Métodos Quantitativos para Ciência da Computação Experimental. Jussara Almeida DCC-UFMG 2016

Documentos relacionados
Métodos Quantitativos para Ciência da Computação Experimental. Jussara Almeida DCC-UFMG 2013

Métodos Quantitativos para Ciência da Computação Experimental

*+,, -! / ! /,6 5. Virgilio Almeida, UFMG 2006

Estatística e Modelos Probabilísticos - COE241

Estatística e Modelos Probabilísticos - COE241

Estatística e Modelos Probabilísticos - COE241

2. INTRODUÇÃO À PROBABILIDADE

Teoria da Probabilidade

3. Probabilidade P(A) =

Estatística e Modelos Probabilísticos - COE241

Virgílio A. F. Almeida DCC-UFMG 2005

Estatística e Modelos Probabilísticos - COE241

Estatística Empresarial. Fundamentos de Probabilidade

Teoria das Probabilidades

TE802 Processos Estocásticos em Engenharia. Informação sobre a disciplina Notes. Processos Estocásticos em Engenharia Conteúdo Notes.

TE802 Processos Estocásticos em Engenharia. Informação sobre a disciplina. TE802 Conceitos Básicos de Teoria de Probabilidade. Evelio M. G.

Probabilidade. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo

Probabilidade em espaços discretos. Prof.: Joni Fusinato

1 Definição Clássica de Probabilidade

Teoria das Probabilidades

Probabilidade. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo

Teoria das Probabilidades

Teoria das Probabilidades

PROBABILIDADES E INTRODUÇÃO A PROCESSOS ESTOCÁSTICOS. Aula 2 07 e 08 março MOQ-12 Probabilidades e Int. a Processos Estocásticos

Probabilidade. Professora Ana Hermínia Andrade. Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise

Estatística Planejamento das Aulas

Estatística e Modelos Probabilísticos - COE241

Probabilidade. Probabilidade e Estatística. Prof. Dr. Narciso Gonçalves da Silva

Estatística e Modelos Probabilísticos - COE241

Probabilidade ESQUEMA DO CAPÍTULO. UFMG-ICEx-EST Cap. 2- Probabilidade 1

Probabilidades. Wagner H. Bonat Elias T. Krainski Fernando P. Mayer

2 Conceitos Básicos de Probabilidade

Teoria de Filas Aula 1

CE Estatística I

Probabilidades. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo

Probabilidade. Objetivos de Aprendizagem. UFMG-ICEx-EST. Cap. 2 - Probabilidade Espaços Amostrais e Eventos. 2.1.

3 NOÇÕES DE PROBABILIDADE

Introdução à Estatística

Introdução à Bioestatística

ELEMENTOS DE PROBABILIDADE. Prof. Paulo Rafael Bösing 25/11/2015

Escola Superior de Agricultura "Luiz de Queiroz", Departamento de Ciências Exatas. Probabilidades. Cristian Villegas

2. INTRODUÇÃO À PROBABILIDADE

INTRODUÇÃO À PROBABILIDADE

Regras de probabilidades

PROBABILIDADE E ESTATÍSTICA PROBABILIDADES

Estatística aplicada a ensaios clínicos

Estatística e Modelos Probabilísticos - COE241

Probabilidade. É o conjunto de todos os possíveis resultados de um experimento aleatório.

AGA Análise de Dados em Astronomia I. 2. Probabilidades - parte 1

INTRODUÇÃO À PROBABILIDADE

PROBABILIDADES PROBABILIDADE DE UM EVENTO EM UM ESPAÇO AMOSTRAL FINITO

UNIVERSIDADE FEDERAL DA PARAÍBA Departamento de Estatística. Probabilidade

TÓPICO. Fundamentos da Matemática II INTRODUÇÃO ÀS PROBABILIDADES14. Licenciatura em Ciências USP/ Univesp. Vanderlei S. Bagnato

Estatística. Aula : Probabilidade. Prof. Ademar

PROBABILIDADE CONDICIONAL E TEOREMA DE BAYES

REGRAS DE PROBABILIDADE

AULA 4 -Probabilidade Condicional e Regra de Bayes

Eisencraft e Loiola 2.1 Probabilidade 37. Para resolver problemas de probabilidades são necessários 3 passos:

Sumário. 2 Índice Remissivo 12

Introdução à Probabilidade

Prof. Luiz Alexandre Peternelli

Notas de Aula. Estatística Elementar. by Mario F. Triola. Tradução: Denis Santos

Tipos de Modelo. Exemplos. Modelo determinístico. Causas. Efeito. Exemplos. Modelo probabilístico. Causas. Efeito. Determinístico.

Introdução aos Proc. Estocásticos - ENG 430

Probabilidade. Definições e Conceitos

Probabilidade. Definição de Probabilidade Principais Teoremas Probabilidades dos Espaços Amostrais Espaços Amostrais Equiprováveis.

Capítulo 4 Probabilidade. Seção 4-1 Visão Geral. Visão Geral. Regra do Evento Raro para Inferência Estatísticas:

PROBABILIDADE. ENEM 2016 Prof. Marcela Naves

INTRODUÇÃO ÀS PROBABILIDADES15

REGRAS PARA CÁLCULO DE PROBABILIDADES

Disciplina: Prof. a Dr. a Simone Daniela Sartorio de Medeiros. DTAiSeR-Ar

PROBABILIDADE. Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti

Uma breve introdução a probabilidade

UNIVERSIDADE FEDERAL DA PARAÍBA Departamento de Estatística. Probabilidade. Cálculo das Probabilidades e Estatística I Luiz Medeiros

1.4.2 Probabilidade condicional

2. INTRODUÇÃO À PROBABILIDADE

Probabilidade. Prof. Paulo Cesar F. de Oliveira, BSc, PhD

Introdução à Probabilidade

TEORIA DAS PROBABILIDADES

Prof.: Joni Fusinato

Aula - Introdução a Teoria da Probabilidade

Probabilidades. Palavras como

Noções de Probabilidade

AULA 3 - Modelos probabiĺısticos, axiomas da probabilidade, espaços amostrais

Probabilidade - aula II

Probabilidade & Estatística Elementos de Probabilidade (Capítulo 2)

Conceitos básicos de teoria da probabilidade

1.3 Probabilidade Condicional e Independência

Probabilidade e Estatística

Teoria das probabilidades

2. INTRODUÇÃO À PROBABILIDADE

Probabilidade e Estatística Probabilidade Condicional

Objetivos. Frequência Relativa X Probabilidade. Probabilidade. 1. Definições: Experimento Espaço Amostral Evento Probabilidade

Prof.: Joni Fusinato

Estatística: Probabilidade e Distribuições

Transcrição:

Métodos Quantitativos para Ciência da Computação Experimental Jussara Almeida DCC-UFMG 2016

Revisão de Probabilidade e Estatística Concentrado em estatística aplicada Estatística apropriada para medições A aula vai focar em temas que ja devem ser familiares a voces.

Métodos Estatísticos Método Estatístico Estatística Descritiva Estatística Inferencial

Estatística Descritiva Envolve Coletar dados Apresentar dados Caracterizar dados Finalidade Descrever dados

Terminologia Básica Experimento: um processo cujo resultado não é determinado com certeza Espaço Amostral: S = {todos possíveis resultados de um experimento} Ponto da amostra: um resultado (um membro do espaço amostral S) Exemplo: uma moeda não viciada, S = {H,T}, onde H and T são resultados Variável aleatória: uma função que atribui um número real a cada ponto do espaço amostral S. Exemplo: X = 1 se x=h X = 0 se x=t

Estatística Inferencial Envolve Estimativas Teste de hipótese Finalidade Tomar decisões sobre características da população de uma coleta.

Terminologia Básica Experimento: um processo cujo resultado não é determinado com certeza Espaço Amostral: S = {todos possíveis resultados de um experimento} Ponto da amostra: um resultado (um membro do espaço amostral S) Exemplo: uma moeda não viciada, S = {H,T}, onde H and T são resultados Variável aleatória: uma função que atribui um número real a cada ponto do espaço amostral S. Exemplo: X = 1 se x=h X = 0 se x=t

Algebra de Eventos A C B Eventos são coleções de pontos ou áreas em um espaço. A coleção de todos os pontos num espaço inteiro é chamada de U, o conjunto universal.

Algebra de Eventos A A Evento A, o complemento do evento A, é a coleção de todos os pontos no conjunto universal que não estão incluídos em A. B A A intersecção de dois eventos A e B é a coleção de todos os pontos que estão contidos em ambos A e B, denotados por A B ou AB

A B Algebra de Eventos A união de dois eventos A e B é a coleção de todos pontos que estão em A ou em B ou em ambos.

Mutuamente Exclusivos e Coletivamente Exaustivo A B Conjuntos de eventos são mutuamente exclusivos se todos conjuntos dos eventos não tem interseção A C B Conjuntos de eventos coletivamente exaustivos somam U A + B + C = U

Espaços Amostrais Espaço amostral: um conjunto mutuamente exclusivo e coletivamente exaustivo listando todos possíveis resultados de um experimento ou modelo. Espaço Amostral Evento H Tn n : Heads Tails na n-ésima jogada de uma moeda. H 1 T 1 H 1 H 2 H 1 T 2 T 1 H 2 H H 1 2 é o evento de grão fino para duas jogadas H 1 é o evento de grão grosso para duas jogadas T 1 T 2

Três Axiomas da Medida de Probabilidade Para qualquer evento A, P(A) 0 P(U) = 1 (Normalização) Se AB =, então P(A+B) = P(A) + P(B) A partir desses axiomas pode-se determinar a medida de probabilidade de um evento E simplesmente somando todas as medidas dos eventos de grão mais fino que formam E.

Probabilidade condicional: visão intuitiva A B P( A B) P( AB) P( B)

Probabilidades Técnicas de contagem Permutações Combinações Probabilidade Expectância matemática

Probabilidade Se existem n igualmente prováveis resultados (eventos) e s são favoráveis ( sucesso ) então a probabilidade de um sucesso é : s n Exemplo: a probabilidade de obter cara para uma jogada da moeda é: n = 2, s = 1 então P (``cara ) = 1/2 P (``coroa ) = 1/2 Obs: P ( cara ) + P( coroa ) = 1/2 + 1/2 = 1

Exemplos Determine a probabilidade de que 2 cartas retiradas de um baralho de 52 cartas sejam ambas pretas.

Exemplos Determine a probabilidade de que 2 cartas retiradas de um baralho de 52 cartas sejam ambas pretas. ( 52) O número total de possibilidades : n = 2 52 51 = = 1326 2 Número total de possibilidades favoráveis ( sucessos ): ( 26) s = 2 26 25 = = 325 2 Probabilidade é: P = s/n = 325 / 1326 = 0.245

Exercícios em Aula 1. Se um número decimal de até três digitos é escolhido aleatoriamente, determine a probabilidade que exatamente k dígitos são 7, para 0 k 3 2. Considere uma caixa com 15 chips VLSI, sendo 5 deles defeituosos. Se uma amostra aleatória de 3 chips é retirada da caixa, qual a probabilidade de todos os três terem defeitos?

Exercicio de Probabilidade Uma serie de n jobs chega a um multiprocessador com n processadores. Quantos vetores de atribuicao : (processador para job 1,, processador para job n) são possíveis?

Exercicio de Probabilidade Uma serie de n jobs chega a um multiprocessador com n processadores. Assuma que cada um dos n n possiveis vetores de atribuicao (i.e., processador para job 1,, processador para job n) são igualmente provaveis. Encontre a probabilidade de que exatamente um processador nao seja assinalado a nenhum job. Para efeitos de exemplo, considere n = 3 e calcule, mas mostre a forma geral para n.

Exercicio de Probabilidade Uma serie de n jobs chega a um multiprocessador com n processadores. Assuma que cada um dos n n possiveis vetores de atribuicao (i.e., processador para job 1,, processador para job n) são igualmente provaveis. Encontre a probabilidade de que exatamente um processador nao seja assinalado a nenhum job. Para efeitos de exemplo, considere n = 3 e calcule, mas mostre a forma geral para n. Solucao: Espaco amostral (S), onde i j representa o processador para o qual o job j e assinalado. Vamos chamar a solucao de P (evento processador ocioso) S = { (i 1, i 2,, i n ) i j {1, 2,, n} } S = n n

Exercicio de Probabilidade Primeiro, vamos calcular a probabilidade que somente o processador 1 esteja ocioso, denominando este evento de A1 Seja B j = processador j tem 2 jobs, 2 j n B j = {(i 1, i 2,, i n } i k {2, 3,, n} e existe k 1 k 2 tal que i k1 = i k2 = j; e i j1 i j2, caso contrário A 1 = B j (j=2..n)

Exercicio de Probabilidade P(B j )= (n 2) (n 2)! n n (n 1)( n 2) (n 2)! P( A 1 )= n n =( n! n n )( n 1 2 ) n P(evento)=P( i=1 Ai )=n P( A 1 )= n 1 2 (n 1)! n (n 2) para n = 3 P(evento)= 2 3

Eventos Independentes Ocorrência de um evento não afeta a probabilidade do outro. Exemplos: Jogar moedas dados de entrada de usuários separados Acidentes de tráfego não relacionados

Probabilidade Condicional A probabilidade condicional do evento A dado que o evento B ocorreu, denotada por P(A B), e definida como: P( A B)= P( A intersect B) P(B)

Regra de Bayes e Teorema da Probabilidade Total Prob. Total: Sejam A 1,, A k uma particao do espaco S e B um evento qualquer de S, entao: n P( B)= i=1 P( A i ) P(B A i ) Regra de Bayes: Sejam os eventos A 1,, A k uma particao do espaco S tal que P(A j ) > 0,para todo j, e seja B um evento tal que P(B) > 0. Entao, para i = 1,, k: P( A i B)= P( A i )P(B A i ) k P( A k )P(B A k )

Exercicio Um canal de comunicação transporta dois tipos de sinais, denotados por 0 e 1. Devido ao ruido, um 0 transmitido e recebido como 1 e 1 como 0. Para um dado canal, assuma a probabilidade de 0.94 que um 0 transmitido seja corretamente recebido como 0 e a probabilidade de 0.91 que um 1 seja recebido como 1. Assuma tambem a probabilidade 0.45 de transmitir um 0. Determine: Probabilidade que um 1 seja recebido Probabilidade que um 0 seja recebido Probabilidade que um 1 foi transmitido dado que um 1 foi recebido Probabilidade que um 0 foi transmitido dado que um 0 foi recebido Probabilidade de um erro

Solução Definição de eventos: T0 = um 0 é transmitido R0 um 0 é recebido T 1 = T 0 um 1 é transmitido um 1 é recebido R 1 = R 0 P(T0) P(R0 T0) P(R0 T1) P(R0) P(R1 T0) P(T1) P(R1 T1) P(R1)

Perguntas 1. Probabilidade que um 1 é recebido 2. Probabilidade que um 0 é recebido 3. Probabilidade que um 1 foi transmitido dado que um 1 foi recebido 4. Probabilidade que um 0 foi transmitido dado que um 0 foi recebido 5. Probabilidade de um erro. Sabe-se que: P(R0 T0) = 0.94 P(R1 T0 ) = 1 P(R0 T0) = 0.06 P(R1 T1) = 0.91 P(R0 T1 ) = 1 P(R1 T1) = 0.09 P(T0) = 0.45 P(T1) = 1 P(T0) = 0.55

Solução P(R 1)=P(T 0)P( R 1 T 0)+P(T 1 )P( R 1 T 1 ) 0.45 0.06+0. 55 0. 91=0. 5275 P(R 0)=P( R 1)=1 0.5275=0. 4725 P(R 1 T 1)P(T 1) P(T 1 R 1)= P(T 0)P(R 1 T 0 )+ P(T 1)P( R1 T 1) P( R 1 T 1)P(T 1) 0.55 0. 91 = = =0. 9488 P( R 1) 0.5275 P( R 0 T 0)P(T 0 ) 0. 94 0. 45 P(T 0 R 0 )= = =0.8952 P( R 0) 0. 4725

Solução P(erro)=P(T 1 R 0)+P(T 0 R1 ) =P(T 1 R 0)P(R 0)+P(T 0 R 1)P(R 1) =(1 P(T 0 R 0 ))P( R 0)+(1 P(T 1 R 1))P( R1 ) =(1 0. 8952)0. 4725+(1 0. 9488)0. 5275=. 0765