Aula 1: Introdução à Probabilidade
|
|
- Edison Cabreira de Almada
- 8 Há anos
- Visualizações:
Transcrição
1 Aula 1: Introdução à Probabilidade Prof. Leandro Chaves Rêgo Programa de Pós-Graduação em Engenharia de Produção - UFPE Recife, 07 de Março de 2012
2 Experimento Aleatório Um experimento é qualquer processo de observação. Por exemplo, considere medirmos a corrente elétrica em um fio de cobre ou medirmos o peso de um tijolo. Quando repetimos tal experimento, os resultados podem diferir. Esta variação de resultados é denominada de componente aleatório do nosso experimento. Se as variações forem desprezíveis, estas podem ser ignoradas. Porém, frequentemente nos deparamos com situações onde é importante levar as variações em consideração. O objetivo de se estudar Probabilidade e Estatística é compreender, quantificar e modelar os tipos de variações ou fenômenos aleatórios que encontramos com frequência.
3 Experimento Aleatório Os seguintes traços caracterizam um experimento aleatório: (a) Se for possível repetir as mesmas condições do experimento, os resultados do experimento em diferentes realizações podem ser diferentes, ou seja, existem variáveis ou fatores que não consegue-se controlar. (b) Pode-se descrever o conjunto de todos os possíveis resultados do experimento. (c) Quando o experimento for repetido um grande número de vezes, uma configuração definida ou regularidade surgirá. É esta regularidade que torna possível construir um modelo probabilístico. Os resultados de um experimento aleatório são caracterizados pelos seguintes componentes: 1 o conjunto de resultados possíveis Ω; 2 a coleção de conjuntos de resultados de interesse A; 3 um valor numérico P da verossimilhança ou probabilidade de ocorrência de cada um dos conjuntos de resultados de interesse.
4 Espaço Amostral O conjunto de possíveis resultados de um experimento aleatório é chamado de espaço amostral. Existem quatro pontos que são desejáveis da especificação de um espaço amostral: SS1. listar os possíveis resultados do experimento; SS2. fazê-lo sem duplicação; SS3. fazê-lo em um nível de detalhamento suficiente para os interesses desejados; SS4. especificar essa lista completamente em um sentido prático, embora usualmente não completa no que se refere a todos os resultados logicamente ou fisicamente possíveis. Por exemplo, em uma única jogada de uma moeda poderíamos ter: Ω 1 = {cara, coroa}; Ω 2 = {cara,coroa, borda}; ou Ω 3 = {(x,y) IR 2 }, onde (x, y) são as coordenadas do centro da moeda após parar. Espaços amostrais podem ser enumeráveis ou não enumeráveis; se os elementos do espaço amostral podem ser colocados em uma correspondência 1-1 com um subconjunto dos inteiros, o espaço amostral é enumerável.
5 s Se estivermos interessados no número de chamadas que chega a uma central telefônica em um dado intervalo de tempo, temos que o espaço amostral pode ser o conjunto de inteiros não-negativos IN. Se estivermos medindo o peso de 1 tijolo produzido em uma fábrica, temos que o espaço amostral pode ser o conjunto de reais não-negativos IR +. Se estivermos medindo o peso de 2 tijolos produzidos em uma fábrica, temos que o espaço amostral pode ser o conjunto IR + IR +.
6 Eventos e Coleção de Eventos Um evento é um subconjunto do espaço amostral. Se ao realizarmos um experimento aleatório, o resultado pertence a um dado evento A, dizemos que A ocorreu. Utilizaremos as operações Booleanas de conjuntos (complementar, união, intersecção, diferença) para expressar eventos combinados de interesse. Definição Dado um espaço amostral Ω e um conjunto qualquer I, uma partição Π = {A α,α I} de Ω é uma coleção de eventos que satisfaz: P1. Para todo α β, A α A β = ; P2. α IA α = Ω. Portanto, cada elemento ω Ω pertence a um, e somente um, dos eventos A α de uma partição. Se dois eventos não possuem nenhum resultado em comum, diz-se que são disjuntos ou mutuamente exclusivos.
7 Alguns s Sejam A, B, e C eventos em um mesmo espaço amostral Ω. Expresse os seguintes eventos em função de A, B, e C e operações Booleanas de conjuntos. (a) Pelo menos um deles ocorre. (b) Exatamente um deles ocorre. (c) Pelo menos dois ocorrem. (d) No máximo dois deles ocorrem. (e) Ambos A e B ocorrem, mas C não ocorre. A coleção de intervalos {(n,n+1] : n Z} é uma partição dos números reais IR.
8 Frequências Relativas Resta-nos discutir o terceiro elemento para modelagem do raciocínio probabilístico, a associação de uma medida numérica a eventos que representam a probabilidade com que eles ocorrem. As propriedades desta associação são motivadas em grande parte pelas propriedades de frequência relativas. Ao repetirmos um experimento aleatório n vezes sua frequência relativa nada mais é que a fração de vezes que este evento ocorre, ou seja, Definição A frequência relativa de um evento A determinada por n repetições de um experimento aleatório é r n(a) = Nn(A), n onde N n(a) é o número de vezes que o evento A ocorreu nas n realizações do experimento.
9 Suponha que lança-se um dado 10 vezes e obtém-se a seguinte sequência de resultados: {1, 2, 2,6, 5,4, 4,4, 6,1}. A frequência relativa do evento A = {2, 4} é igual a r 10(A) = 5/10, a frequência relativa do evento B = {3, 5} é igual a r 10(B) = 1/10 e a frequência relativa de A B é igual a r 10(A B) = 6/10.
10 Frequências Relativas Propriedades chaves da frequência relativa são: FR0. r n : A IR. FR1. r n(a) 0. FR2. r n(ω) = 1. FR3. Seja A i,i = 1,2,...,k, uma coleção finita de eventos disjuntos par a par. Então, r n( k i=1a i ) = k i=1 rn(a i). Assumiremos que ao aumentarmos o número de repetições do experimento, a frequência relativa de um evento A tende a se estabilizar ao redor de um número P(A), que chamamos de probabilidade do evento A. Salientamos que o sentido de convergência quando n cresce só pode ser explicado pela Lei dos Grandes Números, que não será discutida em detalhes neste curso. Esta tendência da frequência relativa de estabilizar em um certo valor é conhecida como regularidade estatística. Deste modo, P herdará propriedades da frequência relativa r n.
11 Axiomas de Kolmogorov São um conjunto de propriedades que definem que tipos de funções matemáticas podem ser adotadas para descrever um modelo probabilístico. Os primeiro quatro axiomas podem ser motivados pelas propriedades de frequência relativa. K0. Inicial. O experimento aleatório é descrito pelo espaço de probabilidade (Ω,A, P) que consiste do espaço amostral Ω, de uma coleção A de eventos de Ω, e de uma função de valores reais P : A IR. K1. Não-negatividade. A A, P(A) 0. K2. Normalização Unitária. P(Ω) = 1. K3. Aditividade Finita. Seja A i,i = 1, 2,...,n, uma coleção finita de eventos disjuntos par a par. Então, P( n i=1a i ) = n i=1 P(A i). Um último axioma foi proposto por Kolmogorov para garantir um certo grau de continuidade da medida de probabilidade. K4. σ-aditividade. Se {A i } é uma coleção enumerável de eventos disjuntos dois a dois, então P( i=1a i ) = P(Ai ).
12 Medida de Probabilidade Definição Uma função que satisfaz K0 K4 é chamada de uma medida de probabilidade. Observação Os axiomas de Kolmogorov não descrevem um único modelo probabilístico, eles apenas determinam uma família de modelos probabilísticos, a escolha de um modelo específico satisfazendo os axiomas é feito pelo analista/estatístico familiar com o fenômeno aleatório sendo modelado.
13 s de Medidas de Probabilidade Se Ω for um conjunto finito, então temos que a probabilidade clássica que assume que todos os resultados são igualmente prováveis, é um exemplo de uma medida de probabilidade. Neste caso, temos que P(A) = A Ω, onde A é o número de elementos de A. O fato que 0 A Ω e que A B = A + B A B, permitem que verifiquemos que P satisfaz os axiomas de Kolmogorov. Seja Ω = {ω 1,ω 2,...,ω n} um conjunto finito, e seja P({ω i }) = p i, onde p i 0, n i=1 p i = 1, e P(A) = ω i A P({ω i}). Neste caso, também é fácil verificar que P é uma medida de probabilidade verificando os axiomas. Portanto, no caso de qualquer conjunto finito (ou infinito enumerável), pode-se calcular a probabilidade de qualquer evento somando-se as probabilidades dos eventos que consistem de resultados individuais.
14 Propriedades de Probabilidade Teorema Se P é uma medida de probabilidade, então 1 P(A c ) = 1 P(A). 2 P( ) = 0. 3 P(A) 1. 4 Se A B, então P(A) P(B). 5 P(A B) max(p(a),p(b)) min(p(a),p(b)) P(A B). 6 P(A B) = P(A)+P(B) P(A B). 7 Se {A i } é uma partição enumerável de Ω feita de conjuntos em A, então para todo B A P(B) = P(B A i ). i 8 P( n i=1a i ) n i=1 P(A i). 9 P(A 1 A 2 A 3) = P(A 1)+P(A 2)+P(A 3) P(A 1 A 2) P(A 1 A 3) P(A 2 A 3)+P(A 1 A 2 A 3).
15 Exercícios Uma peça selecionada para teste é igualmente provável de ser produzida em qualquer uma de seis ferramentas de corte. (a) Qual o espaço amostral? (b) Qual é a probabilidade da peça ser proveniente da ferramenta 3 ou 5? (c) Qual é a probabilidade da peça não ser da ferramenta 4?
16 Exercícios (cont.) Se A, B e C forem eventos mutuamente excludentes, com P(A) = 0,2, P(B) = 0,3 e P(C) = 0,4, determine: (a) P(A B C). (b) P(A c (B C)). (c) P((A B) C). Se A, B e C forem eventos mutuamente excludentes, será possível obter P(A) = 0,3, P(B) = 0,4 e P(C) = 0,5? Justifique.
17 Princípios de Contagem Amostragem com Reposição. Dado um conjunto com n elementos distintos, existem n k sequências distintas de comprimento k escolhida desse conjunto com repetidas seleções do mesmo elemento sendo permitida. Amostragem sem Reposição. Dado um conjunto com n elementos distintos, existem n(n 1)(n 2)(n k + 1) sequências distintas de comprimento k escolhida desse conjunto com repetidas seleções do mesmo elemento não sendo permitida. Permutações. Dado um conjunto com n elementos distintos, existem n(n 1)(n 2) (2)(1) n! maneiras de ordenar sequncialmente estes elementos. n! é chamado de em fatorial de n. Subconjuntos. Dado um conjunto com n elementos distintos, existem n! = ( n k!(n k)! k) diferentes subconjuntos de k elementos. Recorde que em um conjunto a ordem dos elementos não importa, por isso existem menos subconjuntos que sequências de um mesmo tamanho de um dado conjunto. ( n k) é chamado de binomial de n, k a k, e determina o número de maneiras de se escolher k elementos de um conjuntos com n elementos.
18 Exercícios (cont.) Dentre 8 números positivos e 6 negativos, escolhem-se ao acaso 4 números (sem reposição) e multiplicam-se esses números. Qual é a probabilidade que o produto seja um número positivo?
19 Exercícios (cont.) Em um grupo de r pessoas qual a probabilidade de haver pelo menos duas pessoas que façam aniversário no mesmo dia, assumindo que a distribuição de aniversários é uniforme ao longo do ano e desprezando a existência de anos bissextos?
20 Exercícios (cont.) Solução: O número de resultados possíveis para os aniversários de r pessoas é 365 r. O número de casos possíveis onde todas as pessoas fazem aniversário em dias diferentes é dado por (365 (r 1)). Portanto, o número de casos possíveis onde pelo menos duas pessoas fazem aniversário no mesmo dia é a diferença entre o número total de aniversários possíveis e o número de casos onde as pessoas têm aniversários em datas diferentes, ou seja, é igual a 365 r (365 (r 1)). Logo, a probabilidade deste evento é: (365 (r 1)) 365 r. Para r = 23, temos que essa probabilidade é aproximadamente igual a 0,51. E para r = 50, essa probabilidade é igual a 0,97.
21 Exercícios (cont.) Doze pessoas são divididas em três grupos de 4. Qual é a probabilidade de duas determinadas dessas pessoas ficarem no mesmo grupo?
22 Exercícios (cont.) Solução: O número total de divisões de doze pessoas em 3 grupos de 4 é igual a ( )( 4)( 4). Vamos agora contar o número de casos favoráveis ao nosso evento. Existem 3 opções de escolhermos em qual grupo as duas pessoas determinadas podem ficar. Das 10 pessoas restantes, temos que escolher mais duas para estarem neste grupo, o que podemos fazer de ( 10 2) maneiras diferentes. E temos ( 8 4 4)( 4) maneiras diferentes de dividir as outras 8 pessoas nos dois grupos restantes. Portanto, a probabilidade de duas determinadas pessoas ficarem no mesmo grupo é: 3 ( ) 2)( 4)( 4 ( ) = 4)( 4)(
23 Probabilidade Condicional Probabilidade é baseada em informação e conhecimento. Nosso objetivo é saber como atualizar o valor da probabilidade quando esta base de informação ou conhecimento é alterada. Em particular, como alterar a probabilidade de um dado evento A quando sabe-se que um determinado evento B ocorreu? Seja n o número de vezes que repete-se um experimento. Seja N A (resp., N B > 0 e N A B ) o número de vezes que o evento A (resp., B e A B) ocorre nessas n repetições. A probabilidade condicional de A dado que sabe-se que B ocorreu, P(A B), segundo uma interpretação frequentista, sugere que ela deve ser igual ao limite das frequências relativas condicionais do evento A dado o evento B, isto é, deve ser o limite N A B /N B quando n tende ao infinito. Seja r A = N A /n a frequência relativa do evento A. Note que N A B /N B = r A B /r B e que segundo a interpretação frequentista de probabilidade r A B /r B é aproximadamente igual a P(A B)/P(B) para valores grandes de n.
24 Probabilidade Condicional Definição Seja (Ω,A,P) um espaço de probabilidade. Se A,B A e P(B) > 0 a probabilidade condicional de A dado B é definida por P(A B) = P(A B) P(B) Teorema Seja B um evento tal que P(B) > 0, então: 1 P(A B) 0. 2 P(Ω B) = 1. 3 Se A 1,A 2,... é uma coleção enumerável de eventos disjuntos par a par, então P( i A i B) = i P(A i B).
25 Probabilidade Condicional Observação Este teorema implica que para um evento fixo B que satisfaz P(B) > 0, a função P( B) : A IR satisfaz todos os axiomas de Kolmogorov e portanto é uma medida de probabilidade. Logo, todas as propriedades válidas para probabilidade incondicional continuam válidas para probabilidade condicional. A probabilidade condicional também satisfaz as seguintes propriedades: 1 P(B B) = 1; 2 P(A B) = P(A B B); 3 se A B, então P(A B) = 1; 4 P(A B C) = P(A B C)P(B C). 5 P(A 1 A 2) = P(A 1 A 2)P(A 2). 6 P(A 1 A 2 A 3) = P(A 1 A 2 A 3)P(A 2 A 3) = P(A 1 A 2 A 3)P(A 2 A 3)P(A 3).
26 s Certo experimento consiste em lançar um dado equilibrado duas vezes, independentemente. Dado que os dois números sejam diferentes, qual é a probabilidade condicional de (a) pelo menos um dos números ser 6, (b) a soma dos números ser 8? Solução: Para parte (a), note que existem 30 resultados possíveis para os lançamentos do dado de modo que o mesmo número não se repita, dos quais 10 o número 6 ocorre. Portanto, esta probabilidade é igual a 1/3. Para parte (b), note que existem 4 resultados possíveis que somam 8 dado que os números são diferentes, logo esta probabilidade é igual a 4/30.
27 Um lote contém 15 moldes provenientes de um fornecedor local e 25 de um fornecedor de um estado vizinho. Três moldes são selecionados ao acaso e sem reposição. Seja A i o evento um que o i-ésimo molde selecionado seja proveniente do fornecedor local. Determine: (a) P(A 1). (b) P(A 2 A 1). (c) P(A 1 A 2). (d) P(A 1 A 2). (e) P(A 1 A 2 A 3). (f) P(A 1 A 2 A c 3).
28 Teorema da Probabilidade Total Utilizando este teorema pode-se obter uma probabilidade (incondicional) de uma probabilidade condicional. Teorema Seja a sequência de eventos B 1,B 2,... uma partição de Ω, então para todo A A P(A) = P(A B i )P(B i ) i:p(b i ) 0 Interpretação: B 1,B 2,... são possíveis causas e o evento A é um efeito particular associado a uma causa, P(A B i ) especifica a relação estocástica entre a causa B i e o efeito A.
29 Teorema da Probabilidade Total Por exemplo, seja {D,D c } uma partição do espaço amostral, onde D é o evento que um dado indivíduo possui uma certa doença. Seja A o evento que determinado teste para o diagnóstico da doença deu positivo. Então, P(A D c ) - falso positivo. P(A c D) - falso negativo. Estas probabilidades determinam a qualidade do teste, quanto menores as probabilidades de falso negativo e falso positivo melhor a qualidade do teste. Caso as probabilidades P(D),P(A D),P(A D c ) sejam conhecidas pode-se usando o Teorema da Probabilidade Total obter a probabilidade incondicional de determinado exame dar positivo P(A). Porém geralmente, o que se busca é saber que dado que o resultado de um exame deu positivo qual a probabilidade de que o indivíduo esteja doente.
30 Fórmula de Bayes Pode-se obter esta probabilidade utilizando a famosa fórmula de Bayes: P(A D) P(D A) = P(A D)+P(A D c ) P(A D)P(D) = P(A D)P(D)+P(A D c )P(D c ). Mais geralmente, quando temos uma partição B 1,B 2,..., a fórmula de Bayes é dada por: P(B i A) = P(A B i) j P(A B j) = P(A B i ) j:p(b j ) 0 P(A B j) = P(A B i )P(B i ) j:p(b j ) 0 P(A B j)p(b j ). As probabilidades P(B i ) são usualmente chamadas de probabilidades a priori e as probabilidades condicionais P(B i A) são chamadas de probabilidades a posteriori.
31 s Jogos do campeonato paulista de futebol ocorrem durante a semana e também nos fins de semana. Suponha que exatamente metade dos jogos ocorram nos fins de semana. Suponha ainda que o São Paulo ganhe 50% dos jogos durante o fim de semana, e perca em 20% de seus jogos no fim de semana. Finalmente, suponha que o São Paulo ganhe todos os jogos que ocorrem durante a semana. (a) Determine a probabilidade do São Paulo empatar um jogo qualquer. (b) Dado que o São Paulo ganhou seu último jogo, qual a probabilidade deste jogo ter ocorrido durante a semana?
32 s Uma urna contém 4 bolas brancas e 6 bolas pretas. Sacam-se, sucessivamente e sem reposição, duas bolas dessa urna. Determine a probabilidade da primeira bola ser branca sabendo que a segunda bola é branca. Solução: Sejam B 1 e B 2 os eventos a primeira bola é branca e a segunda bola é branca, respectivamente. Queremos calcular P(B 1 B 2). Utilizando a fórmula de Bayes, temos P(B 1 B 2) = P(B 2 B 1)P(B 1) P(B 2 B 1)P(B 1)+P(B 2 B c 1 )P(Bc 1 ). Mas P(B 2 B 1) = 3 9, P(B2 Bc 1) = 4 9, P(B1) = 4 10 e P(Bc 1) = Logo, P(B 1 B 2) = = = 1 3.
33 s Se P(C D) = 0, 4 e P(D C) = 0, 5, que evento é mais provável C ou D?
34 s Uma fábrica tem 3 máquinas que produzem o mesmo ítem. As máquinas A e B são responsáveis, cada uma, por 40% da produção. Quanto à qualidade, as máquinas A e B produzem 10% de ítens defeituosos cada uma, enquanto a máquina C apenas 2%. Um ítem é selecionado ao acaso da produção dessa fábrica. (a) Qual a probabilidade do ítem selecionado ser defeituoso? (b) Se o ítem selecionado for defeituoso, qual a probabilidade que tenha sido produzido pela máquina A?
35 Independência Intuição: dois eventos são independentes se eles não têm nada haver um com o outro, eles são totalmente não relacionados; a ocorrência de um não tem nenhuma influência sobre o outro. Por exemplo, resultados de lançamentos sucessivos de uma moeda. Pode-se usar probabilidades condicionais para formalizar esta intuição da seguinte forma, A é independente de B se P(A B) = P(A). Mas usando a definição de probabilidade condicional, chega-se a seguinte conclusão A é independente de B se P(A B) = P(A)P(B). Como esta última expressão é definida inclusive para o caso de P(B) = 0, ela é a expressão adotada como a definição de independência entre eventos. Definição O evento A é independente do evento B se P(A B) = P(A)P(B).
36 Independência Note que esta definição de independência implica que independência é um conceito simétrico em teoria da probabilidade, isto é, A é independente de B se e somente se B é independente de A. Note que esta definição também implica que eventos A e B são independentes se P(A) = 0 ou P(B) = 0. Teorema A é independente dele mesmo se e somente se P(A) = 0 ou P(A) = 1. Prova: P(A A) = P(A) = P(A)P(A) P(A) = 0 ou P(A) = 1.
37 Independência Intuitivamente, se A é independente de B o fato que B não ocorreu, ou seja que B c ocorreu, não deve alterar a probabilidade de A. Portanto, é de se esperar que se A e B são independentes, então A e B c também são. O seguinte teorema prova que esta intuição é verdadeira. Teorema Se A e B são eventos independentes, A e B c (resp., A c e B, A c e B c ) também o são.
38 Independência O conceito de independência também se aplica a uma coleção arbitrária de eventos {A i } i I, onde I é um conjunto de índices. Neste caso, têm-se duas definições. Definição Uma coleção de eventos {A i } i I é independente par a par se para todo i j I, A i e A j são eventos independentes. Definição Uma coleção qualquer de eventos {A i } i I é mutuamente independente se para todo J I finito, P( i J A i ) = i J P(A i ).
39 s Considere os seguintes exemplos que ilustram o conceito de independência. Se Ω = {1, 2,3, 4} e P({w}) = 1/4, então A = {1, 2}, B = {1, 3}, e C = {2, 3} são eventos independentes par a par. Pode-se verificar isto pelo fato que P(A B) = P({1}) = 1 4 = = P(A)P(B). Similarmente, pode-se provar o mesmo resultado para os outros pares. Contudo, a probabilidade P(A B C) = P( ) = 0 P(A)P(B)P(C) = 1 8. Então, A, B, e C não são mutuamente independentes.
40 s Assuma que A 1,...,A n são eventos mutuamente independentes e que P(A i ) = p i. Nós calculamos as probabilidades dos seguintes eventos: O evento A é o evento que todos estes eventos ocorrem, então P(A) = P( n i=1a i ) = n P(A i ) = O evento B é o evento que nenhum desses eventos ocorre, então P(B) = P( n i=1a c i ) = i=1 n P(A c i ) = i=1 n i=1 p i n (1 p i ) O evento C é o evento que pelo menos um desses eventos ocorre, então C = B c n P(C) = P(B c ) = 1 P(B) = 1 (1 p i ) i=1 i=1
41 s Considere que um dado honesto é lançado duas vezes. Defina os seguintes eventos: A = {O primeiro dado é igual a 1, 2, ou 3.} B = {O primeiro dado é igual a 3, 4, ou 5.} C = {A soma dos resultados das duas jogadas é igual a 9.} (a) Mostre que P(A B C) = P(A)P(B)P(C). (b) Os eventos A, B, e C são mutuamente independentes? Justifique sua resposta.
42 Variável Aleatória Suponha que uma moeda é lançada cinco vezes. Qual é o número de caras? Esta quantidade é o que tradicionalmente tem sido chamada de variável aleatória. Intuitivamente, é uma variável porque seus valores variam, dependendo da sequência de lançamentos da moeda realizada; o adjetivo aleatória é usado para enfatizar que o seu valor é de certo modo incerto. Formalmente, contudo, uma variável aleatória não é nem aleatória nem é uma variável. Quando os possíveis resultados do experimento aleatório não são numéricos é conveniente resumir estes resultados através de um número. Por isto, é importante trabalhar com variáveis aleatórias. Definição Seja (Ω, A, P) um espaço de probabilidade. Uma função X : Ω IR é chamada de variável aleatória se para todo evento de interesse A em IR, X 1 (A) = {w Ω : X(w) A} A.
43 Considere três lançamentos de uma moeda honesta. O espaço amostral para este experimento aleatório consiste de todas as possíveis sequências de tamanho 3 de caras e coroas, isto é: Ω = {(cara, cara, cara),(cara, cara, coroa),(cara, coroa, cara), (cara, coroa, coroa),(coroa, cara, cara),(coroa, cara, coroa), (coroa, coroa, cara),(coroa, coroa, coroa)}. Seja A o conjunto de todos os subconjuntos de Ω. Neste caso qualquer função real de Ω é uma variável aleatória. Por exemplo, seja X a diferença entre o número de caras e o número de coroas obtidos nos três lançamentos. Então, X pode assumir quatro valores, 3, 1, -1, ou -3. Nosso objetivo é estudar a probabilidade de X assumir cada um desses possíveis valores. Para isso veremos, diferentes maneiras de descrever o comportamento probabilístico de X dependendo se X assumir valores discretos ou contínuos. Como a moeda é honesta cada um dos possíveis resultados em Ω tem a mesma probabilidade 1/8. Como poderemos obter então a probabilidade de X ser negativo?
44 Probabilidade Induzida Dada uma variável aleatória X e uma coleção de eventos de interesse B de IR, pode-se definir uma probabilidade induzida P X para todo A B da seguinte maneira: P X (A) = P(X 1 (A)). Por definição de variável aleatória, tem-se que X 1 (A) A, então P X está bem definida. Pode-se provar que P X satisfaz os axiomas de Kolmogorov e portanto satisfaz todas as propriedades de uma medida de probabilidade. No exemplo anterior, temos que se o evento de interesse A são todos os reais negativos, então X 1 (A) são todos os resultados do experimento que nos dão valores negativos para X, ou seja, são os resultados que contém menos caras que coroas: (cara, coroa, coroa), (coroa, cara, coroa), (coroa, coroa, cara) e (coroa, coroa, coroa). Portanto, P X (A) = 4 1/8 = 1/2.
45 Observações Em muitos casos, os possíveis resultados do experimento aleatório já são numéricos e podemos descrevê-lo por (IR,B,P X ), onde X(w) = w, w IR, ou seja, os resultados dos experimento aleatório já são numéricos e descrevem a característica de interesse que queremos analisar. É importante enfatizar que é usual se referir a variáveis aleatórias por letras maiúsculas X, Y, Z,... e aos valores que tais variáveis podem assumir por letras minúsculas x, y, z,... Observação Muitas vezes escreve-se P(X A) para representar P({w Ω : X(w) A}). Por exemplo, P(X 5) = P({w Ω : X(w) 5}).
46 Considere que lançamos 3 vezes uma moeda que tem probabilidade de cair cara igual 2/3. Seja X o número de coroas obtido. Determine: (a) P(X < 3). (b) P(1 < X < 3). (c) P(X > 1 X < 3).
47 Função de Distribuição Acumulada Para uma variável aleatória X, uma maneira simples e básica de descrever a probabilidade induzida P X é utilizando sua função de distribuição acumulada. Definição A função de distribuição acumulada de uma variável aleatória X, representada por F X, é definida por F X (x) = P(X x), x IR.
48 Propriedades da Função de Distribuição Acumulada A função de distribuição acumulada F X satisfaz as seguintes propriedades: F1. Não-decrescente. Se x y, então F X (x) F X (y). F2. Continua à Direita. Se x n x +, então F X (x n) F X (x). F3. Se x n, então F X (x n) 0, e se x n, então F X (x n) 1. Teorema Uma função real G satisfaz F1 F3 se e somente se G é uma função de distribuição acumulada de alguma variável aleatória X.
49 Propriedades da Função de Distribuição Acumulada Condição F2 significa que toda função de distribuição acumulada F X é continua à direita. Ainda mais, como F X é não-decrescente e possui valores entre 0 e 1, pode-se provar que ela tem um número enumerável de descontinuidades do tipo salto e que o tamanho do salto da função em um dado ponto a é igual a probabilidade da variável aleatória assumir este valor, ou seja, P X (a) = F X (a) F X (a ). Observação F X (a ) = lim x a F X (x) é o limite de F X (x) quando x tende a a por valores menores que a, ou seja, o limite a esquerda F X (x) quando x tende a a.
50 Determinando Probabilidades de Intervalos Suponha que saibamos que a função de distribuição acumulada de uma variável aleatória X é dada por F X. Vamos ver como determinar a probabilidade de X pertencer a um dado intervalo real. Considere números reais a e b, tais que a < b, então: P(X a) = F X (a). P(X > a) = 1 P(X a) = 1 F X (a). P(X < a) = P(X a) P(X = a) = F X (a) (F X (a) F X (a )) = F X (a ). P(X a) = 1 P(X < a) = 1 F X (a ). P(a < X b) = P(X b) P(X a) = F X (b) F X (a). P(a < X < b) = P(X < b) P(X a) = F X (b ) F X (a). P(a X b) = P(X b) P(X < a) = F X (b) F X (a ). P(a X < b) = P(X < b) P(X < a) = F X (b ) F X (a ).
51 Exercícios Determine quais das seguintes funções são funções de distribuição acumuladas, especificando a propriedade que não for satisfeita caso a função não seja uma distribuição acumulada. (a) e x 1+e x (b) e x
52 Exercícios Considere a seguinte função G(x). a 2b se x < 0, ax se 0 x < 1, G(x) = a+b(x 1) se 1 x < 2, 1 se x 2. (a) Determine as restrições que as constantes a e b devem satisfazer para que a função G(x) seja função de distribuição acumulada de alguma variável aleatória X. (b) Determine o valor de P(1/2 X 3/2) em função de a e b.
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 maisProbabilidade - 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 maisNoções 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 maisDois 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 maisAvaliação 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 maisCAPÍTULO 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 maisPROBABILIDADE 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 maisCONCEITOS. 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 maisPROBABILIDADES 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 maisPROBABILIDADE. 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 maisTipos 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 maisUnidade 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 maisEspaços 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 maisMODELOS 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 maisProbabilidade - 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 maisNOÇÕES DE PROBABILIDADE
NOÇÕES DE PROBABILIDADE ? CARA? OU? COROA? ? Qual será o rendimento da Caderneta de Poupança até o final deste ano??? E qual será a taxa de inflação acumulada em 011???? Quem será o próximo prefeito de
Leia maisMÓDULO 6 INTRODUÇÃO À PROBABILIDADE
MÓDULO 6 INTRODUÇÃO À PROBBILIDDE Quando estudamos algum fenômeno através do método estatístico, na maior parte das vezes é preciso estabelecer uma distinção entre o modelo matemático que construímos para
Leia maisExperimentos 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 maisLista 2 - Probabilidade. Probabilidade. 1. Uma letra é escolhida entre as letras da palavra PROBABILIDADE
Estatística 2 a LISTA DE EXERCÍCIOS Prof. Ânderson Vieira Probabilidade Espaço Amostral Em cada um dos exercícios a 0. Determine o espaço amostral.. Uma letra é escolhida entre as letras da palavra PROBABILIDADE
Leia maisQUANTIFICADORES. Existem frases declarativas que não há como decidir se são verdadeiras ou falsas. Por exemplo: (a) Ele é um campeão da Fórmula 1.
LIÇÃO 4 QUANTIFICADORES Existem frases declarativas que não há como decidir se são verdadeiras ou falsas. Por exemplo: (a) Ele é um campeão da Fórmula 1. (b) x 2 2x + 1 = 0. (c) x é um país. (d) Ele e
Leia maisExercícios 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 maisDistribuição 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 mais1 Axiomas de Probabilidade
1 Axiomas de Probabilidade 1.1 Espaço amostral e eventos seja E um experimento aleatório Ω = conjunto de todos os resultados possíveis de E. Exemplos 1. E lançamento de uma moeda Ω = {c, c} 2. E retirada
Leia mais1. 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 maisANALISE 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 maisCAP5: 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 maisINE5403 FUNDAMENTOS DE MATEMÁTICA DISCRETA
INE5403 FUNDAMENTOS DE MATEMÁTICA DISCRETA PARA A COMPUTAÇÃO PROF. DANIEL S. FREITAS UFSC - CTC - INE Prof. Daniel S. Freitas - UFSC/CTC/INE/2007 p.1/59 2 - FUNDAMENTOS 2.1) Teoria dos Conjuntos 2.2) Números
Leia maisCálculo 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 maisI. 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 maisApresentação de Dados em Tabelas e Gráficos
Apresentação de Dados em Tabelas e Gráficos Os dados devem ser apresentados em tabelas construídas de acordo com as normas técnicas ditadas pela Fundação Instituto Brasileiro de Geografia e Estatística
Leia maisUNITAU 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 maisO 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 maisLista 05. Devemos calcular a probabilidade de ser homem dado que é loiro, sendo:
Lista 05 Questão 1: Em uma turma escolar 60% dos alunos são homens e 40% são mulheres. Dentre os homens, 25% são loiros, enquanto que 45% das mulheres são loiras. Um aluno desta turma foi sorteado de maneira
Leia maisEstatística 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 maisMAT 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 mais23/03/2014. Tratamento de Incertezas TIC-00.176. Aula 4. Conteúdo Espaços Amostrais e Probabilidade. O princípio da contagem Métodos de contagem
Tratamento de Incertezas TIC-00.176 Aula 4 Conteúdo Espaços Amostrais e Probabilidade Professor Leandro Augusto Frata Fernandes laffernandes@ic.uff.br Material disponível em http://www.ic.uff.br/~laffernandes/teaching/2014.1/tic-00.176
Leia maisEspaço Amostral ( ): conjunto de todos os
PROBABILIDADE Espaço Amostral (): conjunto de todos os resultados possíveis de um experimento aleatório. Exemplos: 1. Lançamento de um dado. = {1,, 3, 4,, 6}. Doador de sangue (tipo sangüíneo). = {A, B,
Leia maisResoluções 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 maisQUESTÕES 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 maisTeoria 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 maisProbabilidades: 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 maisProbabilidade. 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 maisLógica 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 maisMATEMÁTICA 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 maisMÉDIA ARITMÉTICA MÉDIA PONDERADA MODA MEDIANA
MÉDIA ARITMÉTICA MÉDIA PONDERADA MODA MEDIANA Em um amostra, quando se têm os valores de uma certa característica, é fácil constatar que os dados normalmente não se distribuem uniformemente, havendo uma
Leia maisProcessos 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 maisUnidade de Ensino Descentralizada de Colatina Coordenadoria de Informática Disciplina: Probabilidade e Estatística Prof. Leandro Melo de Sá
Unidade de Ensino Descentralizada de Colatina Coordenadoria de Informática Disciplina: Probabilidade e Estatística Prof. Leandro Melo de Sá 2006/2 Unidade 2 - PROBABILIDADE Conceitos básicos * Probabilidade:
Leia maisAula 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 maisCapítulo 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 maisMaterial 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 maisTeoria 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 maisDistribuição Binomial
Distribuição Binomial Exemplo Na manufatura de certo artigo, é sabido que um entre dez artigos é defeituoso. Qual a probabilidade de que uma amostra casual de tamanho quatro contenha: (a) Nenhum defeituoso?
Leia maisESTATÍSTICA APLICADA À ADMINISTRAÇÃO
ESTATÍSTICA APLICADA À ADMINISTRAÇÃO Thiago Marzagão 1 1 marzagao.1@osu.edu PROBABILIDADE Thiago Marzagão (IDP) ESTATÍSTICA APLICADA À ADMINISTRAÇÃO 1/2016 1 / 51 o que é probabilidade? Thiago Marzagão
Leia maisDistribuição 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 maisUniversidade 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 maisMaterial Teórico - Módulo de Métodos sofisticados de contagem. Princípio das Casas dos Pombos. Segundo Ano do Ensino Médio
Material Teórico - Módulo de Métodos sofisticados de contagem Princípio das Casas dos Pombos Segundo Ano do Ensino Médio Prof. Cícero Thiago Bernardino Magalhães Prof. Antonio Caminha Muniz Neto Em Combinatória,
Leia maisRESUMO TEÓRICO. n(a) P(A) = n(u) 0 P(A) 1
RESUMO TEÓRICO Experimentos aleatórios: são aqueles que, mesmo repetidos várias vezes sob condições semelhantes, apresentam resultados imprevisíveis. Exemplo: Lançar um dado e verificar qual é a face voltada
Leia maisPotenciação 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 maisRaciocínio Lógico-Quantitativo Correção da Prova APO 2010 Gabarito 1 Prof. Moraes Junior RACIOCÍNIO LÓGICO-QUANTITATIVO
RACIOCÍNIO LÓGICO-QUANTITATIVO 1 - Um viajante, a caminho de determinada cidade, deparou-se com uma bifurcação onde estão três meninos e não sabe que caminho tomar. Admita que estes três meninos, ao se
Leia maisProbabilidade Condicional
PROBABILIDADES Probabilidade Condicional BERTOLO Exemplo Introdutório Vamos introduzir a noção de probabilidade condicional através de um exemplo. Consideremos 250 estudantes que cursam o 4º ano de Ciências
Leia maisInstruções para a Prova de MATEMÁTICA APLICADA:
Instruções para a Prova de : Confira se seu nome e RG estão corretos. Não se esqueça de assinar a capa deste caderno, no local indicado, com caneta azul ou preta. A duração total do Módulo Discursivo é
Leia maisAnálise 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 maisMD Sequências e Indução Matemática 1
Sequências Indução Matemática Renato Martins Assunção assuncao@dcc.ufmg.br Antonio Alfredo Ferreira Loureiro loureiro@dcc.ufmg.br MD Sequências e Indução Matemática 1 Introdução Uma das tarefas mais importantes
Leia maisVariáveis 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 maisCapítulo 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 maisProbabilidade e Estatística I Antonio Roque Aula 11 Probabilidade Elementar: Novos Conceitos
Probabilidade Elementar: Novos Conceitos Vamos começar com algumas definições: Experimento: Qualquer processo ou ação bem definida que tenha um conjunto de resultados possíveis 1) Lançamento de um dado;
Leia maisEstatística 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 maisExercícios 1. Determinar x de modo que a matriz
setor 08 080509 080509-SP Aula 35 MATRIZ INVERSA Uma matriz quadrada A de ordem n diz-se invertível, ou não singular, se, e somente se, existir uma matriz que indicamos por A, tal que: A A = A A = I n
Leia maisAula 2 - Cálculo Numérico
Aula 2 - Cálculo Numérico Erros Prof. Phelipe Fabres Anhanguera Prof. Phelipe Fabres (Anhanguera) Aula 2 - Cálculo Numérico 1 / 41 Sumário Sumário 1 Sumário 2 Erros Modelagem Truncamento Representação
Leia maisINSTITUTO 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 maiselementos. 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 maisCAPÍTULO 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 maisResoluções 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 maisExercícios resolvidos sobre Função de probabilidade e densidade de probabilidade
Exercícios resolvidos sobre Função de probabilidade e densidade de probabilidade Você aprendeu o que é função probabilidade e função densidade de probabilidade e viu como esses conceitos são importantes
Leia maisINSTITUTO 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 maisNotas de Cálculo Numérico
Notas de Cálculo Numérico Túlio Carvalho 6 de novembro de 2002 2 Cálculo Numérico Capítulo 1 Elementos sobre erros numéricos Neste primeiro capítulo, vamos falar de uma limitação importante do cálculo
Leia mais1. 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 maisLISTA DE INTERVALO DE CONFIANÇA E TESTE DE HIPÓTESES
Monitora Juliana Dubinski LISTA DE INTERVALO DE CONFIANÇA E TESTE DE HIPÓTESES EXERCÍCIO 1 (INTERVALO DE CONFIANÇA PARA MÉDIA) Suponha que X represente a duração da vida de uma peça de equipamento. Admita-se
Leia maisXXVI Olimpíada de Matemática da Unicamp. Instituto de Matemática, Estatística e Computação Científica Universidade Estadual de Campinas
Gabarito da Prova da Primeira Fase 15 de Maio de 010 1 Questão 1 Um tanque de combustível, cuja capacidade é de 000 litros, tinha 600 litros de uma mistura homogênea formada por 5 % de álcool e 75 % de
Leia maisAV2 - MA 12-2012. (a) De quantos modos diferentes posso empilhá-los de modo que todos os CDs de rock fiquem juntos?
Questão 1. Num porta-cds, cabem 10 CDs colocados um sobre o outro, formando uma pilha vertical. Tenho 3 CDs de MPB, 5 de rock e 2 de música clássica. (a) De quantos modos diferentes posso empilhá-los de
Leia maisMÉTODOS ESTATÍSTICOS I 3ª. AVALIAÇÃO PRESENCIAL 1º Semestre de 2010 Prof. Moisés Lima de Menezes (pode usar calculadora) Versão Tutor
MÉTODOS ESTATÍSTICOS I ª. AVALIAÇÃO PRESENCIAL º Semestre de 00 Prof. Moisés Lima de Menezes (pode usar calculadora) Versão Tutor. (,0 pontos) Em uma cidade onde se publicam jornais: A, B e C, constatou-se
Leia maisProg A B C A e B A e C B e C A,B e C Nenhum Pref 100 150 200 20 30 40 10 130
Polos Olímpicos de Treinamento Curso de Combinatória - Nível 2 Prof. Bruno Holanda Aula 2 Lógica II Quando lemos um problema de matemática imediatamente podemos ver que ele está dividido em duas partes:
Leia maisProbabilidade - 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 maisAula 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 maisExercícios 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 maisLista de Exercícios Tratamento de Incerteza baseado em Probabilidade
Lista de Exercícios Tratamento de Incerteza baseado em Probabilidade 1) Explique o termo probabilidade subjetiva no contexto de um agente que raciocina sobre incerteza baseando em probabilidade. 2) Explique
Leia maisC Curso destinado à preparação para Concursos Públicos e Aprimoramento Profissional via INTERNET www.concursosecursos.com.br RACIOCÍNIO LÓGICO AULA 7
RACIOCÍNIO LÓGICO AULA 7 TEORIA DAS PROBABILIDADES Vamos considerar os seguintes experimentos: Um corpo de massa m, definida sendo arrastado horizontalmente por uma força qualquer, em um espaço definido.
Leia maisUnidade 5: Sistemas de Representação
Arquitetura e Organização de Computadores Atualização: 9/8/ Unidade 5: Sistemas de Representação Números de Ponto Flutuante IEEE 754/8 e Caracteres ASCII Prof. Daniel Caetano Objetivo: Compreender a representação
Leia maisCláudio Tadeu Cristino 1. Julho, 2014
Inferência Estatística Estimação Cláudio Tadeu Cristino 1 1 Universidade Federal de Pernambuco, Recife, Brasil Mestrado em Nutrição, Atividade Física e Plasticidade Fenotípica Julho, 2014 C.T.Cristino
Leia maisProbabilidade. Distribuições Uniforme, Geométrica, Hipergeométrica e Multinomial
Probabilidade Distribuições Uniforme, Geométrica, Hipergeométrica e Multinomial Distribuição Uniforme Usada comumente nas situações em que não há razão para atribuir probabilidades diferentes a um conjunto
Leia maisFaculdade Sagrada Família
AULA 12 - AJUSTAMENTO DE CURVAS E O MÉTODO DOS MÍNIMOS QUADRADOS Ajustamento de Curvas Sempre que desejamos estudar determinada variável em função de outra, fazemos uma análise de regressão. Podemos dizer
Leia maisAula 14: Instruções e Seus Tipos
Aula 14: Instruções e Seus Tipos Diego Passos Universidade Federal Fluminense Fundamentos de Arquiteturas de Computadores Diego Passos (UFF) Instruções e Seus Tipos FAC 1 / 35 Conceitos Básicos Diego Passos
Leia mais7 - Análise de redes Pesquisa Operacional CAPÍTULO 7 ANÁLISE DE REDES. 4 c. Figura 7.1 - Exemplo de um grafo linear.
CAPÍTULO 7 7 ANÁLISE DE REDES 7.1 Conceitos Básicos em Teoria dos Grafos Diversos problemas de programação linear, inclusive os problemas de transporte, podem ser modelados como problemas de fluxo de redes.
Leia maisFalso: F = Low voltage: L = 0
Curso Técnico em Eletrotécnica Disciplina: Automação Predial e Industrial Professor: Ronimack Trajano 1 PORTAS LOGICAS 1.1 INTRODUÇÃO Em 1854, George Boole introduziu o formalismo que até hoje se usa para
Leia maisPROBABILIDADE 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 maisUniversidade 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 maisAV1 - MA 12-2012. (b) Se o comprador preferir efetuar o pagamento à vista, qual deverá ser o valor desse pagamento único? 1 1, 02 1 1 0, 788 1 0, 980
Questão 1. Uma venda imobiliária envolve o pagamento de 12 prestações mensais iguais a R$ 10.000,00, a primeira no ato da venda, acrescidas de uma parcela final de R$ 100.000,00, 12 meses após a venda.
Leia maisUm estudo sobre funções contínuas que não são diferenciáveis em nenhum ponto
Um estudo sobre funções contínuas que não são diferenciáveis em nenhum ponto Maria Angélica Araújo Universidade Federal de Uberlândia - Faculdade de Matemática Graduanda em Matemática - Programa de Educação
Leia maisREPRESENTAÇÃO DE DADOS EM SISTEMAS DE COMPUTAÇÃO AULA 03 Arquitetura de Computadores Gil Eduardo de Andrade
REPRESENTAÇÃO DE DADOS EM SISTEMAS DE COMPUTAÇÃO AULA 03 Arquitetura de Computadores Gil Eduardo de Andrade O conteúdo deste documento é baseado no livro Princípios Básicos de Arquitetura e Organização
Leia mais