Conceitos Básicos, Básicos,Básicos de Probabilidade
|
|
- Gabriella Fortunato Aquino
- 7 Há anos
- Visualizações:
Transcrição
1 Conceitos Básicos, Básicos,Básicos de Probabilidade
2 Espaço Amostral Base da Teoria de Probabilidades Experimentos são realizados resultados NÃO conhecidos previamente Experimento aleatório Exemplos: Determinar a execução de um programa; verificar o número de requisições que chegam em um servidor web em um intervalo de tempo Definição(Espaço Amostral): Conjunto de todos os resultados possíveis de um experimento aleatório é chamado de ESPAÇO AMOSTRAL de um experimento. Denotaremos por S
3 Espaço Amostral Dimensão do espaço amostral será definida pelo propósito final do experimento sendo realizado. Exemplo: Status de 2 componentes 1) Descrever o total de equipamentos em funcionamento; S = {0,1,2} 2) Descrever QUAL o componente está falho(0) ou em funcionamento (1); S = {(0,0), (0,1),(1,0),(1,1)} Espaço Amostral Discreto e Continuo
4 Eventos Evento é um subconjunto do espaço amostral. Uma instância de um experimento é chamada de tentativa (trial) Seja E um evento definido no espaço amostral S, ou seja, E é um sub-conjunto de S. Seja s o resultado de uma tentativa, com s Є S. Se s é um elemento de E, o evento E ocorreu.
5 Eventos Exemplo 1: Voltando ao exemplo de 2 componentes... Seja A o evento descrito por: Exatamente um componente falhou {(0,1),(1,0)} Exemplo 2: Observar o tempo para que um componente falhe Espaço amostral: conjunto de todos os numéros reais [0, ) Evento de interesse: Componente não falhou antes do tempo t {x x >= t } [t, )
6 Axiomas de Probabilidade P(A) probabilidade da ocorrência do evento A, no espaço amostral S Seja S o espaço amostral de um experimento aleatório. Usamos P(A) para denotar a probabilidade associada ao evento A. Se o evento A consiste em um único ponto s então P(A) = P({s})=P(s)
7 Axiomas de Kolmogorov (A1) Para qualquer evento A, P(A) >= 0 (A2) P(S) = 1 (A3) P(A U B) = P(A) + P(B) se A e B são mutuamente exclusivos (A B = 0) Relações Utéis (R1) Para qualquer evento A, P(A) 1 P(A) (R2) Se C é um evento impossível, então P(C) = 0 (R3) Se A e B são qualquer eventos, não necessariamente mutualmente exclusivos, então P(A U B) = P(A) + P(B) - P(A B)
8 Probabilidade Condicional Suponha que tenhamos uma informação adicional que o resultado s de uma tentativa está contido em um subconjunto B de um espaço amostral, com P(B) 0. O conhecimento da ocorrência de B pode mudar a probabilidade de ocorrência do evento A Objetivo: Definir a PROBABILIDADE CONDICiONAL do evento A dado que o evento B tenha ocorrido P(A B)
9 Probabilidade Condicional Definição: A probabilidade condicional A dado B é dada por: P(A B) = P(A B)/P(B) Regra Multiplicativa: P(A B) = P(B)P(A B); P(B) 0 P(A)P(B A); P(A) 0 0; caso contrário
10 Independência de Eventos A probabilidade da ocorrência de um evento A pode aumentar ou diminuir dado que o evento B tenho ocorrido. Se a probabilidade do evento A não muda mesmo que o evento B tenha ocorrido, podemos concluir que sejam eventos independentes. Dois eventos são independentes se e somente se: P(A B) = P(A) ou P(A B) = P(A)P(B)
11 Independência de Eventos Definição (Eventos Independentes): Eventos A e B são independentes se P(A B) = P(A)P(B) Se A e B não são independentes, P(A B) é calculada usando a regra multiplicativa
12 Exemplo Considere um experimento com dois dados. Seja o epaço amostral S = {(i,j) 1 <= i,j<= 6 }. Assuma que para cada ponto, a probabilidade de ocorrência seja = 1/36. A = primeiro resultado é 1,2 ou 3 B = segundo resultado é 4,5 ou 6 C = soma dos dois é 7
13 Regra de Bayes Seja P(A) = P(A B i ) P(B i ); (i = 1; i = n) Conhecida como teorema da probabilidade total. Em alguns casos, sabe-se que A ocorreu, mas não qual dos eventos B 1,B 2.., B n tenha ocorrido. Neste caso, podemos estar interessados em calcular P(B j A) P(B j A) =P(B j A)/P(A) = P(A B j )P(B j )/ P(A B i ) P(B i ); (i = 1; i = n)
14 Exemplo Medidas em um centro de computação (CC) em um dia, indicou que 15% dos jobs são da UFJF, 35% da UFMG e 50% da UFRJ. Suponha que a probabilidade dos jobs iniciados destas universidades serem multitaks são 0.01, 0.05 e Qual é a probabilidade de um job aleatório ser multitask? Qual a probabilidade de um job escolhido aleatoriamente pertencer a UFMG, dado que ele é multitasking?
15 Tentativas de Bernoulli Considere um evento aleatório com duas possibilidades de resultado: sucesso e falha (ou funcionando e defeituoso ). Sejam as probabilidades dos resultados p e q respectivamente, com p+q = 1. Considere um experimento que consiste da sequência de n repetições independentes deste experimento. Esta sequência é conhecida como Tentativas de Bernoulli
16 Tentativas de Bernoulli Exemplos: (1) Observe n execuções consecutivas de um comando if, com sucesso = then é executado e falha = else é executado (2) Examine os componentes produzidos em uma linha de produção, com sucesso = funcionando e falha = defeito
17 Variáveis Aleatórias Uma variável aleatória X em um espaço amostral S é uma função X:S R que atribui um número real X(s) para cada ponto s Є S. Variáveis aleatórias permitem uma descrição mais compacta de um experimento que a descrição com granularidade fina do espaço amostral. Exemplo: Ao inspecionar produtos manufaturados, é interessante saber quantos estão com defeitos e não a natureza do defeito
18 Função de Massa de Probabilidade (Probability Mass Function) PMF Seja A x o evento que reúne todos os pontos amostrais {s X(s) = x}. Assim: P(A x ) = P([X=x]) = P({s X)s=x}) = P(s), (X(s)=x) Com esta fórmula, calculamos P(X=x) para todo x R. Esta função é conhecida como Função de Massa de Probabilidade (pmf) ou função de densidade discreta da variável aleatória X, denotada por p X (x).
19 (p3) Para variáveis discretas: p X (xi) = 1, i Função de Massa de Probabilidade (Probability Mass Function) PMF p X (x) = P(X=x) = P(s), (X(s)=x) = Probabilidade que o valor da variável aleatória X obtida de uma realização de um experimento seja igual a x Propriedades: (p1) 0 p X (x) 1 x R (p2) p X (x) = 1, (x R)
20 Função de Massa de Probabilidade (Probability Mass Function) PMF Exemplo A: Se considerarmos uma célula sem fio com 5 canais e definirmos X = número total dos canais disponíveis, podemos definir pmf da variável X como: p X (0) = 5/32; p X (1) = 10/32;p X (2) = 1/32; p X (3) = 10/32; p X (4) = 5/32;p X (5) = 1/32
21 Função de Distribuição (Cumulative Distribution Function) CDF Como calcular a probabilidade de um conjunto {x X(s) A}, onde A é um subconjunto de R ao invés de um ponto amostral? Se A = (a,b) P(a < x < b ) A = (a,b] P(a < x <= b ) A = (-,x] P(X <= x ) Se p X (x) representa a pmf de uma variável aleatória X então: P(X A) = p X (x); x i
22 Função de Distribuição (Cumulative Distribution Function) CDF Voltando ao exemplo A P(X <= 2) = P(X = 0) + P(X = 1) + P(X = 2) = p X (0) + p X (1) +p X (2) = 5/32+10/32+ 1/32 = 16/32 = 0.5
23 A função Função de Distribuição (Cumulative Distribution Function) CDF F X (t), - <t< F X (t) = P( - <X<=t) = P(X<=t) = p X (x); x <= t é definida como função de distribuição acumulativa (cumulative distriburion function) CDF função distribução da variável aleatória X P(a<= X <=b) = P(X<= b) - P(X<= a) = F(b)-F(a)
24 Função Distribuição das variáveis aleatórias discretas crescem em saltos, enquanto para as variáveis contínuas não existem saltos. Variáveis com os 2 comportamentos são denominados mistas Função de Distribuição (Cumulative Distribution Function) CDF Propriedades (F1) 0 F(x) 1 para x (F2) F(x) é uma função monotônica crescente de x; se x 1 x 2 F(x 1 ) F(x 2 ) (F3) lim x F(x) = 0;lim x F(x) = 1
25 Variáveis Aleatórias Discretas Variáveis aleatórias discretas são usadas para representar o número de objetos de um certo tipo, como por exemplo, total dos jobs que chegam a um servidor de arquivos em um minuto ou o número de chamadas telefônicas realizadas em um minuto
26 Variáveis Aleatórias Discretas Bernoulli Variável aleatória que pode assumir somente dois valores possíveis: 0 e 1. p X (0) = P(X = 0) = q p X (1) = P(X = 1) = p p+q = 1 F(x) = 0 para x < 0, F(x) =q para 0<= x <1, F(x) = 1 para x >= 1
27 Variáveis Aleatórias Discretas Binomial Considere uma sequência de n tentativas independentes de Bernoulli com probabilidade de sucesso igual a p em cada tentativa. Y n é definido como o número de sucessos após n tentativas. O domínio da v.a. Y n é todas as n- tuplas de 0s e 1s. Y n corresponde ao número de 1s na n-tupla.
28 Variáveis Aleatórias Discretas Binomial A pmf de Y n é: P(Y n = k) = C(n,k)p k (1-p) n-k ; para 0<=k<=n 0 ; caso contrário Esta equação fornece a probabilidade de k sucessos em n tentativas independentes de um experimento que tem probabilidade p de sucesso em cada tentativa
29 Variáveis Aleatórias Discretas Geométrica Consideremos novamente uma sequência de tentativas de Bernoulli, mas a idéia é contar o número de tentativas até o acontecimento do PRIMEIRO SUCESSO Espaço Amostral consiste de um conjunto de diversas 'strings' com um número arbitrário de 0s, seguido por UM 1: S = {0 i-1 1 i = 1,2,3,...}
30 Variáveis Aleatórias Discretas Geométrica Seja Z a v.a. que representa o número total de tentativas, incluindo o primeiro sucesso. pmf: cdf p Z (i) = q i-1 p = p(1-p) i-1, i = 1,2,3,... F Z (i) = 1 - (1-p) i
31 Variáveis Aleatórias Discretas Geométrica Seja X a v.a. que representa o número total de falhas, antes do primeiro sucesso; Z = X + 1 Temos v.a. Geométrica modificada pmf cdf p X (i) = p(1-p) i, i = 0,1,2,... F_X(i) = 1 - (1-p) i+1
32 Variáveis Aleatórias Discretas Geométrica Exemplos de utilização: (1) Teoria de Filas (2) Considere um sistema de computador com um scheduling com um tempo fixo. No final de cada slice, o programa completa a execução com probabilidade p; com probabilidade (1-p) é necessário retornar a CPU. A pmf da v.a. do total de slices necessários para terminar a computação é dada pela pmf da v.a. geométrica
33 Variáveis Aleatórias Discretas Geométrica Propriedade da Falta de Memória (memoryless) Z: v.a que representa o número de tentativas até o primeiro sucesso n: total de tentativas ocorridas sendo todas falhas Y: v.a. que representa o número total de tentativas adicionais até o sucesso Y = Z-n
34 Variáveis Aleatórias Discretas Geométrica Propriedade da Falta de Memória (memoryless) Se uma sequência de tentativas de Bernoulli é analisada, não é necessário lembrar quantas tentativas já foram realizadas para determinar as probabilidades das tentativas adicionais necessárias até o primeiro sucesso
35 Variáveis Aleatórias Discretas Poisson Problema: Suponha que estejamos observando a chegada de jobs em um servidor por um intervalo de tempo [0,t]. Baseando na v.a. Binomial p(k;λt) = e -λt (λt) k /k!
36 Em teoria de filas, número de jobs que chegam no sistema, o número de jobs que completam o serviço, o número de mensagens transmitidas através de um canal de comunicação podem ser aproximados por uma v.a. de Poisson Variáveis Aleatórias Discretas Poisson Outras aplicações:
37 Variáveis Aleatórias Contínuas Para uma variável aleatória contínua, X, definimos função densidade de probabilidade (pdf) como: f(x) = df(x)/dx Então F (x) = P(X<=x) = f (t)dt X x
38 Variáveis Aleatórias Contínuas Propriedades da pdf (f1) f(x) >= 0 para todo x (f2) f(x)dx = 1; - < x < Diferentemente da pmf, a pdf não é uma probabilidade!
39 Variáveis Aleatórias Contínuas Propriedades da cdf (F1) 0 <= F(x) <=1 para todo x (F2) F(x) é uma função monotônica crescente de x (F3) lim F(x) = 0;lim F(x) = 1 x x
40 Variáveis Aleatórias Contínuas Distribuição Exponencial Também conhecida como distribuição exponencial negativa Usada em teoria de filas e confiabilidade Propriedade da falta de memória (memoryless) Relação com a distribuição discreta de Poisson
41 Variáveis Aleatórias Contínuas Distribuição Exponencial São modeladas como uma v.a exponencial: Intervalo de chegada entre dois jobs sucessivos (interarrival time) Tempo de serviço em um servidor de uma fila Tempo para que um componente falhe Tempo para que um componente seja consertado
42 Variáveis Aleatórias Contínuas Distribuição Exponencial cdf F(x) = 1-e -λx, se 0 <= x < = 0, caso contrário pdf f(x) = λe -λx, se x > 0 = 0, caso contrário
43 Variáveis Aleatórias Contínuas Distribuição Exponencial P(X >= t) = e -λt P(a <= X <= b) =e -λa - e -λb
44 Variáveis Aleatórias Contínuas Distribuição Exponencial Propriedade da Falta de Memória - Memoryless X: v.a. que representa o tempo de vida de um componente. Suponhamos que o componente esteja operacional durante t horas e que o tempo de vida seja maior que t Y: Tempo residual de vida G Y (Y<=y X>=t) = G_Y(y t)=???
45 Variáveis Aleatórias Contínuas Distribuição Exponencial Propriedade da Falta de Memória - Memoryless G Y (Y,t) é independente de t e é idêntica a distribuição exponencial da v.a X. A distribuição do tempo de vida residual do componente, não depende do tempo de vida que o componente já estava funcionando. Componente não envelhece. Quebra eventual se deve a uma falha repentina e não deteriorização gradual.
46 Variáveis Aleatórias Contínuas Distribuição Exponencial Propriedade da Falta de Memória - Memoryless Se estamos representando um tempo entre chegadas (interarrival times) através de uma variável aleatória exponencialmente distribuída, a propriedade da falta de memória implica que o tempo que devemos esperar por uma nova chegada é estasticamente independente de quanto tempo já tenhamos esperado.
47 Média ou Valor Esperado As funções de distribuição F(x) ou densidade f(x) (pmf para v.a. Discreta) caracteriza completamente o comportamente de uma v.a. Em alguns casos, basta uma informação mais simples sobre a v.a. Média Mediana P(X > x) = 0.5 E[X] x, tal que P(X < x) <= 0.5 e
48 Média ou Valor Esperado E[X] = i x i p(x i ) para os casos em que X é uma v.a. discreta E[X] = x f(x)dx; (-, ) para os casos em que X é uma v.a. contínua
49 Média ou Valor Esperado Algumas variáveis discretas... Bernoulli E[X] = p Binomial E[X] = np Geométrica E[X] = 1/p Poisson E[X] = λt Variável Contínua Exponencial E[X] = 1/λ
Avaliação de Desempenho
Avaliação de Desempenho Aula passada Métricas, Técnicas, Erros Aula de hoje Conceitos importantes de probabilidade Como fazer a análise de desempenho? Modelos Matemáticos Modelos de Simulação Como fazer
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 08
Teoria das Filas aplicadas a Sistemas Computacionais Aula 08 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Probabilidade Condicional Independência de Eventos Teorema da Probabilidade Total Lei de Bayes Aula de hoje Variáveis Aleatórias PMF, CDF Exemplos
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Probabilidade Condicional Independência de Eventos Teorema da Probabilidade Total Lei de Bayes Aula de hoje Exemplo Lei de Bayes Variáveis Aleatórias
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Exemplos Análise Combinatória Probabilidade Condicional Independência de Eventos Teorema da Probabilidade Total Lei de Bayes Aula de hoje Exemplo
Leia maisProbabilidade Revisão de Conceitos
Probabilidade Revisão de Conceitos Espaço de Amostras A totalidade dos possíveis resultados de um experimento aleatório. Exemplo: jogar dados S = {(1,1),(1,),... (,1),(,)... (6,6)} S é dito o número de
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 09
Teoria das Filas aplicadas a Sistemas Computacionais Aula 09 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisAvaliação e Desempenho Aula 5
Avaliação e Desempenho Aula 5 Aula passada Revisão de probabilidade Eventos e probabilidade Independência Prob. condicional Aula de hoje Variáveis aleatórias discretas e contínuas PMF, CDF e função densidade
Leia maisModelos Probabilísticos Teóricos Discretos e Contínuos. Bernoulli, Binomial, Poisson, Uniforme, Exponencial, Normal
Modelos Probabilísticos Teóricos Discretos e Contínuos Bernoulli, Binomial, Poisson, Uniforme, Exponencial, Normal Distribuição de Probabilidades A distribuição de probabilidades de uma variável aleatória:
Leia maisDepartamento de InformáAca - PUC- Rio. Hélio Lopes Departamento de InformáAca PUC- Rio. Probabilidade
Introdução à Simulação Estocás5ca usando R INF2035 PUC- Rio, 2013.1 Departamento de InformáAca - PUC- Rio Hélio Lopes Departamento de InformáAca PUC- Rio Experimentos aleatórios: no estudo de probabilidade,
Leia maisTeoria de Filas Aula 1
Teoria de Filas Aula 1 Aulas passada Introdução, Logística e Motivação para avaliação e desempenho Aula de hoje Revisão de probabilidade Eventos e probabilidade Independência Prob. condicional Experimentos
Leia maisEELT-7035 Processos Estocásticos em Engenharia. Variáveis Aleatórias. EELT-7035 Variáveis Aleatórias Discretas. Evelio M. G.
EELT-7035 Processos Estocásticos em Engenharia Variáveis Aleatórias Discretas 21 de março de 2019 Variáveis Aleatórias Variável aleatória, X( ): função que mapeia o espaço amostral (S) em números pertencentes
Leia maisMétodos Quantitativos para Ciência da Computação Experimental. Aula #2c
Métodos Quantitativos para Ciência da Computação Experimental Aula #2c Virgílio A. F. Almeida Abril 2010 Departamento de Ciência da Computação Universidade Federal de Minas Gerais Sobre o método científico
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aulas passadas Espaço Amostral Álgebra de Eventos Axiomas de Probabilidade Análise Combinatória Aula de hoje Probabilidade Condicional Independência de Eventos
Leia mais24/04/2017. Operações que podem ser aplicadas aos eventos
Inferência estatística: processo de extrair conclusões de uma população inteira com base na informação de uma amostra A base para a inferência estatística é a teoria da probabilidade Evento: é o resultado
Leia mais3 a Lista de PE Solução
Universidade de Brasília Departamento de Estatística 3 a Lista de PE Solução. Se X representa o ganho do jogador, então os possíveis valores para X são,, 0, e 4. Esses valores são, respectivamente, correspondentes
Leia maisCap. 8 - Variáveis Aleatórias
Variáveis Aleatórias Discretas: A de Poisson e Outras ESQUEMA DO CAPÍTULO 8.1 A DISTRIBUIÇÃO DE POISSON 8.2 A DISTRIBUIÇÃO DE POISSON COMO APROXIMAÇÃO DA DISTRIBUIÇÃO BINOMIAL 8.3 O PROCESSO DE POISSON
Leia maisModelos de Distribuição PARA COMPUTAÇÃO
Modelos de Distribuição MONITORIA DE ESTATÍSTICA E PROBABILIDADE PARA COMPUTAÇÃO Distribuições Discretas Bernoulli Binomial Geométrica Hipergeométrica Poisson ESTATÍSTICA E PROBABILIDADE PARA COMPUTAÇÃO
Leia maisRevisão de Estatística (Aplicada a Análise de Desempenho) Profa. Jussara M. Almeida 1 o Semestre de 2014
Revisão de Estatística (Aplicada a Análise de Desempenho) Profa. Jussara M. Almeida 1 o Semestre de 2014 Por quê? Modelagem probabilística Avaliação dos resultados Qual a probabilidade do tempo de residência
Leia maisMétodos Quantitativos para a Gestão Ambiental Probabilidades e Distribuições Estatísticas Parte 1 (4/13) Luiz Carlos Estraviz Rodriguez
Métodos Quantitativos para a Gestão Ambiental Probabilidades e Distribuições Estatísticas Parte 1 (4/13) Luiz Carlos Estraviz Rodriguez Distribuição de probabilidades Contexto O porquê desta aula Ao desenvolvermos
Leia maisModelos de Distribuições
7/5/017 Universidade Federal do Pará Instituto de Tecnologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Belém Curso de Engenharia Mecânica 05/07/017 19: ESTATÍSTICA APLICADA
Leia maisProcessos Estocásticos
Processos Estocásticos Luiz Affonso Guedes Sumário Modelos Probabilísticos Discretos Uniforme Bernoulli Binomial Hipergeométrico Geométrico Poisson Contínuos Uniforme Normal Tempo de Vida Exponencial Gama
Leia maisUma breve introdução a probabilidade
Uma breve introdução a probabilidade Modelo Probabilístico Espaço amostral (S): conjunto de todos os resultados que podem ocorrer a partir de um experimento aleatório Probabilidade de eventos (P): quantificação
Leia maisProcessos Estocásticos. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Modelos Probabilísticos Discretos Uniforme Bernoulli Binomial Hipergeométrico Geométrico Poisson Contínuos Uniforme Normal Tempo de Vida Exponencial Gama
Leia maisIntrodução aos Proc. Estocásticos - ENG 430
Introdução aos Proc. Estocásticos - ENG 430 Fabrício Simões IFBA 16 de novembro de 2015 Fabrício Simões (IFBA) Introdução aos Proc. Estocásticos - ENG 430 16 de novembro de 2015 1 / 34 1 Motivação 2 Conceitos
Leia maisProbabilidade. 1 Distribuição de Bernoulli 2 Distribuição Binomial 3 Multinomial 4 Distribuição de Poisson. Renata Souza
Probabilidade Distribuição de Bernoulli 2 Distribuição Binomial 3 Multinomial 4 Distribuição de Poisson Renata Souza Distribuição de Bernoulli Uma lâmpada é escolhida ao acaso Ensaio de Bernoulli A lâmpada
Leia maisDistribuição de Probabilidade. Prof. Ademilson
Distribuição de Probabilidade Prof. Ademilson Distribuição de Probabilidade Em Estatística, uma distribuição de probabilidade descreve a chance que uma variável pode assumir ao longo de um espaço de valores.
Leia maisIntrodução aos Proc. Estocásticos - ENG 430
Introdução aos Proc. Estocásticos - ENG 430 Fabrício Simões IFBA 16 de novembro de 2015 Fabrício Simões (IFBA) Introdução aos Proc. Estocásticos - ENG 430 16 de novembro de 2015 1 / 35 Fabrício Simões
Leia maisPRINCIPAIS DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE
PRINCIPAIS DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE 3.1 INTRODUÇÃO Muitas variáveis aleatórias associadas a experimentos aleatórios têm propriedades similares e, portanto, podem ser descritas através de
Leia maisPROBABILIDADES E INTRODUÇÃO A PROCESSOS ESTOCÁSTICOS. Aula 7 11 e 12 abril MOQ-12 Probabilidades e Int. a Processos Estocásticos
PROBABILIDADES E INTRODUÇÃO A PROCESSOS ESTOCÁSTICOS Aula 7 11 e 12 abril 2007 1 Distribuições Discretas 1. Distribuição Bernoulli 2. Distribuição Binomial 3. Distribuição Geométrica 4. Distribuição Pascal
Leia maisProbabilidade. Objetivos de Aprendizagem. UFMG-ICEx-EST. Cap. 2 - Probabilidade Espaços Amostrais e Eventos. 2.1.
2 ESQUEMA DO CAPÍTULO 2.1 ESPAÇOS AMOSTRAIS E EVENTOS 2.2 INTERPRETAÇÕES E AXIOMAS DE PROBABILIADE 2.3 REGRAS DE ADIÇÃO 2.4 PROBABILIDADE CONDICIONAL 2.5 REGRAS DA MULTIPLICAÇÃO E DA PROBABILIDADE TOTAL
Leia mais2. INTRODUÇÃO À PROBABILIDADE
2. INTRODUÇÃO À PROBABILIDADE 2019 Conceitos básicos Experimento aleatório ou fenômeno aleatório Situações ou acontecimentos cujos resultados não podem ser previstos com certeza. Um experimento ou fenônemo
Leia maisProbabilidades. Wagner H. Bonat Elias T. Krainski Fernando P. Mayer
Probabilidades Wagner H. Bonat Elias T. Krainski Fernando P. Mayer Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação 06/03/2018 WB, EK, FM ( LEG/DEST/UFPR
Leia maisAULA 16 - Distribuição de Poisson e Geométrica
AULA 16 - Distribuição de Poisson e Geométrica Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Distribuição de Poisson Em muitas situações nos deparamos com a situação em que o número de ensaios
Leia maisVariáveis Aleatórias Discretas e Distribuição de Probabilidade
Variáveis Aleatórias Discretas e Distribuição de Probabilidades - parte IV 2012/02 1 Distribuição Poisson Objetivos Ao final deste capítulo você deve ser capaz de: Ententer suposições para cada uma das
Leia maisRevisão de Probabilidade
05 Mat074 Estatística Computacional Revisão de Probabilidade Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.ufrgs.br/~viali/ Determinístico Sistema Real Causas Efeito Probabilístico X Causas Efeito
Leia maisFundamentos de Estatística
Fundamentos de Estatística Clássica Workshop Análise de Incertezas e Validação Programa de Verão 2017 Marcio Borges 1 1LABORATÓRIO NACIONAL DE COMPUTAÇÃO CIENTÍFICA mrborges@lncc.br Petrópolis, 9 de Fevereiro
Leia maisProbabilidade ESQUEMA DO CAPÍTULO. UFMG-ICEx-EST Cap. 2- Probabilidade 1
Probabilidade ESQUEMA DO CAPÍTULO 2.1 ESPAÇOS AMOSTRAIS E EVENTOS 2.2 INTERPRETAÇÕES DE PROBABILIADE 2.3 REGRAS DE ADIÇÃO 2.4 PROBABILIDADE CONDICIONAL 2.5 REGRAS DA MULTIPLICAÇÃO E DA PROBABILIDADE TOTAL
Leia maisProbabilidade. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Probabilidade Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Experimento aleatório Definição. Qualquer experimento cujo resultado não pode
Leia maisModelos Probabilisticos Discretos
Modelos Probabilisticos Discretos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 30 A distribuição Uniforme Discreta Suponha um experimento
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Probabilidade Análise Combinatória Independência de eventos Aula de hoje Independência de eventos Prob. Condicional Teorema da Probabilidade
Leia maisProcessos Estocásticos e Cadeias de Markov Discretas
Processos Estocásticos e Cadeias de Markov Discretas Processo Estocástico(I) Definição: Um processo estocástico é uma família de variáveis aleatórias {X(t) t T}, definidas em um espaço de probabilidades,
Leia maisESTATÍSTICA. x(s) W Domínio. Contradomínio
Variáveis Aleatórias Variáveis Aleatórias são funções matemáticas que associam números reais aos resultados de um Espaço Amostral. Uma variável quantitativa geralmente agrega mais informação que uma qualitativa.
Leia maisProbabilidade. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Probabilidade Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução Experimento aleatório Definição Qualquer experimento cujo resultado
Leia maisF (x) = P (X x) = Σ xi xp(x i ) E(X) = x i p(x i ).
Variável Aleatória Uma variável aleatória é uma variável numérica, cujo valor medido pode variar de uma réplica para outra do experimento. Exemplos: (i) Variáveis aleatórias contínuas: corrente elétrica,
Leia maisTeoria da Probabilidade
Teoria da Probabilidade Luis Henrique Assumpção Lolis 14 de fevereiro de 2014 Luis Henrique Assumpção Lolis Teoria da Probabilidade 1 Conteúdo 1 O Experimento Aleatório 2 Espaço de amostras 3 Álgebra dos
Leia maisTema 4- Modelos de probabilidade.
Tema 4- Modelos de probabilidade. 1- Modelos de probabilidade(136) 1.1) Introdução.(36) [Vídeo: 33] 1.) Fenómenos aleatórios(138) Experiência determinística-produz sempre o mesmo resultado desde que seja
Leia maisVariáveis Aleatórias Discretas
Variáveis Aleatórias Discretas Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução Definição Uma variável aleatória é uma função definida
Leia maisIntrodução à probabilidade e estatística I
Introdução à probabilidade e estatística I Variáveis Aleatórias Prof. Alexandre G Patriota Sala: 298A Email: patriota@ime.usp.br Site: www.ime.usp.br/ patriota Probabilidade Daqui por diante utilizaremos
Leia maisInstituto Tecnológico de Aeronáutica Divisão de Engenharia Mecânica-Aeronáutica. Professora: Denise Beatriz T. P. do Areal Ferrari
Instituto Tecnológico de Aeronáutica Divisão de Engenharia Mecânica-Aeronáutica Professora: Denise Beatriz T. P. do Areal Ferrari denise@ita.br Distribuições Discretas Uniforme Bernoulli Binomial Poisson
Leia maisModelos de Distribuições
Universidade Federal do Pará Instituto de Tecnologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Belém Curso de Engenharia Mecânica 11/06/019 07:14 ESTATÍSTICA APLICADA I -
Leia maisExperiências Aleatórias. Espaço de Resultados. Acontecimentos
Experiências Aleatórias. Espaço de Resultados. Acontecimentos Experiência Aleatória É uma experiência em que: não se sabe exactamente o resultado que se virá a observar; conhece-se o universo dos resultados
Leia maisCapítulo4- Modelos de probabilidade.
Capítulo4- Modelos de probabilidade. 1- Modelos de probabilidade(110) 1.1) Introdução.(110) 1.) Fenómenos aleatórios(11) Experiência determinística-produz sempre o mesmo resultado desde que seja repetido
Leia maisEscola Superior de Agricultura "Luiz de Queiroz", Departamento de Ciências Exatas. Probabilidades. Cristian Villegas
Probabilidades Cristian Villegas clobos@usp.br Setembro de 2013 Apostila de Estatística (Cristian Villegas) 1 Introdução Escola Superior de Agricultura "Luiz de Queiroz", Departamento de Ciências Exatas
Leia maisAula 4. Aula de hoje. Aula passada
Aula 4 Aula passada Função de distribuição Bernoulli Sequência de v.a. Binomial, Geométrica, Zeta Valor esperado Variância Distribuição conjunta Independência de v.a. Aula de hoje Valor esperado condicional
Leia maisTema 4- Modelos de probabilidade. (Versão: para o manual a partir de 2016/17)
Tema 4- Modelos de probabilidade. (Versão: para o manual a partir de 016/17) 1- Modelos de probabilidade(136) 1.1) Introdução.(36) (Vídeo: 33) 1.) Fenómenos aleatórios(138) Experiência determinística-produz
Leia maisrio de Guerra Eletrônica EENEM 2008 Estatística stica e Probabilidade Aleatórias nuas
ITA - Laboratório rio de Guerra Eletrônica EENEM 2008 Estatística stica e Probabilidade Aula 04: Variáveis Aleatórias Contínuas nuas Função densidade de probabilidade contínua nua f(x) a b f(x) 0 para
Leia maisVariáveis Aleatórias Discretas e Distribuição de Probabilidade
Variáveis Aleatórias Discretas e Distribuição de Probabilidades - parte II 29 de Março de 2011 Distribuição Uniforme Discreta Média Propriedade da falta de memória Objetivos Ao final deste capítulo você
Leia maisAula de hoje Aula passada
Aula 2 Aula passada Logística, programação, regras do jogo Três problemas Monte Carlo to the rescue História das origens Monte Carlo na Computação Aula de hoje Espaço amostral Probabilidade Eventos Independência
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes. Como devemos descrever um experimento aleatório?
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia maisLista de Exercícios #2 Assunto: Variáveis Aleatórias Discretas
1. ANPEC 2018 Questão 3 Considere um indivíduo procurando emprego. Para cada entrevista de emprego (X) esse indivíduo tem um custo linear (C) de 10,00 Reais. Suponha que a probabilidade de sucesso em uma
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Variáveis aleatórias discretas PMF, CDF Exemplos de v. a.: Bernoulli, Binomial, Geométrica, Poisson, Hipergeométrica Aula de hoje V.a. contínua
Leia maisProfessora Ana Hermínia Andrade. Período
Distribuições de probabilidade Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2016.2 Modelos de distribuição Para
Leia maisEstatística Descritiva e Exploratória
Gledson Luiz Picharski e Wanderson Rodrigo Rocha 9 de Maio de 2008 Estatística Descritiva e exploratória 1 Váriaveis Aleatórias Discretas 2 Variáveis bidimensionais 3 Váriaveis Aleatórias Continuas Introdução
Leia maisAula 1. Objetivo: Mostrar o papel fundamental da distribuição de Poisson no comportamento de grandes populações.
Aula 1 Objetivo: Mostrar o papel fundamental da distribuição de Poisson no comportamento de grandes populações. Modelo População de n pessoas, n >> 1; Comportamento individual independente num intervalo
Leia maisProcessos Estocásticos. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Variáveis Aleatórias Funções de Uma Variável Aleatória Funções de Várias Variáveis Aleatórias Momentos e Estatística Condicional Teorema
Leia maisAula 1. Objetivo: Mostrar o papel fundamental da distribuição de Poisson no comportamento de grandes populações.
Aula 1 Objetivo: Mostrar o papel fundamental da distribuição de Poisson no comportamento de grandes populações. Modelo População de n pessoas, n >> 1; Comportamento individual independente num intervalo
Leia maisChamamos de evento qualquer subconjunto do espaço amostral: A é um evento A Ω.
PROBABILIDADE 1.0 Conceitos Gerais No caso em que os possíveis resultados de um experimento aleatório podem ser listados (caso discreto), um modelo probabilístico pode ser entendido como a listagem desses
Leia maisBioestatística e Computação I
Bioestatística e Computação I Distribuições Teóricas de Probabilidade Maria Virginia P Dutra Eloane G Ramos Vania Matos Fonseca Pós Graduação em Saúde da Mulher e da Criança IFF FIOCRUZ Baseado nas aulas
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Função Distribuição Condicional Calculando Probabilidades condicionando Esperança Condicional Aula de hoje Análise de Comandos de Programação
Leia maisFundamentos da Teoria da Probabilidade
Fundamentos da Teoria da Probabilidade Edmar José do Nascimento (Princípios de Comunicações) http://www.univasf.edu.br/ edmar.nascimento Universidade Federal do Vale do São Francisco Sinais Aleatórios
Leia maisAula 5. Variáveis Aleatórias Discretas
Aula 5. Variáveis Aleatórias Discretas Definição formal : Variável aleatória é qualquer função definida em espaço Ω. Ω função é uma regra que para cada valor de domínio corresponde um valor de R R Definição
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia mais1 Distribuições Discretas de Probabilidade
1 Distribuições Discretas de Probabilidade A distribuição discreta descreve quantidades aleatórias (dados de interesse) que podem assumir valores particulares e os valores são finitos. Por exemplo, uma
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 6 Distribuições Contínuas (Parte 02) Leitura obrigatória: Devore, Capítulo 4 Chap 6-1 Distribuições de Probabilidade Distribuições de Probabilidade Distribuições de Probabilidade
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aulas passadas Motivação Exemplos de aplicação de probabilidade e estatística Informações do curso Aula de hoje Espaço amostral Álgebra de Eventos Eventos
Leia maisEstatística. Capítulo 4: Distribuições Teóricas de Probabilidades de Variáveis Aleatórias Discretas. Professor Fernando Porto
Estatística Capítulo 4: Distribuições Teóricas de Probabilidades de Variáveis Aleatórias Discretas Professor Fernando Porto Capítulo 4 Baseado no Capítulo 4 do livro texto, Distribuições Teóricas de Probabilidades
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisSumário. 2 Índice Remissivo 11
i Sumário 1 Principais Distribuições Contínuas 1 1.1 Distribuição Uniforme................................. 1 1.2 A Distribuição Normal................................. 2 1.2.1 Padronização e Tabulação
Leia maisModelagem e Análise Aula 11
Modelagem e Análise Aula 11 Aula passada Aplicação de Little Utilização Processo de saída Aula de hoje Modelo do servidor Web Split/Merge de Poisson Rede de filas Múltiplas Filas Porque resultado anterior
Leia maisProbabilidade - 7/7/2018. Prof. Walter Tadeu
Probabilidade - 7/7/018 Prof. Walter Tadeu www.professorwaltertadeu.mat.br Espaço Amostral (): conjunto de todos os resultados possíveis de um experimento aleatório. Exemplos: 1. Lançamento de um dado.
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia maisCadeias de Markov em Tempo Continuo
Cadeias de Markov em Tempo Continuo Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulos 6 Taylor & Karlin 1 / 44 Análogo ao processo
Leia maisModelos Probabilísticos de Desempenho. Profa. Jussara M. Almeida 1º Semestre de 2014
Modelos Probabilísticos de Desempenho Profa. Jussara M. Almeida 1º Semestre de 2014 Modelos Probabilísticos Processos Estocásticos Processos de Poisson Filas M/M/1, M/G/1... Mais genericamente: modelos
Leia maisBIOESTATÍSTICA. Parte 3 Variáveis Aleatórias
BIOESTATÍSTICA Parte 3 Variáveis Aleatórias Aulas Teóricas de 29/03/2011 a 26/04/2011 3.1. Conceito de Variável Aleatória. Função de Distribuição Variáveis aleatórias Uma variável aleatória pode ser entendida
Leia maisPrincipais distribuições discretas Distribuição de Bernoulli sucesso fracasso X = 1, se sucesso X = 0, se fracasso P(X) TOTAL 1 Exemplo 5:
Principais distribuições discretas Na prática, sempre se procura associar um fenômeno aleatório a ser estudado, a uma forma já conhecida de distribuição de probabilidade (distribuição teórica) e, a partir
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ s KKK CKK KKC KCK CCK CKC KCC CCC S X 0 1 2 3 R x X(s) X(S) Uma função X que associa a cada elemento de S (s S) um número real
Leia maisVariável Aleatória. O conjunto de valores. Tipos de variáveis. Uma função X que associa a cada
Variável Aleatória Uma função X que associa a cada Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ elemento de S (s S) um número real x X(s) é denominada variável aleatória. O
Leia maisCapítulo 2. Variáveis Aleatórias e Distribuições
Capítulo 2 Variáveis Aleatórias e Distribuições Experimento Aleatório Não existe uma definição satisfatória de Experimento Aleatório. Os exemplos dados são de fenômenos para os quais modelos probabilísticos
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 Modelos de distribuição Para utilizar a teoria
Leia maisTE802 Processos Estocásticos em Engenharia. Informação sobre a disciplina Notes. Processos Estocásticos em Engenharia Conteúdo Notes.
TE802 Processos Estocásticos em Engenharia Conceitos Básicos de Teoria de Probabilidade 7 de março de 2016 Informação sobre a disciplina Terças e Quintas feiras das 09:30 às 11:20 horas Professor: Evelio
Leia maisProbabilidade. Professora Ana Hermínia Andrade. Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise
Probabilidade Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2016.2 Você reconhece algum desses experimentos? Alguns
Leia maisTE802 Processos Estocásticos em Engenharia. Informação sobre a disciplina. TE802 Conceitos Básicos de Teoria de Probabilidade. Evelio M. G.
TE802 Processos Estocásticos em Engenharia Conceitos Básicos de Teoria de Probabilidade 23 de agosto de 2017 Informação sobre a disciplina Segundas e Quartas feiras das 09:30 às 11:20 horas Professor:
Leia maisTE802 Processos Estocásticos em Engenharia. Processo Aleatório. TE802 Processos Aleatórios. Evelio M. G. Fernández. 18 de outubro de 2017
TE802 Processos Estocásticos em Engenharia Processos Aleatórios 18 de outubro de 2017 Processo Aleatório Processo Aleatório (ou Estocástico), X(t): Função aleatória do tempo para modelar formas de onda
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aulas passadas Motivação Espaço Amostral, Eventos, Álgebra de eventos Aula de hoje Probabilidade Análise Combinatória Independência Probabilidade Experimentos
Leia maisProbabilidade e Modelos Probabilísticos
Probabilidade e Modelos Probabilísticos 2ª Parte: modelos probabilísticos para variáveis aleatórias contínuas, modelo uniforme, modelo exponencial, modelo normal 1 Distribuição de Probabilidades A distribuição
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia mais4. Distribuições de probabilidade e
4. Distribuições de probabilidade e características Valor esperado de uma variável aleatória. Definição 4.1: Dada uma v.a. discreta (contínua) X com f.m.p. (f.d.p.) f X (), o valor esperado (ou valor médio
Leia mais