Baixe o app para aproveitar ainda mais
Prévia do material em texto
Engenharia de Produção Processos Estocásticos 5º/6º Semestre Dr. Aroldo Salviato TA 1 Introdução aos Processos Estocásticos Resumo Unidade de Ensino: Introdução aos Processos Estocásticos Competência da Unidade de Ensino: Conhecer os elementos básicos da teoria das distribuições associadas, os tipos de processos e fundamentos de espaços. Resumo: Introdução dos processos estocásticos e à probabilidade, a partir da qual possamos entender o conceito básico dos processos estocásticos, bem como o uso de distribuições de probabilidades, sua classificação, e a abordagem do conceito de espaço. Palavras-chave: Distribuição de Probabilidade; Poisson; Bernoulli Título da teleaula: Introdução aos Processos Estocásticos Teleaula nº:1 Quantas decisões tomamos ao longo do dia? Quantas incertezas afetam o nosso dia? E as decisões de um engenheiro de produção? Será que os processos são sempre precisos? Qual a base de dados para a tomada dessas decisões? Convite ao estudo http://queconceito.com.br/decisao Temos que conseguir entender o comportamento do processo: como você classificaria o comportamento de um processo, quais as diferenças resultantes dessa classificação? Convite ao estudo http://queconceito.com.br/decisao Conhecimentos prévios Processos Estocásticos Enumerável ou discreto. Não enumerável ou contínuo. Processos Estocásticos Processos Estocásticos Conceito probabilístico. Conceito de aleatoriedade De forma geral um processo estocástico é um fenômeno que varia em algum grau, de forma imprevisível, à medida que o tempo passa. um processo estocástico como sendo uma família de variáveis aleatórias {xθ} Processos Estocásticos Para um tempo total T, que será o nosso espaço amostral, teremos uma grande quantidade de valores dependendo cada um de cada tempo t1, t2, t3, t4,..., tn, ou seja, o nosso sistema de variável X, onde X pode ser qualquer tipo de medida ou de observação, será interpretado como um “Estado do sistema no tempo t”, denominado X t, onde t=1,2,3,4,...,n Representado por {Xt: t ∈ T}. Processos Estocásticos A própria palavra estocástico é um sinônimo de aleatório Em cada ponto t do conjunto T, quer dizer, t1,t2,t3,...,tn , pode-se observar uma medida Xt ou uma medida aleatória Xt. {Xt : t ∈ T} Fonte: o autor Processos Estocásticos Propriedades básicas da probabilidade 1. Probabilidade máxima é 1, ou 100%. 2. A probabilidade não pode assumir um valor negativo; ou seja, sempre vai estar entre 0 e 1. 3. Em eventos mutuamente exclusivos, ou seja, eventos que não podem ocorrer ao mesmo tempo, a probabilidade de ocorrência de todos os eventos será a soma da probabilidade de que cada evento ocorra isoladamente, lembrando que a soma das probabilidades é igual a 1. Processos Estocásticos Variável Discreta (sequência aleatória) Assumir apenas um número finito de valores. discreto :{ }, 1,2,3,..., tProcessos em tempo X t n Processos Estocásticos Discreta: o parâmetro θ encontra-se no conjunto de inteiros, representando pontos temporais. Estes caracterizam o processo estocástico no tempo discreto. A notação padrão para processos em tempo discreto é {Xn}. http://www.portalaction.com.br/estatistica-basica/16-histograma Quando um economista mede a taxa mensal de desemprego, o tempo é um indicador igualmente espaçado de quando as observações são feitas. O número de desempregados varia a cada mês de forma aleatória, e o tempo é apenas uma grandeza usada para ordenar os eventos. Neste caso, a variável tempo é discreta. Processos Estocásticos Variável contínua. São aquelas que representam características que podem assumir quaisquer valores numa escala contínua, ou seja, os valores fracionados também fazem parte desta análise. },0 {: tProcessos em tempo contínuo X t Processos Estocásticos Contínua: Se o conjunto for contínuo, teremos um processo estocástico no tempo continuo e usamos a notação {Xt}. Espaço de Estados Os valores que Xt pode assumir são chamados estados, e o conjunto de todos os valores possíveis de Xt , ou seja, de todos os possíveis estados, é chamado de espaço de estados. Processos Estocásticos Definição: um processo estocástico é uma coleção de variáveis aleatórias {Xt} em que t e um índice temporal que assume valores de um dado conjunto T. Tanto Xt como T podem ser contínuos ou discretos, dando origem, assim, a diferentes categorias de modelos. Processos Estocásticos Espaço de estados O conjunto de todos os possíveis estados observáveis é chamado de espaço de estados. Ele pode ser finito, dando uma variável resposta categórica, ou infinito, dando ou uma variável resposta discreta ou continua. Processos Estocásticos Espaço de Parâmetros é o nosso conjunto T. Lembrando: t é o índice que representa a variação do tempo, que pertence a um conjunto T , de modo que {Xt , t ϵ T}. O que são “ESTADOS” Em um ponto qualquer no tempo, um processo esta em algum estado. Isto é normalmente observado registrando o valor de uma variável de resposta em um instante t. Processos Estocásticos - Processos estocásticos de estado discreto e tempo discreto. YATES, Roy D., GOODMAN, David J. Probabilidade e Processos Estocásticos - 3ª edição. LTC, 2016. Processos Estocásticos - Processos estocásticos de estado contínuo e tempo discreto. YATES, Roy D., GOODMAN, David J. Probabilidade e Processos Estocásticos - 3ª edição. LTC, 2016. Processos Estocásticos - Processos estocásticos de estado contínuo e tempo contínuo. - YATES, Roy D., GOODMAN, David J. Probabilidade e Processos Estocásticos - 3ª edição. LTC, 2016. Processos Estocásticos - Processos estocásticos de estado contínuo e tempo discreto. YATES, Roy D., GOODMAN, David J. Probabilidade e Processos Estocásticos - 3ª edição. LTC, 2016. Processos Estocásticos A propriedade Markoviana define que, se o estado atual for conhecido, a probabilidade condicional do próximo estado e independente dos estados anteriores. Para um processo estocástico no tempo discreto com estados discretos, a probabilidade condicional do próximo estado (Xt + 1 = j), dado o estado atual (Xt = i) e todos os estados anteriores ao estado atual, e idêntica a probabilidade condicional para um próximo estado específico, dado um estado atual. Isto pode ser escrito como: Processos Estocásticos Essencialmente, por simplicidade matemática, as distribuições de Poisson, Binomial e Normal, são as mais usadas para modelar a aleatoriedade dos processos estocásticos. ( ) ! v p v e v ( ) Sendo p( ) a probabilidade de contagens no intervalo definido p v v vtaxa média eventosv Processos Estocásticos Distribuição de Bernoulli Na prática muitos experimentos admitem apenas dois resultados. (0 ou 1) ou (sucesso ou fracasso). Resultado de um exame. Concorda ou não com uma afirmação feita. Lançamento de um dado. Lançamento de uma moeda ocorre cara ou coroa. V.A. com distribuição de Bernoulli. Processos Estocásticos Distribuição de Bernoulli Assume apenas dois valores 1 se ocorrer sucesso (S) e 0 se ocorrer fracasso (F), com probabilidade de sucesso p, isto é: Associaremos p, a probabilidade de sucesso, ao evento que nos interessa e 1-p, será a probabilidade de fracasso. Com P(X=0)=q e P(X=1)=p com q = 1-p, então diremos que a variável aleatória X admite distribuição de Bernoulli . O conceito de distribuição de Bernoulli Processos Estocásticos Com P(X=0)=q e P(X=1)=p com q = 1-p, então diremos que a variável aleatória X admite distribuição de Bernoulli Ex: Moeda: Se você jogar a moeda uma única vez,a probabilidade ρ de sair cara (0,5 ou 50%) e um complementar de ρ , que é ρ −1, de sair coroa, ou seja, = 0,5 , assim ambos os resultados apresentam a mesma probabilidade de ocorrência. Portanto, podemos dizer que temos um experimento qualquer λ e um evento A, de modo que esse evento tem probabilidade ρ de acontecer, ou seja, probabilidade de sucesso. Processos Estocásticos 1. Os eventos A são independentes; 2. A probabilidade de sucesso do n-ésimo evento é ρ e a probabilidade de fracasso do n-ésimo elemento é o seu complementar, ρ −1, para qualquer n = 1, 2,.... Processo estocástico será chamado de processo de Bernoulli quando: Processos Estocásticos Os diagramas de transição de estados são uma maneira muito interessante de representar os processos estocásticos. Em um diagrama de transição, tenho a característica de que a probabilidade de ir de um estado à outro, P12 (probabilidade de ir de 1 para 2), se for uma cadeia de Markov, será a probabilidade esperada. Diagramas de transição Processos Estocásticos Probabilidade de transição probabilidade de transição é aquela associada à mudança de estado de um processo Nosso processo está no estado i e irá para o estado j após um determinado tempo t Processos Estocásticos Diagramas de transição p01 = α (ou seja, o sistema estava desocupado e vai para o estado ocupado); p00 =1− α (ou seja, o sistema estava desocupado e continua desocupado); p10 = β (ou seja, o sistema estava ocupado e vai para o estado desocupado); p11 =1− β (ou seja, o sistema permanece ocupado e não pode registrar outra chegada). (Akkari,2017) Processos Estocásticos (Akkari,2017) Processos Estocásticos Um componente funcionando , foi convencionado de 0 e quando este componente queima ele é convencionado como 1. Se após um ano de uso ele ainda estiver funcionando ele tem a probabilidade de 3/5 de funcionar mais um ano. Se ele queimou, a probabilidade de ele funcionar no próximo ano é de ½. Construa a matriz e o diagrama de transição. Processos Estocásticos 00 01 10 11 3 / 5 2 / 5 1/ 2 1/ 2 ij ij P P P P P P Construa a matriz transição e o diagrama de transição Processos Estocásticos Exemplo: A precisão do tempo indica que hoje teremos um dia com Sol (1), entretanto, as probabilidades de mudança são as seguintes: 20% para chuva (2), e 40% para nublado (3) para o próximo dia. Além disso, indica, que caso tenhamos chuva no segundo dia, as probabilidades para o terceiro são 30% de sol e 30% de tempo nublado, e caso tenhamos tempo nublado no segundo dia, as probabilidades de mudança do tempo são as seguintes, 50% para sol e 50% para chuva. Processos Estocásticos
Compartilhar