Apoio à Decisão. Aulas 1 e 2. Quem sou eu? Mônica Barros, D.Sc. Programa do Curso Ferramentas de Análise do Excel. Mônica Barros

Tamanho: px
Começar a partir da página:

Download "Apoio à Decisão. Aulas 1 e 2. Quem sou eu? Mônica Barros, D.Sc. Programa do Curso Ferramentas de Análise do Excel. Mônica Barros"

Transcrição

1 Quem sou eu? Métodos Estatísticos sticos de Apoio à Decisão Aulas 1 e 2 Mônica Barros, D.Sc. Mônica Barros Doutora em Séries Temporais PUC-Rio Mestre em Estatística University of Texas at Austin, EUA Bacharel em Matemática University of Washington, Seattle, EUA Professora da PUC-Rio (Depto. De Eng. Elétrica) s: puc-rio.br, monica@mbarros.com Home page: Julho de Programa do Curso Nota Instalação das Ferramentas de Análise do Excel Aula Tipo (T-P-C) Tema Descrição Definições básicas: probabilidade, espaço amostral, eventos, propriedades das probabilidades, 1 T Probabilidade: Definições básicas Probabilidade Condicional, Independência;Teorema de Bayes 2 T Probabilidade: Definições básicas Variáveis Aleatórias Contínuas e Discretas, Função de Probabilidade, Função Densidade, Função de Distribuição, Momentos de uma v.a., Média, Variância e Desvio Padrão 3 T Probabilidade: Definições básicas Variáveis Discretas: Bernoulli, Binomial, Geométrica, Binomial Negativa, Poisson; 4 T Probabilidade: v.a. Contínuas Variáveis Contínuas: Uniforme, Exponencial, Gama, Qui-quadrado, LogNormal, Weibull, t, F 5 T Probabilidade: v.a. Contínuas Variável aleatória Normal 6 P Pratica 1 Aula de exercícios - As funções do Excel para cálculo de probabilidades para v.a. Contínuas e discretas 7 T Probabilidade: v.a. Contínuas O teorema central do limite e a importância da distribuição Normal 8 C 9 T/P 10 T/P 11 T/P CASE 1: Simulação - soma de v.a. e o teorema central do limite CASE 2: Otimização de um portfolio O teorema central do limite na prática - soma de variáveis aleatórias e a convergência para a Normal. simulado - propriedades da média Distribuição da soma de v.a. e da média amostral. Propriedades da média e variância de combinações e variância e o uso do Solver lineares de v.a. - o efeito da correlação. O uso do Solver do Excel. Estatística - estimação pontual e Prática 2 Estimação por máxima verossimilhança e métodos de momentos - Exercícios Estatística - estimação por Intervalos de confiança para amostras Normais e proporção Binomial - Exercícios - intervalos de confiança intervalos e Prática 3 empregando o Excel Estatística - testes de hipóteses e Prática 4 Teste de hipótese para amostrais normais e Exercícios Alterações: inclusão de estatística descritiva na aula 1 Muitas das técnicas descritas aqui requerem a prévia instalação do suplemento ( add-in ) Ferramentas de Análise do Excel. O procedimento de instalação é descrito a seguir: No menu Ferramentas, selecione Suplementos e na caixa de diálogo que será aberta marque a opção Ferramentas de análise. Se esta opção não estiver presente, clique procurar para encontrar o arquivo correspondente (em geral chamado Analys32.xll) ou rode novamente o set-up do MS-Office. 3 4

2 Aula 1 Estatística Descritiva Definições básicas Introdução à Probabilidade Probabilidade Espaço amostral Eventos Propriedades das probabilidades Probabilidade Condicional Independência Teorema de Bayes 5 Estatística Descritiva 6 Prá que serve estatística? stica? Porque nos permite entender e lidar com a idéia de variabilidade. Um exemplo típico é: Produção de parafusos. Uma fábrica produz parafusos, que devem diâmetro dentro de certas especificações. Ao medirmos os diâmetros de 100 parafusos produzidos ao acaso existirão variações individuais. Estas variações são importantes? Até que ponto as variações observadas são aceitáveis? Estatística stica Em geral um número em Estatística não é apenas um número! A ele associamos uma medida de incerteza ou variabilidade. População e Amostra População = coleção de todos os elementos cujas características desejamos conhecer. Os elementos (ou "indivíduos") na população não são necessariamente pessoas! Amostra = subconjunto da população cujas características serão medidas. A amostra será usada para descobrir características da população. 7 8

3 Exemplos 1) População = eleitores na cidade do Rio de Janeiro Amostra = 650 eleitores escolhidos aleatoriamente (ao acaso) Característica de interesse: percentual de eleitores que planejam votar num candidato X nas próximas eleições. 2) População = automóveis produzidos no Brasil entre 1997 e 2002 Amostra = carros escolhidos aleatoriamente dentre os sujeitos a recall das montadoras Característica de interesse: verificar se o proprietário do carro respondeu ao chamado de recall da fábrica Exemplos 3) População = todos os domicílios com TV na cidade do Rio de Janeiro Amostra = 1000 domicílios com TV escolhidos ao acaso Característica de interesse = percentual de audiência de cada emissora de TV num certo dia da semana no horário de 18 às 22 horas. Em resumo: A partir de uma amostra coletamos informações que nos permitem em aprender alguma coisa interessante sobre a população Por que fazer isso? É economicamente eficiente! Os custos são infinitamente mais baixos que os de amostrar a população inteira ( censo ). Pode-se provar que, para populações muito grandes, uma amostra de cerca de 600 ou 1000 "indivíduos" fornece resultados bastante confiáveis sobre as características da população. E agora? Você coletou uma amostra e, dentro desta amostra você coletou dados numéricos (por exemplo, o consumo médio mensal em kwh dos domicílios numa certa área da cidade). O que fazer com isso? Existem 2 possibilidades: Você pode simplesmente descrever estes dados numéricos através de gráficos e tabelas. Isto é chamado de estatística stica descritiva. A maioria das pesquisas de mercado faz só isso, que é sem dúvida, muito importante

4 E agora? Você pode tentar tirar conclusões sobre as características da população a partir dos dados observados na amostra. Isso se chama estatística stica inferencial (ou simplesmente estatística!). Para que a gente consiga fazer isso, é necessário ter uma noção bastante abrangente de Probabilidades. E agora? Na verdade, a estatística descritiva surgiu muito antes da estatística inferencial. Esta última depende da especificação de modelos matemáticos baseados numa noção fundamental, que é a de "probabilidade" Estatística stica descritiva Gráficos ("A picture is worth one thousand words") Histograma Diagramas de Pareto Gráficos de dispersão, gráficos da variável ao longo do tempo, gráficos de barras, etc... Medidas Numéricas Média amostral Mediana amostral Desvio padrão amostral Variância amostral Assimetria e Curtose amostrais Percentis Covariância, Correlação amostrais Alguns gráficos da evolução de variáveis veis ao longo do tempo 15 16

5 Consumo Total Energia Elétrica Jan/1979 a Ago/2006 Consumo de Energia Elétrica - Total Brasil (GWh) - Fonte: Eletrobrás EXEMPLO: Preços de Petróleo Brent e WTI dados diários 02/01/1991 a 03/11/2006 Preços de Petróleo (US$/Barril) - Janeiro de 2000 a Novembro de , , , ,000 12,000 7,000 jan/79 jan/80 jan/81 jan/82 jan/83 jan/84 jan/85 jan/86 jan/87 jan/88 jan/89 jan/90 jan/91 jan/92 jan/93 jan/94 jan/95 jan/96 jan/97 jan/98 jan/99 jan/00 jan/01 jan/02 jan/03 jan/04 jan/05 jan/ /1/2000 4/3/2000 3/5/2000 2/7/ /8/ /10/ /12/ /2/ /4/ /6/ /8/ /10/ /12/ /2/ /4/ /6/ /8/2002 Petróleo WTI 20/10/ /12/ /2/ /4/ /6/ /8/ /10/ /12/ /2/ /4/ /6/ /8/2004 9/10/2004 8/12/2004 6/2/2005 7/4/2005 6/6/2005 5/8/2005 4/10/2005 3/12/2005 1/2/2006 2/4/2006 1/6/ /7/ /9/2006 Petróleo Brent 18 EXEMPLO: IPC-FIPE IPE EXEMPLO: IPC-FIPE IPE jan/95 Inflação FIPE (% a.m) e quadrissemanas - 01/1995 a 10/2006 No gráfico anterior exibimos o IPC-FIPE (o Índice de Preços ao Consumidor da FIPE, um dos mais importantes índices de inflação com suas estimativas quadrissemanais) no período entre 01/1995 e 10/2006. As prévias quadrissemanais servem como indicadores da inflação do próximo mês medida pelo IPC-FIPE. No próximo gráfico exibimos os valores mais recentes (desde 2002) do IPC-FIPE. Inflação - IPC - FIPE Inflação - IPC - FIPE - 1a. quadrissemana Inflação - IPC - FIPE - 2a. quadrissemana Inflação - IPC - FIPE - 3a. quadrissemana 19 20

6 IPC-FIPE IPE desde 2002 Inflação FIPE (% a.m)- 01/2002 a 10/ jan/02 abr/02 jul/02 out/02 jan/03 abr/03 jul/03 out/03 jan/04 abr/04 jul/04 out/04 jan/05 abr/05 jul/05 out/05 jan/06 abr/06 jul/06 out/ INFLAÇÃO - IPC - FIPE (% a.m.) ele.puc puc-rio rio.br 21 IBOVESPA Diário a 06/08/2004 rio Julho de 1994 a Índice de ações - Ibovespa - fechamento (07/1994 a 08/2004) 25,000 20,000 15,000 10,000 5, /06/ /01/ /08/ /03/ /10/ /05/ /12/ /07/ /05/ /12/ /07/ /01/ /09/ /04/ /11/ /06/ /01/ /08/ /03/ /10/ /05/ /12/ /07/ /03/ /09/2000 IBOVESPA Diário a 06/08/2004 rio Julho de 1994 a Parece que a bolsa subiu muito durante quase todo o Plano Real. Será que isso é mesmo verdade? Veja o próximo gráfico, em que comparamos o IBOVESPA em R$ e US$. ele.puc puc-rio rio.br 23 ele.puc puc-rio rio.br 22 IBOVESPA Diário a 06/08/2004 rio Julho de 1994 a IBOVESPA em Pontos em Reais e Dólares /07/ /11/ /03/ /07/ /11/ /04/ /08/ /12/ /04/ /09/ /01/ /05/ /09/ /02/ /06/ /10/ /02/ /06/ /10/ /03/ /07/ /11/ /04/ /08/ /12/ /04/ /08/ /12/ /05/2004 IBOVESPA em Dólares IBOVESPA em R$ ele.puc puc-rio rio.br 24

7 Exemplo - IBOVESPA e DólarD Ibovespa versus Dólar PTAX -10/12/2002 a 12/06/ ,500 Gráfico de Dispersão (uma variável vel versus outra) 14,000 13,500 13,000 12,500 Neste período parece fazer sentido ajustar uma reta e poderíamos estipular um modelo que pudesse prever o IBOVESPA em função da taxa de câmbio 12,000 11,500 11,000 10,500 10,000 9,500 y = x R 2 = , Exemplo - IBOVESPA e Dólar D incorporação de novos dados Ibovespa versus Dólar PTAX -10/12/2002 a 02/03/2004 Exemplo - IBOVESPA e Dólar D incorporação de novos dados Por que o modelo anterior não funciona? 26,000 24,000 22,000 20,000 18,000 16,000 14,000 Claramente, um modelo linear não é mais apropriado quando levamos em consideração os novos dados (entre junho de 2003 e março de 2004) - OU SEJA: O MODELO MUDOU! y = x R 2 = No período entre junho de 2003 e março de 2004 o dólar permaneceu praticamente estável, enquanto o índice Bovespa subiu consideravelmente, como podemos verificar no próximo gráfico. 12,000 10,000 8,

8 Exemplo - IBOVESPA e Dólar D incorporação de novos dados IBOVESPA - 10/12/2002 a 02/03/ ,000 Junho de ,000 21,000 Exemplo - temperaturas Dados:Temperatura máxima (média das máximas) na estação de Santa Cruz (Rio de Janeiro) entre Jan/1982 e Dez/1991. O que fazer com todos estes 120 números? 19,000 17,000 15,000 13,000 11,000 9,000 10/12/02 25/12/02 09/01/03 24/01/03 08/02/03 23/02/03 10/03/03 25/03/03 09/04/03 24/04/03 09/05/03 24/05/03 08/06/03 23/06/03 08/07/03 23/07/03 07/08/03 22/08/03 06/09/03 21/09/03 06/10/03 21/10/03 05/11/03 20/11/03 05/12/03 20/12/03 04/01/04 19/01/04 03/02/04 18/02/04 29 A coisa mais sensata é fazer um gráfico da temperatura versus o índice de tempo (mês e ano). Este gráfico vai revelar o óbvio, isto é, que as temperaturas no verão são mais altas que no inverno! 30 Exemplo - temperaturas Exemplo - temperaturas Além disso, a gente vai perceber que existe um comportamento sazonal nos dados, ou seja, dentro de cada ano a evolução da temperatura se repete mais ou menos da mesma maneira. O gráfico também nos dá uma idéia do quanto a temperatura está variando em todo o período. Por exemplo, pode-se verificar que a temperatura máxima nestes 10 anos está sempre acima de 22 graus jan/82 mai/82 set/82 jan/83 mai/83 set/83 Temperaturas Máximas a 1991 jan/84 mai/84 set/84 jan/85 mai/85 set/85 jan/86 mai/86 set/86 jan/87 mai/87 set/87 jan/88 mai/88 set/88 jan/89 mai/89 set/89 jan/90 mai/90 set/90 jan/91 mai/91 set/

9 Exemplo - temperaturas O gráfico é muito útil, mas certamente não conta a estória toda... Por exemplo, qual será a temperatura média de todos os meses? Dentre os 120 meses, em quantos a temperatura média esteve entre 28 e 33 graus? Qual o percentual de temperaturas entre 22 e 25 graus? Tomando-se os 120 pontos, quais os valores de temperatura tais que 90% dos meses têm temperaturas entre estes dois valores? Exemplo - temperaturas Podemos pensar nestas, e numa infinidade de outras questões. O fato é que um simples gráfico da temperatura versus o tempo não fornece as respostas. O primeiro passo é fazer a distribuição de freqüência dos seus dados. Isto é simplesmente uma medida mais compacta de representação dos dados. Você divide as temperaturas em intervalos (chamados intervalos de classe) e conta quantas observações caem em cada intervalo Exemplo - temperaturas A escolha do número n de intervalos é meio arbitrária. ria. O importante é garantir que o número de classes não seja nem muito grande nem muito pequeno. Se o número de classes for muito pequeno, fica difícil verificar as diferenças entre as classes. Ao contrário, se o número de classes for muito grande, existirão muito poucas observações em cada classe. O primeiro passo é ordenar os dados pois facilita a colocação dos dados em cada classe. Exemplo - temperaturas Escolha do número de classes num diagrama de frequência Seja n o número de intervalos num diagrama de frequência. Recomenda-se escolher n entre 5 e 20. Quanto maior o número de observações, maior o número de intervalos. Geralmente usa-se se n igual à raiz quadrada do número n total de observações ões, que neste caso seria aproximadamente 11. Para facilitar a visualização em geral usamos intervalos com o mesmo comprimento. Também muitas vezes o primeiro intervalo é descrito como "abaixo de um certo valor" e o último como "acima de um certo valor"

10 Exemplo - temperaturas Neste exemplo usamos n = 7, por uma questão puramente prática, pois este número nos permite encontrar intervalos de classe de comprimento 1.9 em todas as classes, exceto a primeira, e todas as classes terminam com uma temperatura que é um número inteiro e par. Neste caso eu decidi considerar 7 classes para as temperaturas. A primeira vai de 24 a 26 graus, a segunda vai de 26.1 a 28 graus e assim sucessivamente. O diagrama de freqüências encontrado está a seguir. Exemplo - temperaturas Classe Frequência Frequência Relativa Frequência Relativa Acumulada graus 7 7/120 = 5.83 % 5.83% graus 31 31/120 = % 31.66% graus 26 26/120 = % 53.33% graus 26 26/120 = % 75.00% graus 25 25/120 = % 95.83% graus 3 3/120 = 2.50 % 98.33% graus 2 2/120 = 1.67 % 100% Totais % Exemplo temperaturas O diagrama de frequências já nos permite responder a diversas outras questões. Por exemplo, a grande maioria (69.17%) das temperaturas máximas está entre 26.1 e 32 graus. Também percebemos que temperaturas máximas acima de 34.1 graus são incomuns (apenas 5 dentre as 120). Veja que outras conclusões você consegue obter a partir deste diagrama. Exemplo - temperaturas A partir de um diagrama de frequências podemos facilmente construir um histograma. Histograma Gráfico de barras, onde o eixo vertical contém as frequências (ou freqüências relativas) e o eixo horizontal contém os intervalos de classes. Muitas vezes faz-se a área de cada barra igual à freqüência relativa de cada classe, de tal forma que a área total sob o histograma é 1 (100%)

11 Histograma produção no Excel Histograma produção no Excel É automática, mas você precisa ter instalado antes o suplemento ( add-in ) de ferramentas de análise de dados. Aliás, este suplemento será muito útil para nós, portanto instale-o Histograma produção no Excel Células contendo os dados Histograma implementação no Excel em Português Células contendo os limites dos intervalos (não precisam ser especificados) mas geralmente quando não os especificamos o Excel gera uns limites meio feios 43 44

12 Histograma produção no Excel Note que este histograma usa intervalos diferentes dos especificados na tabela de freqüência mostrada anteriormente 35 Histograma Histograma Retorno diário do preço o do petróleo WTI 01/1991 a 08/2006 Histograma - Log Retornos Petróleo WTI a Freqüência Frequency A grande maioria dos retornos diários (variações diárias) nesta faixa, mas também variações extremas acima de % -12.2% -11.3% -10.4% -9.5% -8.6% -7.7% -6.8% -6.0% -5.1% -4.2% -3.3% -2.4% -1.5% -0.6% 0.3% 1.2% 2.0% 2.9% 3.8% 4.7% 5.6% 6.5% 7.4% 8.3% 9.2% 10.0% 10.9% 11.8% 12.7% 13.6% 14.5% More Intervalo Bin Diagrama de Pareto Como fazer um diagrama de Pareto? 1) Faça um gráfico de barras colocando a freqüência de cada tipo de evento no eixo vertical, e arranjando os eventos em ordem decrescente de ocorrência. Assim, a primeira barra corresponde ao evento que ocorre com mais freqüência, a segunda barra diz respeito ao segundo evento mais freqüente, e assim por diante. 2) Crie um eixo vertical no lado direito do seu gráfico contendo as freqüências relativas acumuladas. Faça uma linha juntando as frequências relativas acumuladas e a superponha ao gráfico de barras. Exemplo Consumo Residencial Os dados a seguir representam a distribuição de domicílios residenciais por classe de consumo de energia elétrica na área de concessão de uma certa distribuidora de energia. Os dados referemse a uma pesquisa realizada em dezembro de 1995 com uma amostra de 1122 domicílios. Faixas de consumo número de domicílios freqüência relativa 0-50 KWh /1122 = 11.3 % KWh /1122 = 17.7 % KWh % KWh % acima de 300 KWh % Total:

13 Exemplo Consumo Residencial O diagrama de Pareto para estes dados é: Diagrama de Pareto Medidas Numéricas A partir de agora suponha que os dados observados na amostra são x 1, x 2,..., x n. n é o tamanho da amostra. A partir dos x's vamos encontrar números que resumem as características da amostra. Vamos estar interessados em dois tipos principais de medidas numéricas: as que caracterizam a localização do centro da amostra e as que caracterizam a dispersão dos dados KWh KWh KWh acima de 300 KWh 0-50 KWh Medidas Numéricas Medidas de Localização ou de tendência central dizem onde está o "meio" dos seus dados exemplo: média e mediana amostrais Medidas de Dispersão dizem o quanto os seus dados estão espalhados exemplo: desvio padrão e variância amostrais, amplitude amostral 51 Medidas de Tendência Central Média Amostral No Excel: função Média (...) 1 X = n n X i i= 1 Considere agora a amostra x 1, x 2,..., x n e suponha que você a ordene, de tal forma que x (1) seja o menor elemento da amostra, x (2) seja o segundo menor elemento,..., x (n) seja o maior elemento da amostra. Os valores x (1), x (2),..., x (n) são chamados de estatísticas sticas de ordem da amostra. Outras medidas de tendência central e de dispersão serão definidas a partir das estatísticas de ordem. 52

14 Medidas de Tendência Central Mediana É definida a partir das estatísticas de ordem. X m = X n n n X 2 se n, o tamanho da amostra, é par ou se n, o tamanho da amostra, é ímpar Por exemplo, se existem 10 observações na amostra, a mediana equivale à média entre x (5) e x (6). Se a amostra contém 11 elementos, a mediana é x (5). A mediana amostral é menos influenciada que a média por observações aberrantes ( outliers ). Medidas de Tendência Central Por exemplo, se os seus dados são 1,2,3,4,5, a média amostral é: ( )/5 = 3 e a mediana amostral tem o mesmo valor. Se agora os dados são: 1,2,3,4,45, a média amostral é: ( )/5 = 11, mas a mediana amostral continua sendo 3. Logo, a média amostral foi profundamente influenciada por um único valor, e o mesmo não aconteceu com a mediana amostral. No Excel é a função med(...) Medidas de Dispersão Medidas de Dispersão As medidas de tendência central não são as únicas medidas necessárias para caracterizar uma amostra (ou população) Precisamos também saber o quanto as observações na amostra estão " espalhadas". Por exemplo, no gráfico a seguir as populações têm a mesma média, mas certamente a segunda distribuição tem maior dispersão Tem maior dispersão é mais espalhada 55 56

15 Medidas de Dispersão Variância Amostral É a medida mais comum de dispersão. A variância amostral, denotada por s 2 é definida como: s X 2 1 = n 1 n ( X i X ) i= 1 2 Onde é a média amostral. Note que, por definição, a variância amostral é sempre não negativa!!! A unidade de medida da variância é o quadrado da unidade de medida das observações, o que dificulta a sua interpretação. 57 Medidas de Dispersão Desvio Padrão Amostral O desvio padrão amostral, denotado por s, é definido como a raiz quadrada positiva da variância amostral. Pelos comentários anteriores, notamos que s é expresso nas mesmas unidades de medida que as observações na amostra. s= s = 2 n 2 1 n 1 ( Xi X) i= 1 58 Medidas de Dispersão Coeficiente de variação amostral s CV = X É uma medida adimensional, e serve principalmente para comparar duas amostras que foram coletadas em unidades de medida diferentes, por exemplo, uma em cm e outra em polegadas. Amplitude Amostral A X n X = máx mín = ( ) (1) Como obter estatísticas sticas descritivas no Excel? Opção 1 Use as funções apropriadas, por exemplo, média(..), med(...), máximo(...), mínimo(...), desvpad(...),... Opção 2 Use a ferramenta estatística descritiva dentro das opções de análise de dados, como indicado na tela a seguir. Várias outras estatísticas, como a curtose (que mede o peso das caudas (extremos) e a assimetria, são também fornecidas)

16 Como obter estatísticas sticas descritivas no Excel? Como obter estatísticas sticas descritivas no Excel? Células contendo os dados Indicador de nome da variável na 1a. posição da coluna ou linha Produzir estatísticas descritivas Percentis O percentil x% é o ponto tal que, a probabilidade de estar abaixo dele é x%. O percentil 50% é a MEDIANA de um conjunto de dados, e qualquer percentil entre 0 e 100% pode ser encontrado através da função PERCENTIL do Excel. Quartis Primeiro Quartil: Q 1 é o percentil 25%, ou seja, 25% das observações estão abaixo de Q 1 Segundo Quartil: Q 2 - é a mediana Terceiro Quartil: Q 3 é o percentil 75% 63 64

17 Estatísticas sticas Descritivas Retorno do Petróleo WTI 01/1991 a 08/2006 Percentis Retorno do Petróleo WTI 01/1991 a 08/2006 Estatísticas Descritivas - Retorno WTI a agosto 2006 Média 0.017% Mediana 0.071% Moda 0.000% Desvio Padrão 2.38% Variância Curtose Assimetria Amplitude 0.56 Mínimo % Máximo 15.38% Número de Obs. 3,836 5% dos retornos abaixo de -3.53% 90% dos retornos abaixo de +2.51% Percentis 5% -3.53% 10% -2.53% 25% -1.17% 50% 0.07% 75% 1.28% 90% 2.51% 95% 3.45% Análise dos Retornos do IBOVESPA Considere agora os retornos diários do IBOVESPA no período entre 04 de julho de 1994 e 06/08/2004. Defina o retorno diário entre os dias t e t + 1 como: P t+ 1 R = t+ 1 log Pt Histograma dos Retornos IBOVESPA Freqüência Histograma dos retornos diários do IBOVESPA Onde log denota o logaritmo natural (base e) e P t e P t+1 são, respectivamente, os preços nos dias t e t + 1. O retorno definido acima é chamado de retorno geométrico % -3.00% -3.50% -4.00% -4.50% -5.00% -5.50% -6.00% -6.50% -7.00% -1.50% -2.00% 0.00% -0.50% -1.00% Bloco 3.50% 3.00% 2.50% 2.00% 1.50% 1.00% 0.50% Mais 7.00% 6.50% 6.00% 5.50% 5.00% 4.50% 4.00% 68

18 Percentis dos Retornos Percentil Retorno Correspondente 1.0% -6.75% 5.0% -3.90% 10.0% -2.74% 25.0% -1.24% 50.0% 0.13% 75.0% 1.48% 90.0% 2.69% 95.0% 3.66% 99.0% 6.63% 69 Análise dos Retornos do IBOVESPA Uso da função freqüência Produz a freqüência (número de ocorrências num determinado intervalo). Por exemplo, dentre 2501 retornos diários do IBOVESPA, a referência: FREQÜÊNCIA(E$3:E$2503;G7) significa: Olhe para todos os dados em E$3 a E$2503 (são os retornos diários) e conte QUANTOS estão ABAIXO do valor em G7. O gráfico destas frequências é mostrado na próxima página. 70 Análise dos Retornos do IBOVESPA Análise dos Retornos do IBOVESPA 3,000 2,500 2,000 Frequüências Acumuladas - Retornos Diários Se dividirmos cada uma destas freqüências por 2501 obtemos as freqüências relativas acumuladas veremos mais tarde que isso é uma aproximação para a função de distribuição acumulada. 1,500 1, % -7.00% -6.50% -6.00% -5.50% -5.00% -4.50% -4.00% -3.50% -3.00% -2.50% -2.00% -1.50% -1.00% -0.50% 0.00% 0.50% 1.00% 1.50% 2.00% 2.50% 3.00% 3.50% 4.00% 4.50% 5.00% 5.50% 6.00% 6.50% 7.00% 20% 30% 71 Veja o próximo gráfico. 72

19 Análise dos Retornos do IBOVESPA Frequüências Relativas Acumuladas - Retornos Diários 100% 95% 90% 85% 80% 75% 70% 65% 60% 55% 50% 45% 40% 35% 30% 25% 20% 15% 10% 5% 0% % -7.00% -6.50% -6.00% -5.50% -5.00% -4.50% -4.00% -3.50% -3.00% -2.50% -2.00% -1.50% -1.00% -0.50% 0.00% 0.50% 1.00% 1.50% 2.00% 2.50% 3.00% 3.50% 4.00% 4.50% 5.00% 5.50% 6.00% 6.50% 7.00% 20% 30% 73 Assimetria O coeficiente de assimetria amostral é definido como: n n ( X i X ) n ( X i X ) n i= 1 i= 1 γ 3 = = n 3/ 2 n 3/ ( X i X ) ( X i X ) n i= 1 i= 1 Se o coeficiente é zero, seus dados são simétricos em torno da média. Se o coeficiente é positivo (assimetria positiva), existem valores grandes maiores que a média m => existe uma cauda comprida para a direita. 74 Assimetria Assimetria Na curva A acima a assimetria é positiva, a curva B é simétrica e a curva C tem assimetria negativa. Em geral, se a assimetria é positiva, a média é MAIOR que a mediana. O oposto ocorre se a assimetria é negativa (em geral média MENOR que a mediana). Dados com assimetria positiva Distribution for PLD/B10 Mean= % 90% 5% Values in 10^ -6 Dados simétricos Distribution for DEM REAL/B7 9 8 Mean= Values in Millions 5% 90% 5%

20 Curtose É uma medida do achatamento de uma distribuição de probabilidade. Como a distribuição Normal tem curtose igual a 3, usualmente define-se o excesso de curtose, ou seja, o quanto uma distribuição de probabilidade tem mais curtose que a Normal. Curtose Distribuições de retornos de ativos financeiros geralmente tem a cara de uma Normal, mas com excesso de curtose! Ao lado, a curva B é a Normal padrão e a curva A tem excesso de curtose Curtose A fórmula do excesso de curtose é: n ( i ) n X X = 3 ( Xi X) i= 1 i= 1 κ 4 n Definições básicas Introdução à Probabilidade Note que, se os seus dados são Normais, esta medida é próxima de zero

21 Probabilidades Introdução Probabilidade faz parte do nosso dia a dia, por exemplo: A previsão da meteorologia é de (grande chance de) chuvas ao final do dia O Flamengo possui (MUITAS!!!) chances matemáticas de chegar à final A probabilidade do candidato XYZ chegar ao 2o. Turno das eleições presidenciais é pequena... A probabilidade da taxa SELIC cair na próxima reunião do COPOM é alta Probabilidades Introdução Em resumo: estamos SEMPRE falando sobre probabilidades no nosso dia a dia, resta saber como quantificá-las, e quais os MODELOS mais comuns na prática. Na terminologia usual, a probabilidade reflete a chance de um determinado evento ocorrer. Quanto maior a probabilidade, maior a chance de ocorrência de um acontecimento. IMPORTANTE: probabilidade é um número entre 0 e 1 sempre! 82 Experiência Aleatória E por que é necessário estudar probabilidades? Sempre que lidamos com experiências aleatórias, ou seja, toda vez em que o mundo não é determinístico (quase sempre...) Experiência aleatória Aquela cujo resultado não pode ser conhecido antes da realização da mesma, por exemplo: O resultado da jogada de um dado; O número de carros que passam num posto de pedágio num intervalo de meia hora; A cotação do dólar em 02/03/2005; Os números que vão sair no concurso da Mega-Sena da próxima semana; A carga no Sudeste às 18 horas de amanhã. 83 Experiência Aleatória Mas... note que, embora você não saiba exatamente qual o resultado da experiência aleatória, também m não existe ignorância completa sobre o assunto!!! No exemplo da jogada do dado, é claro que os resultados possíveis são {1, 2, 3, 4, 5, 6}, as faces do dado; No caso da Mega-Sena, o conjunto de valores possíveis são os 6 números sorteados no conjunto {0,..., 50} e nos outros exemplos podemos estabelecer um intervalo de valores máximos e mínimos! 84

22 Espaço Amostral É o conjunto de todos os possíveis resultados de uma experiência aleatória. Total de nomes da lista telefônica do Rio de Janeiro (???) Valores entre R$ 1.50 e R$ 150 (cotação do dólar em 02/03/2007) Uma moeda é jogada 3 vezes, e observamos a seqüência de caras (H) e coroas (T). O espaço amostral é S = { HHH, THH, HTH, HHT, TTH, THT, HTT, TTT} Uma lâmpada é fabricada e testada até queimar, e registra-se o tempo de ocorrência deste evento. O espaço amostral é S = { x : x > 0 } O espaço amostral será denotado aqui por S. Evento É um conjunto de possíveis resultados de uma experiência, isto é, um subconjunto do espaço amostral. Nomes na lista telefônica que comecem com P e tenham 5 letras Cotação do dólar entre R$ 3.50 e R$ 8.50 em 02/03/2007. O evento sair 1 cara em 3 jogadas é dado pelo conjunto: { HTT, THT, TTH} O evento lâmpada durar menos de 1000 horas pode ser expresso como: { x : 0 < x < 1000} Evento Da definição segue diretamente que ambos e S são eventos. Se o espaço amostral é finito e possui n elementos, então existem 2 n subconjuntos deste espaço amostral, isto é, existem 2 n eventos. É claro que não podemos dizer quantos eventos existem associados a um espaço amostral infinito. Propriedades de Eventos Se A e B são eventos sua interseção também é um evento! Isso vale também para a interseção entre n eventos. Espaço Amostral Evento A Interseção entre os eventos A e B Evento B 87 88

23 Propriedades de Eventos Se A e B são eventos sua união também é um evento! Esta propriedade é válidade também para a união de n eventos. união entre os eventos A e B Propriedades de Eventos Se A é um evento, o complemento de A, denotado por A C ou A, também é um evento. Espaço Amostral Evento A Evento B A c Espaço Amostral A Eventos mutuamente exclusivos Eventos mutuamente exclusivos os elementos de A não pertencem a B e vice-versa, isto é, A B =. Note que dois eventos complementares são mutuamente exclusivos Definição axiomática de probabilidade A definição axiomática de probabilidade encara probabilidade como uma função cujo domínio é o espaço amostral. A Espaço Amostral B 91 Logo, probabilidade é uma função que sai de S e chega no intervalo [0,1] e por isso precisamos saber lidar com conjuntos, pois o espaço amostral não é necessariamente numérico, como já vimos. 92

24 Definição axiomática de probabilidade Definição axiomática de probabilidade Seja A um subconjunto qualquer do espaço amostral S. Podemos definir uma função P(.) tal que, se A S, então P(A) é a probabilidade de que o resultado da experiência aleatória seja um elemento de A. A probabilidade [0,1] Esta função P(.) "pega" elementos do espaço amostral e os leva num subconjunto dos reais, o intervalo [0,1]. 93 S No entanto, nem toda função que sai de S e chega em [0,1] pode ser chamada de probabilidade, ela tem que satisfazer certas condições. 94 Definição axiomática de probabilidade Seja S o espaço amostral e A um subconjunto qualquer deste espaço. Uma função de probabilidade que atua sobre este espaço amostral satisfaz: i) 0 P(A) 1 para todo A S ii) P(S) = 1 iii) P(A 1 A 2 A 3...) = P(A 1 ) + P(A 2 ) + P(A 3 ) +... onde os A i são mutuamente exclusivos. Esta última propriedade é válida, em particular, quando existe um número finito de termos na união. 95 Definição axiomática de probabilidade A versão mais simples da expressão iii) será usada muitas vezes neste curso, e por isso a colocamos em destaque: P(A 1 A 2 ) = P(A 1 ) + P(A 2 ) se A 1 e A 2 forem mutuamente exclusivos. Estas três propriedades definem o tipo de função que pode ser chamada de "probabilidade". A princípio, existem infinitas funções que mapeiam S em [0,1], mas para ser chamada de probabilidade, uma função deve satisfazer os três requisitos anteriores. 96

25 Propriedades das Probabilidades A partir da definição podemos derivar diversas propriedades importantes. Seja A um subconjunto qualquer de S e A c o seu complemento. Seja P(.) uma probabilidade definida em S. As seguintes propriedades decorrem da definição de probabilidade: P(Ø) = 0 Para todo A S, P(A c ) = 1 - P(A) onde A c éo complemento de A Para todo A S, 0 P(A) 1 = P(S) Para quaisquer A 1 e A 2 em S tais que A 1 A 2 então P(A 1 ) P(A 2 ) Propriedades das Probabilidades Esta última propriedade resulta numa certa ordenação" dentro do espaço amostral, e diz simplesmente que, se um evento A 1 está contido noutro, a probabilidade de A 1 é menor ou igual à probabilidade do evento que o contém. A propriedade a seguir é uma das mais importantes na prática, e nos permite calcular a probabilidade da união de eventos que não são disjuntos Propriedades das Probabilidades Para quaisquer A 1 ea 2 em S: Pr(A 1 A 2 ) = Pr(A 1 ) + Pr(A 2 ) - Pr(A 1 A 2 ) Em particular, se A 1 ea 2 são mutuamente exclusivos: Pr(A 1 A 2 ) = Pr(A 1 ) + Pr(A 2 ) Partição do Espaço Amostral É formada por eventos cuja interseção é nula e cuja união é o próprio espaço amostral. Por exemplo, pessoas numa pesquisa de mercado classificadas em classes de consumo (A, B, C, D) as classes formam uma partição do espaço amostral. Espaço Amostral Esta propriedade é às vezes chamada de lei da adição. A B 99 C D 100

26 Em resumo: casos particulares da lei da adição Eventos mutuamente exclusivos P(A B) = P(A) + P(B), pois P(A B) = 0 Eventos complementares P(A A c ) = P(A) + P(A c ) = 1, já que P(A A c )= 0 Partição do espaço amostral (com 3 eventos) P(A B C) = P(A) + P(B) + P(C) = 1 Exemplo propriedades das probabilidades Um banco possui 10 fundos de investimento. Desses, 6 são de renda fixa, 4 são corporativos e 2 são de renda fixa e corporativos. Se escolhermos um fundo ao acaso, qual é a probabilidade dele ser de renda fixa ou corporativo? Solução (evento A: renda fixa, evento B: corporativo) Universo = 10 elementos P(A B) = P(A) + P(B) P(A B) P(A) = 6/10 = 0.6 P(B) = 4/10 = 0.4 P(A B) = 2/10 = 0.2 P(A B) = = 0.8 ou 80% Probabilidade Condicional Probabilidade Condicional Como será que a probabilidade de um evento muda após s sabermos que um outro evento ocorreu? Isso nos leva à idéia de probabilidade condicional. A idéia de probabilidade condicional é uma das mais importantes deste curso e está intimamente relacionada ao fato da ocorrência de um evento afetar ou não a probabilidade de ocorrência de outro evento. Uma probabilidade condicional nada mais é do que uma probabilidade calculada não mais a partir do espaço amostral inteiro S, e sim a partir de um subconjunto de S. Motivação Um grupo de pessoas inclui 40 com diploma de curso superior, 20 microempresários e 10 que são, ao mesmo tempo, portadores de diploma do curso superior e microempresários. Calcule a probabilidade de alguém ser microempresário sabendo que ele tem diploma de curso superior. Sejam os eventos: A = { pessoa tem diploma de curso superior } B = { pessoa é um microempresário } Seleciona-se uma das 50 pessoas aleatoriamente. Então:

27 Probabilidade Condicional Probabilidade Condicional Pr( A ) = 40/50, Pr( B ) = 20/50 e Pr( A B ) = 10/50 Considere o seguinte evento: a pessoa é microempresária e sabe-se que ela tem diploma de curso superior. A probabilidade deste evento deve ser diferente da probabilidade da pessoa ser microempresária, por que agora o espaço amostral não consiste mais nas 50 pessoas originais, mas apenas naquelas que possuem diploma de curso superior. A probabilidade condicional de que uma pessoa seja microempresária sabendo-se que ela tem diploma de curso superior é dada por: 105 P(A B) / Pr(A) = 10 /40 = 0.25 Ou, em outras palavras, devemos olhar para as 10 pessoas na interseção dentre as 40 pessoas com diploma de curso superior. O nosso mundo, ao calcular a probabilidade condicional, restringe-se às 40 pessoas que têm curso superior, e não mais às 50 pessoas do grupo original. 106 Probabilidade Condicional Probabilidade Condicional Exemplo Em uma amostra de 100 funcionários de uma empresa: 35 são homens e fumantes, Fumantes Homens Homens Fumantes 35 Não fumantes 28 Total são homens e não fumantes, 17 são mulheres fumantes Mulheres Total são mulheres e não fumantes. Qual a probabilidade de um funcionário escolhido ao acaso ser fumante, dado que ele é homem? Mulheres Não fumantes

28 Probabilidade Condicional Note que, quando definimos que o evento B ocorreu (o funcionário é homem), restringimos o espaço amostral à ocorrência do evento A (o funcionário é fumante) O novo universo passa a ser o próprio evento B Fumantes Homens Homens Mulheres Total Fumantes 35 Não fumantes 28 Total Probabilidade Condicional Utilizando o número de elementos de cada conjunto, temos: P(A B) = 35/63 = Ou empregando as probabilidades: P(B) = 63/100 = 0.63 P(A B) = 35/100 = 0.35 P(A B)/P(B) = 0.35/0.63 = Mulheres Não fumantes Novo universo P(A B) Probabilidade Condicional Estes exemplos nos fizeram derivar naturamente a probabilidade condicional do evento B dado o evento A. Em geral, a probabilidade do evento B dado o evento A (ou dado que o evento A ocorreu) é: P (B A) = P(A B)/P(A) Analogamente: P (A B) = P(A B)/P(B) Estas definições só são válidas quando os denominadores forem diferentes de zero. 111 Probabilidade Condicional Ao reordenarmos as expressões anteriores encontramos: P(A B) = P (B A). P(A) = P(A B). P(B) Este resultado é também conhecido como Teorema da Multiplicação. Este teorema nos permite escrever uma probabilidade condicional em termos da probabilidade condicional inversa, o que é útil quando uma delas for difícil de calcular. Em particular: P ( ) ( A B) P( B) P B A = P A ( ) 112

29 Eventos Independentes Dois eventos A e B são chamados de independentes se: Pr ( A B ) = Pr ( A ). Pr ( B ) Do contrário, A e B são eventos dependentes. Probabilidade Condicional Para eventos independentes, P(A B) = (P(A). P(B))/P(B) = P(A) Ou seja, se A e B são independentes, a ocorrência de B não traz qualquer informação adicional sobre A. Independência é uma propriedade muito forte e tem um impacto direto sobre as probabilidades condicionais, como veremos a seguir. 113 Analogamente, se A e B são independentes: P(B A) = P(B) Em termos bastante informais, se A e B são independentes, um evento não tem nada a ver com o outro! 114 Independência e Dependência Exemplo Tomou-se uma amostra com 1000 pessoas num shopping-center com o objetivo de investigar a relação entre renda familiar e posse de cartões de crédito. A partir dos dados da próxima tabela pergunta-se: existe independência entre renda e posse de cartões de crédito? Independência e Dependência Renda Familiar < R$ 500 R$ 501 a R$1000 R$ 1001 a R$ 2000 > R$ 2001 Núm. Cartões ou mais Se existe independência entre as duas variáveis, então Pr(A i B j ) = Pr(A i ).Pr(B j ) para todos i e j, onde A i indica o nível de renda e B j o número de cartões de crédito. Logo, basta provar que a igualdade acima não é válida para ALGUMA célula na tabela para concluir que as duas variáveis são dependentes. Se olharmos para a célula superior esquerda vemos que:

30 Independência e Dependência Pr(renda abaixo de R$ 500 E nenhum cartão) = 0.26 Mas: Pr(renda abaixo de R$ 500) = 330/1000 = 0.33 Pr( 0 cartões de crédito) = 530/1000 = 0.53 E como 0.26 (0.33)(0.53), segue que as variáveis renda familiar e número de cartões de crédito são dependentes. 117 Exemplo Uma caixa contém R bolas vermelhas e B bolas azuis. Vamos tirar 2 bolas da caixa sem repô-las. Qual a probabilidade p da primeira bola ser vermelha e da segunda ser azul? Solução Sejam A e B os seguintes eventos: A = {1a. bola é vermelha} B = {2a. bola é azul} Se o evento A ocorreu, uma bola vermelha foi tirada da caixa. Como não há reposição, a probabilidade de obter uma bola azul na 2a. retirada é: 118 Exemplo Pr ( B A) B = R + B 1 O evento ( A B ) é o evento {1a. bola é vermelha e a 2a. bola é azul}, e sua probabilidade é: P( A B) = p = P ( A). P( B A) R B =. R + B R + B 1 Probabilidade Condicional Como será que a probabilidade de um evento muda após s sabermos que um outro evento ocorreu? Isso nos leva à idéia de probabilidade condicional. Uma probabilidade condicional nada mais é do que uma probabilidade calculada não mais a partir do espaço amostral inteiro S, e sim a partir de um subconjunto de S. Já vimos que a definição de prob. condicional é: P (B A) = P(A B)/P(A) e, analogamente, P (A B) = P(A B)/P(B)

31 Probabilidade Condicional Estas duas últimas expressões em conjunto nos levam ao resultado conhecido como Teorema da Multiplicação ão: P(A B) = P (B A). P(A) = P(A B). P(B) A partir desta última expressão: P P = ( B A) ( A B) P( B) P( A) Exemplo Numa certa cidade 40% das pessoas são homens e 60% mulheres. Também, 50% dos homens e 30% das mulheres fumam. Ache a probabilidade de que uma pessoa seja homem, dado que esta pessoa é fumante. Solução Pr ( H ) = 0.4 = probabilidade de selecionar um homem Pr ( M ) = 0.6 = probabilidade de selecionar uma mulher Seja S o evento: "uma pessoa é fumante". Então: Pr (S H ) = 0.5 e Pr ( S M ) = 0.3. Desejamos encontrar Pr ( H S ) Exemplo Pela definição de probabilidade condicional: ( H S ) ( H S ) Pr( S ) Pr Pr Pr = = ( S H ) Pr( H ) Pr( S ) Mas Pr (H) e Pr (S H) são conhecidas, e então só é preciso calcular Pr (S) (a probabilidade de um fumante na população). Mas, note que: Exemplo Finalmente: ( H S) Pr( S ) ( S H ) Pr( H ) Pr( S ) ( 0.5)( 0.4) ( 0.38) Pr Pr Pr ( H S) = = = = = = S = (S M) (S H) e os conjuntos (S M) e (S H) são disjuntos Pr ( S ) = Pr ( S M ) + Pr ( S H ) = = Pr ( S H ).Pr ( H ) + Pr ( S M ).Pr ( M ) = = ( 0.5 ) ( 0.4 ) + ( 0.3 ) ( 0.6 ) =

32 Independência Dois eventos A e B são independentes se: Pr ( A B ) = Pr ( A ). Pr ( B ) Se A e B são independentes, então as probabilidades condicionais são iguais às incondicionais, isto é: P(A B) = (P(A). P(B))/P(B) = P(A) P(B A) = P(B) Em outras palavras, se A e B são independentes, A não traz qualquer informação sobre B (e vice-versa). 125 Independência para mais de dois eventos Considere uma coleção de n eventos A 1, A 2,..., A n. Estes eventos são independentes se, e somente se: i) Pr ( A 1 A 2... A n ) = = Pr(A 1 ). Pr(A 2 )... Pr(A n ) e, ii) Toda sub-coleção de eventos contendo mais de dois e menos de n eventos é independente. 126 Independência para mais de dois eventos No caso de 3 eventos A, B e C, a independência ocorre se TODAS as condições abaixo são satisfeitas: Partição do Espaço Amostral Uma partição do espaço amostral é uma coleção de eventos mutuamente exclusivos cuja união é o próprio S (espaço amostral), como nas figuras a seguir. 1) Pr( A B) = Pr(A).Pr(B) 2) Pr( A C) = Pr(A).Pr(C) 3) Pr( B C) = Pr(B).Pr(C) 4) Pr( A B C) = Pr(A).Pr(B).Pr(C) B1 B8 B7 B2 B6 B5 B3 B4 A C B D

33 Partição do Espaço Amostral Em termos formais, os eventos B 1, B 2,..., B k formam uma partição do espaço amostral S se: 1) B i B j = para todo i j 2) B i = S 3) Pr( B i ) > 0 para todo i Partição do Espaço Amostral Suponha que A é um evento qualquer em S e B 1, B 2,..., B 8 formam uma partição de S, como na figura a seguir. B1 B2 B3 Para que serve uma partição? Podemos escrever qualquer evento no espaço amostral em termos das suas interseções com os conjuntos que formam uma partição do espaço amostral. B8 B7 A B6 B5 B Partição do Espaço Amostral Então podemos escrever o evento A em termos das suas interseções com cada elemento da partição (neste exemplo, B 1 a B 8 ). A = (A B 1 ) (A B 2 ) (A B 3 )... (A B k ) Mas, os (A B i ) são mutuamente exclusivos, e assim é muito fácil calcular a probabilidade da sua união (basta somar as probabilidades). Logo: Pr(A) = Pr (A B 1 ) + Pr (A B 2 ) + Pr (A B 3 ) Pr (A B k ) Mas, cada uma destas probabilidades pode ser escrita em termos de probabilidades condicionais. Teorema da Probabilidade Total É um resultado que decorre diretamente das propriedades de uma partição, como mostrado nas transparências anteriores. Note que: Pr(A) = Pr (A B 1 ) + Pr (A B 2 ) + Pr (A B 3 ) Pr (A B k ) Mas: Pr (A B i ) = Pr( B i ). Pr(A B i ) para i =1, 2,..., k. Combinando estes dois resultados fornece o teorema da probabilidade total

34 Teorema da Probabilidade Total Sejam B 1, B 2,..., B k uma partição de S e A um evento qualquer em S. Então: Pr(A) = Pr(B 1 ).Pr(A B 1 ) + Pr(B 2 ).Pr(A B 2 ) Pr(B k ).Pr(A B k ) O caso mais simples ocorre quando a partição é composta por apenas 2 eventos, B e seu complemento, B c. Neste caso: Pr(A) = Pr(B).Pr(A B) + Pr(B c ).Pr(A B c ) 133 Teorema de Bayes É um resultado muito útil em Probabilidade, que mistura os teoremas da multiplicação e da probabilidade total. Sejam B 1, B 2,..., B k uma partição de S e A um evento qualquer em S. Então: Pr ( ) ( Bi A) Pr( Bi A) Pr( A Bi ) Pr( Bi ) Pr Bi A = = = k k Pr( A) Pr A B Pr B Pr A B Pr B j= 1 ( ) ( ) ( ) ( ) Para qualquer evento B i na partição e qualquer A. j j j= j j Teorema de Bayes Para que serve? Muitas vezes conseguimos encontrar partições de S que são óbvias ou naturais ; O teorema de Bayes nos permite inverter probabilidades condicionais, escrevendo uma probabilidade condicional que (esperamos!) é difícil de calcular diretamente em termos de probabilidades fáceis de calcular. 135 Teorema de Bayes Cuidados ao usar o Teorema de Bayes ESCREVA OS EVENTOS DE INTERESSE. NÃO TENTE RESOLVER OS PROBLEMAS DE CABEÇA PARA MINIMIZAR SUAS CHANCES DE ERRO! 136

35 Exemplo - Bayes Exemplo - Bayes Os funcionários de uma empresa se dividem em 3 grupos: economistas, engenheiros e analistas de sistemas. Estes funcionários podem ocupar cargos técnicos ou gerenciais. Sabemos que: 40% dos funcionários são economistas, 30% dos funcionários são engenheiros e 30% dos funcionários são analistas de sistemas. O percentual de cada grupo ocupando cargos gerenciais é: 30% dos economistas, 40% dos engenheiros, 10% dos analistas de sistemas. a) Seleciona-se um funcionário aleatoriamente. Qual a probabilidade dele ocupar um cargo gerencial? b) Seleciona-se uma pessoa ao acaso na empresa e sabe-se que ela ocupa um cargo de gerência. Qual a probabilidade dela ter vindo de cada um dos três grupos, ou seja, dado que a pessoa é um gerente, qual a probabilidade dela ser economista, engenheiro ou analista de sistemas? Exemplo - Bayes Solução a) Considere os eventos: A 1 = {economistas}, A 2 = {engenheiros}, A 3 = {analistas de sistemas}, G = {cargo de gerência} Exemplo - Bayes Queremos encontrar Pr(G). Mas: Pr(G) = Pr(G A 1 ) + Pr(G A 2 ) + Pr(G A 3 ) = = Pr(A 1 ). Pr(G A 1 ) + Pr(A 2 ). Pr(G A 2 ) + Pr(A 3 ). Pr(G A 3 ) Sabemos que: Pr(A 1 ) = 0.40, Pr(A 2 ) = 0.30, Pr (A 3 ) = Também: Pr(G A 1 ) = 0.30, Pr(G A 2 ) = 0.40 e Pr(G A 3 ) = A substituição dos valores resulta em: Pr(G) = (0.40)(0.30) + (0.30)(0.40) + (0.30)(0.10) = (0.30)(0.90) = 27 %

36 Exemplo - Bayes Queremos descobrir Pr(A i G) para i = 1, 2, 3. Isto é uma aplicação direta do teorema de Bayes, já facilitada por que conhecemos o denominador (Pr(G)). Pr(G) = 0.27 (já calculado) Pr(A 1 G) = Pr(G A 1 ). Pr(A 1 )/0.27 = (0.30)(0.40)/0.27 = 44.4% Pr(A 2 G) = Pr(G A 2 ). Pr(A 2 )/0.27 = (0.40)(0.30)/0.27 = 44.4% Pr(A 3 G) = Pr(G A 3 ). Pr(A 3 )/0.27 = (0.30)(0.10)/0.27 = 11.2% 141 Exemplo - Bayes Uma empresa de telefonia celular quer saber como funciona a relação entre o uso do telefone e a renda de seus clientes. Uma pesquisa anterior revelou que: 10% dos clientes pertencem à classe A. 21% dos clientes pertencem à classe B. 35% dos clientes pertencem à classe C. 34% dos clientes pertencem à classe D. Dentre os clientes da classe A, 20% usam telefone pré-pago. Dentre os clientes da classe B, 40% usam telefone pré-pago. 142 Exemplo - Bayes Exemplo - Bayes Dentre os clientes da classe C, 90% usam telefone pré-pago. Dentre os clientes da classe D, 98% usam telefone pré-pago. Um cliente é escolhido aleatoriamente e tem o serviço pré-pago. Qual a probabilidade dele pertencer a cada uma das classes? Solução Aqui a partição natural da população já existe - os clientes estão divididos em classes de consumo. Se soubermos que alguém usa um telefone pré-pago, como isso afeta a probabilidade da pessoa estar em cada uma das classes de consumo? 143 Suponha que A, B, C, D indicam, respectivamente, os eventos pertencer à classe A, pertencer à classe B, etc... Seja G o evento usar celular pré-pago. Então, do enunciado do problema: P(A) = 0.10, P(B) =0.21, P(C) = 0.35, P(D) = P(G A) = 0.20, P(G B) =0.40, P(G C) =0.90, P(G D) =

37 Exemplo - Bayes Exemplo - Bayes A probabilidade de um cliente escolhido ao acaso usar celular pré-pago é (pelo Teorema da Probabilidade Total): P( G) = P( G A) P( A) + P( G B) P( B) + P( G C) P( C) + P( G D) P( D) = ( 0.20)( 0.10) + ( 0.40)( 0.21) + ( 0.90)( 0.35) + ( 0.98)( 0.34) = Escolhe-se um cliente ao acaso, e observa-se que ele usa celular pré-pago. Qual a probabilidade dele pertencer a cada uma das classes de consumo? 145 = Agora o Teorema de Bayes entra em ação, mas, como já calculamos o denominador (a probabilidade de alguém ser cliente prépago), o cálculo se resume ao Teorema da Multiplicação. P P P P ( A G) ( B G) ( C G) ( D G) P = P = P = P = ( G A) P( A) ( 0.10)( 0.20) = P( G) ( G B) P( B) ( 0.21)( 0.40) = P( G) ( G C) P( C) ( 0.35)( 0.90) = P( G) ( G D) P( D) ( 0.34)( 0.98) = P( G) = 2.66% = 11.17% = 41.88% = 44.30% 146 Exemplo - Bayes Note que as probabilidades condicionais (dado que o cliente é pré-pago) são diferentes das incondicionais, e então existe DEPENDÊNCIA entre o uso do celular pré-pago e a classe de consumo! Exemplo - Bayes No outro extremo, a probabilidade de um cliente qualquer ser da classe D é 34%. Dada a informação de que o cliente é prépago, a probabilidade dele ser classe D sobe para 44.3%. Por exemplo, a probabilidade de um cliente qualquer ser da classe A é 10%, mas se soubermos que o cliente é um usuário de pré-pago, a probabilidade dele ser de classe A cai para 2.66%

Estatística stica para Metrologia

Estatística stica para Metrologia Estatística stica para Metrologia Aula 2 Definições básicas Introdução à robabilidade Mônica Barros, D.Sc. Março o de 2008 1 2 robabilidades Introdução robabilidade faz parte do nosso dia a dia, por exemplo:

Leia mais

Aula 4 Estatística Conceitos básicos

Aula 4 Estatística Conceitos básicos Aula 4 Estatística Conceitos básicos Plano de Aula Amostra e universo Média Variância / desvio-padrão / erro-padrão Intervalo de confiança Teste de hipótese Amostra e Universo A estatística nos ajuda a

Leia mais

Aula 4 Conceitos Básicos de Estatística. Aula 4 Conceitos básicos de estatística

Aula 4 Conceitos Básicos de Estatística. Aula 4 Conceitos básicos de estatística Aula 4 Conceitos Básicos de Estatística Aula 4 Conceitos básicos de estatística A Estatística é a ciência de aprendizagem a partir de dados. Trata-se de uma disciplina estratégica, que coleta, analisa

Leia mais

Exercícios Teóricos Resolvidos

Exercícios Teóricos Resolvidos Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Matemática Exercícios Teóricos Resolvidos O propósito deste texto é tentar mostrar aos alunos várias maneiras de raciocinar

Leia mais

Noções de Probabilidade

Noções de Probabilidade Noções de Probabilidade Bacharelado em Economia - FEA - Noturno 1 o Semestre 2015 Gilberto A. Paula G. A. Paula - MAE0219 (IME-USP) Noções de Probabilidade 1 o Semestre 2015 1 / 59 Objetivos da Aula Sumário

Leia mais

O comportamento conjunto de duas variáveis quantitativas pode ser observado por meio de um gráfico, denominado diagrama de dispersão.

O comportamento conjunto de duas variáveis quantitativas pode ser observado por meio de um gráfico, denominado diagrama de dispersão. ESTATÍSTICA INDUTIVA 1. CORRELAÇÃO LINEAR 1.1 Diagrama de dispersão O comportamento conjunto de duas variáveis quantitativas pode ser observado por meio de um gráfico, denominado diagrama de dispersão.

Leia mais

CAPÍTULO I - ELEMENTOS DE PROBABILIDADE

CAPÍTULO I - ELEMENTOS DE PROBABILIDADE CAPÍTULO I - ELEMENTOS DE PROBABILIDADE 1.1 INTRODUÇÃO Em geral, um experimento ao ser observado e repetido sob um mesmo conjunto especificado de condições, conduz invariavelmente ao mesmo resultado. São

Leia mais

Unidade 11 - Probabilidade. Probabilidade Empírica Probabilidade Teórica

Unidade 11 - Probabilidade. Probabilidade Empírica Probabilidade Teórica Unidade 11 - Probabilidade Probabilidade Empírica Probabilidade Teórica Probabilidade Empírica Existem probabilidade que são baseadas apenas uma experiência de fatos, sem necessariamente apresentar uma

Leia mais

Resoluções comentadas de Raciocínio Lógico e Estatística SEFAZ - Analista em Finanças Públicas Prova realizada em 04/12/2011 pelo CEPERJ

Resoluções comentadas de Raciocínio Lógico e Estatística SEFAZ - Analista em Finanças Públicas Prova realizada em 04/12/2011 pelo CEPERJ Resoluções comentadas de Raciocínio Lógico e Estatística SEFAZ - Analista em Finanças Públicas Prova realizada em 04/1/011 pelo CEPERJ 59. O cartão de crédito que João utiliza cobra 10% de juros ao mês,

Leia mais

Eventos independentes

Eventos independentes Eventos independentes Adaptado do artigo de Flávio Wagner Rodrigues Neste artigo são discutidos alguns aspectos ligados à noção de independência de dois eventos na Teoria das Probabilidades. Os objetivos

Leia mais

Capítulo 5: Aplicações da Derivada

Capítulo 5: Aplicações da Derivada Instituto de Ciências Exatas - Departamento de Matemática Cálculo I Profª Maria Julieta Ventura Carvalho de Araujo Capítulo 5: Aplicações da Derivada 5- Acréscimos e Diferenciais - Acréscimos Seja y f

Leia mais

4Distribuição de. freqüência

4Distribuição de. freqüência 4Distribuição de freqüência O objetivo desta Unidade é partir dos dados brutos, isto é, desorganizados, para uma apresentação formal. Nesse percurso, seção 1, destacaremos a diferença entre tabela primitiva

Leia mais

PROBABILIDADE Prof. Adriano Mendonça Souza, Dr.

PROBABILIDADE Prof. Adriano Mendonça Souza, Dr. PROBABILIDADE Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística - PPGEMQ / PPGEP - UFSM - O intelecto faz pouco na estrada que leva à descoberta, acontece um salto na consciência, chameo de

Leia mais

CONCEITOS. Evento: qualquer subconjunto do espaço amostral. Uma primeira idéia do cálculo de probabilidade. Eventos Teoria de conjuntos

CONCEITOS. Evento: qualquer subconjunto do espaço amostral. Uma primeira idéia do cálculo de probabilidade. Eventos Teoria de conjuntos INTRODUÇÃO À PROAILIDADE Exemplos: O problema da coincidência de datas de aniversário O problema da mega sena A teoria das probabilidade nada mais é do que o bom senso transformado em cálculo A probabilidade

Leia mais

PROBABILIDADE. Aula 5

PROBABILIDADE. Aula 5 Curso: Psicologia Disciplina: Métodos Quantitativos Profa. Valdinéia Data: 28/10/15 PROBABILIDADE Aula 5 Geralmente a cada experimento aparecem vários resultados possíveis. Por exemplo ao jogar uma moeda,

Leia mais

Os gráficos estão na vida

Os gráficos estão na vida Os gráficos estão na vida A UUL AL A Nas Aulas 8, 9 e 28 deste curso você já se familiarizou com o estudo de gráficos. A Aula 8 introduziu essa importante ferramenta da Matemática. A Aula 9 foi dedicada

Leia mais

Dois eventos são disjuntos ou mutuamente exclusivos quando não tem elementos em comum. Isto é, A B = Φ

Dois eventos são disjuntos ou mutuamente exclusivos quando não tem elementos em comum. Isto é, A B = Φ Probabilidade Vimos anteriormente como caracterizar uma massa de dados, como o objetivo de organizar e resumir informações. Agora, apresentamos a teoria matemática que dá base teórica para o desenvolvimento

Leia mais

FUNÇÃO DE 1º GRAU. = mx + n, sendo m e n números reais. Questão 01 Dadas as funções f de IR em IR, identifique com um X, aquelas que são do 1º grau.

FUNÇÃO DE 1º GRAU. = mx + n, sendo m e n números reais. Questão 01 Dadas as funções f de IR em IR, identifique com um X, aquelas que são do 1º grau. FUNÇÃO DE 1º GRAU Veremos, a partir daqui algumas funções elementares, a primeira delas é a função de 1º grau, que estabelece uma relação de proporcionalidade. Podemos então, definir a função de 1º grau

Leia mais

MÓDULO 4 DISTRIBUIÇÃO DE FREQÜÊNCIAS

MÓDULO 4 DISTRIBUIÇÃO DE FREQÜÊNCIAS MÓDULO 4 DISTRIBUIÇÃO DE FREQÜÊNCIS Como vimos no módulo 1, para que nós possamos extrair dos dados estatísticos de que dispomos a correta análise e interpretação, o primeiro passo deverá ser a correta

Leia mais

CAP5: Amostragem e Distribuição Amostral

CAP5: Amostragem e Distribuição Amostral CAP5: Amostragem e Distribuição Amostral O que é uma amostra? É um subconjunto de um universo (população). Ex: Amostra de sangue; amostra de pessoas, amostra de objetos, etc O que se espera de uma amostra?

Leia mais

Cálculo das Probabilidades e Estatística I

Cálculo das Probabilidades e Estatística I Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Introdução a Probabilidade Existem dois tipos

Leia mais

Aula 1: Introdução à Probabilidade

Aula 1: Introdução à Probabilidade Aula 1: Introdução à Probabilidade Prof. Leandro Chaves Rêgo Programa de Pós-Graduação em Engenharia de Produção - UFPE Recife, 07 de Março de 2012 Experimento Aleatório Um experimento é qualquer processo

Leia mais

COMO CALCULAR A PERFORMANCE DOS FUNDOS DE INVESTIMENTOS - PARTE I

COMO CALCULAR A PERFORMANCE DOS FUNDOS DE INVESTIMENTOS - PARTE I COMO CALCULAR A PERFORMANCE DOS FUNDOS DE INVESTIMENTOS - PARTE I O que é o Índice de Sharpe? Como calcular o Índice de Sharpe? Revisão do conceito de risco. O desvio-padrão como medida de risco. Autor:

Leia mais

NOÇÕES DE PROBABILIDADE

NOÇÕES DE PROBABILIDADE NOÇÕES DE PROBABILIDADE ? CARA? OU? COROA? ? Qual será o rendimento da Caderneta de Poupança até o final deste ano??? E qual será a taxa de inflação acumulada em 011???? Quem será o próximo prefeito de

Leia mais

Probabilidades: Função massa de probabilidades ou função distribuição de probabilidade ou modelo de probabilidade:

Probabilidades: Função massa de probabilidades ou função distribuição de probabilidade ou modelo de probabilidade: Exame MACS- Probabilidades Probabilidades: Função massa de probabilidades ou função distribuição de probabilidade ou modelo de probabilidade: Nos modelos de probabilidade: há uma primeira fase em que colocamos

Leia mais

Disponibilizo a íntegra das 8 questões elaboradas para o Simulado, no qual foram aproveitadas 4 questões, com as respectivas resoluções comentadas.

Disponibilizo a íntegra das 8 questões elaboradas para o Simulado, no qual foram aproveitadas 4 questões, com as respectivas resoluções comentadas. Disponibilizo a íntegra das 8 questões elaboradas para o Simulado, no qual foram aproveitadas questões, com as respectivas resoluções comentadas. Amigos, para responder às questões deste Simulado, vamos

Leia mais

Capítulo 3 Modelos Estatísticos

Capítulo 3 Modelos Estatísticos Capítulo 3 Modelos Estatísticos Slide 1 Resenha Variáveis Aleatórias Distribuição Binomial Distribuição de Poisson Distribuição Normal Distribuição t de Student Distribuição Qui-quadrado Resenha Slide

Leia mais

Distribuição de probabilidades

Distribuição de probabilidades Luiz Carlos Terra Para que você possa compreender a parte da estatística que trata de estimação de valores, é necessário que tenha uma boa noção sobre o conceito de distribuição de probabilidades e curva

Leia mais

Experimentos Aleatórios e Espaços Amostrais

Experimentos Aleatórios e Espaços Amostrais Experimentos Aleatórios e Espaços Amostrais Cláudio Tadeu Cristino 1 1 Universidade Federal Rural de Pernambuco, Recife, Brasil Primeiro Semestre, 2012 C.T.Cristino (DEINFO-UFRPE) Experimentos Aleatórios

Leia mais

Cotagem de dimensões básicas

Cotagem de dimensões básicas Cotagem de dimensões básicas Introdução Observe as vistas ortográficas a seguir. Com toda certeza, você já sabe interpretar as formas da peça representada neste desenho. E, você já deve ser capaz de imaginar

Leia mais

AV1 - MA 12-2012. (b) Se o comprador preferir efetuar o pagamento à vista, qual deverá ser o valor desse pagamento único? 1 1, 02 1 1 0, 788 1 0, 980

AV1 - MA 12-2012. (b) Se o comprador preferir efetuar o pagamento à vista, qual deverá ser o valor desse pagamento único? 1 1, 02 1 1 0, 788 1 0, 980 Questão 1. Uma venda imobiliária envolve o pagamento de 12 prestações mensais iguais a R$ 10.000,00, a primeira no ato da venda, acrescidas de uma parcela final de R$ 100.000,00, 12 meses após a venda.

Leia mais

Espaço Amostral ( ): conjunto de todos os

Espaço Amostral ( ): conjunto de todos os PROBABILIDADE Espaço Amostral (): conjunto de todos os resultados possíveis de um experimento aleatório. Exemplos: 1. Lançamento de um dado. = {1,, 3, 4,, 6}. Doador de sangue (tipo sangüíneo). = {A, B,

Leia mais

Probabilidade - aula I

Probabilidade - aula I e 27 de Fevereiro de 2015 e e Experimentos Aleatórios e Objetivos Ao final deste capítulo você deve ser capaz de: Entender e descrever espaços amostrais e eventos para experimentos aleatórios. Interpretar

Leia mais

Potenciação no Conjunto dos Números Inteiros - Z

Potenciação no Conjunto dos Números Inteiros - Z Rua Oto de Alencar nº 5-9, Maracanã/RJ - tel. 04-98/4-98 Potenciação no Conjunto dos Números Inteiros - Z Podemos epressar o produto de quatro fatores iguais a.... por meio de uma potência de base e epoente

Leia mais

Métodos Quantitativos Prof. Ms. Osmar Pastore e Prof. Ms. Francisco Merlo. Funções Exponenciais e Logarítmicas Progressões Matemáticas

Métodos Quantitativos Prof. Ms. Osmar Pastore e Prof. Ms. Francisco Merlo. Funções Exponenciais e Logarítmicas Progressões Matemáticas Métodos Quantitativos Prof. Ms. Osmar Pastore e Prof. Ms. Francisco Merlo Funções Exponenciais e Logarítmicas Progressões Matemáticas Funções Exponenciais e Logarítmicas. Progressões Matemáticas Objetivos

Leia mais

Exercícios resolvidos sobre Função de probabilidade e densidade de probabilidade

Exercícios resolvidos sobre Função de probabilidade e densidade de probabilidade Exercícios resolvidos sobre Função de probabilidade e densidade de probabilidade Você aprendeu o que é função probabilidade e função densidade de probabilidade e viu como esses conceitos são importantes

Leia mais

Resoluções comentadas de Raciocínio Lógico e Estatística - SEPLAG-2010 - APO

Resoluções comentadas de Raciocínio Lógico e Estatística - SEPLAG-2010 - APO Resoluções comentadas de Raciocínio Lógico e Estatística - SEPLAG-010 - APO 11. O Dia do Trabalho, dia 1º de maio, é o 11º dia do ano quando o ano não é bissexto. No ano de 1958, ano em que o Brasil ganhou,

Leia mais

MÓDULO 6 INTRODUÇÃO À PROBABILIDADE

MÓDULO 6 INTRODUÇÃO À PROBABILIDADE MÓDULO 6 INTRODUÇÃO À PROBBILIDDE Quando estudamos algum fenômeno através do método estatístico, na maior parte das vezes é preciso estabelecer uma distinção entre o modelo matemático que construímos para

Leia mais

INSTITUTO TECNOLÓGICO

INSTITUTO TECNOLÓGICO PAC - PROGRAMA DE APRIMORAMENTO DE CONTEÚDOS. ATIVIDADES DE NIVELAMENTO BÁSICO. DISCIPLINAS: MATEMÁTICA & ESTATÍSTICA. PROFº.: PROF. DR. AUSTER RUZANTE 1ª SEMANA DE ATIVIDADES DOS CURSOS DE TECNOLOGIA

Leia mais

Sistemas Lineares. Módulo 3 Unidade 10. Para início de conversa... Matemática e suas Tecnologias Matemática

Sistemas Lineares. Módulo 3 Unidade 10. Para início de conversa... Matemática e suas Tecnologias Matemática Módulo 3 Unidade 10 Sistemas Lineares Para início de conversa... Diversos problemas interessantes em matemática são resolvidos utilizando sistemas lineares. A seguir, encontraremos exemplos de alguns desses

Leia mais

Probabilidade - Conceitos Básicos. Anderson Castro Soares de Oliveira

Probabilidade - Conceitos Básicos. Anderson Castro Soares de Oliveira - Conceitos Básicos Castro Soares de Oliveira é o ramo da matemática que estuda fenômenos aleatórios. está associada a estatística, porque sua teoria constitui a base de estatística inferencial. Conceito

Leia mais

Premium até 10 S.M. 180 60 30 20 10 a 20 S.M. 80 40 40 40 20 a 30 S.M. 60 30 60 70 mais de 30 S.M. 40 20 70 160

Premium até 10 S.M. 180 60 30 20 10 a 20 S.M. 80 40 40 40 20 a 30 S.M. 60 30 60 70 mais de 30 S.M. 40 20 70 160 1 MQI 2003 Estatística para Metrologia semestre 2008.01 LISTA DE EXERCÍCIOS # 1 PROBLEMA 1 Uma empresa de TV a cabo toma uma amostra de 1000 clientes, com o objetivo de verificar a relação entre a renda

Leia mais

O Princípio da Complementaridade e o papel do observador na Mecânica Quântica

O Princípio da Complementaridade e o papel do observador na Mecânica Quântica O Princípio da Complementaridade e o papel do observador na Mecânica Quântica A U L A 3 Metas da aula Descrever a experiência de interferência por uma fenda dupla com elétrons, na qual a trajetória destes

Leia mais

Variáveis aleatórias contínuas e distribuiçao Normal. Henrique Dantas Neder

Variáveis aleatórias contínuas e distribuiçao Normal. Henrique Dantas Neder Variáveis aleatórias contínuas e distribuiçao Normal Henrique Dantas Neder Definições gerais Até o momento discutimos o caso das variáveis aleatórias discretas. Agora vamos tratar das variáveis aleatórias

Leia mais

Prova Escrita de Matemática Aplicada às Ciências Sociais

Prova Escrita de Matemática Aplicada às Ciências Sociais Exame Final Nacional do Ensino Secundário Prova Escrita de Matemática Aplicada às Ciências Sociais 11.º Ano de Escolaridade Decreto-Lei n.º 139/2012, de 5 de julho Prova 835/2.ª Fase 15 Páginas Duração

Leia mais

2 Pesquisa de valores em uma lista de dados

2 Pesquisa de valores em uma lista de dados 2 Pesquisa de valores em uma lista de dados Vinicius A. de Souza va.vinicius@gmail.com São José dos Campos, 2011. 1 Sumário Tópicos em Microsoft Excel 2007 Introdução...3 Funções PROCV e PROCH...3 PROCV...3

Leia mais

Unidade de Ensino Descentralizada de Colatina Coordenadoria de Informática Disciplina: Probabilidade e Estatística Prof. Leandro Melo de Sá

Unidade de Ensino Descentralizada de Colatina Coordenadoria de Informática Disciplina: Probabilidade e Estatística Prof. Leandro Melo de Sá Unidade de Ensino Descentralizada de Colatina Coordenadoria de Informática Disciplina: Probabilidade e Estatística Prof. Leandro Melo de Sá 2006/2 Unidade 2 - PROBABILIDADE Conceitos básicos * Probabilidade:

Leia mais

Estatística Descritiva I

Estatística Descritiva I Estatística Descritiva I Bacharelado em Economia - FEA - Noturno 1 o Semestre 2016 Profs. Fábio P. Machado e Gilberto A. Paula MAE0219 (Economia-FEA-Noturno) Estatística Descritiva I 1 o Semestre 2016

Leia mais

UNIDADE 3 MEDIDAS DE POSIÇÃO E DISPERSÃO OBJETIVOS ESPECÍFICOS DE APRENDIZAGEM

UNIDADE 3 MEDIDAS DE POSIÇÃO E DISPERSÃO OBJETIVOS ESPECÍFICOS DE APRENDIZAGEM Unidade 2 Distribuições de Frequências e Representação Gráfica UNIDADE 3 MEDIDAS DE POSIÇÃO E DISPERSÃO OBJETIVOS ESPECÍFICOS DE APRENDIZAGEM Ao finalizar esta Unidade, você deverá ser capaz de: Calcular

Leia mais

Prog A B C A e B A e C B e C A,B e C Nenhum Pref 100 150 200 20 30 40 10 130

Prog A B C A e B A e C B e C A,B e C Nenhum Pref 100 150 200 20 30 40 10 130 Polos Olímpicos de Treinamento Curso de Combinatória - Nível 2 Prof. Bruno Holanda Aula 2 Lógica II Quando lemos um problema de matemática imediatamente podemos ver que ele está dividido em duas partes:

Leia mais

Apresentação de Dados em Tabelas e Gráficos

Apresentação de Dados em Tabelas e Gráficos Apresentação de Dados em Tabelas e Gráficos Os dados devem ser apresentados em tabelas construídas de acordo com as normas técnicas ditadas pela Fundação Instituto Brasileiro de Geografia e Estatística

Leia mais

Resoluções comentadas das questões de Estatística da prova para. ANALISTA DE GERENCIAMENTO DE PROJETOS E METAS da PREFEITURA/RJ

Resoluções comentadas das questões de Estatística da prova para. ANALISTA DE GERENCIAMENTO DE PROJETOS E METAS da PREFEITURA/RJ Resoluções comentadas das questões de Estatística da prova para ANALISTA DE GERENCIAMENTO DE PROJETOS E METAS da PREFEITURA/RJ Realizada pela Fundação João Goulart em 06/10/2013 41. A idade média de todos

Leia mais

Um jogo de preencher casas

Um jogo de preencher casas Um jogo de preencher casas 12 de Janeiro de 2015 Resumo Objetivos principais da aula de hoje: resolver um jogo com a ajuda de problemas de divisibilidade. Descrevemos nestas notas um jogo que estudamos

Leia mais

Lista 05. Devemos calcular a probabilidade de ser homem dado que é loiro, sendo:

Lista 05. Devemos calcular a probabilidade de ser homem dado que é loiro, sendo: Lista 05 Questão 1: Em uma turma escolar 60% dos alunos são homens e 40% são mulheres. Dentre os homens, 25% são loiros, enquanto que 45% das mulheres são loiras. Um aluno desta turma foi sorteado de maneira

Leia mais

LISTA DE INTERVALO DE CONFIANÇA E TESTE DE HIPÓTESES

LISTA DE INTERVALO DE CONFIANÇA E TESTE DE HIPÓTESES Monitora Juliana Dubinski LISTA DE INTERVALO DE CONFIANÇA E TESTE DE HIPÓTESES EXERCÍCIO 1 (INTERVALO DE CONFIANÇA PARA MÉDIA) Suponha que X represente a duração da vida de uma peça de equipamento. Admita-se

Leia mais

Apresentação Caule e Folha. Exemplo

Apresentação Caule e Folha. Exemplo Análise Exploratória de Dados As técnicas de análise exploratória de dados consistem em gráficos simples de desenhar que podem ser utilizados para resumir rapidamente um conjunto de dados. Uma destas técnicas

Leia mais

Tipos de Modelos. Exemplos. Modelo determinístico. Exemplos. Modelo probabilístico. Causas Efeito. Determinístico. Sistema Real.

Tipos de Modelos. Exemplos. Modelo determinístico. Exemplos. Modelo probabilístico. Causas Efeito. Determinístico. Sistema Real. Tipos de Modelos Sistema Real Determinístico Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Probabilístico Modelo determinístico Exemplos Gravitação F GM M /r Causas Efeito Aceleração

Leia mais

INTRODUÇÃO À ENGENHARIA

INTRODUÇÃO À ENGENHARIA INTRODUÇÃO À ENGENHARIA 2014 NOTA AULA PRÁTICA No. 04 VETORES - 20 A 26 DE MARÇO PROF. ANGELO BATTISTINI NOME RA TURMA NOTA Objetivos do experimento: Nesta aula você deverá aprender (ou recordar) a representação

Leia mais

MODELAGEM E SIMULAÇÃO

MODELAGEM E SIMULAÇÃO MODELAGEM E SIMULAÇÃO Professor: Dr. Edwin B. Mitacc Meza edwin@engenharia-puro.com.br www.engenharia-puro.com.br/edwin Terminologia Básica Utilizada em de Sistemas Terminologia Básica Uma série de termos

Leia mais

Teoria das Probabilidades I. Ana Maria Lima de Farias Universidade Federal Fluminense

Teoria das Probabilidades I. Ana Maria Lima de Farias Universidade Federal Fluminense Teoria das Probabilidades I Ana Maria Lima de Farias Universidade Federal Fluminense Conteúdo 1 Probabilidade - Conceitos Básicos 1 1.1 Introdução....................................... 1 1.2 Experimento

Leia mais

Logo, para estar entre os 1% mais caros, o preço do carro deve ser IGUAL OU SUPERIOR A:

Logo, para estar entre os 1% mais caros, o preço do carro deve ser IGUAL OU SUPERIOR A: MQI 00 ESTATÍSTICA PARA METROLOGIA - SEMESTRE 008.0 Teste 6/05/008 GABARITO PROBLEMA O preço de um certo carro usado é uma variável Normal com média R$ 5 mil e desvio padrão R$ 400,00. a) Você está interessado

Leia mais

Solução do Conjunto de Problemas 2

Solução do Conjunto de Problemas 2 Solução do Conjunto de Problemas 2 Parte A. Capítulo 3. 1. 66 & 71.999 2. Veja anexo (a) idade 1 : 8/5 = 1,6% idade 11 : 13/9 = 1,444% Portanto, há mais crianças na idade 1. (b) idade 21 : 10/7 = 1,4%

Leia mais

INE5403 FUNDAMENTOS DE MATEMÁTICA DISCRETA

INE5403 FUNDAMENTOS DE MATEMÁTICA DISCRETA INE5403 FUNDAMENTOS DE MATEMÁTICA DISCRETA PARA A COMPUTAÇÃO PROF. DANIEL S. FREITAS UFSC - CTC - INE Prof. Daniel S. Freitas - UFSC/CTC/INE/2007 p.1/59 2 - FUNDAMENTOS 2.1) Teoria dos Conjuntos 2.2) Números

Leia mais

MODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS DISCRETAS

MODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS DISCRETAS MODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS DISCRETAS Definições Variáveis Aleatórias Uma variável aleatória representa um valor numérico possível de um evento incerto. Variáveis aleatórias

Leia mais

A Maquina de Vendas Online É Fraude, Reclame AQUI

A Maquina de Vendas Online É Fraude, Reclame AQUI A Maquina de Vendas Online É Fraude, Reclame AQUI Muitas pessoas me perguntam se a maquina de vendas online é fraude do Tiago bastos funciona de verdade ou se não é apenas mais uma fraude dessas que encontramos

Leia mais

MÉDIA ARITMÉTICA MÉDIA PONDERADA MODA MEDIANA

MÉDIA ARITMÉTICA MÉDIA PONDERADA MODA MEDIANA MÉDIA ARITMÉTICA MÉDIA PONDERADA MODA MEDIANA Em um amostra, quando se têm os valores de uma certa característica, é fácil constatar que os dados normalmente não se distribuem uniformemente, havendo uma

Leia mais

RESUMO DA AULA PRÁTICA DE EXCEL

RESUMO DA AULA PRÁTICA DE EXCEL PARA CONSTRUIR TABELAS: RESUMO DA AULA PRÁTICA DE EXCEL Vai em ; Em seguida irá abrir a janela: Na parte Selecione os dados ou somente a variável que deseja analisar, por exemplo: Em seguida marque a opção

Leia mais

MINICURSO DE MATEMÁTICA FINANCEIRA NO DIA A DIA

MINICURSO DE MATEMÁTICA FINANCEIRA NO DIA A DIA PORCENTAGEM MINICURSO DE MATEMÁTICA FINANCEIRA NO DIA A DIA Quando é dito que 40% das pessoas entrevistadas votaram no candidato A, esta sendo afirmado que, em média, de cada pessoas, 40 votaram no candidato

Leia mais

Estatística II Antonio Roque Aula 9. Testes de Hipóteses

Estatística II Antonio Roque Aula 9. Testes de Hipóteses Testes de Hipóteses Os problemas de inferência estatística tratados nas aulas anteriores podem ser enfocados de um ponto de vista um pouco diferente: ao invés de se construir intervalos de confiança para

Leia mais

Notas de Cálculo Numérico

Notas de Cálculo Numérico Notas de Cálculo Numérico Túlio Carvalho 6 de novembro de 2002 2 Cálculo Numérico Capítulo 1 Elementos sobre erros numéricos Neste primeiro capítulo, vamos falar de uma limitação importante do cálculo

Leia mais

Processos Estocásticos

Processos Estocásticos Processos Estocásticos Terceira Lista de Exercícios 22 de julho de 20 Seja X uma VA contínua com função densidade de probabilidade f dada por Calcule P ( < X < 2. f(x = 2 e x x R. A fdp dada tem o seguinte

Leia mais

Avaliação e Desempenho Aula 4

Avaliação e Desempenho Aula 4 Avaliação e Desempenho Aula 4 Aulas passadas Motivação para avaliação e desempenho Aula de hoje Revisão de probabilidade Eventos e probabilidade Independência Prob. condicional Experimentos Aleatórios

Leia mais

Este procedimento gera contribuições não só a φ 2 e φ 4, mas também a ordens superiores. O termo por exemplo:

Este procedimento gera contribuições não só a φ 2 e φ 4, mas também a ordens superiores. O termo por exemplo: Teoria Quântica de Campos II 168 Este procedimento gera contribuições não só a φ 2 e φ 4, mas também a ordens superiores. O termo por exemplo: Obtemos acoplamentos com derivadas também. Para o diagrama

Leia mais

Aula 5 Distribuição amostral da média

Aula 5 Distribuição amostral da média Aula 5 Distribuição amostral da média Nesta aula você irá aprofundar seus conhecimentos sobre a distribuição amostral da média amostral. Na aula anterior analisamos, por meio de alguns exemplos, o comportamento

Leia mais

Processos Estocásticos

Processos Estocásticos Processos Estocásticos Segunda Lista de Exercícios 01 de julho de 2013 1 Uma indústria fabrica peças, das quais 1 5 são defeituosas. Dois compradores, A e B, classificam os lotes de peças adquiridos em

Leia mais

Universidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Revisão de Probabilidade e Estatística

Universidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Revisão de Probabilidade e Estatística Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Revisão de Probabilidade e Estatística Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Conceitos Básicos Estamos

Leia mais

RESUMO TEÓRICO. n(a) P(A) = n(u) 0 P(A) 1

RESUMO TEÓRICO. n(a) P(A) = n(u) 0 P(A) 1 RESUMO TEÓRICO Experimentos aleatórios: são aqueles que, mesmo repetidos várias vezes sob condições semelhantes, apresentam resultados imprevisíveis. Exemplo: Lançar um dado e verificar qual é a face voltada

Leia mais

Revisão: Noções básicas de estatística aplicada a avaliações de imóveis

Revisão: Noções básicas de estatística aplicada a avaliações de imóveis Curso de Avaliações Prof. Carlos Aurélio Nadal cnadal@ufpr.br 1 AULA 03 Revisão: Noções básicas de estatística aplicada a avaliações de imóveis 2 OBSERVAÇÃO: é o valor obtido durante um processo de medição.

Leia mais

AULA 03 Resumos e Gráficos de Dados

AULA 03 Resumos e Gráficos de Dados 1 AULA 03 Resumos e Gráficos de Dados Ernesto F. L. Amaral 17 de agosto de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de Janeiro: LTC.

Leia mais

Testedegeradoresde. Parte X. 38 Testes de Ajuste à Distribuição. 38.1 Teste Chi-Quadrado

Testedegeradoresde. Parte X. 38 Testes de Ajuste à Distribuição. 38.1 Teste Chi-Quadrado Parte X Testedegeradoresde números aleatórios Os usuários de uma simulação devem se certificar de que os números fornecidos pelo gerador de números aleatórios são suficientemente aleatórios. O primeiro

Leia mais

Exercícios Resolvidos sobre probabilidade total e Teorema de Bayes

Exercícios Resolvidos sobre probabilidade total e Teorema de Bayes Exercícios Resolvidos sobre probabilidade total e Teorema de Bayes Para ampliar sua compreensão sobre probabilidade total e Teorema de Bayes, estude este conjunto de exercícios resolvidos sobre o tema.

Leia mais

Lista 1 para a P2. Operações com subespaços

Lista 1 para a P2. Operações com subespaços Lista 1 para a P2 Observação 1: Estes exercícios são um complemento àqueles apresentados no livro. Eles foram elaborados com o objetivo de oferecer aos alunos exercícios de cunho mais teórico. Nós sugerimos

Leia mais

Probabilidade e Estatística I Antonio Roque Aula 11 Probabilidade Elementar: Novos Conceitos

Probabilidade e Estatística I Antonio Roque Aula 11 Probabilidade Elementar: Novos Conceitos Probabilidade Elementar: Novos Conceitos Vamos começar com algumas definições: Experimento: Qualquer processo ou ação bem definida que tenha um conjunto de resultados possíveis 1) Lançamento de um dado;

Leia mais

Gráficos. Incluindo gráficos

Gráficos. Incluindo gráficos Gráficos Mas antes de começar, você precisa ter em mente três conceitos importantes que constituem os gráficos do Excel 2007. O primeiro deles é o ponto de dados. Este elemento é representado pela combinação

Leia mais

Análise de Arredondamento em Ponto Flutuante

Análise de Arredondamento em Ponto Flutuante Capítulo 2 Análise de Arredondamento em Ponto Flutuante 2.1 Introdução Neste capítulo, chamamos atenção para o fato de que o conjunto dos números representáveis em qualquer máquina é finito, e portanto

Leia mais

elementos. Caso teremos: elementos. Também pode ocorrer o seguinte fato:. Falsa. Justificativa: Caso, elementos.

elementos. Caso teremos: elementos. Também pode ocorrer o seguinte fato:. Falsa. Justificativa: Caso, elementos. Soluções dos Exercícios de Vestibular referentes ao Capítulo 1: 1) (UERJ, 2011) Uma máquina contém pequenas bolas de borracha de 10 cores diferentes, sendo 10 bolas de cada cor. Ao inserir uma moeda na

Leia mais

Faculdade Sagrada Família

Faculdade Sagrada Família AULA 12 - AJUSTAMENTO DE CURVAS E O MÉTODO DOS MÍNIMOS QUADRADOS Ajustamento de Curvas Sempre que desejamos estudar determinada variável em função de outra, fazemos uma análise de regressão. Podemos dizer

Leia mais

Ajuste de Curvas. Ajuste de Curvas

Ajuste de Curvas. Ajuste de Curvas Ajuste de Curvas 2 AJUSTE DE CURVAS Em matemática e estatística aplicada existem muitas situações em que conhecemos uma tabela de pontos (x; y). Nessa tabela os valores de y são obtidos experimentalmente

Leia mais

UTILIZAÇÃO DE RECURSOS AVANÇADOS DO EXCEL EM FINANÇAS (PARTE II): ATINGIR META E SOLVER

UTILIZAÇÃO DE RECURSOS AVANÇADOS DO EXCEL EM FINANÇAS (PARTE II): ATINGIR META E SOLVER UTILIZAÇÃO DE RECURSOS AVANÇADOS DO EXCEL EM FINANÇAS (PARTE II): ATINGIR META E SOLVER! Planilha entregue para a resolução de exercícios! Quando usar o Atingir Meta e quando usar o Solver Autor: Francisco

Leia mais

Tecnologia da Informação Prof. Mário Henrique de Souza Pardo Resumo Aula 4

Tecnologia da Informação Prof. Mário Henrique de Souza Pardo Resumo Aula 4 Tecnologia da Informação Prof. Mário Henrique de Souza Pardo Resumo Aula 4 1 MS-Excel Aplicando funções às suas fórmulas de Excel (continuação) Serão vistas, nesta aula as funções de busca e referência

Leia mais

Lista de Exercícios 1 - Estatística Descritiva

Lista de Exercícios 1 - Estatística Descritiva 1. O arquivo satisfaçãocomuniversidade.xlsx contém informações de uma amostra de 400 alunos de uma universidade. Deseja-se construir um histograma para a variável desempenho acadêmico, com intervalos de

Leia mais

Estatística descritiva. Também designada Análise exploratória de dados ou Análise preliminar de dados

Estatística descritiva. Também designada Análise exploratória de dados ou Análise preliminar de dados Estatística descritiva Também designada Análise exploratória de dados ou Análise preliminar de dados 1 Estatística descritiva vs inferencial Estatística Descritiva: conjunto de métodos estatísticos que

Leia mais

A Torre de Hanói e o Princípio da Indução Matemática

A Torre de Hanói e o Princípio da Indução Matemática A Torre de Hanói e o Princípio da Indução Matemática I. O jogo A Torre de Hanói consiste de uma base com três pinos e um certo número n de discos de diâmetros diferentes, colocados um sobre o outro em

Leia mais

A Matemática do ENEM em Bizus

A Matemática do ENEM em Bizus A Matemática do ENEM em Bizus Neste primeiro artigo sobre a Matemática do ENEM, eu quero abordar a estratégia do conteúdo, tendo por base as provas anteriores e as tendências de abordagem. Quando confrontamos

Leia mais

ANALISE COMBINATORIA Um pouco de probabilidade

ANALISE COMBINATORIA Um pouco de probabilidade ANALISE COMBINATORIA Um pouco de probabilidade Programa Pró-Ciência Fapesp/IME-USP-setembro de 1999 Antônio L. Pereira -IME USP (s. 234A) tel 818 6214 email:alpereir@ime.usp.br 1 Um carro e dois bodes

Leia mais

Probabilidade. Definições, Notação, Regra da Adição

Probabilidade. Definições, Notação, Regra da Adição Probabilidade Definições, Notação, Regra da Adição Definições básicas de probabilidade Experimento Qualquer processo de observação ou medida que permita ao pesquisador fazer coleta de informações. Evento

Leia mais

CPV 82% de aprovação na ESPM

CPV 82% de aprovação na ESPM CPV 8% de aprovação na ESPM ESPM julho/010 Prova E Matemática 1. O valor da expressão y =,0 é: a) 1 b) c) d) e) 4 Sendo x =, e y =,0, temos: x 1 + y 1 x. y 1 y. x 1 1 1 y + x x 1 + y 1 + x y xy = = = xy

Leia mais

3.4 O Princípio da Equipartição de Energia e a Capacidade Calorífica Molar

3.4 O Princípio da Equipartição de Energia e a Capacidade Calorífica Molar 3.4 O Princípio da Equipartição de Energia e a Capacidade Calorífica Molar Vimos que as previsões sobre as capacidades caloríficas molares baseadas na teoria cinética estão de acordo com o comportamento

Leia mais

Unidade II - Sistemas de Equações Lineares

Unidade II - Sistemas de Equações Lineares Unidade II - Sistemas de Equações Lineares 1- Situando a Temática Discutiremos agora um dos mais importantes temas da matemática: Sistemas de Equações Lineares Trata-se de um tema que tem aplicações dentro

Leia mais