VI SEMANA DE MATEMÁTICA DA UESC

Tamanho: px
Começar a partir da página:

Download "VI SEMANA DE MATEMÁTICA DA UESC"

Transcrição

1 VI SEMANA DE MATEMÁTICA DA UESC Introdução à Cadeias de Markov: Processos Markovianos de parâmetro discreto Autores: Msc. Cláudia Ribeiro Santana Phd. Enio G. Jelihovschi Msc. Pedro Carlos Elias Ribeiro Junior Ilhéus - BA Outubro de 00

2 Resumo Uma grande quantidade de processos estudados na atualidade, são resultados que são medidos ao longo do tempo. Dentro destes um grande número tem resultados aleatórios, ou seja, são resultados imprevisíveis. Estes processos são chamados de processos estocásticos e são estudados usando a teoria das probabilidades. Como exemplos temos: ) a variação de tráfego em um certo cruzamento que envolvem a formação e a dissipação de congestionamentos de veículos. ) Quantidade de pessoas que chegam ao longo do dia para fazer transações bancárias nos caixas eletrônicos dentro de um banco e um problema seria de como encontrar o número de caixas eletrônicos para que os clientes passem menos tempo nas filas e não haja muitos caixas ociosos durante o dia. ) Ruína do jogador; um jogador joga uma seqüência de jogos independentes contra um oponente, qual será a probabilidade de um dos jogadores se arruinar se iniciar com um capital N? ) Mutações genéticas; qual é a probabilidade de uma mutação desaparecer, continuar numa pequena proporção da população, ou tomar conta de toda a população depois de um certo período de tempo? Um dos modelos que melhor explica uma quantidade importante destes processos, é chamado de Cadeias de Markov, que são processos aleatórios cujo resultado no estágio n depende somente do que aconteceu no estágio n e não dos resultados anteriores a n, ou seja, um Processo Markoviano de parâmetro discreto será uma seqüência aleatória que satisfaz a identidade: Pr(j k j 0, j,..., j k ) = Pr[X k = j k X k = j k = p( j k j k ) para cada k e para cada seqüência j 0, j,..., j k de estados, onde X k são variáveis aleatórias que definem o resultado do processo no estágio k. Sabe-se que uma cadeia aperiódica, irredutível, finita de Markov se estaciona, ou seja, entra em um estado permanente e o vetor limite é o único vetor de probabilidade estacionária do processo. Na verdade este vetor é um autovetor associado à matriz (regular) de probabilidades de transição do processo, daí, o problema iniciado recai na álgebra linear onde teremos que utilizar as ferramentas desta área da matemática para encontrar tal autovetor.

3 Capítulo Definições Este capítulo se dedica a definir alguns conceitos que são necessários para o restante do estudo desejado. Muitas das situações investigadas no nosso estudo diz respeito à uma experiência aleatótia que não conduz a uma única variável aletaória, mas a toda uma seqência de variáveis aleatórias. Sequência de variáveis aleatórias tem uma ampla aplicação em diversos casos, a saber: pedidos comerciais, avarias de máquinas, tempo de vida útil de um componente eletrônico, sistemas de comunicação, cintagem de partículas subatômicas, epidimias, sistemas genéticos, e outros. Qualquer sistema que varie de forma aleatória com o tempo e seja observado em determinadas sequências de tempos segue este padrão. Definição.. Uma sequência de variáveis aleatórias definidas no mesmo espaço amostral é denominada uma Sequência Aleatória ou um Processo Aleatório de Parâmetro Discreto. Observação.. O termo Parâmetro Discreto se refere ao índice i na sequência X i i =,,..., n,... com Os contradomínios das variáveis alatórias podem ser conjuntos contínuos ou discretos. Nosso caso é aquele em que o contradomínio é um conjunto discreto, que tem grande vairedade de aplicações. Definição.. Dizemos que as variáveis aleatórias na sequência {X, X,..., X n,...} sejam Discretas se seus contradomínios consistem de conjuntos de elementos Inteiros. Nesta caso pode-se afirmar que a j-ésima variável aleatória tem valor m, ou seja X j = m, ou então, diz-se que o sistema está no estado m no j-ésimo estágio, e também, o sistema está no estado m no tempo j.

4 O problema consiste em responder alguns questionamentos sobre a função densidade da probabilidade conjunta ou da função distribuição de X, X,..., X n, ou seja, quanto à p(i, i,..., i n ) = P r[x = i ; X = i ;... ; X n = i n ou F (x, x,..., x n ) = P r[x x ; X x ;... ; X n x n quando n é um número suficientemente grande, ou investigar sobre tais questões no caso do limite emq ue n tende ao infinito. Uma forma de de se conhecer tais probabilidades e através do emprego repetido da fórmula para a probabilidade da intersecção p(a B) = p(a) p(b A), obtendo que p(i, i,..., i n ) = p X, X,..., X n (i, i,..., i n )p(i n i, i,..., i n ) =.... p(i, i,..., i n ) = p () i p(i i )p(i i, i )... p(i n i, i,..., i n ), onde p () i é a função densidade de X, ou seja, p () i = P r[x = i, e o significado de cada uma das outras probabilidades condicionais é natural. Desta forma a equação anterior se torna P r[x = i ; X = i ;... ; X n = i n = P r[x = i P r[x = i X = i... P r[x n = i n X = i ; X = i ;... ; X n = i n

5 EXEMPLOS. Existem três marcas de automóveis disponíveis no mercado: o Jacaré, o Piranha e o Urubu. O termo a ij da matriz A abaixo é a propabilidade de que um dono de carro da linha i mude para o carro da coluna j, quando comprar um carro novo. De J P U J 0, 0, 0, P ara P 0, 0, 0, U 0, 0, 0, Os termos da diagonal de A = carro novo da marca dão a probabilidade a ii de se comprar um A = j depois de duas compras:. Os termos de A, a ij, significam mudar da marca i para a marca De fato: a = probabilidade de tendo inicialmente um carro da marca J mudar para um outro carro desta mesma marca, ou seja, J, depois de duas compras. J 0 J 0 J J 0 P 0 J J 0 U 0 J Daí, a = = a = probabilidade de tendo inicialmente um carro da marca J mudar para um outro carro da marca P depois de duas compras. J 0 J 0 P J 0 P 0 P J 0 U 0 P

6 Daí, a = = a = probabilidade de tendo inicialmente um carro da marca J mudar para um outro carro da marca U depois de duas compras. J 0 J 0 U J 0 P 0 U J 0 U 0 U Daí, a = = 00. a = probabilidade de tendo inicialmente um carro da marca P mudar para um outro carro da marca J depois de duas compras. P 0 J 0 J P 0 P 0 J P 0 U 0 J Daí, a = = 00. a = probabilidade de tendo inicialmente um carro da marca P mudar para um outro carro desta mesma marca, ou seja, P, depois de duas compras. P 0 J 0 P P 0 P 0 P P 0 U 0 P Daí, a = = a = probabilidade de tendo inicialmente um carro da marca P mudar para um outro carro da marca U depois de duas compras.

7 P 0 J 0 U P 0 P 0 U P 0 U 0 U Daí, a = = a = probabilidade de tendo inicialmente um carro da marca U mudar para um outro carro da marca J depois de duas compras. U 0 J 0 J U 0 P 0 J U 0 U 0 J Daí, a = = a = probabilidade de tendo inicialmente um carro da marca U mudar para um outro carro da marca P depois de duas compras. U 0 J 0 P U 0 P 0 P U 0 U 0 P Daí, a = = a = probabilidade de tendo inicialmente um carro da marca U mudar para um outro carro da marca U depois de duas compras. U 0 J 0 U U 0 P 0 U U 0 U 0 U Daí, a = = 6 00.

8 . Seja {X N } uma cadeia de Markov com espaço dos estados {0,, }, vetor de probabilidade inicial p (0) = (,, ) e matriz de transição de passo P : P = 0 0 (a) Calcule p(0,, ) = P r[x 0 = 0, X =, X =. (b) Mostre que P [X = e X = X 0 = 0 = p 0 p. (c) Calcule p () 0, p () ij para i, j = 0,,. RESPOSTAS: (a) p(0,, ) = P r[x 0 = 0, X =, X = = = P r[x 0 = 0 [X = X 0 = 0 P r[x = X =, X 0 = 0 = = P r[x 0 = 0 [X = X 0 = 0 P r[x = X = = = 6. (b) 0 Ou seja, P [X = e X = X 0 = 0 = p 0 p. (c) Calcule p () 0 = a probabilidade de passar do estado 0 ao estado depois de passos Daí, p () 0 = = 6. O mesmo resultado pode ser obtido calculando o elemento a da a potência da matriz de transição: = P () = Os termos p () ij são as entradas da a potência da matriz de transição P.

9 . Um sistema de comunicação tem uma probabilidade tal que, se um símbolo é transmitido corretamente, a probabilidade de que o símbolo seguinte seja correto é de 0,9. Se, no entanto, um símbolo for transmitido incorretamente, a probabilidade de o próximo também o seja é de 0,. A trasmissão pode ser modelada pela seqüência markoviana dependente, {X, X, } onde X i = se o i-ésimo símbolo for transmitido corretamente, X i = 0 se o i-ésimo símbolo for incorreto. Suponha que a probabilidade de que o primeiro símbolo seja transmitido corretamente seja de 0,. (a) Calcule as probabilidades de transmissão p(i n, i n ). (b) Calcule p(i, i,, i n ). (c) Calcule P r[x =. (d) Se o k-ésimo símbolo for correto, X k =, qual a probabilidade de que (k + )-ésimo símbolo seja correto, isto é, X k+ = RESPOSTAS (a) as probabilidades de transmissão p(i n, i n ) são as entradas da seguinte matriz (de transição) : A = [ A = [ (b) p(i, i,, i n ) = p(i ) p(i, i ) p(i n, i n ). (c) P r[x = = 0 p p + 0 p p + 0 p p + 0 p p. (d) Se o k-ésimo símbolo for correto, X k =, a probabilidade de que (k + )-ésimo símbolo seja correto, isto é, X k+ = é p () =. 0

10 Definição.. Uma sequência X, X,..., X n é dita uma Sequência de Variáveis Aleatórias Independentes se e p(i n i, i,..., i n ) = p (n) i n p(i, i,..., i n ) = p () i p () i... p (n) i n Se, além disto, todas as variáveis aleatórias tem a mesma função distribuição, ou seja, p (j) i = p i, para cada j, a sequência é dita Sequência de Variáveis Aleatórias Independentes com Mesma Distribuição. EXEMPLO. Arremessa-se uma moeda 0 vezes e seja X n = se uma cara aparecer e X n = + se uma coroa aparecer. Definição.. A sequência aleatória {X, X,..., X n } é dita Serquência Dependente de Markov, ou um Processo de Markov caso a probabilidade condicional p(i n i, i,..., i n ) = P r[x n = i n X = i, X = i,..., X n = i n. Isto significa que p(i n i, i,..., i n ) = p(i n i n ) ou P r(x n = i n X = i, X = i,..., X in = i n ) = P r[x n = i n X n = i n. Exemplo.. Considere uma seuqência independente {X, X,..., X m,...}, onde cada X i = + ou X i =, com probabilidade p e q, respectivamente. Agora defina a sequência Y n = X + X X n, para n =,,..., e considere a sequência {Y, Y,..., Y m,...},

11 Se a sequência X representa uma sequência independentede passos da unidade de + ou no eixo real, então Y n representa a posição depois de n passos. Por esta razão a sequência {Y, Y,..., Y m,...} é chamado de caminho aleatório. sta sequência aleatória específica é extremamente importante, tnato teoricamente, como em estudos de ordem prática. O estudo de suas propriedades, e determinadas generalizações ocupa grande parte da teoria de probabilidade. Aqui só se destaca o fato de que a sequência {Y, Y,..., Y m,...} náo é uma sequência independente, a despeito do fato de ser proveniente de uma sequência independente {X, X,..., X m,...}. Note que Y n Y n = X n = Y n = Y n + X n Assim, se Y n for dado, Y n dependerá somente de X n, que é independente de qualquer X e e Y s anteriores. Desta forma p(i n i n ) = P r[y n = i n Y n = i n = P r[y n + X n = i n Y n = i n = P r[i n + X n Y n = i n = P r[x n = i n i n Uma vez que X n é independente de X, X,..., X n e, consequentemente de Y n, seque que p, se i n = i n + p(i n i n ) = q, se i n = i n 0, para qualquer outro valor Assim, observa-se que a sequência tem probabilidade de transição estacionária para i, j = 0, ±, ±,... p, se j = i n + p ij = q, se j = i n 0, para qualquer outro valor

12 EXERCÍCIOS PROPOSTOS (a) Seja {X, X, } uma seqüência aleatória independente onde cada X i, assume somente os valores e 0 com probabilidades p e q, p + q =. Mostre que X, X,, X n tem densidade conjunta p(i, i,, i k ) = p t q n t onde t = n k= i k. Considere S k = k i= X i para k =,, i. Mostre que a seqüência {S, S, } é uma seqüência dependente de Markov. ii. Mostre que as probabilidades de transição são dadas a seguir onde α = i n i n : { p p(i n, i n ) = α q α para α = 0 ou 0 (b) Seja {X, X, } uma seqüência de variáveis aleatórias discretas independentes. Seja S k = k X i para k =,, i= Mostre que {S, S, } é uma seqüência markoviana dependente.

13 RUÍNA DO JOGADOR EXERCÍCIOS PROPOSTOS (a) Um jogador joga um jogo limpo na qual as chances são contra. Em outras palavras em cada jogo ele tem de probabilidade de ganhar e de perder. Se ganhar, ganhará R$,00. Se perder, perderá R$,00. Suponha que os recursos totais em dólar do jogador e do seu oponente sejam N dólares. Se o capital de qualquer um dos jogadores cair abaixo do ponto em que eles pudessem pagar caso perdessem o jogo seguinte, o jogo termina. Que X n representa o caapital do primeiro jogador após n jogadas. i. Determine a matriz de transição de passo da cadeia de Markov {X n }. ii. Suponha que os dois jogadores concordem em que se o capital de qualquer um dos dois cair para R$,00, eles farão o próximo jogo com chances iguais - ganharão ou perderão com igual probabilidade. Determine a matriz de transição de passo para esse caso. Obs: Considere o seguinte experimento: Arremessa-se uma moeda 0 vezes e seja X n = se uma cara aparecer e X n = + se uma coroa aparecer. Seja {X, X, } uma seqüência de variáveis aleatórias discretas independentes. Seja S k = k X i para k =,, i= {S, S, } é uma seqüência markoviana dependente que pode modelar um problema de ruína de Jogador Clássico onde se ganha R$,00 e perde R$,00.

14 (b) Arremessa-se uma moeda 0 vezes e seja X n = se uma cara aparecer e X n = + se uma coroa aparecer. Defina uma nova seqüência {Y n }, onde a seqüência {X n }, da seguinte maneira: Y = X, Y = X + X,.. Y n = X + X + + X n n (c) Identifique a seqüência {Y n }. Trata-se de uma seqüência independente? Uma seqüência de Markov? Um problema da Ruína de Jogador? EXEMPLOS DE MODELOS NÃO-MARKOVIANOS (a) Arremessa-se uma moeda 0 vezes e seja X n = se uma cara aparecer e X n = + se uma coroa aparecer. Defina uma nova seqüência {Z n }, da seguinte maneira: Z = X, Z = X + X,.. Com n=,, 9. Z n+ = X n + X n+ (b) Explique porque {Z n } dada acima não é um modelo Markoviano?

15 (c) Numa ilha maravilhosa verificou-se que a cor azul ocorre em borboletas de genótipo aa, e não ocorre em Aa e AA. Suponha que a proporção de borboletas azuis seja. Depois de algumas gerações, qual será a porcentagem das borboletas não azuis, mas capazes de ter filhotes azuis? RESPOSTA: Denotando por d, dominante, r, recessivo e h, híbrido, e os repectivos cruzamentos por d d, d r, d h, colocando as probabilidaddes em colunas, podemos montar a seguinte matriz de transição: d d r r d r d h r h h h d 0 0 0, 0 0, h 0 0 0, 0, 0, r , 0, p () d p () h p () r = 0 0 0, 0 0, 0 0 0, 0, 0, , 0, p () d p () d p () r p () r p () d p () r p () d p () h p () r p () h p () h p() h = = 0 0 0, 0 0, 0 0 0, 0, 0, , 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, = 0, 0, 0, p () d : porcentagem de indivíduos dominantes. : porcentagem de indivíduos hibridos. p () h p () r : porcentagem de indivíduos recessivos. Obs: p () d = p () d, p() h = p () h, p() r = p () r. Isto não é casualidade. Existe uma lei em genética muito conhecida, que estabelece sob condições ideais que depois da segunda geração, a distribuição entre os genótipos permanece a mesma.

16 APLICAÇÕES DA ÁLGEBRA LINEAR EM CADEIAS DE MARKOV Frequêntemente se deseja estudar a cadeia de Markov que tenha estado em funcionamento há alguma tempo, ou seja, investigar sobre o comportamento das probabilidades de estado n, com n bem grande, isto é, v j = lim p (n) j n Neste caso v j recebe o nome de Probabilidade de Estado Permanente. Em termos razoáveis pode-se esperar que, ao longo de um grande período de tempo, a influência do estado inicial no qual o processo começou pode esmorecer e, assim, as probabilidades limites v j podem não depender do estado inicial. Se for este o caso, então v j também pode ser interpretado como limite das probabilidades de transição de n passos p ij, v j = lim p (n) ij, n já que p (n) ij é a probabilidade do porcesso estar no estado j após n passos, dado que inicialmente estava no estado i. Se realmente cada v j não depende do estado inicial, a matriz P (n) = (p (n) ij ), convergirá para uma matriz V conforme n, e cada linha será identica ao vetor v, com componetes v j, P (n) V = v ṿ. v, quando n, onde v = (v 0, v,..., v j,...) Deve-se estar atento ás algumas perguntas, tais como: os limites que definen v j existem? Se existitrem, formam uma distribuição de probabilidade? Isto é, somam, v j =? Como se pode calcular os v j? se os limites v j = lim p (n) ij n n na identidade existem e não dependem do estado inicial, então, fazendo p (n) j = k p (n ) k p kj obtem-se v j = k v k p kj, com j = 0,,,..., ou, equivalentemente,

17 v = v P Qualquer vetor x = (x 0, x, x,...), com x i 0 tal que x i =, que satisfaça x j = k x k p kj, com j = 0,,,... ou x = x P é chamado de Vetor de Probabilidade Estacionária. Teorema.. Em qualquer cadeia aperiódica de Markov todos os limites v j = lim p (n) j n existem. Teorema.. Em qualquer cadeia aperiódica de Markov todos os limites v j = lim p (n) j = lim p (n) ij n n não dependem da distribuição inicial. Teorema.. Em qualquer cadeia aperiódica irredutível e finita de Markov, o vetor limite v = (v 0, v, v,...) é o único vetor da probabilidade estacionária do processo. Este último teorema implica que, para ca cadeia aperiódica, irredutível e finita de Markov, a matriz P (n) = (p (n) ij ) tende à uma matriz que tem todas sua linhas iguais, sendo cada uma delas id entica ao vetor estacionário, ou seja, lim n P(n) = v ṿ. v = v 0 v v... v 0 v v v 0 v v... Exemplo.. Suponha que um equipamento tanto possa estar ocupado como inoperante, e que, se estiver inoperante, possa estar parado para reparos, como aguardando mais trabalho. Indiqueos estados ocupado, em reparo, e aguardando mais trabalho por 0, e. Observe o estado do sistema em uma sequência de dias sucessivos, e suponha que haja suficiente falta de memóriano sistema, de forma que possa ser aproximado por uma cadeia de Markov com matriz de transição de passo P = p 00 p 0 p 0 p 0 p p p 0 p p = 0, 8 0, 0, 0, 0, 6 0, 0, 6 0 0, Assim, por exemplo, p 0 = 0, significa que a probabilidade de que uma máquina ocupada quebre é de 0,, p = 0, 6 significa que a probabilidade de que uma máquina em reparo hoje ainda esteja em reparo amanhã é de 0, 6, p = 0 significa que uma máquina inoperente não se quebra.

18 Se estiver interessado nas proporções de tmepo à longo prazo que o equipamento gasta em três estados, a distribuição limite deverá ser calculada. O sistema é, claramente, irredutível (cada estado por ser alcaçado partindo de cada outro estado, embora não necessariamente em um único passo, pois leva-se, ao menos, passos para ir do estado para o estado ). É também finito e aperiódico. De acordo com o teorema. só se precisa encontrar o único vetor de probabilidade estacionária, resolvendo-se x = xp, com xi =. Assim, x 0 = (0, 8)x 0 + (0, )x + (0, 6)x x = (0, )x 0 + (0, 6)x x = (0, )x 0 + (0, )x + (0, )x ou (0, )x 0 (0, )x (0, 6)x = 0 (0, )x 0 + (0, )x = 0 (0, )x 0 (0, )x + (0, 6)x = 0 Já que a terceira equação pode ser obtida somando as duas primeiras e multiplicando por, a terceira não oferece nenhuma informação adicional, podendo ser eliminada. As duas primeiras equações aliadas ao fato de que x i =, determinarão a única solução, que será do sistema (0, )x 0 (0, )x (0, 6)x = 0 (0, )x 0 + (0, )x = 0 x 0 + x + x = Das duas primeiras equações do sistemas, verifica-se que x = x 0, x = x 0, e substituindo na última equação, obtem-se x 0 = x = 6 x = 6 ( Assim, o vetor da probabilidade limite é v =, 6, ), e isso oferece as proporções de 6 tempo, a longo prazo, que o sistema gasta nestes estados.

19 EXERCÍCIOS RESOLVIDOS (a) É observado que as probabilidades de um time de futebol ganhar, perder e empatar uma partida depois de conseguir uma vitória são, e respectivamente; e depois 0 de ser derrotado são, e, respectivamente; e depois de empatar são, e, 0 0 respectivamente. Se o time não melhorar nem piorar, conseguirá mais vitórias que derrotas a longo prazo? RESPOSTA: G P E G 0, 0, 0, P 0, 0, 0, E 0, 0, 0, Como a matriz das probabilidades é regular, podemos aplicar o teorema (..)[:. 0, 0, 0, 0, 0, 0, 0, 0, 0, p G p P p E = p G p P p E 0, p G + 0, p P + 0, p E = 0 0, p G 0, p P + 0, p E = 0 0, p G + 0, p P 0, 6p E = 0 Além disso, sabemos que p G + p P + p E =. Daí, p G = 6 9, p P = 9 e p E = 9 9.

20 (b) Numa cidade industrial, os dados sobre a qualidade do ar são classificados como satisfatório (S) e insatisfatório (I). Assuma que, se um dia é registrado S, a probabilidade de se ter S no dia seguinte é e que, uma vez registrado I, tem-se de probabilidade de ocorrer S no dia seguinte. i. Qual é a probabilidade do quarto dia ser S, se o primeiro dia é I? ii. O que se pode dizer a longo prazo sobre a probabilidade de termos S ou I? RESPOSTA: S I S 0, 0, I 0,6 0,8 Para o item b)como a matriz das probabilidades é regular, podemos aplicar o teorema (..)[:. [ 0, 0, 0, 6 0, 8 [ ps p I = [ ps p I Além disso, p S + p I =. Daí, p S = e p I =. Para o item a) I I I { 0, 6pS + 0, p I = 0 0, 6p S 0, p I = 0 S I I S S I S I S I S S S Portanto, a probabilidade de ocorrer S no quarto dia tendo ocorrido I no primeiro dia é igual a =. O mesmo resultado pode ser obtido calculando o elemento a da a potência da matriz de transição: [ 0, 0, 0, 6 0, 8 [ 0, 0, 0, 6 0, 8 [ 0, 0, 0, 6 0, 8 = [ 9 9

21 (c) Considere duas companhias de comidas prontas, M e N. Cada ano, a companhia M conserva de seus fregueses, enquanto que se transferem para N. Cada ano, N conserva de seus fregueses, enquanto transferem-se para M. Suponha que a distribuição inicial do mercado é dada por X 0 = [ i. Ache a distribuição do mercado após ano. Um ano mais tarde, a distribuição do mercado é A = M [ N M N X = AX 0 = [ [ De fato, suponhamos que o mercado inicial consiste em k pessoas, e que este número não varia com o tempo. Ao fim do primeiro ano, M mantém de seus fregueses e ganha de N, ou seja, M tem ( k) + ( k) = k fregueses e S 9 tem ( k) + ( k) = 9 k fregueses. ii. Ache a distribuição estável do mercado. Como a matriz A é regular, segue pelo teorema da Cadeia de Markov que as probabilidades p M e p N a longo prazo satisfazem o seguinte sistema linear: [ [ pm p N = [ pm p N { pm + p N = 0 p M p N = 0 Além disso, temos que p M + p N =. Daí, podemos concluir que p M = e p N =.

22 (d) Suponha que somente duas companhias rivais, R e S, manufaturam um certo produto. Cada ano, a companhia R retém dos seus fregueses, enquanto que passam a ser fregueses de S. Cada ano, S mantém se seus fregueses, enquanto que se transfere para R. Estas informações podem ser mostradas sob a forma matricial como A = R [ S R S Ao se iniciar a manufatura, R tem do mercado (o mercado é composto pelo número total de fregueses), enquanto que S tem do mercado. Representamos a distribuição inicial do mercado por X 0 = [ Um ano mais tarde, a distribuição do mercado é X = AX 0 = [ [ De fato, suponhamos que o mercado inicial consiste em k pessoas, e que este número não varia com o tempo. Ao fim do primeiro ano, R mantém de seus fregueses e ganha de S, ou seja, R tem ( k) + ( 6 k) = k fregueses e S tem ( k) + ( 9 k) = k fregueses. Como a matriz A é regular, segue pelo teorema da Cadeia de Markov que as probabilidades p R e p S a longo prazo satisfazem o seguinte sistema linear:. [ [ pr p S = [ pr p S { pr + p S = 0 p R p S = 0 Além disso, temos que p R + p S =. Daí, podemos concluir que p R = 8 e p S = 8.

23 BIBLIOGRAFIA (a) BOLDRINE, José Luiz. COSTA, Suelli I. Rodrigues. FIGUEREDO, Vera Lúcia. WETZLER, Henry G. Álgebra Linear. a edição. Editora: HARBRA ltda. (b) CLARKE, A. Bruce. Disney, Ralph L. Traduzido por: Gildásio Amado Filho. Probabilidade e Processos Estocásticos. -Rio de Janeiro: Livros Técnicos e Científicos, 99. (c) FERNANDEZ, Pedro Jesus. Introdução à Teoria das Probabilidades. Rio de Janeiro, Livros Técnicos e Científicos; Brasília, Ed. Universidade de Brasília, 9. (d) KOLMAN, Bernard. Traduzido por: João Pitombeira de Carvalho. Álgebra Linear. a edição. Editora: Guanabara.

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

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

(a) Encontre o custo total de ações, usando multiplicação de matrizes.

(a) Encontre o custo total de ações, usando multiplicação de matrizes. NIVERSIDADE ESTADAL DE SANTA CRZ - ESC DEARTAMENTO DE CIÊNCIAS EXATAS E TECNOLÓGICAS - DCET ÁLGEBRA LINEAR ASSNTO: MATRIZES EXERCÍCIOS RESOLVIDOS. Suponha que um corretor da Bolsa de Valores faça um pedido

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

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

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

Cadeias de Markov. Geovany A. Borges gaborges@ene.unb.br

Cadeias de Markov. Geovany A. Borges gaborges@ene.unb.br 36341 - Introdução aos Processos Estocásticos Curso de Pós-Graduação em Engenharia Elétrica Departamento de Engenharia Elétrica Universidade de Brasília Cadeias de Markov Geovany A. Borges gaborges@ene.unb.br

Leia mais

Capítulo 3 - Sistemas de Equações Lineares

Capítulo 3 - Sistemas de Equações Lineares Capítulo 3 - Sistemas de Equações Lineares Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Matemática I - 1 o Semestre 2011/2012 Matemática I 1/

Leia mais

Capítulo 3 - Sistemas de Equações Lineares

Capítulo 3 - Sistemas de Equações Lineares Capítulo 3 - Sistemas de Equações Lineares Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Matemática I - 1 o Semestre 2011/2012 Matemática I 1/

Leia mais

Álgebra Linear. André Arbex Hallack Frederico Sercio Feitosa

Álgebra Linear. André Arbex Hallack Frederico Sercio Feitosa Álgebra Linear André Arbex Hallack Frederico Sercio Feitosa Janeiro/2006 Índice 1 Sistemas Lineares 1 11 Corpos 1 12 Sistemas de Equações Lineares 3 13 Sistemas equivalentes 4 14 Operações elementares

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

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

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

Leia mais

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

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

R é o conjunto dos reais; f : A B, significa que f é definida no conjunto A (domínio - domain) e assume valores em B (contradomínio range).

R é o conjunto dos reais; f : A B, significa que f é definida no conjunto A (domínio - domain) e assume valores em B (contradomínio range). f : A B, significa que f é definida no conjunto A (domínio - domain) e assume valores em B (contradomínio range). R é o conjunto dos reais; R n é o conjunto dos vetores n-dimensionais reais; Os vetores

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

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

FACULDADE DE CIÊNCIA E TECNOLOGIA. Cursos de Engenharia. Prof. Álvaro Fernandes Serafim

FACULDADE DE CIÊNCIA E TECNOLOGIA. Cursos de Engenharia. Prof. Álvaro Fernandes Serafim FACULDADE DE CIÊNCIA E TECNOLOGIA Cursos de Engenharia Prof. Álvaro Fernandes Serafim Última atualização: //7. Esta apostila de Álgebra Linear foi elaborada pela Professora Ilka Rebouças Freire. A formatação

Leia mais

Probabilidade - Conceitos Básicos. Anderson Castro Soares de Oliveira

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

Leia mais

MODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS DISCRETAS

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

Leia mais

A 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

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

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

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

ANÁLISE NUMÉRICA DEC - 1996/97

ANÁLISE NUMÉRICA DEC - 1996/97 ANÁLISE NUMÉRICA DEC - 996/97 Teoria de Erros A Teoria de Erros fornece técnicas para quantificar erros nos dados e nos resultados de cálculos com números aproximados. Nos cálculos aproximados deve-se

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

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

QUESTÕES COMENTADAS E RESOLVIDAS

QUESTÕES COMENTADAS E RESOLVIDAS LENIMAR NUNES DE ANDRADE INTRODUÇÃO À ÁLGEBRA: QUESTÕES COMENTADAS E RESOLVIDAS 1 a edição ISBN 978-85-917238-0-5 João Pessoa Edição do Autor 2014 Prefácio Este texto foi elaborado para a disciplina Introdução

Leia mais

NIVELAMENTO MATEMÁTICA 2012

NIVELAMENTO MATEMÁTICA 2012 NIVELAMENTO MATEMÁTICA 202 Monitor: Alexandre Rodrigues Loures Monitor: Alexandre Rodrigues Loures SUMÁRIO. LOGARITMOS... 3.. Mudança de base... 3.2. Propriedades dos logaritmos... 4 2. DERIVADAS... 4

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

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

Álgebra Linear. Mauri C. Nascimento Departamento de Matemática UNESP/Bauru. 19 de fevereiro de 2013

Álgebra Linear. Mauri C. Nascimento Departamento de Matemática UNESP/Bauru. 19 de fevereiro de 2013 Álgebra Linear Mauri C. Nascimento Departamento de Matemática UNESP/Bauru 19 de fevereiro de 2013 Sumário 1 Matrizes e Determinantes 3 1.1 Matrizes............................................ 3 1.2 Determinante

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

36 a Olimpíada Brasileira de Matemática Nível Universitário Primeira Fase

36 a Olimpíada Brasileira de Matemática Nível Universitário Primeira Fase 36 a Olimpíada Brasileira de Matemática Nível Universitário Primeira Fase Problema 1 Turbo, o caracol, está participando de uma corrida Nos últimos 1000 mm, Turbo, que está a 1 mm por hora, se motiva e

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

Método de Eliminação de Gauss. Eduardo Camponogara

Método de Eliminação de Gauss. Eduardo Camponogara Sistemas de Equações Lineares Método de Eliminação de Gauss Eduardo Camponogara Departamento de Automação e Sistemas Universidade Federal de Santa Catarina DAS-5103: Cálculo Numérico para Controle e Automação

Leia mais

Lógica e Raciocínio. Decisão sob Risco Probabilidade. Universidade da Madeira. http://dme.uma.pt/edu/ler/

Lógica e Raciocínio. Decisão sob Risco Probabilidade. Universidade da Madeira. http://dme.uma.pt/edu/ler/ Lógica e Raciocínio Universidade da Madeira http://dme.uma.pt/edu/ler/ Decisão sob Risco Probabilidade 1 Probabilidade Em decisões sob ignorância a probabilidade dos diferentes resultados e consequências

Leia mais

TEORIA DAS FILAS 1.1 UMA INTRODUÇÃO À PESQUISA OPERACIONAL

TEORIA DAS FILAS 1.1 UMA INTRODUÇÃO À PESQUISA OPERACIONAL TEORIA DAS FILAS 1.1 UMA INTRODUÇÃO À PESQUISA OPERACIONAL A pesquisa operacional (PO) é uma ciência aplicada cujo objetivo é a melhoria da performance em organizações, ou seja, em sistemas produtivos

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

UM MODELO MARKOVIANO DE DECISÃO PARA A OTIMIZAÇÃO DE UM SISTEMA DE MANUTENÇÃO COM TEMPOS DE REPARO COXIANOS E FASES NÃO OBSERVÁVEIS

UM MODELO MARKOVIANO DE DECISÃO PARA A OTIMIZAÇÃO DE UM SISTEMA DE MANUTENÇÃO COM TEMPOS DE REPARO COXIANOS E FASES NÃO OBSERVÁVEIS ISSN 0101-7438 UM MODELO MARKOVIANO DE DECISÃO PARA A OTIMIZAÇÃO DE UM SISTEMA DE MANUTENÇÃO COM TEMPOS DE REPARO COXIANOS E FASES NÃO OBSERVÁVEIS Rita de Cássia Meneses Rodrigues Solon Venâncio de Carvalho

Leia mais

Texto 07 - Sistemas de Partículas. A figura ao lado mostra uma bola lançada por um malabarista, descrevendo uma trajetória parabólica.

Texto 07 - Sistemas de Partículas. A figura ao lado mostra uma bola lançada por um malabarista, descrevendo uma trajetória parabólica. Texto 07 - Sistemas de Partículas Um ponto especial A figura ao lado mostra uma bola lançada por um malabarista, descrevendo uma trajetória parabólica. Porém objetos que apresentam uma geometria, diferenciada,

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

CAPÍTULO III TOMADA DE DECISÃO COM INCERTEZA E RISCO

CAPÍTULO III TOMADA DE DECISÃO COM INCERTEZA E RISCO CAPÍTULO III TOMADA DE DECISÃO COM INCERTEZA E RISCO TOMADA DE DECISÃO 36 Tomada de Decisões Primeiro Passo i. Identificar decisões alternativas. ii. Identificar consequências possíveis. iii. Identificar

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

Gobooks.com.br. PucQuePariu.com.br

Gobooks.com.br. PucQuePariu.com.br ÁLGEBRA LINEAR todos os conceitos, gráficos e fórmulas necessárias, em um só lugar. Gobooks.com.br PucQuePariu.com.br e te salvando de novo. Agora com o: RESUMO ÁLGEBRA LINEAR POR: Giovanni Tramontin 1.

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

Exercícios Sugeridos Variáveis Aleatórias Discretas e Contínuas

Exercícios Sugeridos Variáveis Aleatórias Discretas e Contínuas Exercícios Sugeridos Variáveis Aleatórias Discretas e Contínuas 1. (Paulino e Branco, 2005) Num depósito estão armazenadas 500 embalagens de um produto, das quais 50 estão deterioradas. Inspeciona-se uma

Leia mais

Exercícios Resolvidos sobre probabilidade total e Teorema de Bayes

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

Leia mais

Lista 1 para a P2. Operações com subespaços

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

Leia mais

1. Método Simplex. Faculdade de Engenharia Eng. Celso Daniel Engenharia de Produção. Pesquisa Operacional II Profa. Dra. Lílian Kátia de Oliveira

1. Método Simplex. Faculdade de Engenharia Eng. Celso Daniel Engenharia de Produção. Pesquisa Operacional II Profa. Dra. Lílian Kátia de Oliveira Faculdade de Engenharia Eng. Celso Daniel Engenharia de Produção. Método Simple.. Solução eata para os modelos de Programação Linear O modelo de Programação Linear (PL) reduz um sistema real a um conjunto

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

Cálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU

Cálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU Cálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU Prof. Dr. Sergio Pilling (IPD/ Física e Astronomia) III Resolução de sistemas lineares por métodos numéricos. Objetivos: Veremos

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

Exercícios Adicionais

Exercícios Adicionais Exercícios Adicionais Observação: Estes exercícios são um complemento àqueles apresentados no livro. Eles foram elaborados com o objetivo de oferecer aos alunos exercícios de cunho mais teórico. Nós recomendamos

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

MÓDULO 1. I - Estatística Básica

MÓDULO 1. I - Estatística Básica MÓDULO 1 I - 1 - Conceito de Estatística Estatística Técnicas destinadas ao estudo quantitativo de fenômenos coletivos e empíricamente observáveis. Unidade Estatística nome dado a cada observação de um

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

ANALISE COMBINATORIA Um pouco de probabilidade

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

Leia mais

CAPÍTULO 3. Sistemas com Vários Componentes (Multicomponentes) em Modelos Markovianos de Decisão

CAPÍTULO 3. Sistemas com Vários Componentes (Multicomponentes) em Modelos Markovianos de Decisão CAPÍTULO 3 Sistemas com Vários Componentes (Multicomponentes) em Modelos Markovianos de Decisão 3.1 - Multicomponentes Conceitos Básicos: O conceito de multicomponente é utilizado em diversas áreas de

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

1. Os métodos Não-Paramétricos podem ser aplicados a uma ampla diversidade de situações, porque não exigem populações distribuídas normalmente.

1. Os métodos Não-Paramétricos podem ser aplicados a uma ampla diversidade de situações, porque não exigem populações distribuídas normalmente. TESTES NÃO - PARAMÉTRICOS As técnicas da Estatística Não-Paramétrica são, particularmente, adaptáveis aos dados das ciências do comportamento. A aplicação dessas técnicas não exige suposições quanto à

Leia mais

Programa Institucional de Bolsas de Iniciação à Docência Projeto Matemática 1. Matrizes, determinantes e sistemas lineares

Programa Institucional de Bolsas de Iniciação à Docência Projeto Matemática 1. Matrizes, determinantes e sistemas lineares Programa Institucional de Bolsas de Iniciação à Docência Projeto Matemática 1 Matrizes, determinantes e sistemas lineares Curitiba 2014 PLANO DE AULA DE SISTEMAS LINEARES Dados de Identificação: Instituição:

Leia mais

4. Metodologia. Capítulo 4 - Metodologia

4. Metodologia. Capítulo 4 - Metodologia Capítulo 4 - Metodologia 4. Metodologia Neste capítulo é apresentada a metodologia utilizada na modelagem, estando dividida em duas seções: uma referente às tábuas de múltiplos decrementos, e outra referente

Leia mais

O MÉTODO HÚNGARO PARA RESOLUÇÃO DE PROBLEMAS DE OTIMIZAÇÃO

O MÉTODO HÚNGARO PARA RESOLUÇÃO DE PROBLEMAS DE OTIMIZAÇÃO O MÉTODO HÚNGARO PARA RESOLUÇÃO DE PROBLEMAS DE OTIMIZAÇÃO João Cesar Guirado Universidade Estadual de Maringá E-mail: jcguirado@gmail.com Márcio Roberto da Rocha Universidade Estadual de Maringá E-mail:

Leia mais

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

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

Leia mais

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

Raciocínio Lógico Exercícios. Prof. Pacher A B P(A B) P(A/B) = P(B) n(a) P(A) = n(s) PROBABILIDADE DECORRÊNCIA DA DEFINIÇÃO

Raciocínio Lógico Exercícios. Prof. Pacher A B P(A B) P(A/B) = P(B) n(a) P(A) = n(s) PROBABILIDADE DECORRÊNCIA DA DEFINIÇÃO PROBBILIDDE Introdução teoria da probabilidade é o ramo da matemática que cria, desenvolve e em geral pesquisa modelos que podem ser utilizados para estudar experimentos aleatórios ou não determinísticos.

Leia mais

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

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

Leia mais

Sistema de equações lineares

Sistema de equações lineares Sistema de equações lineares Sistema de m equações lineares em n incógnitas sobre um corpo ( S) a x + a x + + a x = b a x + a x + + a x = b a x + a x + + a x = b 11 1 12 2 1n n 1 21 1 22 2 2n n 2 m1 1

Leia mais

Unidade II - Sistemas de Equações Lineares

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

Leia mais

Seu pé direito nas melhores faculdades

Seu pé direito nas melhores faculdades Seu pé direito nas melhores faculdades IM - maio 006 MTMÁTI 0. a) atore a epressão 3 3 + 6. b) Resolva, em, a inequação 3 3 + 6 +. a) 3 3 + 6 = (3 ) 6(3 ) = ( 6)(3 ) = ( + 6 )( 6 )(3 ) é a forma fatorada

Leia mais

3 Matemática financeira e atuarial

3 Matemática financeira e atuarial 3 Matemática financeira e atuarial A teoria dos juros compostos em conjunto com a teoria da probabilidade associada à questão da sobrevivência e morte de um indivíduo são os fundamentos do presente trabalho.

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

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

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

4 Estudo de caso: Problema de seqüenciamento de carros

4 Estudo de caso: Problema de seqüenciamento de carros 4 Estudo de caso: Problema de seqüenciamento de carros O problema de seqüenciamento de carros em linhas de produção das indústrias automobilísticas é um tipo particular de problema de escalonamento que

Leia mais

3ª lista de exercícios sobre cálculo de probabilidades, axiomas, propriedades, teorema da probabilidade total e teorema de Bayes

3ª lista de exercícios sobre cálculo de probabilidades, axiomas, propriedades, teorema da probabilidade total e teorema de Bayes 3ª lista de exercícios sobre cálculo de probabilidades, axiomas, propriedades, teorema da probabilidade total e teorema de Bayes 1) Quatro moedas são lançadas e observa-se a seqüência de caras e coroas

Leia mais

Um sistema de equações lineares (sistema linear) é um conjunto finito de equações lineares da forma:

Um sistema de equações lineares (sistema linear) é um conjunto finito de equações lineares da forma: Sistemas Lineares Um sistema de equações lineares (sistema linear) é um conjunto finito de equações lineares da forma: s: 2 3 6 a) 5 2 3 7 b) 9 2 3 Resolução de sistemas lineares Metodo da adição 4 100

Leia mais

PROBABILIDADE PROFESSOR: ANDRÉ LUIS

PROBABILIDADE PROFESSOR: ANDRÉ LUIS PROBABILIDADE PROFESSOR: ANDRÉ LUIS 1. Experimentos Experimento determinístico: são aqueles em que o resultados são os mesmos, qualquer que seja o número de ocorrência dos mesmos. Exemplo: Um determinado

Leia mais

[ \ x Recordemos o caso mais simples de um VLVWHPD de duas HTXDo}HVOLQHDUHV nas duas LQFyJQLWDV [ e \.

[ \ x Recordemos o caso mais simples de um VLVWHPD de duas HTXDo}HVOLQHDUHV nas duas LQFyJQLWDV [ e \. &DStWXOR±6LVWHPDVGH(TXDo}HV/LQHDUHV1 &DStWXOR±6LVWHPDVGH(TXDo}HV/LQHDUHV Å 1Ro}HV *HUDLV Recordemos o caso mais simples de um VLVWHPD de duas HTXDo}HVOLQHDUHV nas duas LQFyJQLWDV [ e \. [\ [\ É fácil verificar

Leia mais

DETERMINAÇÃO DO TAMANHO DE UMA AMOSTRA

DETERMINAÇÃO DO TAMANHO DE UMA AMOSTRA DETERMINAÇÃO DO TAMANHO DE UMA AMOSTRA INTRODUÇÃO O pesquisador social procura tirar conclusões a respeito de um grande número de sujeitos. Por exemplo, ele poderia desejar estudar: os 170.000.000 de cidadãos

Leia mais

CPV especializado na ESPM ESPM Resolvida Prova E 10/novembro/2013

CPV especializado na ESPM ESPM Resolvida Prova E 10/novembro/2013 CPV especializado na ESPM ESPM Resolvida Prova E 0/novembro/03 Matemática. As soluções da equação x + 3 x = 3x + são dois números: x + 3 a) primos b) positivos c) negativos d) pares e) ímpares x + 3 x

Leia mais

CPV 82% de aprovação na ESPM

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

Leia mais

EXERCÍCIOS DE REVISÃO MATEMÁTICA CONTEÚDO: PROBABILIDADE 3 a SÉRIE ENSINO MÉDIO

EXERCÍCIOS DE REVISÃO MATEMÁTICA CONTEÚDO: PROBABILIDADE 3 a SÉRIE ENSINO MÉDIO EXERCÍCIOS DE REVISÃO MATEMÁTICA CONTEÚDO: PROBABILIDADE a SÉRIE ENSINO MÉDIO ======================================================================= ) (UF SC) Em uma caixa há 8 bombons, todos com forma,

Leia mais

M501 Probabilidade, Estatística e Processos Estocásticos

M501 Probabilidade, Estatística e Processos Estocásticos Notas de aula M501 Probabilidade, Estatística e Processos Estocásticos Dayan Adionel Guimarães Novembro de 007 Agradecimento Aos professores: Dr. José Marcos Câmara Brito Dr. Carlos Alberto Ynoguti M.Sc.

Leia mais

a 1 x 1 +... + a n x n = b,

a 1 x 1 +... + a n x n = b, Sistemas Lineares Equações Lineares Vários problemas nas áreas científica, tecnológica e econômica são modelados por sistemas de equações lineares e requerem a solução destes no menor tempo possível Definição

Leia mais

Inteligência Artificial Prof. Marcos Quinet Pólo Universitário de Rio das Ostras PURO Universidade Federal Fluminense UFF

Inteligência Artificial Prof. Marcos Quinet Pólo Universitário de Rio das Ostras PURO Universidade Federal Fluminense UFF Inteligência Artificial Prof. Marcos Quinet Pólo Universitário de Rio das Ostras PURO Universidade Federal Fluminense UFF No capítulo anterior... Estratégias de busca auxiliadas por heurísticas (A*, BRPM)

Leia mais

PROBLEMAS DE CONGESTIONAMENTO: Teoria das Filas

PROBLEMAS DE CONGESTIONAMENTO: Teoria das Filas PROBLEMAS DE CONGESTIONAMENTO: Teoria das Filas CARACTERÍSTICA PRINCIPAL: presença de clientes solicitando serviços em um posto de serviço e que, eventualmente, devem esperar até que o posto esteja disponível

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

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

MATRIZES Matriz quadrada Matriz linha e matriz coluna Matriz diagonal Matriz identidade

MATRIZES Matriz quadrada Matriz linha e matriz coluna Matriz diagonal Matriz identidade MATRIZES Matriz quadrada matriz quadrada de ordem. diagonal principal matriz quadrada de ordem. - 7 9 diagonal principal diagonal secundária Matriz linha e matriz coluna [ ] colunas). (linha e matriz linha

Leia mais

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

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

Leia mais

CPV O Cursinho que Mais Aprova na GV

CPV O Cursinho que Mais Aprova na GV CPV O Cursinho que Mais Aprova na GV FGV Economia 1 a Fase /nov/014 MATEMÁTICA 01. Observe o diagrama com 5 organizações intergovernamentais de integração sul-americana: Dos 1 países que compõem esse diagrama,

Leia mais

Quando dividimos uma grandeza em um número inteiro de partes iguais, cada uma destas partes é dita ser uma alíquota da grandeza dada.

Quando dividimos uma grandeza em um número inteiro de partes iguais, cada uma destas partes é dita ser uma alíquota da grandeza dada. 6. FRAÇÕES ORDINÁRIAS 1). A ideia de alíquota 2). A ideia de fração 3). Frações de grandezas contínuas e de grandezas discretas 4). O tipo mais importante de frações discretas: as frações ordinárias 5).

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

Modelos Estocásticos. Resolução de alguns exercícios da Colectânea de Exercícios 2005/06 PROCESSOS ESTOCÁSTICOS E FILAS DE ESPERA LEGI

Modelos Estocásticos. Resolução de alguns exercícios da Colectânea de Exercícios 2005/06 PROCESSOS ESTOCÁSTICOS E FILAS DE ESPERA LEGI Modelos Estocásticos Resolução de alguns exercícios da Colectânea de Exercícios 2005/06 LEGI Capítulo 7 PROCESSOS ESTOCÁSTICOS E FILAS DE ESPERA Nota: neste capítulo ilustram-se alguns dos conceitos de

Leia mais

UNITAU APOSTILA PROBABILIDADES PROF. CARLINHOS

UNITAU APOSTILA PROBABILIDADES PROF. CARLINHOS ESCOLA DE APLICAÇÃO DR. ALFREDO JOSÉ ALI UNITAU APOSTILA PROAILIDADES ibliografia: Curso de Matemática Volume Único Autores: ianchini&paccola Ed. Moderna Matemática Fundamental - Volume Único Autores:

Leia mais

CONSIDERAÇÕES SOBRE A RUÍNA DO JOGADOR

CONSIDERAÇÕES SOBRE A RUÍNA DO JOGADOR Resumo COSIDERAÇÕES SOBRE A RUÍA DO JOGADOR Fernando de Jesus Moreira Junior Prof. UFSM/RS, Aluno PPGEP UFSC/SC, fmjunior@smail.ufsm.br Silvana Ligia Vincenzi Bortolotti Prof a. UTFPR/PR, Prof. Dr. UTFPR/PR,

Leia mais

Estatística e Probabilidade. Aula 4 Cap 03. Probabilidade

Estatística e Probabilidade. Aula 4 Cap 03. Probabilidade Estatística e Probabilidade Aula 4 Cap 03 Probabilidade Estatística e Probabilidade Método Estatístico Estatística Descritiva Estatística Inferencial Nesta aula... aprenderemos como usar informações para

Leia mais

CURSO de CIÊNCIAS ECONÔMICAS - Gabarito

CURSO de CIÊNCIAS ECONÔMICAS - Gabarito UNIVERSIDADE FEDERAL FLUMINENSE TRANSFERÊNCIA 2 o semestre letivo de 2006 e 1 o semestre letivo de 2007 CURSO de CIÊNCIAS ECONÔMICAS - Gabarito INSTRUÇÕES AO CANDIDATO Verifique se este caderno contém:

Leia mais