M501 Probabilidade, Estatística e Processos Estocásticos

Tamanho: px
Começar a partir da página:

Download "M501 Probabilidade, Estatística e Processos Estocásticos"

Transcrição

1 Notas de aula M501 Probabilidade, Estatística e Processos Estocásticos Dayan Adionel Guimarães Novembro de 007

2 Agradecimento Aos professores: Dr. José Marcos Câmara Brito Dr. Carlos Alberto Ynoguti M.Sc. Estevan Marcelo Lopes agradeço muito por terem gentilmente disponibilizado suas notas de aula, apostilas e slides sobre Probabilidade, Estatística e Processos Estocásticos, a partir dos quais estas notas de aula foram elaboradas.

3 Aula nº Data Tema Teoria de conjuntos Introdução. Teoria de conjuntos: Lei de De Morgan. Princípio da Dualidade. Conteúdo Definições para probabilidade: por freqüência relativa, axiomática e clássica. Ao final da aula os alunos deverão ser capazes de: 1) definir corretamente os conceitos de experimento, resultado, evento e espaço amostral; ) realizar operações Objetivos com conjuntos. 3) conceituar probabilidade. 4) realizar cálculos simples relacionando probabilidade com a teoria de conjuntos. Definição de experimento, resultado, evento e espaço amostral. Seja o EPERIMENTO correspondente ao lance de uma moeda, para o qual são esperados, obviamente, os RESULTADOS cara e coroa. Vamos definir o EVENTO correspondente à ocorrência de cara nos dois primeiros lances da moeda, num total de 3 lances. Então teremos o ESPAÇO AMOSTRAL: CCC CCK CKC CKK KCC KCK KKC KKK Onde C = cara e K = coroa. O número de possíveis resultados é 3 = 8. Quantas vezes o evento definido ocorre? Resposta: duas vezes. Perceba que posso me referir ao resultado correspondente aos possíveis eventos e, neste caso, teremos os 8 possíveis resultados listados acima, que compõem o espaço amostral. Conjuntos Seja o lance de um dado e o evento correspondente à observação de um número de pontos menor que 4. Na figura, S é o espaço amostral e A é o conjunto referente ao evento definido. Seja um outro evento referente à observação de um número de pontos maior que 1: 3

4 Aqui A + B = 1,, 3, 4, 5 e 6, que corresponde ao espaço amostral, neste caso, por coincidência. AB é o conjunto com os elementos e 3. Lei de de-morgan Vamos aplicar a lei de de-morgan na igualdade abaixo: A( B + C) = AB + AC Ao aplicarmos a forma genérica de de-morgan, devemos ter cuidado com a interpretação. Aplicando esta forma, nós simplesmente MANTEMOS A IGUALDADE ENTRE OS TERMOS. Isto não significa que, ao aplicarmos a regra genérica, mantemos a igualdade com a expressão original. Portanto, se não quisermos modificar o resultado da expressão original, temos que fazer como acima, ou seja, aplicar a forma específica do de-morgan. O que é mais importante? Reposta: as relações c c A i = A i e i i c c A i = A i. i i Teoremas com conjuntos. Exemplo: vamos mostrar a validade de 4

5 Exercício: mostrar a validade dos demais teoremas referentes a conjuntos. Definição de probabilidade por freqüência relativa Exemplo: suponha que você tenha a tarefa de determinar se uma moeda é justa ou não. Se efetuarmos um número bastante grande de lances da moeda, registrando um dos resultados (por exemplo, a ocorrência de cara) no final do experimento vamos obter o número de resultados favoráveis, n A e o número de lances, n. Dividindo n A por n obteremos uma estimativa da probabilidade de ocorrência de cara. Se este valor estiver convergindo para 0,5 à medida que aumentamos n, podemos afirmar que a moeda é justa. Caso contrário podemos afirmar que ela não justa. Perceba que nossa inferência estatística (opinião a partir do resultado) será tão mais precisa quanto maior o valor de n. Exercício: uma aplicação direta deste conceito em telecomunicações é na determinação da probabilidade de erro de bit em um sistema qualquer. Esta probabilidade de erro é normalmente denominada na prática de BER (bit error rate) ou taxa de erro de bit. Descreva um procedimento que lhe permita estimar a BER em um sistema real, utilizando o conceito de freqüência relativa. Definição clássica de probabilidade Seja novamente o EPERIMENTO correspondente ao lance de uma moeda, para o qual são esperados os RESULTADOS cara e coroa. Vamos definir o EVENTO correspondente à ocorrência duas caras num total de 3 lances. Então teremos o ESPAÇO AMOSTRAL: CCC CCK CKC CKK KCC KCK KKC KKK No espaço amostral podemos notar a ocorrência de 3 eventos favoráveis, contra 8 possíveis. Portanto, a probabilidade de ocorrência de caras é de 3/8. 5

6 Exemplo: Uma célula em um sistema de comunicações móveis possui 5 canais, que podem estar livres (L) ou ocupados (O). Tem-se que: a) O espaço amostral consiste de 3 combinações de 5 canais com as possíveis opções L e O em cada um dos canais, o que leva a 3 pontos. Seja 0 canal livre e 1 canal ocupado. Então teremos os possíveis resultados: b) Admitindo que os pontos do espaço amostral são EQUIPROVÁVEIS, ou seja, têm a mesma probabilidade de ocorrência, a probabilidade de uma chamada do tipo conferência, que precisa de 3 canais livres para ser completada, ser bloqueada por falta de canal livre é de: Podemos observar no espaço amostral que temos 16 ocorrências favoráveis ao evento definido (3 ou mais canais ocupados, o que levará ao bloqueio da chamada) em 3 situações possíveis. Portanto, a probabilidade de bloqueio é de 16/3 = 0,5. FIM DA AULA 6

7 Aula nº Data Tema Teorema de Bayes Probabilidade conjunta. Probabilidade condicional e a Regra de Bayes. Conteúdo Eventos Independentes. Ao final da aula os alunos deverão ser capazes de: 1) Definir corretamente os Objetivos conceitos de probabilidade conjunta e condicional. ) Saber escrever a expressão do Teorema de Bayes e utilizá-la. 3) Conceituar eventos independentes. Probabilidade conjunta Como o nome sugere, esta probabilidade refere-se à ocorrência conjunta de dois ou mais eventos. Exemplo Num jogo de dados, vamos analisar a probabilidade conjunta referente a dois lances do dado. Os possíveis números de pontos observados são: S 1,1 1, 1,3 1,4 1,5 1,6,1,,3,4,5,6 3,1 3, 3,3 3,4 3,5 3,6 4,1 4, 4,3 4,4 4,5 4,6 5,1 5, 5,3 5,4 5,5 5,6 6,1 6, 6,3 6,4 6,5 6,6 A partir dessas possibilidades e do conceito clássico de probabilidade, podemos realizar cálculos. Por exemplo, vamos determinar a probabilidade de um número ímpar de pontos no primeiro lance e um número 3 no segundo lance. Então a probabilidade procurada P[ímpar, 3] = 3/36. Probabilidades marginais Utilizando o conceito de probabilidades marginais é possível obter, a partir do conhecimento de probabilidades conjuntas, probabilidades simples (ou marginais). Por exemplo, dada uma probabilidade conjunta P[A,B], podemos obter P[A] ou P[B]. Obtemos P[A] somando todas as probabilidades conjuntas em que A é fixo e B é qualquer. Assim, obtemos P[B] somando as probabilidades conjuntas em que B é fixo e A é qualquer dos possíveis valores. 7

8 No exemplo anterior, podemos, a partir de P[ímpar, 3], obter a probabilidade de o segundo lance apresentar o número 3 somando todas as probabilidades correspondentes a 3 no segundo lance e qualquer valor no primeiro, ou seja: Probabilidade condicional É uma probabilidade de ocorrência de um evento, obtida tendo-se o conhecimento de que um outro evento ocorreu. Em outras palavras, é a probabilidade obtida sobre um evento, com uma informação adicional sobre a ocorrência de outro. Representa-se a probabilidade de ocorrência de um evento A, dado que um evento B ocorreu por P[A B] => lê-se probabilidade de A dado B. A probabilidade condicional relaciona-se com a probabilidade conjunta por meio da importante relação: Verificando: Exemplo: Em uma caixa há 100 resistores cujas resistências e tolerâncias são mostradas na tabela a seguir. Um resistor é selecionado da caixa ao acaso. Calcule a probabilidade do resistor ser de 47 ohms dado que ele tem tolerância de 5% e calcule a probabilidade dele ter tolerância de 5% dado que a resistência é de 100 ohms. Perceba que neste exemplo temos uma sutil diferença em ralação ao cálculo da probabilidade conjunta. O cálculo de P[47, 5%] corresponde ao seguinte experimento: se retirarmos da caixa um resistor qualquer, a probabilidade dele ser de 47 ohms E ter tolerância 5% é P[47, 5%] = 8/100. Já o cálculo 8

9 de P[47 5%] significa que retiramos um resistor da caixa, constatamos que sua tolerância é de 5% e queremos, DADA esta informação adicional, calcular a probabilidade do resistor ter valor 47 ohms. P[47 5%] = P[47, 5%]/ P[5%] = (8/100)/(6/100) = 8/6. Exercício Determinar a probabilidade do resultado da jogada de um dado ser um número menor do que 4 nas seguintes situações: a) se não temos nenhuma informação. b) se sabemos que o resultado foi ímpar. Os possíveis resultados são: e 6. a) queremos calcular P[D < 4] = 3/6 b) agora queremos calcular P[D < 4 D ímpar] = P[D < 4, D ímpar]/p[d ímpar] = (/6)/(3/6) = /3. Desafio A partir do entendimento da lógica do experimento computacional Prob_Conjunta.vsm, implementado no VisSim/Comm, implemente um experimento capaz de estimar as probabilidades calculadas no exercício 1. Exercício para casa Utilizando a teoria de conjuntos e a relação entre probabilidade condicional e conjunta, mostre a validade da expressão: Teorema de Bayes Este importante teorema permite que calculemos a probabilidade condicional P[A B] a partir do conhecimento de P[B A]: Exemplo Um transmissor envia um bit zero (evento A0) ou um bit 1 (evento A1) através de um um canal de comunicação binário simétrico. O canal ocasionalmente causa erro, de modo que um zero transmitido pode ser recebido como 1 e um 1 transmitido pode ser recebido como 0. A probabilidade de erro é p = 0.1, independente do bit transmitido. A probabilidade de um bit 0 ser transmitido é 0.6. Sejam B0 e B1 os eventos: um bit 0 foi recebido e um bit 1 foi recebido, respectivamente. Calcule as seguintes probabilidades: P(B0), P(B1), P(B1 A0), P(A0 B0), P(A0 B1), P(A1 B0), P(A1 B1). Este canal tem a representação abaixo: 9

10 P[B0] é a probabilidade de receber 0. P[B1 A0] é a probabilidade de receber 1, tendo transmitido 0 = p. P[A1 B0] é a probabilidade de ter transmitido 1, tendo recebido 0, e assim por diante... Eventos independentes Dois eventos são ditos independentes se ocorrência de um deles não tem influência na ocorrência dos demais. Em outras palavras, o dado sobre a ocorrência de um determinado evento não adiciona nenhuma informação à determinação da probabilidade de ocorrência de outro evento, ou seja: P[A B] = P[A]. Substituindo este resultado na expressão que relaciona probabilidade conjunta com condicional obtemos: P[A,B] = P[A B]P[B] = P[A]P[B] O que significa que, para eventos independentes, a probabilidade de ocorrência conjunta dos eventos é o produto das probabilidades de cada evento. Exemplo O lance de duas moedas corresponde a eventos independentes (não há nenhuma influência do resultado de um lance no resultado do outro lance). Sendo assim, a probabilidade de ocorrência de cara no primeiro lance e de cara no segundo é de 0,5x0,5 = 0,5. Perceba que já havíamos calculado este mesmo valor a partir da definição clássica de probabilidade: 1 ocorrência sobre 4 possíveis = ¼ = 0,5. FIM DA AULA 10

11 Aula nº Data Tema Métodos de contagem - 1 Conteúdo Métodos de contagem: amostragem com e sem reposição, com e sem ordenação. Objetivos Ao final da aula os alunos deverão ser capazes de utilizar a teoria dos métodos de contagem para resolver problemas sobre probabilidade. Definição de amostragem A amostragem se refere à escolha aleatória de um número k de objetos dentro de uma população com n objetos. Definição de reposição Realizamos uma reposição quando retornamos um objeto selecionado à população sob análise, antes que um próximo objeto seja selecionado. Seja, por exemplo, o processo de seleção de bolas de um conjunto de 5 bolas numeradas. Suponhamos que a primeira bola retirada tenha o número 3. Se o experimento é COM reposição, significa que a próxima bola a ser retirada poderá ser, inclusive, a própria bola de número 3. Se não houver reposição, a bola 3 (neste exemplo) estará fora das opções de escolha da segunda bola. Definição de ordenação Dizemos que um experimento é COM ordenação, quando a ordem dos objetos é relevante, ou seja, diferentes ordenações de um mesmo conjunto de objetos geram diferentes resultados para o experimento. Como exemplo, se retirarmos na primeira tentativa a bola de número 3 e na segunda a bola de número 5 num experimento COM ordenação, significa que retirar a bola 5 e depois a bola 3 corresponde a um outro resultado possível. Se não nos preocupamos com a ordenação, os resultados (3,5) e (5,3) são idênticos. Princípio fundamental da contagem Definição geral: Seja um experimento E, composto de sub-experimentos E 1, E,..., E k, com os números de possibilidades n 1, n,..., n k. O número de possibilidades do experimento E é dado por ni. Por exemplo, seja uma prova com 4 questões (4 sub-experimentos), onde o número de possíveis respostas para as questões é 3,, 4 e 6, respectivamente. Então, o número de possíveis formas distintas (experimento) de se resolver tal prova é de 3 x x 4 x 6 = 144. i Exemplo 1.8 Yates: Seja um experimento correspondente ao lance de uma moeda. Obviamente este experimento tem duas possibilidades (cara e coroa). Seja um outro experimento, correspondente ao lance de um dado. Este experimento possui 6 possibilidades. O experimento combinado lançar a moeda e lançar o dado terá então x 6 = 1 possibilidades: (cara, 1), (cara, ), (cara, 3), (cara, 4), (cara, 5), (cara, 6), (coroa, 1), (coroa, ), (coroa, 3), (coroa, 4), (coroa, 5) e (coroa, 6). 11

12 Amostragem COM reposição e COM ordenação Teorema 1.14 do Yates: Dado um conjunto com n objetos distintos, há n k maneiras diferentes de selecionar k objetos, com reposição e levando-se em conta a ordenação. Exemplo 1.34 Yates: de quantas formas possíveis podemos gerar seqüências binárias com 10 bits? Resposta: n = (temos um conjunto com dois bits: 0 e 1) e queremos selecionar, com reposição, 10 bits. Então teremos 10 = 1.04 possíveis formas diferentes de selecionar estes 10 bits. Exemplo 1.35 Yates: Quantas palavras de 4 letras podem ser produzidas a partir do alfabeto (A Z)? Resposta: o conjunto tem 6 letras = n. Estamos selecionando palavras de 4 letras e, portanto, k = 4. Então teremos 6 4 = palavras. Dos dois exemplos anteriores podemos extrair uma regra interessante: para sabermos quantas palavras existem em um alfabeto de tamanho n, simplesmente elevamos n ao tamanho da palavra. Exemplo slide 31: Num conjunto de 5 bolas numeradas temos 5 = 5 possibilidades de seleção de bolas com reposição e considerando a ordenação, como podemos verificas abaixo: Amostragem SEM reposição e COM ordenação (permutação) Exemplo slide 3: Como exemplo, seja determinar o número de possibilidades de retirada de bolas de um conjunto de 5, sem reposição e levando em conta a ordenação. Teremos os resultados: A este tipo de contagem denominamos PERMUTAÇÃO de objetos distintos em 5. Genericamente seu valor é dado por n(n 1)(n )...(n k +1) Para o exemplo acima teremos: 5x4 = 0 possíveis permutações dos números de bolas retiradas em 5. Exemplo slide 33: Vamos ver o que acontece se em n objetos selecionarmos sem reposição e com ordenação os n objetos. Basta fazer k = n na expressão anterior, o que leva a n!. Assim, com 5 bolas temos 5! = 10 possíveis formas de selecionar 5 bolas, considerando a ordem e sem reposição. 1

13 Multiplicando o numerador e o denominador da expressão anterior por (n k)! obtemos uma forma alternativa de cálculo na amostragem sem reposição e com ordenação: ( n k)! n! n( n 1)( n )...( n k + 1) = n( n 1)( n )...( n k + 1) = ( n k )! ( n k )! Exemplo 1.30 Yates: Quantas possibilidades existem na seleção de três cartas de um baralho, sem reposição? Resposta: neste caso n = 5 e k = 3, num processo de amostragem sem reposição e com ordenação. Então teremos n(n 1)(n )...(n k +1) = 5x51x50 = possibilidades. Fórmula de Stirling: certas calculadoras e até softwares de matemática têm sua limitação no cálculo fatorial. Quando o argumento for muito elevado, a fórmula de Stirling apresenta-se como uma ótima aproximação. Ela é dada por: n + 1 n n! π n e Amostragem SEM reposição e SEM ordenação (combinação) Exemplo slide 35: no exemplo das 5 bolas retirando-se, suponha que não nos importamos com a ordenação, ou seja, os resultados (,3) e (3,), por exemplo, são idênticos. Desta forma teremos as possibilidades: O cálculo destas possibilidades é chamado de COMBINAÇÃO e é realizado por meio do chamado coeficiente binomial: n n! = k k!( n k)! Dizemos que estamos interessados no número de combinações de k elementos em n elementos. Para o exemplo logo acima teremos: 5!/(!3!) = 10/1 = 10. Exemplo 1.31 Yates: Qual é o número de diferentes mãos de 5 cartas num jogo de poker? Resposta: 5!/(5!47!) = Na próxima aula veremos mais um exemplo de utilização da amostragem sem reposição e sem ordenação no jogo da Mega-Sena. Em seguida finalizaremos o assunto referente aos métodos de contagem e faremos alguns exercícios de fixação. FIM DA AULA 13

14 Aula nº Data Tema Métodos de contagem - Conteúdo Continuação do estudo dos métodos de contagem referentes a amostragem com e sem reposição, com e sem ordenação. Objetivos Ao final da aula os alunos deverão ser capazes de: utilizar a teoria dos métodos de contagem para resolver problemas sobre probabilidade. Exemplo: SenaM501 e Mega-Sena: Suponha que você esteja criando seu próprio jogo da SENA. Ele contém N números e os sorteios são de K números. Um jogador pode tentar a sorte apostando em J números. Numa primeira versão do jogo, à qual você denominou SENA-M501, foi estipulado que N = 6, K = e J = ou 3. Pede-se então: a) Calcule C, o número possível de combinações de dois números na SENA-M501. Liste as possíveis combinações. N 6 C = = = 15 K (1,) (1,3) (1,4) (1,5) (1,6) (,3) (,4) (,5) (,6) (3,4) (3,5) (3,6) (4,5) (4,6) (5,6) b) Calcule P, a probabilidade de um jogador ganhar na SENA-M501 apostando em dois números. Se apostarmos em qualquer par de números, poderemos observar que haverá um evento favorável contra 15 eventos possíveis e, portanto, P = 1/15. c) Calcule P 3, a probabilidade de um jogador ganhar na SENA-M501 apostando em três números. Observamos abaixo que, por exemplo, se o jogador apostar nos números, 3 e 5 ele terá 3 eventos favoráveis à sua premiação. Portanto P 3 = 3/15 = 1/5. Observando os números apostados e as possibilidades de acertar no sorteio, percebemos que as três possibilidades marcadas acima nada mais são do que o número de combinações de elementos em 3, ou seja 14

15 3 3! 3 = =!(3 )! d) A partir dos resultados dos itens b e c determine a expressão de cálculo de P J, a probabilidade de um jogador ganhar em uma versão genérica da SENA-M501 que contenha N números, sorteios de K números e apostas de J números. Observando os resultados b e c, percebemos que na definição clássica de probabilidade o numerador, J correspondente ao número de eventos favoráveis, será K e o denominador, correspondente ao J N K número total de possibilidades, será K. Então, a probabilidade procurada será: PJ = N K e) Mostrar que n k n j n = j k j k k. f) Sabendo que a MEGA-SENA real possui 60 números e sorteios de 6 números, calcule P 6, P 7, P 8, P 9 e P 10, as probabilidades de um jogador ganhar apostando em 6, 7, 8, 9 e 10 números. Para facilitar a interpretação dos resultados, faça um gráfico com os valores encontrados. 15

16 J 6 7 K 6 6 PJ = P6 = = 1.997E-8, P7 = = 1.398E-7 N K P8 = = 5.593E-7, P9 = = 1.678E-6, P10 = = 4.195E No gráfico ao lado a escala logarítmica no eixo das probabilidades torna mais fácil a leitura dos valores envolvidos. Isto acontece em situações em que os valores de probabilidade não seguem um comportamento linear, caso em que uma escala linear seria mais adequada. Com o objetivo de se acostumar a este tipo de representação logarítmica, muito utilizado em telecomunicações, faça como exercício a leitura dos valores de probabilidade da forma mais precisa que puder. Compare sua leitura com os valores exatos obtidos anteriormente. Amostragem COM reposição e SEM ordenação O número de modos diferentes de escolher k objetos de um conjunto de n objetos distintos com reposição e sem ordenação é dado por: Exemplo slide 35, porém com reposição: no exemplo das 5 bolas numeradas, suponha que retiramos uma bola da caixa aleatoriamente e, após recolocá-la de volta, selecionamos a segunda bola. Qual o número de possibilidades de escolha das duas bolas, sem nos preocuparmos com a ordem em que elas são escolhidas? As possibilidades serão: 16

17 De onde concluímos que, de fato há n 1+ k ! possibilidades k = = = = =!(6 )! 48 Podemos resolver também assim: n 1 + k ( n 1 + k)! 6! 15 possibilidades k = = = k!( n 1 + k k)!!4! Experimentos seqüenciais e diagrama de árvore Como complemento estude o item 1.8 da apostila, p , objetivando entender como se aplica o diagrama em árvore na solução de problemas com experimentos seqüenciais. Refaça os exemplos 1.13 a 1.16 para certificar-se de que entendeu o que estudou. O diagrama de árvore pode ser considerado como uma ferramenta para a solução de problemas probabilísticos em que o experimento sob análise consiste de uma seqüência de sub-experimentos. Nesta seqüência, um sub-experimento depende do resultado de sub-experimentos anteriores. A utilização dessa ferramenta em M501 não é obrigatória, podendo ser vista apenas como uma forma adicional que os alunos poderão utilizar para resolver exercícios ou questões de provas. FIM DA AULA 17

18 Aula nº Data Tema Exercícios de fixação Conteúdo Exercícios de fixação sobre probabilidade. Objetivos Permitir que os alunos revisitem os conceitos teóricos e conheçam exemplos de aplicação destes conceitos na solução de problemas. 1) Estabelecer a relação entre a PERMUTAÇÃO de k objetos em k, a COMBINAÇÃO de k objetos em n e o número de POSSÍVEIS k-uplas ORDENADAS DISTINTAS em n. Como exemplo, seja os n elementos, n = 4: 1,, 3 e 4, com k =. n 4 As possíveis combinações são = = 6: k 1, 1, 3, 1,4,3,4 3,4 Os possíveis pares ordenados distintos são n(n 1)(n )...(n k + 1) = 4x3 = 1: 1, 1,3, 1,4,1,3,4 3,1 3, 3,4 4,1 4, 4,3 O número de permutações possíveis com cada combinação é k! =! =. Por analogia verificamos então que: n(n 1)(n )...(n k + 1) = n k! k ) Mostre que se P(A) = P(B) = 1, então P(A B) = 1. Percebemos que se P[A] = P[B] = 1, a única possibilidade de fazer com que P(A B) seja um resultado válido em termos de probabilidade é ter P(A B) = 1. Neste caso, então P(A B) = 1. 3) Mostre que P[A c ] = 1 P[A]. 18

19 4) Usando diagramas de Venn, faça um exemplo que mostre que P(A B) = P(A) + P(B) P(A B). Seja o exemplo abaixo, onde S = {0, 1,, 3, 4, 5, 6, 7}, A = {1,, 3}, B = {3, 4, 5, 6}, A B = {3} e A B = {1,, 3, 4, 5, 6}. Percebemos que P(A B) é a probabilidade de ocorrência dos elementos {1,, 3, 4, 5, 6}. Nas probabilidades de ocorrência dos elementos e A e dos elementos de B, o número 3 aparece duas vezes e, portanto, precisa ser eliminado da dupla contagem retirando-se a interseção entre A e B. Vejamos os valores numéricos: P[A] = 3/8, P[B] = 4/8, P[A B] = 6/8, P(A B) = 1/8. De fato P(A B) = P(A) + P(B) P(A B): 6/8 = 3/8 + 4/8 1/8. 5) Usando diagramas de Venn, faça um exemplo que mostre que P(A B) P(A) + P(B). Utilizando os resultados do exercício anterior concluímos que P(A B) = P(A) + P(B) se não houver interseção entre os eventos A e B. Por outro lado, P(A B) < P(A) + P(B) se existir alguma interseção. Portanto, com estas únicas possibilidades mostramos o que o exercício pede, ou seja P(A B) P(A) + P(B). 6) Mostre que para eventos A, B e C quaisquer: P[A B C] = P[A] + P[B] + P[C] P[A B] P[A C] P[B C] + P[A B C]. OBS: repita o exercício utilizando diagramas de Venn. 7) Um sistema de comunicação de microondas conecta os equipamentos de edição de uma emissora de rádio ao sistema de transmissão por meio de três links, conforme ilustrado a seguir. Tais links podem falhar de forma independente com probabilidades P1, P e P3. Qual a probabilidade de falha no sistema de comunicação como um todo? 19

20 Solução por 1 P[sistema não falhar] Solução pela união dos eventos individuais de falha A probabilidade de falha em um sistema serial como este é a probabilidade da UNIÃO dos eventos de falha. Vejamos: P[falha] = P[falha link1 falha link falha link 3] = P1 + P + P3 P1P PP3 P1P3 + P1PP3. 8) Repita o exercício 7 considerando que os links estão em paralelo. Da solução deste exercício você tirará uma conclusão muito útil à solução de problemas deste tipo. Agora o sistema falhará se todos os links falharem ao mesmo tempo. Portanto estamos interessados na probabilidade conjunta de falha dos links. Como os eventos de falha são independentes, P[falha] = P[falha link 1 falha link falha link 3] = P[falha link1, falha link, falha link 3] = P1 P P3. Assim, concluímos: sistemas em paralelo têm probabilidade de falha igual à INTERSEÇÃO dos eventos de falha (probabilidade conjunta). Sistemas e série têm probabilidade de falha igual à UNIÃO dos eventos de falha. Sistemas combinados têm probabilidades de falha calculadas pela combinação destes eventos de falha. Outros exercícios para casa 9) Se retirarmos, de uma única vez, 3 bolas de uma caixa com 10 bolas numeradas, qual a probabilidade de retirarmos o conjunto de bolas (1,, 3), nesta ordem? 10) Se retirarmos, de uma única vez, 3 bolas de uma caixa com 10 bolas numeradas, qual a probabilidade de retirarmos o conjunto de bolas (1,, 3), em qualquer ordem? 11) Num sorteio, 60 bolas numeradas de 1 a 60 são misturadas em uma gaiola rotativa e depois, uma a uma, são retiradas. Qual a probabilidade de se retirar os números 1, 33, 7, 45, 46 e 59 nas primeiras 6 retiradas? 1) Num sorteio, 60 bolas numeradas de 1 a 60 são misturadas em uma gaiola rotativa e depois, uma a uma, são retiradas. Qual a probabilidade de se acertar 6 números em 6 retiradas, apostando 7 números? 0

21 13) Associar a coluna da esquerda à coluna da direita, apresentando os cálculos pertinentes aos três casos listados na coluna da direita. (A) 70 (B) 56 (C) (D) (E) 10 (F) 10 (G) 30 (H) ( ) é o número de possíveis resultados de uma corrida com 10 competidores, listando-se apenas as três primeiras posições (pódio de 3 lugares). ( ) é o número de diferentes palavras de 8 bits que pode ser formado a partir de 5 uns e 3 zeros. ( ) é o número de resultados diferentes que podem ser obtidos lançando-se 5 dados de uma vez e observando a soma do número de pontos de cada lance. FIM DA AULA 1

22 Aula nº Data Tema Variáveis aleatórias - 1 Conteúdo Introdução às variáveis aleatórias. Ao final da aula os alunos deverão ser capazes de: 1) definir corretamente o Objetivos conceito de variável aleatória (v.a.). ) realizar cálculos de probabilidade por meio da Função de Distribuição Cumulativa (FDC). Variável aleatória definição simplificada Uma variável aleatória (v.a.) nada mais é do que o mapeamento dos resultados aleatórios de um experimento em números que vão ser, por conseqüência, aleatórios. Como exemplo, seja o experimento de se lançar uma moeda vezes consecutivas e seja o evento correspondente à contagem do número de caras observado. Podemos então definir uma variável aleatória que corresponda a este evento. A variável aleatória terá aqui os seguintes valores {0, 1 e }. Eventos equivalentes Quando calculamos probabilidades a partir de representações com diagramas de Venn obtemos resultados idênticos àqueles obtidos por meio das variáveis aleatórias correspondentes. Por exemplo, o conjunto referente à ocorrência de cara em dois lances consecutivos no exemplo anterior tem associação equivalente à ocorrência do valor da variável aleatória definida. Função de Distribuição Cumulativa (FDC) Num primeiro momento, vamos nos contentar apenas com a definição matemática da FDC, que é: onde a letra F (sempre maiúscula) indica que estamos nos referindo a uma FDC; o sobrescrito (sempre maiúsculo) está associado à variável aleatória a que a FDC se refere; x (sempre minúsculo) significa um valor específico para a variável aleatória e P[ x] é a probabilidade da variável aleatória assumir um valor menor ou igual a x. Exemplo: Vamos determinar a FDC da v.a., sendo o número de caras (C) em três arremessos de uma moeda ideal, ou seja, assume apenas os valores 0, 1, e 3. Para uma moeda justa, as probabilidades para cada resultado são 1/8, 3/8, 3/8 e 1/8, respectivamente, valores estes obtidos por meio da definição clássica de probabilidade, seja operando no espaço amostral de caras e coroas ou com os valores da variável aleatória. Por exemplo, 3/8 é a probabilidade de ocorrência de duas caras: este valor pode ser obtido dividindo-se o número de eventos favoráveis à aparição de duas caras (3) pelo número total de possibilidades (8) ou dividindo-se o número de eventos favoráveis à aparição do valor da v.a. (3) pelo número total de possibilidades (8).

23 F (x) é simplesmente a soma das probabilidades de ocorrência dos resultados que são menores ou iguais a x, ou seja: P[ 0] = 1/8, P[ 1] = 1/8 + 3/8 = 1/, P[ ] = 1/8 + 3/8 + 3/8 = 7/8 e P[ 3] = 1/8 + 3/8 + 3/8 + 1/8 = 1. Como resultado temos a FDC ilustrada a seguir: Propriedades da FDC 0 F ( x) 1 Estes são os possíveis valores para a FDC F x lim ( x) = 0 A FDC começa sempre em zero, não importa o quanto à esquerda do gráfico. lim ( x) = 1 F x A FDC termina sempre em um, não importa o quanto à direita do gráfico. A FDC é uma função não decrescente de x, isto é, se a < b, então F (a) F (b). Em outras palavras, se a < b o valor da FDC no ponto a será sempre menor ou igual ao valor da FDC no ponto b. P[ a < b] = F ( b) F ( a) Podemos utilizar esta propriedade para calcular probabilidades. Por exemplo, na FDC abaixo seja calcular a probabilidade da v.a. assumir os valores entre e 3, ou seja, queremos calcular P[ 3] = F (3) F () = 0,9 0,5 = 0,4. 3

24 Se a FDC é contínua em um ponto b, então o evento { = b} tem probabilidade nula. Isto significa que a probabilidade de ocorrência de um valor específico de uma v.a. que tem FDC contínua é nula. No exemplo logo acima, se fizermos o ponto da esquerda, a, se aproximar cada vez mais do ponto 3, teremos F (3) F (a) cada vez menor. No limite, quando estivermos a um valor infinitesimal distante do ponto 3, F (3) F (a) será P[ = 3] = 0. P[ a b] = F ( b) F ( a ) Esta propriedade, de aplicação bastante útil, diz que a probabilidade da v.a. assumir valores entre a e b é determinada pela subtração do valor da FDC no ponto b do valor da FDC imediatamente à esquerda de a. Para o exemplo anterior, P[ 3] = F (3) F ( ) = 0,9 0,5 = 0,4. No caso do jogo das moedas, suponha que quiséssemos a probabilidade de assumir o valor. Então teríamos: P[ = ] = P[] P[ ] = 7/8 1/ = 3/8. Se a FDC é contínua, P[ a < < b] = P[ a < b] = P[ a < b] = P[ a b]. Isto significa que incluir ou não os valores específicos de a e b no cálculo de probabilidades não altera o resultado. Podemos também interpretar esta propriedade lembrando que a probabilidade de ocorrência de um valor específico de uma v.a. cuja FDC é contínua é nula e, portanto, incluir ou não este valor nulo no cálculo torna-se indiferente. Exercício para casa Para a FDC abaixo, pede-se: a) Recalcular P[ x 1 > 1/ ] = 1 P[1/ 3/ ] = 1 [ F (3/ ) F (1/ )] = 7 /16. b) Calcular P[ = 1,5]. Tipos de variáveis aleatórias Os tipos de v.a. estão associados às possibilidades para os valores da v.a.. Por exemplo, numa transmissão de dados, a variável aleatória pode ser a ocorrência dos bits zeros e uns. Portanto, e obviamente, os valores desta v.a. são discretos e iguais a 0 ou 1. Por conseqüência, a correspondente FDC será também discreta: 4

25 Uma variável aleatória contínua pode assumir quaisquer valores dentre os números reais na faixa em que tal v.a. existe. Por exemplo, suponha que a vazão máxima no cano da COPASA que alimenta sua residência com água seja de 1 m 3 /hora e a mínima seja de 0. Em um determinado momento, a vazão poderá ter qualquer valor real entre 0 e 1 m 3 /hora, como ilustrado pela FDC da v.a. em questão: Uma variável aleatória mista, como o nomesugere, pode assumir valores discretos e contínuos. Sua FDC é, portanto, composta de partes discretas e de partes contínuas, conforme ilustração a seguir: Na próxima aula iniciaremos com o estudo da função densidade de probabilidade (FDP), a qual possui associação direta com a FDC. Em seguida estudaremos vários tipos de variáveis aleatórias discretas e contínuas. FIM DA AULA 5

26 Aula nº Data Tema Variáveis aleatórias - Conteúdo Função densidade de probabilidade para v.a. contínuas e discretas. Densidades condicionais. Objetivos Continuação do estudo de variáveis aleatórias: Função densidade de probabilidade para variáveis aleatórias discretas e contínuas. Densidades condicionais. Histograma. Função massa de probabilidade (FMP) A função massa de probabilidade simplesmente representa em um gráfico as probabilidades de ocorrência de cada um dos valores de uma v.a. discreta. Como exemplo, seja uma v.a. que pode assumir os valores {0, 1,, 3} com probabilidades 0.3, 0., 0.4 e 0.1, respectivamente. Teremos a seguinte FMP e correspondente FDC: Matematicamente: p (x k ) = P[ = x k ] Função densidade de probabilidade (FDP) Para entendermos o conceito de FDP, vamos analisar um exemplo: suponha que coletamos a estatura de 100 alunos do Inatel, obtendo os mais variados valores. Suponha que, dentro da faixa de valores encontrados, criamos 7 sub-faixas (ou classes) e contamos quantos alunos têm estatura dentro daquela sub-faixa. Um possível resultado seria: 6

27 Com este exemplo acabamos aprendendo o conceito de HISTOGRAMA, ou seja, a figura acima é o histograma que mostra a distribuição da estatura dos alunos consultados. Se, no limite, fizermos cada sub-faixa ter uma largura tendendo a zero, teremos como resultado uma função contínua que mostrará, mais uma vez, como as estaturas dos alunos consultados se distribui. A esta função contínua damos o nome de função densidade de probabilidade. Para o exemplo, teremos: 4 Freqüência relativa Valores de A relação entra uma função densidade de probabilidade e uma função de distribuição cumulativa é dada por: f df ( x) ( x) = dx ou seja, determinamos a FDP de uma v.a. por meio da derivada da função de distribuição cumulativa. Portanto, a FDC é determinada pela integral da FDP. Função densidade de probabilidade (FDP) para v.a. discretas A FDP de uma v.a. discreta é determinada simplesmente substituindo os traços da FMP por funções impulso, conforme ilustrado a seguir. O uso de representações diferentes de um impulso, na figura, não corresponde a um erro. Matematicamente, p ( x) = p ( xk ) δ ( x xk ) k 7

28 Função densidade de probabilidade (FDP) para v.a. contínuas Aproveitando a definição de FDP dada anteriormente, definimos a FDP de uma variável aleatória contínua por meio de uma função contínua de área unitária. A FDP representa a densidade de probabilidade no ponto x no seguinte sentido: é a probabilidade de estar em um intervalo pequeno na vizinhança de x: Na definição de histograma, vimos um exemplo referente à estatura de um grupo de alunos do Inatel. Vimos, naquele exemplo, que fazendo as sub-faixas tenderem a zero teríamos como resultado uma função contínua. Se normalizarmos esta função resultante de forma que tenha área unitária, o resultado será uma forma aproximada da FDP da estatura dos alunos do Inatel. Propriedades de uma PDF Para v.a. contínuas temos as seguintes propriedades: A primeira propriedade diz que uma FDP não pode ter valores negativos, o que implicaria em valores negativos de probabilidade. A segunda propriedade permite que calculemos probabilidades a partir de uma FDP. Por exemplo, a probabilidade da v.a. estar entre os valores a e b, denotada por P[ a b], é calculada pela integral da FDP entre os pontos a e b. A terceira propriedade apenas repete o que já estudamos, ou seja, a FDC é a integral da FDP e a FDP é a derivada da FDC. 8

29 A última propriedade é uma condição para que possamos calcular probabilidades a partir do cálculo de área sob a FDP. Como exemplo, suponha que uma v.a. tenha valores somente entre 1,4 e. Portanto, a probabilidade de estar entre 1,4 e será a área da FDP correspondente entre os pontos 1,4 e. Este valor dever ser, obviamente, igual a 1. Para v.a. discretas temos as seguintes propriedades: A primeira propriedade diz que uma FDP não pode ter valores negativos, o que implicaria em valores negativos de probabilidade. A segunda propriedade permite que calculemos probabilidades a partir de uma FDP. Por exemplo, a probabilidade da v.a. assumir os valores 1, e 7 é dada pela soma das probabilidades de ocorrência dos valores 1, e 7, lidas diretamente no eixo vertical da FDP. A terceira propriedade apenas repete o que já estudamos, ou seja, a FDC é a integral da FDP, agora na versão discreta em que a integral se torna um somatório. Assim, para determinarmos a FDC a partir da FDP, basta ir acumulando os valores de probabilidade a cada valor da v.a. discreta. Para determinarmos a FDP a partir da FDC, basta plotar no eixo horizontal, em cada valor da v.a., um impulso cuja amplitude é igual ao correspondente salto da FDC. A última propriedade é uma condição para que possamos calcular probabilidades a partir do cálculo de área sob a FDP. Como exemplo, suponha que uma v.a. tenha valores somente entre 1,4 e. Portanto, a probabilidade de estar entre 1,4 e será a área da FDP correspondente entre os pontos 1,4 e. Este valor dever ser, obviamente, igual a 1. Densidades condicionais Densidades condicionais são aquelas que nos permitem obter informações probabilísticas sobre uma v.a. com um conhecimento adicional sobre o experimento correspondente. Por exemplo, ao fazermos apostas em um hipódromo, se sabemos que um determinado cavalo está machucado ou doente, mesmo sendo um campeão, diminuímos nossa confiança em apostar nele. A função de distribuição condicional de uma v.a., dado o conhecimento do evento B é definida por: P[ x, B] F ( x B) = P[ x B] = P[ B] 9

30 Determina-se a função densidade de probabilidade de uma v.a. contínua da mesma forma que definimos anteriormente, ou seja, pela derivada da FDC: d f ( x B) = F ( x B) dx Para uma v.a. discreta, a FMP condicional é dada por: p ( x B) = P[ = x B] = k k P[ = xk, B] P[ B] Exemplo: o tempo de vida de uma máquina tem distribuição exponencial. Vamos determinar a FDC e a FDP condicionadas ao evento A = { > t}, ou seja, a máquina ainda se encontra em funcionamento no instante t: F ( x > t) = P[ x > t] = [{ } { > }] P x t P[ > t] Por meio da figura a seguir percebemos que os eventos no numerador acima não têm interseção quando x t e têm interseção quando x > t em t < x. Então teremos a FDC condicional: 0, F ( x > t) = F ( x) F ( t), 1 F ( t) x t x > t Diferenciando a FDC em relação a x obtemos a FDP condicional: f ( x) f ( x > t) =, x t 1 F ( t) Exercício para casa: usando o resultado do exemplo anterior, determine a estimativa do tempo de vida da máquina estar entre,5 a 3 unidades de tempo, conhecendo-se ou não conhecendo-se o dado adicional: a máquina está em funcionamento em t =. Conceito de histograma estudo dirigido Faça uma pesquisa sobre o conceito de HISTOGRAMA em livros e/ou páginas da Internet sobre estatística. Como sugestão, tente resolver a questão por meio da enciclopédia Wikipedia: Faça um resumo sobre o assunto, contendo ao menos um 30

31 exemplo da utilização de histogramas em análises estatísticas. Estabeleça a relação entre um histograma e uma função densidade de probabilidade em termos de seu formato e da sua normalização para probabilidade total unitária (área unitária). Histograma FDP Suponha que temos um conjunto de 100 valores de uma variável aleatória discreta e queremos, a partir deste conjunto, determinar a FMP da v.a. em questão. Contando o número de ocorrências de cada valor e construindo o correspondente histograma obtivemos o resultado: 60 Freqüência de ocorrência Valores de Utilizando o conceito de probabilidade por freqüência relativa, podemos calcular a probabilidade de ocorrência de cada valor dividindo o número de ocorrências de um valor pelo número total de valores, o que nos levaria a: 0.6 Probabilidade Valores de Entretanto, pelo fato de termos utilizado um número muito pequeno de amostras, as probabilidades estimadas podem ter valores bastante incorretos. Vejamos o que acontece se aumentarmos o número de valores disponíveis para Com este valor as estimativas de probabilidade por freqüência relativa se tornarão bastante precisas e, por conseqüência, a FMP estimada será também bastante precisa, conforme ilustrado a seguir: 6000 Freqüência de ocorrência Valores de 31

32 0.6 Probabilidade Valores de Para uma variável aleatória contínua, a regra que pode ser extraída do exemplo anterior também é válida: quanto maior o número de valores da v.a. considerados na construção do histograma, mais este histograma se assemelhará à FDP da v.a. em questão. Não devemos nos esquecer, no entanto, que a aproximação do histograma da FDP se dará com as medidas adicionais: largura das sub-faixas (ou classes) tão pequenas quanto possível e normalização do histograma para que tenha área unitária. A seguir temos o histograma de uma v.a. contínua, construído a partir de 100 amostras desta v.a.. 5 Freqüência de ocorrência Valores de Veja agora o histograma construído com amostras da v.a. contínua, normalizado para área unitária e com classes bem estreitas. Observe a grande semelhança com a FDP real da v.a. em questão. FIM DA AULA 3

33 Aula nº Data Tema Variáveis aleatórias - 3 Conteúdo Continuação do estudo de variáveis aleatórias: Variáveis aleatórias discretas mais comuns; Variáveis aleatórias contínuas mais comuns. Objetivos Ao final da aula os alunos deverão ser capazes de: 1) realizar cálculos de probabilidade envolvendo as variáveis aleatórias discretas e contínuas estudadas. Variável aleatória discreta de Bernoulli É utilizada para modelar qualquer fenômeno aleatório que possa ser descrito como tendo dois estados. Por exemplo: ligado/desligado, aceso/apagado, cara/coroa, bit0/bit1, etc... Adicionalmente, uma v.a. de Bernoulli pode modelar qualquer fenômeno aleatório ao qual se possa associar a um evento de interesse A uma probabilidade de ocorrência p = P[A], a partir de uma função indicadora I A que assume o valor 1 sempre que o evento de interesse ocorrer e 0 quando não ocorrer. Por exemplo, suponha que associamos o valor 1 à ocorrência de uma descarga elétrica dentro do Campus do Inatel e 0 fora do Campus. Se p é a probabilidade de um raio atingir o Campus, o evento em questão pode ser modelado por uma v.a. de Bernoulli com probabilidade de sucesso p. Abaixo temos a FMP para esta variável. Variável aleatória discreta Binomial Esta variável está associada ao número de sucessos em n testes de Bernoulli. Por exemplo, suponha que a probabilidade de uma lâmpada queimar é p. Portanto, para este experimento, sucesso significa a lâmpada queimar. Num conjunto de n lâmpadas, a probabilidade de x lâmpadas queimarem é dada pela distribuição Binomial. A FMP para uma v.a. Binomial é dada a seguir. 33

34 Num outro exemplo, suponha que queremos calcular a probabilidade de termos mais de 5 bits errados em um bloco de n bits, num sistema de comunicação em que o canal causa erros de bit com uma probabilidade p. Neste caso, o sucesso no teste de Bernoulli corresponde a um erro de bit. Então, a probabilidade de termos 5 ou mais erros em n bits será calculada por: 4 n x n x P[ 5] = 1 P[ < 5] = 1 p (1 p ) x= 0 x. Variável aleatória discreta de Poisson Uma v.a. de Poisson modela fenômenos aleatórios em um intervalo de observação. Por exemplo, a taxa de solicitações de chamadas telefônicas encaminhadas a uma central de comutação é de λ solicitações por segundo. Em um determinado intervalo de observação T, o número de solicitações segue uma distribuição de Poisson. Nesta distribuição α = λt é o número médio de ocorrências do evento no intervalo considerado. Num outro exemplo, o número de clientes que chegam a uma fila de espera em um Banco durante um determinado intervalo de observação T segue uma distribuição de Poisson, onde α = λt é o número médio de clientes que chegam ao banco neste intervalo e λ é a taxa de chegada dos clientes (clientes/segundo). Aproximação de Poisson para a distribuição Binomial Quando n é grande os cálculos envolvendo a distribuição Binomial apresentam um complicador que é o cálculo fatorial presente no coeficiente binomial. Nestes casos, adicionalmente quando p tem valor pequeno, a distribuição de Poisson aproxima-se da distribuição Binomial, ou seja: x n x n x α α p ( x) = p ( 1 p) e, α np x = x! Como exemplo, suponha que queremos calcular a probabilidade de um bloco de bits ter 5 ou mais bits em erro, num sistema de comunicação em que a probabilidade de erro de bit é de Neste exemplo o sucesso no teste de Bernoulli, que corresponde à probabilidade p = está associado ao erro em um bit. Aqui, se tentarmos aplicar diretamente a distribuição Binomial, que modela eventos como o descrito, teremos problema para calcular o valor do coeficiente binomial por causa do valor de n = Como p tem valor pequeno,podemos usar a aproximação de Binomial para Poisson, com α = np =

35 Variável aleatória discreta Geométrica Usamos esta distribuição sempre que queremos modelar um experimento no qual estamos interessados em contar o número de insucessos antes que o primeiro sucesso ocorra. Por exemplo, suponha que queremos determinar, o número necessário de lances de um dado antes que o número 3 (3 pontos) aparece pela primeira vez. A variável aleatória tem distribuição Geométrica. Esta variável é dita SEM MEMÓRIA. Para ilustrar este conceito, no exemplo do dado se ainda não ocorreu um sucesso após lançar-se o dado um determinado número de vezes, o número de insucessos adicionais até a ocorrência do primeiro sucesso continua tendo uma distribuição Geométrica. Por exemplo, se após lançarmos o dado 5 vezes não observamos a ocorrência de um sucesso (3 pontos, para o caso), a probabilidade de aparecer 3 pontos após mais 3 lances continua sendo calculada por p (x) para x = 3. Variável aleatória contínua Uniforme Uma v.a. contínua tem distribuição Uniforme quando as probabilidades de ocorrência da v.a estão uniformemente distribuídas dentro da faixa de valores onde ela existe. Por exemplo, na FDP abaixo, se calcularmos a probabilidade da v.a. assumir valores entre a e a +, encontraremos o mesmo valor que entre b e b. Como exemplo, quando amostras de um sinal de áudio são quantizadas, gera-se um erro entre a amostra quantizada e o valor real da amostra do sinal. Este erro tem distribuição Uniforme de q/ a +q/, onde q é o passo de quantização (distância entre um nível de quantização e seus vizinhos mais próximos). Num outro exemplo, quando transmitimos um sinal num canal de comunicação móvel sem fio, como acontece em sistemas celulares, a fase do sinal recebido é aleatória com distribuição Uniforme entre π 35

36 e π, ou seja, o sinal recebido pode assumir qualquer valor de fase dentro destes limites, com a mesma probabilidade. Variável aleatória contínua Exponencial Utilizamos uma distribuição Exponencial para modelar eventos que, com o passar do tempo, têm menor probabilidade de ocorrência. Por exemplo, a duração de uma chamada telefônica é uma v.a. com distribuição exponencial, pois a probabilidade de uma chamada durar menos tempo é maior que a probabilidade de durar mais tempo. A v.a. exponencial é também utilizada para modelar o tempo de vida de algumas máquinas e equipamentos. Neste caso, quanto mais o tempo passar, menor a probabilidade de ocorrência de falha. Assim, um automóvel, por exemplo, tem mais chance de apresentar defeito nos primeiros dois meses de uso do que nos dois meses seguintes ao primeiro ano de uso. Obviamente este modelo se aplica ao intervalo de tempo antes que falhas começam a aparecer por envelhecimento ou desgaste de peças. Como vimos anteriormente, o número de chegadas de clientes em uma fila tem distribuição de Poisson. Neste caso, o intervalo entre as chegadas tem distribuição Exponencial, ou seja, é mais provável que os intervalos entre chegadas consecutivas sejam menores; intervalos elevados entre chegadas consecutivas são mais raros. A seguir tem-se a FDP para a variável aleatória Exponencial. Variável aleatória contínua Gaussiana A distribuição Gaussiana tem uso muito freqüente em várias áreas do conhecimento. Por exemplo, ela caracteriza grande parte dos fenômenos aleatórios naturais e o ruído térmico em sistemas de telecomunicações. Adicionalmente, sob uma grande faixa de condições a variável aleatória Gaussiana pode ser usada para aproximar a distribuição da soma de um grande número de variáveis aleatórias independentes com distribuição qualquer. A seguir tem-se a FDP para a variável aleatória Gaussiana, onde podemos notar a presença dos parâmetros µ (média) e σ (desvio padrão). A média, ou valor mais provável, corresponde à posição central da PDF. O desvio padrão está associado à dispersão da FDP, ou seja, quanto maior o valor de σ, mais dispersos os valores da v.a. em questão estarão em relação à sua média. 36

37 Cálculo numérico de área de uma Gaussiana via função erfc(x) ou Q(x) Quando os problemas sobre probabilidade envolvendo uma v.a. Gaussiana demandam cálculos de área da FDP, nos deparamos com um obstáculo: o cálculo da área sob a cauda de uma Gaussiana não tem solução analítica exata. Nestes casos utilizamos as funções erfc(x) e Q(x) cujo objetivo é permitir um cálculo numérico dessa área. Tais funções são definidas por meio das expressões: erfc( x) = exp u du x π 1 u Q( x) = exp du π x Estas funções se relacionam por meio de: ( ) erfc( x) = Q x 1 x Q( x) = erfc. Muitos softwares de cálculo e até calculadoras mais modernas contêm ao menos uma dessas funções embutidas. Ainda assim, muitas referências contêm tabelas de valores destas funções para uma grande faixa de argumentos. Como alternativa, a expressão a seguir corresponde à expansão da função erfc(x) em uma série. Para 50 ou mais termos no somatório, o valor obtido com a série se aproxima bastante do valor exato da função. Verifique esta afirmação como exercício. A função Q(x) possui algumas aproximações, conforme ilustrado na figura a seguir, onde se pode identificar claramente em que faixa de valores do argumento tais aproximações são mais ou menos precisas. 37

38 Na apostila define-se ainda a função x u π 1 Φ ( x) = exp du, para a qual se apresenta uma tabela de valores no Apêndice F desta apostila. Portanto, observando a definição da função Q(x) dada anteriormente, facilmente chegamos à relação: Φ ( x) = 1 Q( x) Então, para uma v.a. Gaussiana de média µ e desvio padrão σ, a FDC pode ser calculada por meio de: x µ x µ F ( x) = Φ = 1 Q σ σ FIM DA AULA 38

39 Aula nº Data Tema Variáveis aleatórias - 4 Conteúdo Variáveis aleatórias múltiplas. Funções e transformações de variáveis aleatórias. Ao final da aula os alunos deverão ser capazes de: 1) realizar cálculos de Objetivos probabilidade envolvendo variáveis aleatórias múltiplas, funções de variáveis aleatórias e transformações de variáveis aleatórias. Variáveis aleatórias múltiplas Variáveis aleatórias múltiplas surgem em problemas nos quais estamos interessados no evento combinado de dois ou mais experimentos ou no evento combinado referente à repetição de um mesmo experimento. Como exemplo, quando analisamos o lance de um dado definimos uma única variável aleatória. Se lançarmos dois dados ou repetirmos o lance de um único dado, criaremos duas variáveis aleatórias sobre as quais poderemos extrair informações probabilísticas. A função de distribuição cumulativa conjunta para duas v.a. contínuas é definida por: Através desta função conseguimos obter probabilidades associadas à ocorrência conjunta das variáveis em questão. Independência de variáveis aleatórias Se as variáveis aleatórias em questão são independentes, encontramos a FDC ou a FDP conjuntas pela multiplicação das FDCs ou FDPs de cada uma das v.a. envolvidas, ou seja: Como exemplo, sejam duas variáveis aleatórias Gaussianas e Y, independentes e de mesmo desvio padrão. A FDP conjunta será dada pelo produto das correspondentes FDPs. O resultado será: f ( x, y) = f ( x) f ( y) Y Y 1 ( x µ ) 1 ( y µ Y ) = exp exp πσ σ πσ σ 1 ( x µ ) + ( y µ Y ) = exp πσ σ 39

40 Se esboçarmos esta função teremos como resultado a curva a seguir: Assim como qualquer FDP, a integral em todas as variáveis deve ter valor unitário: Obtendo densidades marginais a partir de densidades conjuntas A partir do conhecimento de densidades conjuntas, podemos determinar a FDC ou a FDP de cada uma das v.a. envolvidas. Nestes casos as FDPs ou FDCs obtidas são denominadas de densidades marginais. Para v.a. contínuas, encontramos a FDP de uma das variáveis integrando a FDP conjunta na outra variável: Para variáveis aleatórias discretas, encontramos a FMP (ou FDP) de uma das variáveis somando todas as probabilidades referentes à outra variável, ou seja: f ( x ) = f ( x, y ) f ( y ) f ( x, y ) i Y i j j= = Y i Y i j i= Transformação de FPDs A transformação de FDPs é uma ferramenta bastante útil para que tenhamos condições de conhecer a FDP simples (unidimensional) ou conjunta (multidimensional) de variáveis aleatórias que foram geradas pela modificação de outras variáveis aleatórias. Embora haja ferramentas que permitem a transformação de FDPs conjuntas com qualquer número de variáveis aleatórias, veremos apenas os casos particulares nos quais: a) um valor de uma das variáveis 40

41 corresponde a um único valor da outra e b) um par de valores de uma das variáveis conjuntas corresponde a um único par de valores da outra. Transformação de FPDs de primeira ordem Sejam e Y duas v.a. relacionadas por meio de Y = g(), onde g() é qualquer função que mapeia um valor da v.a. em um único valor da v.a. Y. Encontramos a FDP de Y utilizando a expressão: onde g () é o módulo da derivada de g() e g 1 (y) é a função inversa de y, ou seja, é simplesmente a função g() reescrita de tal forma que a variável x fique isolada. Por exemplo, se y = g(x) = ax + b, g 1 (y) = x = (y b)/a. Transformação de FDPs de segunda ordem Quando o problema de transformação envolve duas variáveis aleatórias, respeitada a condição acima, ou seja, um par de valores das variáveis U e V têm somente um par de valores correspondentes das variáveis e Y, e vice-versa, utilizamos as expressões a seguir: onde J(. ) é denominado Jacobiano da transformação e é dado pelo determinante: Apenas para relembrar, o determinante de uma matriz é calculado da seguinte maneira: a b ad bc c d = FIM DA AULA 41

42 Aula nº Data Tema Exercícios de fixação Conteúdo Exercícios de fixação sobre variáveis aleatórias. Objetivos Permitir que os alunos revisitem os conceitos teóricos e conheçam exemplos de aplicação destes conceitos na solução de problemas. 1) O tempo de espera,, para transmissão em um sistema de comunicação varia segundo um comportamento exponencial parametrizado por λ, isto é P[ > x] = e -λx, x > 0. Encontre a FDC de. Encontre P[T < T] para T = 1/λ. Solução no slide 14 ) O tempo de espera de um usuário em um sistema de filas é zero se ele encontra o sistema livre e é exponencialmente distribuído se ele encontra o sistema ocupado. As probabilidades de ele encontrar o sistema livre ou ocupado são p e (1 p), respectivamente. Encontre a FDC de. Solução no Slide 16 3) Um sistema de comunicação transmite informação binária através de um canal que introduz erros aleatoriamente distribuídos com probabilidade e = O transmissor transmite cada bit de informação três vezes (código de repetição) e o receptor decide sobre o bit transmitido com base em uma lógica majoritária. Qual seria a probabilidade do receptor errar a decisão? Solução no Slide 4 4) As solicitações de chamadas em ligações telefônicas chegam à central de comutação numa taxa de λ solicitações por segundo. Sabendo que o número de solicitações em um determinado intervalo é uma variável de Poisson, encontre a probabilidade de não haver solicitações de chamadas em um intervalo de t segundos. Encontre também a probabilidade de haver n ou mais solicitações nesse intervalo. Solução no Slide 7 5) O número de acessos a uma página da Internet em qualquer intervalo de observação é uma v.a. de Poisson. Suponha que a página do Inatel recebe em média acessos por segundo. Pede-se: a) Qual a probabilidade de não haver nenhum acesso no intervalo de 0,5 segundos? b) Qual a probabilidade de haver não mais que acessos no intervalo de 1 segundo? Solução a Seja N(T) o número de acessos em T segundos. Para T = 0,5 s, α = λt = acessos/segundo 0,5 segundo = 0,5 acessos. P[N(0,5) = 0] = p 0 0,5 0,5 (0) = e = 0, 607 0! Solução b Para T = 1 s, α = λt = acessos/segundo 1 segundo = acessos. 0 1 P[N(1) ] = p ( x) = e + e + e = 0,677 0! 1!! x= 0 4

43 6) Usando a aproximação da distribuição Binomial com a distribuição de Poisson, resolva: a probabilidade de erro de bit em um sistema de comunicação é de Encontre a probabilidade de um bloco de bits ter 5 ou mais bits em erro. Solução Neste caso temos um típico exemplo onde a distribuição Binomial parece ser aplicável, pois queremos encontrar a probabilidade de ocorrência de um determinado número de sucessos (erros de bit), x, em um número n de eventos de Bernoulli. Entretanto, no cálculo com a distribuição Binomial há o coeficiente binomial que requer que n! seja determinado. Neste exercício, como n = 1.000, o cálculo exato seria impraticável. Em situações como esta podemos aproximar a distribuição Binomial pela distribuição de Poisson, quando, adicionalmente, p tem valor pequeno. Para calcularmos P[ 5] torna-se mais fácil calcular 1 P[ < 5]: O parâmetro α é, neste caso, o número médio de bits em erro em um bloco de bits. Portanto, α = np = = 1. Então, 7) O tempo de vida de uma máquina tem distribuição exponencial. Determine a FDC e a FDP condicionadas ao evento A = { > t}, ou seja, a máquina ainda se encontra em funcionamento no instante t. Solução parcial no Slide 44. Dica para encontrar o intervalo de interseção: ver notas da aula 17. Para a solução deste problema precisamos lembrar, do Capítulo 1, que: P[A B] = P[A,B]/P[B] = P[A B]/P[B]. Assim podemos escrever: [{ },{ > }] [{ } { > }] P x t P x t F ( x > t) = P[ x > t] = = P[ > t] P[ > t] Para determinarmos a interseção contida na expressão acima vamos utilizar a figura a seguir, de onde P { x} { > t} = 0 para x t. Para percebemos que não haverá interseção enquanto x t. Então, [ ] x > t temos que calcular P[t < < x] = F (x) F (t). Então teremos: 0, F ( x > t) = F ( x) F ( t), 1 F ( t) x t x > t 43

44 Finalmente, derivando a FDC encontraremos a FDP de : d 1 d f ( x) f ( x) = F ( x) = ( F ( x) F ( t) ) = dx 1 F ( t) dx 1 F ( t) para x > t e f (x) = 0 em caso contrário. 8) Usando o resultado do exercício anterior, estime de forma aproximada a probabilidade de o tempo de vida da máquina estar entre,5 a 3 unidades de tempo, conhecendo ou não se conhecendo o dado adicional: a máquina está em funcionamento em t =. Solução A seguir temos as FDPs e FDCs referentes ao problema. Ambas foram plotadas de acordo com a distribuição exponencial em sua versão original e em sua versão condicionada, de acordo com o exercício anterior. Podemos calcular P[,5 3] pela área sob as FDPs ou por meio da subtração dos valores das FDCs nos pontos 3 e,5, como ilustrado nas figuras. Curiosamente P[,5 3 > ] é maior que P[,5 3]. Este resultado nos diz que o fato de conhecermos a situação de funcionamento da máquina no instante t = eleva a expectativa de que a máquina esteja funcionando entre,5 e 3 unidades de tempo. Por outro lado, se estivéssemos interessados na probabilidade da máquina estar funcionando num intervalo de 0,5 unidades de tempo após o instante 0 e após o instante, tendo notado que a máquina ainda não apresentou falha até o instante, chegaríamos aos mesmos resultados. 44

45 Estes exemplos nos mostram que uma v.a. com distribuição Exponencial não tem memória sobre as ocorrências do passado, ou seja, enquanto o evento de interesse não ocorrer, a probabilidade de ocorrência futura deste evento é a mesma que aquela que seria calculada considerando-se o instante 0 como referência. Por esta razão a v.a. com distribuição Exponencial é dita sem memória. Perceba que temos a mesma denominação dada á variável com distribuição Geométrica, o que faz sentido, pois podemos dizer que a Geométrica é a versão discreta da Exponencial. Outros exercícios para casa 1) Estude o Exemplo 1.1 na página 15 da apostila e, por indução, a partir dos resultados P[k = 0], P[k = 1], P[k = ] e P[k = 3], comprove a validade da expressão para a função densidade de probabilidade da distribuição Binomial apresentada no slide 3 do Capítulo. ) Sabendo que a estatura dos alunos do Inatel segue uma distribuição Gaussiana de média 1,65 m e desvio padrão de 0,1 m, determine a probabilidade de um estudante escolhido aleatoriamente ter estatura maior ou igual a 1,90 m. 3) Esboce, utilizando uma FDP Gaussiana f (x), os significados dos cálculos realizados pelas funções erfc(u), Φ(u) e Q(u) em termos de área sob f (x). 4) Dada a FDP conjunta abaixo, onde e Y são v.a. contínuas independentes, determine f (x). Dica: para resolver a integral que faz parte da solução do problema, reescreva-a utilizando a última diretiva do Apêndice A.5 da apostila, página 36. f Y 1 ( x µ ) + ( y µ Y ) ( x, y) = exp πσ σ 5) Duas linhas de produção fabricam certo tipo de peça. A capacidade de produção em qualquer dia é de 5 peças na linha I e de 3 peças na linha II. O número de peças realmente produzido em cada dia pelas duas linhas é uma v.a., onde (,Y) representa o número de peças produzidas pela linha I e pela linha II, conjuntamente. A tabela a seguir fornece a distribuição de probabilidades conjunta de (,Y). Calcule as probabilidades marginais e esboce as correspondentes FMPs. A título de curiosidade, veja como ficaria a FMP conjunta para o problema em questão: 45

46 6) As v.a. e Y têm FDP conjunta dada pela expressão a seguir. Pede-se: a) determine as FDPs marginais de e de Y. b) com base nos resultados obtidos, responda: as v.a. em questão são independentes? Justifique. Dica: utilize como auxílio a 4ª diretiva de integrais indefinidas do Apêndice A.4 da apostila, página 35. f Y ( λ x µ y λµ e + ), x 0, y 0 ( x, y) = 0, caso contrário 7) Seja uma v.a Gaussiana com FDP dada pela expressão abaixo. Pede-se: a) determine a FDP de Y = a + b. b) a partir do resultado obtido, determine µ Y e σ Y por comparação com a expressão de f (x). f 1 ( x µ ) ( x) = exp πσ σ 8) As variáveis aleatórias R e Θ têm a FDP conjunta dada a seguir. Utilizando as relações entre as variáveis, Y, R e Θ também dadas abaixo, determine a FDP conjunta de e Y, pede-se: a) determine as FDPs marginais de e de Y. b) responda: e Y são ou não são v.a. independentes? Justifique. f RΘ r r ( r, θ ) = exp πσ σ ( ) R Y Y R = + Θ = arctan / = cos Θ 9) Seja uma v.a. Gaussiana com FDP dada pela expressão abaixo e seja Y = ( µ)/σ. Mostre que f Y (y) é uma v.a. Gaussiana de média 0 e desvio padrão 1. f 1 ( x µ ) ( x) = exp πσ σ 10) Para melhor fixar os conceitos, refaça os exemplos da apostila e dos slides, referentes aos assuntos estudados no Capítulo. FIM DA AULA 46

47 Aula nº Data Tema Médias estatísticas - 1 Médias Estatísticas de Variáveis Aleatórias: média de variáveis aleatórias Conteúdo discretas e contínuas, média de funções de variáveis aleatórias, média da soma e do produto de variáveis aleatórias, momentos. Ao final da aula os alunos deverão ser capazes de: 1) conceituar o significado de média de uma v.a. discreta ou contínua. ) calcular a média para v.a. discretas ou contínuas. 3) calcular a média da soma e do produto de v.a. discretas ou contínuas. Objetivos 4) calcular os momentos de ordem n de uma v.a. discreta ou contínua. 5) interpretar os momentos de 1ª e ª ordens para v.a. de tensão ou de corrente. 6) aplicar os conceitos acima em cálculos de probabilidade. Conceito de média de uma variável aleatória A importância deste conceito reside no fato de que um determinado experimento aleatório não permite que conheçamos um resultado futuro qualquer, mas, se conhecemos algum comportamento de tendência média referente a este experimento é melhor que não conhecer nada. Em outras palavras, fenômenos aleatórios não permitem que tenhamos conhecimento preciso sobre um valor futuro, mas, felizmente, permite que tenhamos um conhecimento sobre seu comportamento médio. Seja uma v.a. que pode assumir K valores x 1,..., x K. Suponha que o experimento foi repetido N vezes, sendo m 1,..., m K o número de tentativas favoráveis aos resultados x 1,..., x K, respectivamente. Então o valor médio de é dado por: 1 m1 m m ( 1 1 ) K K K 1 K = m x + m x + + m x = x + x + + x N N N N No limite, quando N, m i /N tende à probabilidade de ocorrer x i. Portanto tem-se: K = i= 1 x p ( x ) i i O valor médio de uma v.a. é muitas vezes denominado de valor esperado e é representado pelo operador E[], onde se lê: média de, valor esperado de, ou ainda esperança de. A letra grega µ (mu) também é muito utilizada para identificar a média de uma variável aleatória. A média indica, em grande parte dos casos, a região da FDP ou da FMP com valores mais prováveis para a v.a. em questão. Excluem-se desta interpretação as variáveis aleatórias com distribuição uniforme e outras cuja densidade ou a função massa de probabilidade não sejam maiores em torno da média. Exemplo Usando o histograma a seguir, estime o valor médio da v.a. Binomial com parâmetros n = 10 e p = 0,. Compare com o cálculo exato de E[], lembrando que a FMP Binomial é dada por: n x p ( x) = p (1 p) x n x 47

48 Realizando o cálculo aproximado teremos: E[ ] E[ ] 1,947 Realizando o cálculo exato a partir da FMP Binominal teremos: 10 E xp x x x= 0 x= 0 x x 10 x [ ] = ( ) = 0, 0,8 = Como conclusão, observamos que o cálculo por meio do histograma se aproximou muito do cálculo exato da média da v.a. Binomial em questão. Exemplo Sendo x 1 correspondente ao valor 1 da v.a. Binomial, ou seja x 1 = 1, calcule a probabilidade P[ = x 1 ] e compare com o valor m 1 /N estimado a partir do histograma do exemplo anterior. Realizando o cálculo aproximado pela definição de probabilidade por freqüência relativa, teremos: P[ = 1] = 0, Realizando o cálculo exato a partir da FMP Binomial teremos: P [ = 1] = 0, 0,8 = 0, 68 Mais uma vez observamos a similaridade entre os resultados obtidos por meio do cálculo aproximado e do cálculo teórico. 48

49 Média de uma variável aleatória discreta e de uma função de uma v.a. discreta Os exemplos anteriores são, nitidamente, exemplos associados a v.a. discretas. Então podemos formalizar os resultados obtidos afirmando que a média de uma v.a. discreta qualquer pode ser calculada por: K E[ ] x p ( x ) = = i= 1 i i Se a variável em questão é função de uma outra variável, ou seja, se Y = g(), á média é calculada por meio de: Média de uma variável aleatória contínua e de uma função de uma v.a. contínua E[ ] x f ( x) = = Se a variável em questão é função de uma outra variável, ou seja, se Y = g(), á média é calculada por meio de: x Exemplo Calcular a média de uma v.a. contínua com distribuição Uniforme entre q/+µ e +q/+µ. Média da soma de variáveis aleatórias A média da soma de variáveis aleatórias é igual à soma das médias individuais. Para duas v.a. teremos: 49

50 E[ + Y ] = E[ ] + E[ Y ] Exemplo Sejam dois conjuntos de blocos de madeira. A altura dos blocos do primeiro conjunto é uma v.a. e a altura dos blocos do segundo conjunto é uma v.a. Y, cujas médias são E[] e E[Y]. Suponha agora que colocamos, um a um, os blocos do segundo conjunto sobre os blocos do primeiro. A altura dos blocos compostos será uma v.a. Z = + Y, cuja média será, obviamente, E[Z] = E[ + Y] = E[] + E[Y]. Média do produto de variáveis aleatórias independentes Se as v.a. são independentes, a média do produto destas variáveis é igual ao produto das médias individuais. Para duas variáveis teremos: E[ Y ] = E[ ] E[ Y ] Exemplo Suponha que o seguinte jogo seja inventado: lança-se uma moeda 3 vezes por rodada, definindo-se a v.a. como sendo o número de caras obtido a cada rodada. Os possíveis valores desta v.a. serão x i = 0, 1, e 3. Faz-se a mesma coisa com outra moeda, agora associada à v.a. Y. Ganha o jogo quem acertar o número de caras do evento combinado W = Y. Para aumentar suas chances de ganhar você poderia apostar no valor E[Y]. Então vejamos: calcule este valor para: a) moedas justas e b) moedas com probabilidade de cara p = 0,4. c) interprete os resultados e a influência da probabilidade de cara ou coroa de cada moeda na sua aposta. Nitidamente as v.a. em questão são independentes, pois o lance de uma moeda não influencia o lance da outra. Então, E[Y] = E[]E[Y]. Adicionalmente, percebemos que cada v.a. conta o número de sucessos (caras) em n = 3 experimentos de Bernoulli. Portanto, e Y são v.a. Binomiais. Assim teremos: a) Obviamente E[Y] terá o mesmo valor. Então E[W] = E[]E[Y] =,5 b) Para este caso, [W] = E[]E[Y] = 1,44 50

51 c) Observe que os valores das médias individuais e da média de W não são números inteiros, ou seja, neste caso as médias não representam os valores mais prováveis, dado que não é possível que o número de caras seja 1.5,.5, 1. ou Para uma análise mais aprofundada, em sendo independentes os eventos em questão, a densidade de probabilidade conjunta é o produto das densidades individuais. Para o problema teremos o produto de duas Binomiais com n = 3 e p = 0,5 para o item a e n = 3 e p = 0,4 para o item b. A seguir têm-se as distribuições de probabilidade p Y (x,y), para x = 0, 1, e 3 e y = 0, 1, e 3. Observe que para p = 0,5 os valores mais prováveis são 1 e, tanto para quanto para Y. Portanto, apostar nos resultados 1, ou 4 para o produto você teria a mesma chance de ganhar. Observe agora que para p = 0,4 os valores mais prováveis são 1 para e para Y. Portanto, apostar no resultado 1 para o produto aumentará sua chance de ganhar. p = 0,5 p = 0,4 Como complemento, veja as correspondentes FMPs. As barras de maior amplitude (em vermelho) indicam os valores mais prováveis para o experimento. p = 0,5 p = 0,4 Momentos para uma variável aleatória A média de uma v.a. não tem somente o significado estudado até aqui. Se modificarmos uma v.a., por exemplo elevando-a a um expoente inteiro, definimos um outro tipo de média cujo significado físico dependerá da natureza da v.a. em questão. Médias calculadas desta maneira são genericamente 51

52 denominadas de momentos. Mais adiante veremos alguns significados físicos de interesse para o nosso curso, quando as v.a. sob análise são obtidas a partir de sinais aleatórios de tensão ou de corrente. O n-ésimo momento de uma v.a. é definido como o valor esperado da n-ésima potência de : = n n E[ ] x f ( x) dx O n-ésimo momento central de uma v.a. é seu momento ao redor de seu valor médio m, e é dado por: n n E[( ) ] = ( x ) f ( x) dx O segundo momento central de uma v.a. é chamado de variância e é calculado por meio de: var[ ] = [( ) ] = σ = ( ) ( ) E x f x dx Observe que o cálculo do valor esperado de uma v.a. contínua corresponde à integral do produto da sua FDP pelo argumento A do operador E(A), substituindo as v.a. em letra maiúscula pela variável minúscula correspondente. Para v.a. discreta faz-se observação análoga. Vamos agora expandir a expressão de definição da variância: ( ) De onde tiramos o importante resultado: σ = E E[ ] = E E[ ] + E [ ] [ ] [ ] [ ] = + = E E E E E [ ] E E σ = E[ ] E [ ] Exemplo Usando o resultado anterior vamos determinar a variância de uma variável aleatória Gaussiana. Encontraremos como resultado: [ ] ( ) var( ) = E E = σ + µ µ = σ. Propriedades da variância A variância de uma constante é nula: se = a sempre, var[] = var[a] = 0. A variância independe da média: Se Y = + b, var[y] = var[] + var[b] = var[]. Se Y = a, var[y] = a var[]. 5

53 Alguns significados físicos para os momentos Considere um sinal aleatório de tensão ou corrente (t) e suas possíveis realizações (t,ζ 1 )... (t,ζ 4 ), conforme ilustração a seguir. Se amostrarmos este conjunto de formas de onda em t 1 e t, o conjunto de amostras comporá as variáveis aleatórias (t 1 ), ou simplesmente 1 e (t ), ou simplesmente, com valores x 1 e x. Suponha adicionalmente que as características estatísticas de 1 e não dependem dos valores específicos de t 1 e t, mas dependem somente do intervalo t t 1. Poderemos ter os seguintes significados físicos envolvendo, se o sinal amostrado for um sinal aleatório de tensão: FIM DA AULA 53

54 Aula nº Data Tema Médias estatísticas - Médias Estatísticas de Variáveis Aleatórias continuação: momentos conjuntos, Conteúdo variáveis aleatórias descorrelacionadas, ortogonais e independentes, coeficiente de correlação. Ao final da aula os alunos deverão ser capazes de: 1) conceituar momentos conjuntos, especialmente o primeiro momento conjunto (correlação) e o primeiro momento conjunto central (covariância). ) realizar, na prática, estimativas de um Objetivos momento qualquer a partir de amostras. 3) conceituar o significado do coeficiente de correlação, calcular seu valor e interpretar o resultado. 4) conceituar o significado de variáveis aleatórias descorrelacionadas, ortogonais e independentes. Momentos conjuntos Os momentos conjuntos para um par de variáveis aleatórias são definidos por: Os momentos conjuntos centralizados (desconsiderando-se as médias) são definidos por: Como estimar na prática os momentos de uma variável aleatória Em grande parte dos problemas práticos não temos conhecimento prévio das densidades de probabilidade das variáveis aleatórias envolvidas, o que nos impede de realizar os cálculos exatos dos momentos de interesse. Ainda assim, se tivermos um número suficientemente grande de amostras das v.a. sob análise podemos estimar seus momentos e, utilizando histogramas, estimar até suas densidades de probabilidade para que cálculos futuros ou a comprovação das estimativas possam ser realizados. Pois bem, inicialmente perceba que todos os momentos estudados têm em sua definição um cálculo de valor esperado do tipo E[Y] = E[g()]. Recorde agora que o valor esperado nada mais é do que a média da v.a. definida segundo o argumento g(). Então, se tivermos uma grande quantidade de amostras da v.a. original, podemos aplicar a eles a transformação dada por g() e tentar realizar um cálculo tão próximo quanto possível de: N N 1 1 E[ Y ] = E[ g( )] = lim y = lim g( xi ) N N i N i= 1 N i= 1 Exemplo Vamos estimar alguns momentos para uma v.a. para a qual foram obtidas as amostras x i, i = 1, , mostradas no quadro a seguir. Suponha que tais amostras foram obtidas a partir da medida da estatura de 100 alunos do Inatel. 54

55 Média = primeiro momento: E[ ] = µ xi = 1, Valor quadrático médio = segundo momento: Variância = segundo momento central: i= 1 1 E[ ] ( ) =, xi 100 i= 1 1 E[( µ ) ] = var[ ] ( x µ ) = 7, i 100 i= 1 Desvio padrão = raiz quadrada da variância: σ Cálculo alternativo da variância: σ = E[ ] E [ ] =,773 1,663 = 3 var[ ] = = 7, , 085 7, Abaixo se tem o histograma para a v.a. em questão e uma função densidade de probabilidade gaussiana sobreposta. Embora possamos supor que tal v.a. tem distribuição Gaussiana, apenas um número bastante elevado de amostras permitiria que o histograma convergisse, em formato, para a FDP procurada. Talvez chegássemos à conclusão que tal v.a. não é Gaussiana... Correlação entre variáveis aleatórias A correlação entre duas v.a. é dada pelo primeiro momento conjunto destas variáveis, ou seja: 55

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

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

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

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

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

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

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

1. Cinco cartas são extraídas de um baralho comum (52 cartas, 13 de cada naipe) sem reposição. Defina a v.a. X = número de cartas vermelhas sorteadas.

1. Cinco cartas são extraídas de um baralho comum (52 cartas, 13 de cada naipe) sem reposição. Defina a v.a. X = número de cartas vermelhas sorteadas. GET007 Métodos Estatísticos Aplicados à Economia I Lista de Exercícios - variáveis Aleatórias Discretas Profa. Ana Maria Farias. Cinco cartas são extraídas de um baralho comum ( cartas, de cada naipe sem

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

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

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

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

MAT 461 Tópicos de Matemática II Aula 3: Resumo de Probabilidade

MAT 461 Tópicos de Matemática II Aula 3: Resumo de Probabilidade MAT 461 Tópicos de Matemática II Aula 3: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 19 de Agosto, 2013 Probabilidade: uma Introdução / Aula 3 1 Probabilidade Discreta: Exemplos

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

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

CAPÍTULO 5 - Exercícios

CAPÍTULO 5 - Exercícios CAPÍTULO 5 - Exercícios Distibuições de variáveis aleatórias discretas: Binomial 1. Se 20% dos parafusos produzidos por uma máquina são defeituosos, determinar a probabilidade de, entre 4 parafusos escolhidos

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

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

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

Processo de chegada: o Chegadas em grupo ocorrem segundo um processo Poisson com taxa. O tamanho do grupo é uma variável aleatória discreta

Processo de chegada: o Chegadas em grupo ocorrem segundo um processo Poisson com taxa. O tamanho do grupo é uma variável aleatória discreta Aula 5 Como gerar amostras de uma distribuição qualquer a partir de sua CDF e de um gerador de números aleatórios? Processo de chegada: o Chegadas em grupo ocorrem segundo um processo Poisson com taxa.

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

por séries de potências

por séries de potências Seção 23: Resolução de equações diferenciais por séries de potências Até este ponto, quando resolvemos equações diferenciais ordinárias, nosso objetivo foi sempre encontrar as soluções expressas por meio

Leia mais

ALGUNS TóPICOS DE CONTAGEM E PROBABILIDADE

ALGUNS TóPICOS DE CONTAGEM E PROBABILIDADE ALGUNS TóPICOS DE CONTAGEM E PROBABILIDADE MAT30 200/ O objetivo destas notas é ilustrar como a ideia de fazer aproximações permite uma compreensão melhor de diversos problemas de combinatória e probabilidade..

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

2 T Probabilidade: Definições básicas. 3 T Probabilidade: Definições básicas

2 T Probabilidade: Definições básicas. 3 T Probabilidade: Definições básicas Programa do Curso Métodos Estatísticos sticos de Apoio à Decisão Aula 4 Mônica Barros, D.Sc. Julho de 2008 Disciplina Métodos Estatísticos de Apoio à Decisão - BI MASTER 2008 Responsável Mônica Barros

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

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

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

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

Teoria das Probabilidades

Teoria das Probabilidades Teoria das Probabilidades Qual a probabilidade de eu passar no vestibular? Leandro Augusto Ferreira Centro de Divulgação Científica e Cultural Universidade de São Paulo São Carlos - Abril / 2009 Sumário

Leia mais

PROBABILIDADES E ESTATÍSTICA

PROBABILIDADES E ESTATÍSTICA PROBABILIDADES E ESTATÍSTICA Ao conjunto de todos os resultados possíveis, de uma eperiência aleatória, chamamos espaço amostral e representamos por S. Define-se acontecimento como sendo um subconjunto

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

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

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

Revisão de Estatística Aplicada a Finanças

Revisão de Estatística Aplicada a Finanças Revisão de Estatística Aplicada a Finanças INTRODUÇÃO A revisão que apresentaremos destina-se a examinar conceitos importantes de Estatística, que tornem possível a compreensão do conteúdo do livro de

Leia mais

CDI 20705 Comunicação Digital

CDI 20705 Comunicação Digital CDI Comunicação Digital DeModulação em Banda Base Digital Communications Fundamentals and Applications Bernard Sklar ª edição Prentice Hall Marcio Doniak www.sj.ifsc.edu.br/~mdoniak mdoniak@ifsc.edu.br

Leia mais

BC0406 Introdução à Probabilidade e à Estatística Lista de Exercícios Suplementares 2 3 quadrimestre 2011

BC0406 Introdução à Probabilidade e à Estatística Lista de Exercícios Suplementares 2 3 quadrimestre 2011 BC0406 Introdução à Probabilidade e à Estatística Lista de Exercícios Suplementares outubro 011 BC0406 Introdução à Probabilidade e à Estatística Lista de Exercícios Suplementares 3 quadrimestre 011 Além

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

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

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

Regra do Evento Raro p/ Inferência Estatística:

Regra do Evento Raro p/ Inferência Estatística: Probabilidade 3-1 Aspectos Gerais 3-2 Fundamentos 3-3 Regra da Adição 3-4 Regra da Multiplicação: 3-5 Probabilidades por Meio de Simulações 3-6 Contagem 1 3-1 Aspectos Gerais Objetivos firmar um conhecimento

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

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

Como foi visto no tópico anterior, existem duas formas básicas para representar uma função lógica qualquer:

Como foi visto no tópico anterior, existem duas formas básicas para representar uma função lógica qualquer: ELETRÔNI IGITl I FUNÇÕES LÓGIS Formas de representação de uma função lógica omo foi visto no tópico anterior, existem duas formas básicas para representar uma função lógica qualquer: Soma de Produtos Produtos

Leia mais

Material Teórico - Aplicações das Técnicas Desenvolvidas. Exercícios e Tópicos Relacionados a Combinatória. Segundo Ano do Ensino Médio

Material Teórico - Aplicações das Técnicas Desenvolvidas. Exercícios e Tópicos Relacionados a Combinatória. Segundo Ano do Ensino Médio Material Teórico - Aplicações das Técnicas Desenvolvidas Exercícios e Tópicos Relacionados a Combinatória Segundo Ano do Ensino Médio Prof Cícero Thiago Bernardino Magalhães Prof Antonio Caminha Muniz

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

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

Representação de números em máquinas

Representação de números em máquinas Capítulo 1 Representação de números em máquinas 1.1. Sistema de numeração Um sistema de numeração é formado por uma coleção de símbolos e regras para representar conjuntos de números de maneira consistente.

Leia mais

INSTITUTO DE APLICAÇÃO FERNANDO RODRIGUES DA SILVEIRA (CAp/UERJ) MATEMÁTICA ENSINO MÉDIO - PROF. ILYDIO SÁ CÁLCULO DE PROBABILIDADES PARTE 1

INSTITUTO DE APLICAÇÃO FERNANDO RODRIGUES DA SILVEIRA (CAp/UERJ) MATEMÁTICA ENSINO MÉDIO - PROF. ILYDIO SÁ CÁLCULO DE PROBABILIDADES PARTE 1 1 INSTITUTO DE APLICAÇÃO FERNANDO RODRIGUES DA SILVEIRA (CAp/UERJ) MATEMÁTICA ENSINO MÉDIO - PROF. ILYDIO SÁ CÁLCULO DE PROBABILIDADES PARTE 1 1. Origem histórica É possível quantificar o acaso? Para iniciar,

Leia mais

CAPÍTULO 04 NOÇÕES DE PROBABILIDADE

CAPÍTULO 04 NOÇÕES DE PROBABILIDADE CAPÍTULO 0 NOÇÕES DE PROBABILIDADE. ESPAÇO AMOSTRAL É o conjunto de todos os possíveis resultados de um experimento aleatório. No lançamento de uma moeda perfeita (não viciada) o espaço amostral é S =

Leia mais

I. Experimentos Aleatórios

I. Experimentos Aleatórios A teoria do azar consiste em reduzir todos os acontecimentos do mesmo gênero a um certo número de casos igualmente possíveis, ou seja, tais que estejamos igualmente inseguros sobre sua existência, e em

Leia mais

Fração como porcentagem. Sexto Ano do Ensino Fundamental. Autor: Prof. Francisco Bruno Holanda Revisor: Prof. Antonio Caminha M.

Fração como porcentagem. Sexto Ano do Ensino Fundamental. Autor: Prof. Francisco Bruno Holanda Revisor: Prof. Antonio Caminha M. Material Teórico - Módulo de FRAÇÕES COMO PORCENTAGEM E PROBABILIDADE Fração como porcentagem Sexto Ano do Ensino Fundamental Autor: Prof. Francisco Bruno Holanda Revisor: Prof. Antonio Caminha M. Neto

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

Distibuições de variáveis aleatórias discretas: = p = 1 n, para todo i = 1, 2,..., n. Prof. Luiz Alexandre Peternelli

Distibuições de variáveis aleatórias discretas: = p = 1 n, para todo i = 1, 2,..., n. Prof. Luiz Alexandre Peternelli CAPÍTULO 5 - Algumas distribuições de variáveis aleatórias discretas e contínuas (parte considerada incompleta visto o volume de informações importantes não incluídas, além de eercícios. Tais informações

Leia mais

PROBABILIDADE ESTATÍSTICA

PROBABILIDADE ESTATÍSTICA PROBABILIDADE E ESTATÍSTICA (1000 ton) 2500 Gráfico 4.1. Produção de Arroz do Município X - 1984-1994 2000 1500 1000 500 0 84 85 86 87 88 89 90 91 92 93 94 M. Bastos 2005 SUMÁRIO 1 TEORIA DOS CONJUNTOS

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

Primeira Lista de Exercícios de Estatística

Primeira Lista de Exercícios de Estatística Primeira Lista de Exercícios de Estatística Professor Marcelo Fernandes Monitor: Márcio Salvato 1. Suponha que o universo seja formado pelos naturais de 1 a 10. Sejam A = {2, 3, 4}, B = {3, 4, 5}, C =

Leia mais

PE-MEEC 1S 09/10 118. Capítulo 4 - Variáveis aleatórias e. 4.1 Variáveis. densidade de probabilidade 4.2 Valor esperado,

PE-MEEC 1S 09/10 118. Capítulo 4 - Variáveis aleatórias e. 4.1 Variáveis. densidade de probabilidade 4.2 Valor esperado, Capítulo 4 - Variáveis aleatórias e distribuições contínuas 4.1 Variáveis aleatórias contínuas. Função densidade de probabilidade 4.2 Valor esperado, variância e algumas das suas propriedades. Moda e quantis

Leia mais

Intervalo de Confiança e cálculo de tamanho de amostra. Henrique Dantas Neder

Intervalo de Confiança e cálculo de tamanho de amostra. Henrique Dantas Neder Intervalo de Confiança e cálculo de tamanho de amostra Henrique Dantas Neder Intervalo de confiança para a média da população µ X Até o momento discutimos as propriedades da distrbuição normal e vimos

Leia mais

Distribuição Gaussiana. Modelo Probabilístico para Variáveis Contínuas

Distribuição Gaussiana. Modelo Probabilístico para Variáveis Contínuas Distribuição Gaussiana Modelo Probabilístico para Variáveis Contínuas Distribuição de Frequências do Peso, em gramas, de 10000 recém-nascidos Frequencia 0 500 1000 1500 2000 2500 3000 3500 1000 2000 3000

Leia mais

Aula 11 Esperança e variância de variáveis aleatórias discretas

Aula 11 Esperança e variância de variáveis aleatórias discretas Aula 11 Esperança e variância de variáveis aleatórias discretas Nesta aula você estudará os conceitos de média e variância de variáveis aleatórias discretas, que são, respectivamente, medidas de posição

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

Aula 10 Testes de hipóteses

Aula 10 Testes de hipóteses Aula 10 Testes de hipóteses Na teoria de estimação, vimos que é possível, por meio de estatísticas amostrais adequadas, estimar parâmetros de uma população, dentro de certo intervalo de confiança. Nos

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

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 2: Variáveis Aleatórias Discretas e Contínuas e suas Principais Distribuições.

Aula 2: Variáveis Aleatórias Discretas e Contínuas e suas Principais Distribuições. Aula 2: Variáveis Aleatórias Discretas e Contínuas e suas Principais Distribuições. Prof. Leandro Chaves Rêgo Programa de Pós-Graduação em Engenharia de Produção - UFPE Recife, 14 de Março de 2012 Tipos

Leia mais

Somatórias e produtórias

Somatórias e produtórias Capítulo 8 Somatórias e produtórias 8. Introdução Muitas quantidades importantes em matemática são definidas como a soma de uma quantidade variável de parcelas também variáveis, por exemplo a soma + +

Leia mais

ESTATÍSTICA. Prof. Ari Antonio, Me. Ciências Econômicas. Unemat Sinop 2012

ESTATÍSTICA. Prof. Ari Antonio, Me. Ciências Econômicas. Unemat Sinop 2012 ESTATÍSTICA Prof. Ari Antonio, Me Ciências Econômicas Unemat Sinop 2012 1. Introdução Concepções de Estatística: 1. Estatísticas qualquer coleção consistente de dados numéricos reunidos a fim de fornecer

Leia mais

A probabilidade representa o resultado obtido através do cálculo da intensidade de ocorrência de um determinado evento.

A probabilidade representa o resultado obtido através do cálculo da intensidade de ocorrência de um determinado evento. Probabilidade A probabilidade estuda o risco e a ocorrência de eventos futuros determinando se existe condição de acontecimento ou não. O olhar da probabilidade iniciou-se em jogos de azar (dados, moedas,

Leia mais

Variabilidade do processo

Variabilidade do processo Variabilidade do processo Em todo processo é natural encontrar certa quantidade de variabilidade. Processo sob controle estatístico: variabilidade natural por causas aleatórias Processo fora de controle:

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

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

Estudaremos métodos numéricos para resolução de sistemas lineares com n equações e n incógnitas. Estes podem ser:

Estudaremos métodos numéricos para resolução de sistemas lineares com n equações e n incógnitas. Estes podem ser: 1 UNIVERSIDADE FEDERAL DE VIÇOSA Departamento de Matemática - CCE Cálculo Numérico - MAT 271 Prof.: Valéria Mattos da Rosa As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia

Leia mais

INSTRUMENTAÇÃO E CONTROLE DE PROCESSOS TRANSFORMADAS DE LAPLACE

INSTRUMENTAÇÃO E CONTROLE DE PROCESSOS TRANSFORMADAS DE LAPLACE INSTRUMENTAÇÃO E CONTROLE DE PROCESSOS TRANSFORMADAS DE LAPLACE Preliminares No estudo de sistemas de controle, e comum usar-se diagramas de blocos, como o da figura 1. Diagramas de blocos podem ser utilizados

Leia mais

v m = = v(c) = s (c).

v m = = v(c) = s (c). Capítulo 17 Teorema do Valor Médio 17.1 Introdução Vimos no Cap. 16 como podemos utilizar a derivada para traçar gráficos de funções. Muito embora o apelo gráfico apresentado naquele capítulo relacionando

Leia mais

Datas Importantes 2013/01

Datas Importantes 2013/01 INSTRUMENTAÇÃO CARACTERÍSTICAS DE UM SISTEMA DE MEDIÇÃO PROBABILIDADE PROPAGAÇÃO DE INCERTEZA MÍNIMOS QUADRADOS Instrumentação - Profs. Isaac Silva - Filipi Vianna - Felipe Dalla Vecchia 2013 Datas Importantes

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

Texto SII: ELEMENTOS DE PROBABILIDADE 3.1. INTRODUÇÃO...9

Texto SII: ELEMENTOS DE PROBABILIDADE 3.1. INTRODUÇÃO...9 SUMÁRIO 1. INTRODUÇÃO...2 1.1. MODELOS...2 1.2. EXPERIMENTO ALEATÓRIO (NÃO-DETERMINÍSTICO)...2 1.3. O ESPAÇO AMOSTRAL...3 1.4. EVENTOS...4 1.5. COMBINAÇÃO DE EVENTOS...4 1.6. EVENTOS MUTUAMENTE EXCLUDENTES...5

Leia mais

Universidade Federal de São João Del Rei - UFSJ

Universidade Federal de São João Del Rei - UFSJ Universidade Federal de São João Del Rei - UFSJ Instituída pela Lei 0.45, de 9/04/00 - D.O.U. de /04/00 Pró-Reitoria de Ensino de Graduação - PROEN Disciplina: Cálculo Numérico Ano: 03 Prof: Natã Goulart

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

Conjunto de todos os resultados possíveis de um experimento aleatório.

Conjunto de todos os resultados possíveis de um experimento aleatório. VII Probabilidades Em todos os fenômenos estudados pela Estatística, os resultados, mesmo nas mesmas condições de experimentação, variam de uma observação para outra, dificultando a previsão de um resultado

Leia mais

1 Propagação de Onda Livre ao Longo de um Guia de Ondas Estreito.

1 Propagação de Onda Livre ao Longo de um Guia de Ondas Estreito. 1 I-projeto do campus Programa Sobre Mecânica dos Fluidos Módulos Sobre Ondas em Fluidos T. R. Akylas & C. C. Mei CAPÍTULO SEIS ONDAS DISPERSIVAS FORÇADAS AO LONGO DE UM CANAL ESTREITO As ondas de gravidade

Leia mais

Espaços Amostrais e Eventos. Probabilidade 2.1. Capítulo 2. Espaço Amostral. Espaço Amostral 02/04/2012. Ex. Jogue um dado

Espaços Amostrais e Eventos. Probabilidade 2.1. Capítulo 2. Espaço Amostral. Espaço Amostral 02/04/2012. Ex. Jogue um dado Capítulo 2 Probabilidade 2.1 Espaços Amostrais e Eventos Espaço Amostral Espaço Amostral O espaço amostral de um experimento, denotado S, é o conjunto de todos os possíveis resultados de um experimento.

Leia mais

INE 7002 LISTA DE EXERCÍCIOS MODELOS PROBABILÍSTICOS

INE 7002 LISTA DE EXERCÍCIOS MODELOS PROBABILÍSTICOS Lista de Exercícios - Modelos Probabilísticos 1 INE 7002 LISTA DE EXERCÍCIOS MODELOS PROBABILÍSTICOS 35) Em um sistema de transmissão de dados existe uma probabilidade igual a 0,05 de um dado ser transmitido

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

Como perder amigos e enganar pessoas

Como perder amigos e enganar pessoas Como perder amigos e enganar pessoas Nicolau C. Saldanha 9 de janeiro de 998 Neste artigo apresentaremos quatro situações simples em que probabilidades enganam. Em alguns casos a probabilidade de certos

Leia mais

MEDIÇÃO DE TAXA DE ERRO DE BIT Alba Angélica Ratis

MEDIÇÃO DE TAXA DE ERRO DE BIT Alba Angélica Ratis Universidade Federal do Rio Grande do Norte Departamento de Engenharia Elétrica Disciplina: Instrumentação Eletrônica Professor: Luciano Cavalcanti MEDIÇÃO DE TAXA DE ERRO DE BIT Alba Angélica Ratis Este

Leia mais

Probabilidade - aula III

Probabilidade - aula III 27 de Março de 2014 Regra da Probabilidade Total Objetivos Ao final deste capítulo você deve ser capaz de: Usar a regra da multiplicação para calcular probabilidade de eventos Usar a Regra da Probabilidade

Leia mais

Módulo de Probabilidade Miscelânea de Exercícios. Cálculo de Probabilidades. Professores Tiago Miranda e Cleber Assis

Módulo de Probabilidade Miscelânea de Exercícios. Cálculo de Probabilidades. Professores Tiago Miranda e Cleber Assis Módulo de Probabilidade Miscelânea de Exercícios Cálculo de Probabilidades a série E.M. Professores Tiago Miranda e Cleber Assis Probabilidade Miscelânea de Exercícios Cálculo de Probabilidades 1 Exercícios

Leia mais

Matemática SSA 2 REVISÃO GERAL 1

Matemática SSA 2 REVISÃO GERAL 1 1. REVISÃO 01 Matemática SSA REVISÃO GERAL 1. Um recipiente com a forma de um cone circular reto de eixo vertical recebe água na razão constante de 1 cm s. A altura do cone mede cm, e o raio de sua base

Leia mais

Equações Diferenciais Ordinárias

Equações Diferenciais Ordinárias Equações Diferenciais Ordinárias Uma equação diferencial é uma equação que relaciona uma ou mais funções (desconhecidas com uma ou mais das suas derivadas. Eemplos: ( t dt ( t, u t d u ( cos( ( t d u +

Leia mais

ANÁLISE COMBINATÓRIA

ANÁLISE COMBINATÓRIA MATEMÁTICA IV ANÁLISE COMBINATÓRIA DISCURSIVAS SÉRIE AULA AULA 0 1 (UP 01 A Mega Sena é a maior loteria do Brasil realizada pela Caixa Econômica Federal (CEF. Para ganhar o prêmio da Mega Sena, o apostador

Leia mais

Estatística e Probabilidade. Aula 8 Cap 05. Distribuição normal de probabilidade

Estatística e Probabilidade. Aula 8 Cap 05. Distribuição normal de probabilidade Estatística e Probabilidade Aula 8 Cap 05 Distribuição normal de probabilidade Estatística e Probabilidade Na aula anterior vimos... Distribuições Binomiais Distribuição Geométrica Distribuição de Poisson

Leia mais

NO ESTUDO DE FUNÇÕES

NO ESTUDO DE FUNÇÕES 1 UNIVERSIDADE FEDERAL DO PARANÁ PROGRAMA INSTITUCIONAL DE BOLSAS DE INICIAÇÃO À DOCÊNCIA SEMANA DA MATEMÁTICA 2014 UTILIZAÇÃO DE SOFTWARES GRÁFICOS NO ESTUDO DE FUNÇÕES PIBID MATEMÁTICA 2009 CURITIBA

Leia mais

4 Resultados. 4.1 Dados Empíricos de Alta Freqüência do IBOVESPA

4 Resultados. 4.1 Dados Empíricos de Alta Freqüência do IBOVESPA 4 Resultados Neste capítulo, vamos analisar o comportamento dos retornos de preços intradiários do IBOVESPA e obter modelagem para as distribuições baseadas em distribuições q-gaussianas. Lembramos que

Leia mais

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES Caros concurseiros, Como havia prometido, seguem comentários sobre a prova de estatística do ICMS RS. Em cada questão vou fazer breves comentários, bem como indicar eventual possibilidade de recurso. Não

Leia mais

MATEMÁTICA IV PROBABILIDADE DISCURSIVAS SÉRIE AULA AULA 03

MATEMÁTICA IV PROBABILIDADE DISCURSIVAS SÉRIE AULA AULA 03 MATEMÁTICA IV PROBABILIDADE DISCURSIVAS SÉRIE AULA AULA 03 1 1) (FGV-SP 2008) Há apenas dois modos de Cláudia ir para o trabalho: de ônibus ou de moto. A probabilidade de ela ir de ônibus é 30% e, de moto,

Leia mais

Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti. Distribuição Normal

Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti. Distribuição Normal Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti Distribuição Normal 1. Introdução O mundo é normal! Acredite se quiser! Muitos dos fenômenos aleatórios que encontramos na

Leia mais

Bioestatística Aula 3

Bioestatística Aula 3 Aula 3 Castro Soares de Oliveira Probabilidade Probabilidade é o ramo da matemática que estuda fenômenos aleatórios. Probabilidade é uma medida que quantifica a sua incerteza frente a um possível acontecimento

Leia mais

Módulo VIII. Probabilidade: Espaço Amostral e Evento

Módulo VIII. Probabilidade: Espaço Amostral e Evento 1 Módulo VIII Probabilidade: Espaço Amostral e Evento Suponha que em uma urna existam cinco bolas vermelhas e uma branca. Extraindo-se, ao acaso, uma das bolas, é mais provável que esta seja vermelha.

Leia mais