari aveis aleat orias iid com = $8 e = $2. Estime a probabilidade que os primeiros 100 clientes gastem um total de mais do que $840. Encontre tamb em a probabilidade que os primeiros 100 clientes gastem um total entre $780 e $820.
Exerc cio 27
O tempo entre eventos de um certo experimento aleat orio e uma vari avel aleat oria exponencial iid com m edia m segundos. Encontre a probabilidade que o mil esimo evento ocorra em um intervalo de tempo de (1000 50)m .
79 / 79

PE Rev Prob PDF

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

PE Rev Prob PDF

Загружено:

Авторское право:

Доступные форматы

Revis ao de Probabilidade

Disciplina: Introdu c ao aos Processos Estoc asticos

Prof. Rodrigo Gusm ao Cavalcante

Departamento de Engenharia El etrica Instituto Federal da Bahia

Prof. Rodrigo G. Cavalcante (IFBA)

Disciplina: Processos Estoc asticos

Prof. Rodrigo G. Cavalcante (IFBA)

Prof. Rodrigo G. Cavalcante (IFBA)

Modelos (Determin stico Probabil stico)

Modelo probabil stico (estoc astico)

Prof. Rodrigo G. Cavalcante (IFBA)

Prof. Rodrigo G. Cavalcante (IFBA)

Disciplina: Processos Estoc asticos

Abordagem da frequ encia relativa

Disciplina: Processos Estoc asticos

Prof. Rodrigo G. Cavalcante (IFBA)

Disciplina: Processos Estoc asticos

P (A1 ) + P (A2 ) + + P (AM ) = 1

Prof. Rodrigo G. Cavalcante (IFBA)

Disciplina: Processos Estoc asticos

Disciplina: Processos Estoc asticos

Al em disso, usando a Regra de Bayes, pode-se obter P (Ai |B ) = P (B |Ai )P (Ai )

Prof. Rodrigo G. Cavalcante (IFBA)

Disciplina: Processos Estoc asticos

b) o n umero total de eventos (admitindo-se todos os subconjuntos de S); c) P (x = 0 y = 1) d) P (y = 1) e) P (x = 0 y = 1)

Prof. Rodrigo G. Cavalcante (IFBA)

c) P (y = 0); d) P (x = 0 y = 2); e) a probabilidade que ocorra um erro na transmiss ao.

Prof. Rodrigo G. Cavalcante (IFBA)

Prof. Rodrigo G. Cavalcante (IFBA)

Vari aveis aleat orias

Vari aveis aleat orias

Prof. Rodrigo G. Cavalcante (IFBA)

Disciplina: Processos Estoc asticos

Vari aveis aleat orias

Vari aveis aleat orias

Disciplina: Processos Estoc asticos

Vari aveis aleat orias

Prof. Rodrigo G. Cavalcante (IFBA)

Disciplina: Processos Estoc asticos

Vari aveis aleat orias

Vari aveis aleat orias

Vari aveis aleat orias

Vari aveis aleat orias

Prof. Rodrigo G. Cavalcante (IFBA)

M edias estat sticas

onde pi = P (X = xi ) e a probabilidade de X ser igual a xi .

M edias estat sticas

M edias estat sticas

Com isso, naturalmente, a m edia de Y e dada por

Entretanto, um procedimento mais simples e escrever

Prof. Rodrigo G. Cavalcante (IFBA)

Disciplina: Processos Estoc asticos

M edias estat sticas

M edias estat sticas

Assim, o n- esimo momento central e dado por

Prof. Rodrigo G. Cavalcante (IFBA)

Disciplina: Processos Estoc asticos

Determine os dois primeiros momentos de X .

Prof. Rodrigo G. Cavalcante (IFBA)

Disciplina: Processos Estoc asticos

Fun c ao Caracter stica

Disciplina: Processos Estoc asticos

Fun c ao Caracter stica