Baixe o app para aproveitar ainda mais
Prévia do material em texto
Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Guilherme de Alencar Barreto guilherme@deti.ufc.br Grupo de Aprendizado de Ma´quinas – GRAMA Programa de Po´s-Graduac¸a˜o em Engenharia de Teleinforma´tica Universidade Federal do Ceara´ – UFC http://www.deti.ufc.br/∼guilherme c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Conteu´do 1 Objetivo Geral 2 Probabilidade (Definic¸a˜o Axioma´tica) 3 Probabilidade (Definic¸o˜es Alternativas) 4 Probabilidade Conjunta 5 Probabilidade Condicional e Regra de Bayes 6 Aplicac¸o˜es em Eng. Teleinforma´tica 7 Simulac¸o˜es Computacionais 8 Aplicac¸o˜es em Teleinforma´tica c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Objetivo Geral “Definir conceitos relacionados ao tratamento e a` quantificac¸a˜o da incerteza associada a` ocorreˆncia de eventos e fenoˆmenos f´ısicos pro´prios da Engenharia de Teleinforma´tica.” Refereˆncias: 1 R. G. Brown & P. Y. C. Hwang (1992). Introduction to Random Signals and Applied Kalman Filtering, John Wiley & Sons. 2 A. Papoulis & S. U. Pillai (2001). Probability, Random Variables, and Stochastic Processes, McGraw-Hill. 3 W. W. Hines et al. (2006). Probabilidade e Estat´ıstica na Engenharia, Editora LTC, 4a. edic¸a˜o. 4 H. Hsu (1997). Probability, Random Variables, and Random Processes, Colec¸a˜o Schaum. 5 G. A. Barreto - Notas de Aula dispon´ıveis em http://www.deti.ufc.br/∼guilherme. c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Parte I Noc¸o˜es de Probabilidade c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI “ALEA JACTA EST” Traduc¸a˜o: Os dados esta˜o lanc¸ados! General romano Ju´lio Ce´sar ao tomar a decisa˜o de cruzar com suas legio˜es o rio Rubica˜o, que delimitava a divisa entre a Ga´lia ao sul do Alpes e o territo´rio da Ita´lia. c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Etimologia “A palavra probabilidade deriva do latim probare (provar ou testar). Informalmente, prova´vel e´ uma das muitas palavras utilizadas para eventos incertos ou conhecidos, sendo tambe´m substitu´ıda por algumas palavras como ‘sorte’, ‘risco’, ‘azar’, ‘incerteza’, ‘duvidoso’, dentre outros.” Wikipedia c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Etimologia Diciona´rio Houaiss c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Motivac¸a˜o Por que e´ importante estudar Probabilidades em ETI? Construir modelos probabil´ısticos para sistemas ou fenoˆmenos f´ısicos que encontraremos no dia a dia da ETI. Um modelo e´ uma representac¸a˜o simplificada do fenoˆmeno ou sistema de interesse. Um modelo pode ser f´ısico, por exemplo, uma maquete de um edif´ıcio. Em ETI estamos interessados em modelos matema´ticos, i.e. em equac¸o˜es que descrevem as propriedades gerais do sistema. c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Motivac¸a˜o Sobre Modelos Probabil´ısticos Modelos probabil´ısticos sa˜o modelos matema´ticos que descrevem o comportamento de fenoˆmenos aleato´rios. Um modelo adequado permite estudar o comportamento de um sistema sob diferentes condic¸o˜es. Pode-se fazer previso˜es sobre o comportamento do sistema, sem precisar executar testes com o sistema real propriamente dito. Os modelos matema´ticos que constru´ımos sa˜o colocados para rodar em um computador digital (simulac¸a˜o computacional) ou implementados em hardware (circuitos eletroˆnicos). c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Motivac¸a˜o Determin´ıstico versus Probabil´ıstico Pierre-Simon Laplace Werner Heisenberg c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Motivac¸a˜o Determin´ıstico versus Probabil´ıstico Um fenoˆmeno aleato´rio surge, em geral, como resultado de: ⋆ Ignoraˆncia Parcial - Neste caso, possu´ımos apenas conhecimento parcial sobre o mecanismo subjacente gerador do fenoˆmeno observado. ⋆ Complexidade Elevada - Em tese, seria poss´ıvel prever antecipadamente o resultado do lanc¸amento de um dado na˜o-viciado se descrevermos as leis da F´ısica Newtoniana que regem o fenoˆmeno. ⋆ Natureza Intr´ınseca - Pode ser que as leis matema´ticas que governam o comportamento do fenoˆmeno podem ser fundamentalmente aleato´rias (e.g. Mecaˆnica Quaˆntica). c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Breve histo´rico A teoria da probabilidade teve origem em um terreno eminentemente pra´tico: jogos de azar. Girolamo Cardano (1501 - 1576) foi o primeiro a escrever sobre a probabilidade. Jogador erudito, considerado um geˆnio intelectual de seu tempo, pore´m era um trapaceiro dos piores. Em 1654, o nobre franceˆs e jogador Chevalier de Me´re´ suspeitava que a probabilida de obter pelo menos um ”6” em quatro jogadas de um dado era maior que a probabilidade de pelo menos um duplo seis em 24 lanc¸amentos de dois dados. de Me´re´ na˜o possuia as habilidades matema´ticas necessa´rias para confirmar esse fato, propondo o problema a Blaise Pascal. c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Breve histo´rico (cont.) Pascal escreveu a Pierre de Fermat e juntos resolveram a questa˜o, confirmando as suspeitas de de Me´re´. A soluc¸a˜o foi publicada em 1657, no primeiro livro inteiramente dedicado a` teoria da probabilidade, de Christian Huygens: Sobre o Racioc´ınio em Jogos de Azar. Estruturada como disciplina a partir de Jakob Bernoulli (1654-1705)por sua introduc¸a˜o do teorema conhecido como Lei do Grandes Nu´meros. Estrutura definitiva com os trabalhos de Pierre-Simon Laplace, com a publicac¸a˜o das obras: Ensaio Filoso´fico Sobre as Probabilidades (1814) Teoria Anal´ıtica da Probabilidade (1818) c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Conceitos ba´sicos Experimento Aleato´rio E´ um experimento cujo resultado na˜o pode ser predito com certeza antes do experimento ser realizado, muito embora os poss´ıveis resultados possam eventualmente ser enumerados. Exemplos t´ıpicos de experimentos aleato´rios Jogar uma moeda ou um dado. Retirar uma carta de um baralho. Realizar uma medic¸a˜o de uma varia´vel (Por queˆ?). c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Conceitos ba´sicos Observac¸o˜es Importantes Assume-se que o experimento pode ser repetido infinitas vezes sob as mesmas condic¸o˜es. Isto e´ importante porque a teoria de probabilidades esta´ interessada no comportamento de longo prazo dos resultados de um experimento que e´ repetido diversas vezes. A` medida que o nu´mero de repetic¸o˜es aumenta, emergem certos padro˜es na frequ¨eˆncia de ocorreˆncia dos resultados. Uma definic¸a˜o completa de um experimento aleato´rio requer um definic¸a˜o cuidadosa sobre o que chamamos de resultados do experimento. c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Conceitos ba´sicos Espac¸o Amostral e Eventos O espac¸o amostral, S, associado com um experimento e´ a colec¸a˜o de todos os resultados poss´ıveis do experimento. Um evento e´ o conjunto de pontos amostrais com uma dada caracter´ıstica particular. Eventos sa˜o simbolizados por letras maiu´sculas em Ita´lico, por exemplo: A,B,C, ... ou A1, A2, .... Cada ponto amostral e´ chamado evento simples ou um elemento do espac¸o amostral. c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Eventos probabil´ısticos Eventos mutuamente exclusivos E´ natural pensar que os elementos de espac¸o amostral devem ser mutualmente exclusivos ou disjuntos. Ou seja, para um dado experimento, a ocorreˆncia de um evento exclui a ocorreˆncia de um outro. Exemplo: Tirar a sorte no cara ou coroa A = {cara}B = {coroa} 〉 A · B = ∅ (eventos mutuamente exclusivos) c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Definic¸a˜o de Probabilidade Probabilidade: Definic¸a˜o Axioma´tica Uma definic¸a˜o formal de probabilidade e´ baseada em treˆs axiomas. Axioma 1 - A probabilidade de um evento A na˜o pode ser negativa: P (A) ≥ 0 . Axioma 2 - O evento S, que inclui todos os resultados poss´ıveis, deve ter probabilidade unita´ria: P (S) = 1 Axioma 3 - Para eventos mutalmente exclusivos, a probabilidade da unia˜o destes eventos e´ a soma das probabilidades dos eventos individuais: P (A1∪A2∪· · ·An) = P (A1)+P (A2)+ · · ·+P (An) em que o s´ımbolo “∪” denota a unia˜o de eventos. c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Definic¸a˜o de Probabilidade Probabilidade: Definic¸a˜o Axioma´tica (cont.) Com base nos treˆs axiomas, pode-se fazer a seguinte definic¸a˜o: Probabilidades sa˜o quantidades nume´ricas que quantificam a chance de ocorreˆncia de eventos, e que sa˜o na˜o-negativas (axioma 1), aditivas sobre eventos mutuamente exclusivos (axioma 3) e cujo valor ma´ximo e´ igual a 1 sobre todos os resultados mutuamente exclusivos poss´ıveis (axioma 2). c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Definic¸o˜es alternativas de probabilidade Definic¸a˜o Cla´ssica (a priori) A probabilidade de um certo evento A ocorrer, e´ definida como: P (A) = Poss´ıveis resultados favorecendo o evento A Nu´mero total de resultados poss´ıveis (1) Em palavras: “Probabilidade de um evento e´ uma medida nu´merica da chance de ocorreˆncia de um evento de interesse”. Exemplo 1: Qual a probabilidade de se tirar o nu´mero 5 ao jogar um dado? Exemplo 2: Qual a probabilidade de se tirar uma quadra no pquer? E um straight flush? c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Definic¸o˜es alternativas de probabilidade Definic¸a˜o Cla´ssica (cont.-1) Em outras palavras: “A probabilidade de um evento e´ o nu´mero de vezes em que o resultado desejado pode ocorrer, dividido pelo total de resultados poss´ıveis.”. IMPORTANTE - Na definic¸a˜o cla´ssica de probabilidade assumimos implicitamente que os resultados poss´ıveis teˆm todos a mesma chance de ocorrer. c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Definic¸o˜es alternativas de probabilidade Definic¸a˜o Frequ¨entista (a posteriori) Suponha que algue´m realize o experimento de jogar uma moeda quatro vezes, obtendo 3 caras e 1 coroa. Sendo a frequ¨eˆncia de um evento A definida como o nu´mero de observac¸o˜es ou ocorreˆncias de cada evento, pode-se definir a frequ¨eˆncia relativa, f(A), deste evento como: f(A) = Nu´mero de ocorreˆncias do eventoA Nu´mero total de repetic¸o˜es do experimento Assim, f(caras) = 3 4 = 0, 75 e f(coroas) = 1 4 = 0, 25 c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Definic¸o˜es alternativas de probabilidade Definic¸a˜o Frequ¨entista (cont.-1) Questa˜o: A probabilidade teo´rica de se tirar cara ou coroa na˜o e´ 1/2 para cada um dos eventos? Na verdade, define-se probabilidade no sentido frequ¨entista como o valor limite de f(a), para um nu´mero infinito de repetic¸o˜es do experimento. Na pra´tica, “infinito” e´ substitu´ıdo por “grande”!! c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Propriedades de probabilidade Propriedades da probabilidade 1 P (∅) = 0 P (A) = P (A + ∅) = P (A) + P (∅) ⇒ P (∅) = 0 2 P (A) = 1− P (A) P (S) = P (A + A) = 1 ⇒ P (A) + P (A) = 1 ⇒ P (A) = 1− P (A) 3 P (A + B) = P (A) + P (B)− P (AB) A + B = A + AB + AB = A + AB mas A e AB sa˜o mutuamente exclusivos 4 Se A ⊆ B ⇒ P (A) ≤ P (B) B = A + AB, A · (AB) = ∅ P (B) = P (A) + P (AB)︸ ︷︷ ︸ ≥0 c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Definic¸a˜o de Probabilidade Conjunta Probabilidade Conjunta E´ a probabilidade de se obter 2 ou mais eventos espec´ıficos: P (A ∩ B) = P (A e B) = P (AB) (2) Exemplo Hipote´tico Considere o experimento de rolar um par de dados (um verde e outro vermelho) 100 vezes e determinar as probabilidades conjuntas P (Ai, Bj). Os resultados sa˜o mostrados na Tabela a seguir, em que o nu´mero de ocorreˆncias de cada evento esta´ entre pareˆnteses. c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Definic¸a˜o de Probabilidade Conjunta A tabela de probabilidades conjuntas e´ mostrada abaixo. B1 B2 B3 B4 B5 B6 P (Ai) A1 0,03 (3) 0,02 (2) 0,01 (1) 0,01 (1) 0,02 (2) 0,01 (1) 0,10 A2 0,01 (1) 0,01 (1) 0,02 (2) 0,03 (3) 0,03 (3) 0,02 (2) 0,12 A3 0,02 (2) 0,01 (1) 0,02 (2) 0,01 (1) 0,04 (4) 0,03 (3) 0,13 A4 0,01 (1) 0,01 (1) 0,03 (3) 0,02 (2) 0,05 (5) 0,06 (6) 0,18 A5 0,01 (1) 0,02 (2) 0,03 (3) 0,04 (4) 0,06 (6) 0,07 (7) 0,23 A6 0,02 (2) 0,02 (2) 0,02 (2) 0,04 (4) 0,07 (7) 0,07 (7) 0,24 P (Bj) 0,10 0,09 0,13 0,15 0,27 0,26 1,00 Problema Proposto: Calcular a probabilidade de ocorrer o nu´mero 1 no dado verde (evento A1) e o nu´mero 3 no dado vermelho (evento B3), ou seja, determinar P (A1, B3). c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Definic¸a˜o de Probabilidade Marginal Probabilidade Marginal E´ a probabilidade de ocorreˆncia do evento Ai, P (Ai), independentemente dos resultados dos eventos Bj , j = 1, ..., N . P (Ai) = N∑ j=1 P (Ai, Bj) De modo similar, a probabilidade marginal de Bj , P (Bj), e´ dada por: P (Bj) = N∑ i=1 P (Ai, Bj) Problema Proposto: Calcular P (A3) na tabela anterior. c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Definic¸a˜o de Eventos Independentes Eventos Independentes Dois eventos sa˜o ditos independentes se a ocorreˆncia de um deles na˜o afeta a ocorreˆncia do outro. Formalmente, os eventos A e B sa˜o ditos independentes se P (A ∩ B) = P (A)P (B) Neste caso, tem-se que as probabilidades condicionais reduzem-se a`s probabilidades marginais: P (Ai|Bj) = P (Ai) e P (Bj |Ai) = P (Bj) c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Probabilidade condicional Probabilidades condicionais A probabilidade de ocorreˆncia de A dado que ocorreu B e´ dada por: P (A|B) , P (AB) P (B) , P (B) > 0 Por sua vez, a probabilidade de ocorreˆncia de B dado que ocorreu A e´ dada por: P (B|A) , P (AB) P (A) , P (A) > 0 c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Probabilidade de Bayes Probabilidades de Bayes Se isolarmos os numeradores das expresso˜es de P (A|B) e P (B|A), temos que: P (A|B)P (B) = P (AB) = P (B|A)P (A) Assim, podemos escrever: P (A|B) , P (B|A)P (A) P (B) , P (B) > 0 Esta expressa˜o e´ conhecida como “Probabilidade de Bayes. c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Aplicac¸a˜o da Probabilidade Condicional Aplicac¸a˜o 1: Comportamento de um Usua´rio de Celular E´ Poss´ıvel caracterizar (modelar) o comportamento de um usua´rio de telefone celular atrave´s da probabilidade condicional? Definic¸a˜o: Comportamento de um Usua´rio de Celular Por comportamento entende-se o perfil de utilizac¸a˜o do telefone celular por um dado usua´rio ao longo de um per´ıodo de tempo (e.g. 1 dia). Refereˆncia: J. Hollme´n and V. Tresp (1999). ”Call-based fraud detection in mobile communications networks using a hierarchical regime-switching model“, In:Advances in Neural Information Processing Systems, M. Kearns and S. Solla and D. Cone (Eds.). c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Aplicac¸a˜o da ProbabilidadeCondicional Aplicac¸a˜o 1: Caracterizac¸a˜o do Problema Seja Xn ∈ {0, 1} o evento indicando se uma determinada chamada esta´ em curso no instante n, para um dado usua´rio. Xn = 0 (na˜o ha´ chamada em curso no instante n) Xn = 1 (chamada em curso no instante n) De particular interesse sa˜o as probabilidades de transic¸a˜o de uma condic¸a˜o da chamada para outra. Existem 4 situac¸o˜es poss´ıveis: Xn−1 = 0 → Xn = 1 (In´ıcio de uma chamada) Xn−1 = 1 → Xn = 0 (Te´rmino de uma chamada) Xn−1 = 1 → Xn = 1 (Chamada em andamento) Xn−1 = 0 → Xn = 0 (Na˜o-ocorreˆncia de chamada) c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Aplicac¸a˜o da Probabilidade Condicional Aplicac¸a˜o 1: Caracterizac¸a˜o do Problema (cont.-1) Assim, deseja-se para um dado conjunto de medidas de Xn, n = 1, . . . , 1440, determinar as seguintes probabilidades condicionais: p01 = Pr(Xn = 1|Xn−1 = 0) (Prob. iniciar chamada) p10 = Pr(Xn = 0|Xn−1 = 1) (Prob. terminar chamada) p11 = Pr(Xn = 1|Xn−1 = 1) (Prob. continuar chamada) p00 = Pr(Xn = 0|Xn−1 = 0) (Prob. continuar sem chamada) c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Aplicac¸a˜o da Probabilidade Condicional Aplicac¸a˜o 1: Caracterizac¸a˜o do Problema (cont.-2) Um usua´rio hipote´tico poderia ter o comportamento representado na forma de um sinal bina´rio, conforme mostra figura abaixo. 0 5 10 15 20 25 30 0 0.2 0.4 0.6 0.8 1 Passos (n) Es ta do s c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Aplicac¸a˜o da Probabilidade Condicional Aplicac¸a˜o 1: Caracterizac¸a˜o do Problema (cont.-3) O sinal bina´rio usado nesta aplicac¸a˜o foi gerado a partir do co´digo Matlab/Octave mostrado abaixo. c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Aplicac¸a˜o da Probabilidade Condicional Aplicac¸a˜o 1: Caracterizac¸a˜o do Problema (cont.-4) Em que a func¸a˜o aleat(·) e´ definida pelo co´digo abaixo. c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Aplicac¸a˜o da Probabilidade Condicional Aplicac¸a˜o 1: Caracterizac¸a˜o do Problema (cont.-5) Para estimar as probabilidades condicionais (p00, p01, p10 e p11) temos que calcular a seguinte grandeza: pˆij = cij Ni cij e´ a quantidade de transic¸o˜es do estado i para o estado j que ocorrem no sinal observado. Ni e´ a quantidade de transic¸o˜es que saem do estado i. c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Aplicac¸a˜o da Probabilidade Condicional Aplicac¸a˜o 1: Caracterizac¸a˜o do Problema (cont.-6) Os valores estimados das probabilidades condicionais (p00, p01, p10 e p11) a partir do sinal observado foram os seguintes: pˆ01 = 0,0987 pˆ10 = 0,5826 pˆ11 = 0,4174 pˆ00 = 0,9013 de onde conclu´ımos que os valores estimados sa˜o bem pro´ximos dos valores teo´ricos (ver co´digo Matlab mostrado em slides anteriores). c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Aplicac¸a˜o da Probabilidade Condicional Aplicac¸a˜o 2: Canal Bina´rio Sime´trico O mesmo co´digo Matlab mostrado para a Aplicac¸a˜o 1 pode ser usado para simular um modelo de canal de comunicac¸a˜o conhecido como canal bina´rio sime´trico. c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Aplicac¸a˜o da Probabilidade Condicional Aplicac¸a˜o 2: Canal Bina´rio Sime´trico (cont.-1) O canal bina´rio sime´trico so´ pode transmitir um dentre 2 s´ımbolos (geralmente 0 e 1). Um canal na˜o-bina´rio pode transmitir mais de 2 s´ımbolos, possivelmente ate´ infinitos s´ımbolos. A transmissa˜o na˜o e´ perfeita, e ocasionalmente o receptor recebe o bit errado. A probabilidade de erro de bit e´ p. Este canal e´ frequ¨entemente usado em Telecomunicac¸o˜es por ser um dos modelos de canal ruidoso mais simples de analisar. c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Aplicac¸a˜o da Probabilidade Condicional Aplicac¸a˜o 2: Canal Bina´rio Sime´trico (cont.-2) Seja X ∈ {0, 1} um evento probabil´ıstico referente a` transmissa˜o de um bit por um canal ruidoso do tipo bina´rio sime´trico. Seja Y ∈ {0, 1} o evento correspondente a` recepc¸a˜o do bit transmitido. Esquematicamente temos que: c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Aplicac¸a˜o da Probabilidade Condicional Aplicac¸a˜o 2: Canal Bina´rio Sime´trico (cont.-3) O canal bina´rio sime´trico e´ caracterizado por probabilidades condicionais: Pr(Y = 0|X = 0) = 1− p Pr(Y = 0|X = 1) = p Pr(Y = 1|X = 0) = p Pr(Y = 1|X = 1) = 1− p em que 0 ≤ p ≤ 1/2. c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Aplicac¸a˜o da Probabilidade Condicional Aplicac¸a˜o 2: Canal Bina´rio Sime´trico (cont.-4) A capacidade de um canal esta´ associado com o limite superior da quantidade de informac¸a˜o que pode ser confiavelmente transmitida por ele. A capacidade do canal bina´rio sime´trico e´ dada por: 1−Hb(p) em que Hb(p) e´ a func¸a˜o entropia bina´ria. Entropia e´ uma medida da incerteza associada com a observac¸a˜o da varia´vel. c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Aplicac¸a˜o da Probabilidade Condicional Aplicac¸a˜o 2: Canal Bina´rio Sime´trico (cont.-5) A func¸a˜o entropia bina´ria e´ definida como a entropia de uma prova de Bernoulli com probabilidade de sucesso p. Uma prova de Bernoulli e´ um experimento aleato´rio cujo resultado X assume apenas dois valores: 0 ou 1. Se P (X = 1) = p, enta˜o P (X = 0) = q = 1− p. A entropia de X e´, portanto, dada por: Hb(X) = −p log(p)− (1− p) log(1− p) em que adota-se, comumente, logaritmo de base 2. Neste caso, a entropia e´ medida em bits. c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Aplicac¸a˜o da Probabilidade Condicional Aplicac¸a˜o 2: Canal Bina´rio Sime´trico (cont.-6) A entropia pode ser interpretada como o grau de informac¸a˜o que a observac¸a˜o da varia´vel fornece. ⋆ Quanto mais imprevis´ıvel for X , maior sua entropia. ⋆ Quanto menos imprevis´ıvel for X , menor sua entropia. c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Aplicac¸a˜o da Probabilidade Condicional Aplicac¸a˜o 2: Canal Bina´rio Sime´trico (cont.-6) Seja X uma varia´vel aleato´ria discreta com poss´ıveis valores {x1, x2, ..., xn}. A entropia H(X) e´ definida para como: H(X) = − n∑ i=1 p(xi) logb p(xi) em que b e´ a base do logaritmo usado. ⋆ Se b = 2, a unidade da entropia e´ bits. ⋆ Se b = e (nu´mero de Euler), a unidade e´ nats. ⋆ Se b = 10, a unidade e´ dits. c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Regra da probabilidade total Teorema da probabilidade total Sejam A1, A2, A3, . . . , An eventos mutuamente exclusivos P (Ai) > 0, i = 1, 2, . . . , n B ⊂ {A1 + A2 + · · ·+ An} �A �A �A �A �A �A ... B c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Regra da probabilidade total - cont. Teorema da probabilidade total - cont. P (B) = P (BA1) + P (BA2) + · · · + P (BAn) pois B = BA1 + BA2 + · · · + BAn︸ ︷︷ ︸ mutuamente exclusivos P (B) = P (B|A1)P (A1) + · · ·+ P (B|An)P (An) Probabilidade total P (B) = n∑ i=1 P (B|Ai)P (Ai) (3) c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Regra de Bayes Regra de Bayes Inverso do conceito da probabilidade total P (Aj |B) = P (B|Aj) · P (Aj) n∑ i=1 P (B|Ai) · P (Ai) (4) Tambe´m chamada de probabilidade a posteriori c© G. A. Barreto Noc¸o˜es deProbabilidade e Aplicac¸o˜es em ETI Probabilidade Independeˆncia probabil´ıstica Eventos independentes Dois eventos A e B sa˜o independentes se P (A ·B) = P (A) · P (B) Generalizando (para treˆs eventos): A,B e C P (AB) = P (A)P (B) P (AC) = P (A)P (C) P (BC) = P (B)P (C) P (ABC) = P (A)P (B)P (C) c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Independeˆncia probabil´ıstica - cont. Propriedades de eventos independentes 1 P (A|B) = P (A) 2 P (AB) = P (A) · P (B) 3 P (AB) = P (A) · P (B) e P (AB) = P (A) · P (B) Ou seja Se A e B sa˜o independentes, A e B sa˜o independentes e A e B tambe´m o sa˜o c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Eventos conjuntos Eventos conjuntos Dado S (espac¸o amostral), podemos atribuir diferentes atributos aos eventos pertencentes a diferentes classes de Borel S = {x1, x2, . . . , xn}{ A1, A2, · · · , An ∈ F1 B1, B2, · · · , Bn ∈ F2 Exemplo: S = {Joa˜o, Jose´, Maria } (idade,altura) Rescrevendo: S = {(10, 1.50), (30, 1.80), (32, 1.65)} c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Probabilidade Probabilidade marginal Probabilidade marginal A1 + A2 + · · ·+ An = S1 B1 + B2 + · · · + Bn = S2 P (Ai) = n∑ j=1 P (Ai, Bj) P (Bj) = n∑ i=1 P (Ai, Bj) n∑ i=1 n∑ j=1 P (Ai, Bj) = 1 (5) c© G. A. Barreto Noc¸o˜es de Probabilidade e Aplicac¸o˜es em ETI Noções de Probabilidade
Compartilhar