Prob

UAlg . Paulo Batista Basílio .
Probabilidade
Probabilidade
Thursday, April 8, 2010

UAlg . Paulo Batista Basílio . Probabilidade
A teoria da probabilidade teve o seu início no século XVII,

em França, com dois grandes matemáticos: Blaise Pascal e
Pierre de Fermat, na procura de respostas aos problemas
colocados pelos jogos de fortuna e azar. Hoje em dia a
teoria desempenha um papel crescente em muitas áreas:
seguros, mercados, stocks, call-centers, etc.

Definição clássica: Relação entre o número de casos

favoráveis ao acontecimento e o número total de casos
possíveis, supondo todos os casos igualmente possíveis.
Lançamento ao acaso de uma moeda ‘perfeita’.
Casos possíveis: cara ou coroa.
Prob. cara = Prob. coroa = ½
Dois lançamentos consecutivos da mesma moeda. Qual a
probabilidade para que apareça uma cara?

Interpretação frequencista: A probabilidade de um
acontecimento pode ser medida através da observação da
frequência relativa do mesmo acontecimento num grande
conjunto de provas ou experiências, idênticas e independentes
(“lei dos grandes números”).
nN ( A ) A frequência relativa com a qual o

fN ( A ) =
N acontecimento A ocorre flutuará menos à
medida que o tempo passa, tenderá para o
limite à medida que N aumenta.

Espaço de resultados (Ω): Conjunto fundamental (não vazio)
formado por todos os resultados que é possível obter quando se
efectua a experiência (discreto ou contínuo).
Um gestor pretende analisar a evolução de determinado projecto

(e1=cedo, e2=no tempo, e3=tarde).
Ω = e1, e2, e3
Considerar 2 projectos.

Análise combinatória Simples

(Grupos sem repetição)
Arranjos n
Ap: número de grupos que se podem constituir com
p dos n elementos dados (todos diferentes), diferindo uns dos
outros quer pela ordem quer pela natureza.

n!
Ap = n n ! 1 n ! 2 ... n ! p + 1 =
n
( )( ) (
, com n " p. ! )
n!p ! ( )
Permutações Pn: número de grupos que se podem constituir
com todos os n elementos. ( )(

Pn = n n ! 1 n ! 2 ... 1 = n! !) ()
Combinações n
Cp: número de grupos que se podem constituir
com p dos n elementos dados diferindo uns dos outros pela

! n $ n!
natureza dos seus elementos. n
Cp = # &= , com n ( p. !
" p % (
n ' p !p! )

Análise combinatória Completa

(Grupos com repetição)
Arranjos:
n
Ap = n , com n ! p. !
p
Permutações: Pn = n ! n
Combinações: n
Cp =
( n + p ! 1)
, com n " p. !
(n ! 1)!p!
Com 5 cores diferentes, quantas bandeiras tricolores se

podem fabricar?

Axiomática
! ! P(!) = 1
! P(A) ! 0 !
! 0 " P(A) " 1 ! P(A"B) = P(A)+P(B) #A,B:A$B=
! P(#) = 0 %
! A e B são incompatíveis
!A!B !A!B Complementares A-B

! ! A
B
A A
! Relembrando as leis de Morgan

!

Análisep Combinatória Completa
. .
n
Ap = n , com
n
p
C =
(
n + pn !! 1p. ! ) , com n " p.
( n + (pn!!11)) !p!
UAlg Paulo Batista Basílio Probabilidade
p
Probabilidades Condicionadas:
n
Cp = , com n " p.
Pn (=nn! 1)!p!
n
Realização de um acontecimento A n se um acontecimento B já
Pn =! n
se realizou P(A|B) ≥ 0. ! !
! "#$%&%'(')&)*!+$,)'+'$,&)&!
Se A e B são incompatíveis então A não se realizará.
"#$%&%'(')&)*!+$,)'+'$,&)&!
!
Se A∩B≠0 então ! !
(
P A! B
A ! B)
( )
A P A| BP =
B P ( A| B ) =
(
, P B > 0. !
P B, P ( B ) > 0. !
) ( )
( )
P B ( )
!
Se A e B são independentes! então
-*!.!*!/!01$!',)*2*,)*,3*0!
( ) ( )
P A| B = P A e P B | A = P B ! ( ) ( )
P ( A ! B ) = P ( B ) P ( A) . !
!

Partição:
Seja o seguinte espaço amostral Ω = A1, A2, A3, A4
!
A2
A1
A3
A4
Diz-se que a classe de acontecimentos A1, A2, …, Am é uma

partição de Ω quando
1) Ai ∩ Aj = ∅ , i≠j
2) ∪∀i Ai = Ω

Teorema de Bayes:
Se {A1, A2, …, Am} é uma partição de Ω e se P(Ai) > 0, i=1,2,…,m
então dado qualquer acontecimento, B, com P(B) > 0 e

Variáveis aleatórias
Funções de Distribuição
F(x) = P(X ≤ x)
define uma função real de variável real a que se chama função

de distribuição da variável aleatória X.
A Função de Distribuição, F(x), dá por simples substituição, x=xo,
a probabilidade F(xo) de X assumir valor inferior ou igual a um
dado número real xo.
Teoremas
(1) 0 ≤ F(x) ≤ 1
(2) F(x) é não decrescente ∆x > 0 F(x) ≤ F(x+x)
(3) Dado x1 e x2 e x2 > x1 tem-se P(x1 < X ≤ x2) = F(x2) - F(x1)

Propriedades
(1) P(X ≤ x) = F(x) (por definição)
(2) P(X < x) = P(X ≤ x) - P(X = x)
(3) P(X > x) = 1- P(X ≤ x) = 1 - F(x)
(4) P(X ≥ x) = 1- P(X < x)
(5) P(x1 < X ≤ x2) = F(x2) - F(x1)
(6) P(x1 < X < x2) = P(x1 < X ≤ x2) - P(X = x2)
(7) P(x1 ≤ X < x2) = P(x1 < X < x2) + P(X = x1)
(8) P(x1 ≤ X ≤ x2) = P(x1 < X ≤ x2) + P(X = x1)

Variáveis Aleatórias Discretas
Função Probabilidade ou Distribuição de Probabilidade
f(x) ≥ 0
∑f(xi) = 1
F(x) = P(X≤x) = ∑ai<x f(ai)
X P(X)
Exemplo 1: 0 0.08 ! 0,08 0!x<1
1 0.17 0,25 1!x<2
Com base nos dados 2 0.25 0,5 2!x<3
do exemplo calcular: 3 0.17 F(x) = 0,67 3!x<4
0,88 4!x<5
F(2); P(0≤X<2); 4 0.21
0,96 5!x<6
5 0.08
1 x"6
6 0.04
1

Lançou-se uma moeda 6 vezes ao ar. Seja A o

acontecimento saída de cara. Admitamos
Exemplo 2:
a) os valores da variável aleatória

x1 = 0, x2 = 1, x3 = 2, x4 = 3, …, x7 = 6
b) as probabilidades correspondentes
x=0 P(X=0) = 0,016
x=1 P(X=1) = 0,094
x=2 P(X=2) =15/64 = 0,234
x=3 P(X=3) = 20/64 = 0,313

x=4 P(X=4) = 15/64 = 0,234
x=5 P(X=5) =6/64 = 0,094
x=6 P(X=6) = 1/64 = 0,016

0.36
Exemplo 2:
0.24
P(X)
0.12
0
0 1 2 3 4 5 6
X
!0 x<0
0,016 0!x<1
0,109 1!x<2
0,344 2!x<3
F(x) = 0,656 3!x<4
0,891 4!x<5
0,984 5!x<6
1 x"6

Variáveis Aleatórias Contínuas

Sendo X uma variável aleatória contínua, então
F(x) = P(X ≤ x) e P(X = x) = 0
Considere-se o intervalo [0, 6] a probabilidade

de sair o nº 4,567342… é muito próxima de 0.
Se X está entre -∞ e +∞, então:

A duração de vida útil, em milhares de horas, de uma

componente de dado aparelho de radar é uma variável
Exemplo 3: aleatória, X, com função densidade
!
Determinar a probabilidade de uma componente escolhida
ao acaso:
a) Durar menos de 4000 horas;
b) Durar entre 5000 e 10000 horas.

Valor Esperado ou Esperança Matemática - E(X)
Variáveis Discretas
Variáveis Contínuas
Propriedades
1. E(c) = c
2. E(c X) = c E(X)
3. E(X + Y) = E(X) + E(Y)

4. Se X e Y independentes
E(XY) = E(X)E(Y)
5. E(∑Xi) = ∑E(Xi)

Variância - V(X)
Variáveis Discretas
Variáveis Contínuas
Propriedades Desvio Padrão

1. V(c) = 0
2. V(X + c) = V(X)
3. V(cX) = c2 V(X)
4. V(X + Y) = V(X) + V(Y)
se X e Y independentes

Distribuições Discretas
1. Distribuição Uniforme
Representa experiências como o lançamento de um dado (N = 6) e

portanto f(x) = 1/6, para x = 1, 2, ..., 6. Em termos gráficos temos
0.7
f(x)
0
1 2 3 4 5 6
X
2. Distribuição Binomial ‣ JAVA Applet
Modelo probabilístico adequado para descrever os processos em que

se realizam repetidas provas de Bernoulli (sucessões de experiências
aleatórias independentes) em que:

P(A) = p (sucesso)
P(Ā) = 1 – p = q (insucesso)
X é o número de sucessos em N provas repetidas

Quando N = 1 obtemos a distribuição de Bernoulli
Qual a probabilidade para, em cinco lançamentos de um

dado “perfeito”, se obter duas vezes o valor seis?
Seja A a saída de seis e Ā o acontecimento contrário.
Exemplo 4:
p = P(A) = 1/6 e P(Ā) = 1 – p = 5/6
Saída de dois 6 em cinco lançamentos

AA Ā Ā Ā; A ĀA Ā Ā; A Ā Ā AĀ; A Ā Ā ĀA; Ā AA Ā Ā;
!
Ā A ĀA Ā; Ā A Ā ĀA; Ā Ā AA Ā; Ā Ā A ĀA; Ā Ā Ā AA.

3. Distribuição Hipergeométrica
Probabilidade de X sede um universo de M elementos forem retirados

amostras de N elementos sem reposição.
Mp + Mq = M
p + q = 1 e 0 < p < 1

Considere uma urna com 16 bolas verdes e 8 brancas.

Exemplo 5: Fazem-se 6 extracções, determine a probabilidade de
saírem 4 bolas verdes.
a) com reposição
b) sem reposição

4. Distribuição de Poisson ‣ JAVA Applet
Uma variável aleatória X, com função probabilidade
diz-se que tem distribuição de Poisson com parâmetro λ,
A distribuição de Poisson é um caso particular da distribuição Binomial em

que E(X) = n p = λ.
Quando n→∞ p→0 a distribuição Binomial converge para a de Poisson.

Sabendo que 5% dos alunos submetidos a uma prova de

estatística tiveram notas superiores a 15, determine a
Exemplo 6:
probabilidade de numa turma de 20 alunos, 3 terem nota
superior a 15.
a) através da distribuição Binomial
b) através da distribuição de Poisson
λ= Np = 20 ×1/20 = 1

Distribuições Contínuas
1. Distribuição Normal
Uma variável aleatória X com função densidade de probabilidade
diz-se que tem distribuição Normal com

parâmetros μ e σ (ou σ2).
!
‣ JAVA Applet

Distribuição Normal Reduzida ou Estandardizada
Se X ∼ N(μ, σ) então a variável tem distribuição N(0, 1).
Variável estandardizada.
E por conseguinte,
Tabela N(0, 1)

Probabilidade e Inferência Estatística
Um processo de amostragem conduz virtualmente a muitas amostras

diferentes:
Neste contexto, uma estatística é uma variável aleatória, T(X1, X2, …, Xn)
que não envolve qualquer parâmetro desconhecido. Portanto, a
representação apropriada será
onde X1, X2, ..., Xn são variáveis aleatórias, representando a amostra da

variável X (população).

1. Distribuição de Amostragem
É através da distribuição de amostragem que é introduzida a

probabilidade num procedimento estatístico e podemos inferir conclusões
para uma população a partir de resultados amostrais.
A distribuição da amostra traduz a estrutura da população de amostras

de dimensão n obtidas da população representada pela variável aleatória
X e é dada pela função densidade (função probabilidade) conjunta

Uma urna contém três bolas numeradas com os números 2,

4 e 6. Considerando que são extraídas, com reposição,
Exemplo 7: amostras de dimensão n = 2, a distribuição amostral da
média pode ser calculada da seguinte forma:
- A distribuição de probabilidade do universo é uma
distribuição discreta e uniforme, onde a probabilidade de
ser escolhida uma bola ao acaso é 1/3.
- O número total de amostras possíveis é 9.
Amostra 2, 4 2, 2 4, 2 2, 6 6, 6 6, 2 4, 6 4, 4 6, 4
3 2 3 4 6 4 5 4 5
- E por conseguinte,
!"$%!#
2 3 4 5 6
P 0.111 0.222 0.333 0.222 0.111
!"!!!#
&# $# '# %# (#

Teorema 1. Se (X1, X2, …, Xn) é uma amostra casual de população para a

qual existem média (para i =1, ..., n) então
Teorema do limite central. Dada a sucessão de variáveis aleatórias iid, X1,

X2, …, Xn com média μ e variância σ2, então, quando n → ∞, a função de
distribuição da variável aleatória,
Tende para uma função de distribuição N(0,1).

Corolário. Dada a sucessão de variáveis aleatórias iid, X1, X2, …, Xn com
média μ e variância σ2, então

Exemplo 7: A média do universo é
A variância
A média das médias das 9 amostras é igual a 4, ou

seja,
O desvio padrão das médias amostrais é igual a 1.155,

ou seja,

2. Intervalos de confiança
Se T1 e T2 são duas estatísticas cuja distribuição de probabilidade
depende de um parâmetro Θ e
então o intervalo aleatório (T1, T2) é um intervalo de confiança 100λ%.
3. Variáveis fulcrais
Para a média (μ)
(σ conhecido) (σ desconhecido)
Amostra grande

Para uma proporção (p)
Para uma variância (σ2)
Para a diferença de duas médias (μ1 - μ2)

(σ1 e σ2 conhecidos) (σ1 e σ2 desconhecidos, mas iguais)
Amostra grande (populações independentes com

variâncias finitas)

Para a diferença de duas proporções (p1 - p2)
Para o quociente entre duas variâncias

3. Ensaios de Hipóteses

Prob

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Prob

Загружено:

Авторское право:

Доступные форматы

UAlg . Paulo Batista Basílio .

Thursday, April 8, 2010

A teoria da probabilidade teve o seu início no século XVII,

Thursday, April 8, 2010

Definição clássica: Relação entre o número de casos

Thursday, April 8, 2010

Interpretação frequencista: A probabilidade de um

acontecimento pode ser medida através da observação da

frequência relativa do mesmo acontecimento num grande

conjunto de provas ou experiências, idênticas e independentes

(“lei dos grandes números”).

nN ( A ) A frequência relativa com a qual o

medida que o tempo passa, tenderá para o

limite à medida que N aumenta.

Thursday, April 8, 2010

Espaço de resultados (Ω): Conjunto fundamental (não vazio)

formado por todos os resultados que é possível obter quando se

efectua a experiência (discreto ou contínuo).

Um gestor pretende analisar a evolução de determinado projecto

Thursday, April 8, 2010

Análise combinatória Simples

p dos n elementos dados (todos diferentes), diferindo uns dos

outros quer pela ordem quer pela natureza.

com todos os n elementos. ( )(

com p dos n elementos dados diferindo uns dos outros pela

Thursday, April 8, 2010

Análise combinatória Completa

Com 5 cores diferentes, quantas bandeiras tricolores se

Thursday, April 8, 2010

! 0 " P(A) " 1 ! P(A"B) = P(A)+P(B) #A,B:A$B=

!A!B !A!B Complementares A-B

! Relembrando as leis de Morgan

Thursday, April 8, 2010

Thursday, April 8, 2010

Diz-se que a classe de acontecimentos A1, A2, …, Am é uma

Thursday, April 8, 2010

Se {A1, A2, …, Am} é uma partição de Ω e se P(Ai) > 0, i=1,2,…,m

então dado qualquer acontecimento, B, com P(B) > 0 e

Thursday, April 8, 2010

define uma função real de variável real a que se chama função

(3) Dado x1 e x2 e x2 > x1 tem-se P(x1 < X ≤ x2) = F(x2) - F(x1)

Thursday, April 8, 2010

(1) P(X ≤ x) = F(x) (por definição)

(2) P(X < x) = P(X ≤ x) - P(X = x)

(3) P(X > x) = 1- P(X ≤ x) = 1 - F(x)

(4) P(X ≥ x) = 1- P(X < x)

(5) P(x1 < X ≤ x2) = F(x2) - F(x1)

(8) P(x1 ≤ X ≤ x2) = P(x1 < X ≤ x2) + P(X = x1)

Thursday, April 8, 2010

Variáveis Aleatórias Discretas

Função Probabilidade ou Distribuição de Probabilidade

Thursday, April 8, 2010

Lançou-se uma moeda 6 vezes ao ar. Seja A o

a) os valores da variável aleatória

x=2 P(X=2) =15/64 = 0,234

x=3 P(X=3) = 20/64 = 0,313

x=5 P(X=5) =6/64 = 0,094

x=6 P(X=6) = 1/64 = 0,016

Thursday, April 8, 2010

Thursday, April 8, 2010

Variáveis Aleatórias Contínuas

Considere-se o intervalo [0, 6] a probabilidade

Thursday, April 8, 2010

A duração de vida útil, em milhares de horas, de uma