Escolar Documentos
Profissional Documentos
Cultura Documentos
e Funções de Probabilidade
Aula 3
Mario Thadeu Leme de Barros
Os diversos conceitos de Probabilidade
• Clássico
• Frequencialista
• Subjetivo
Na
P ( A) =
N
Outros Conceitos
Importantes:
• probabilidade a priori
• probabilidade posteriori
• subjetiva
Postulados
P ( A) ≥ 0
P (Ω) = 1
A1.....An são mutuamente excludentes
∞ ∞
P(U A i ) = ∑ P ( Ai )
i=1 i =1
Importante:
A é o evento complement ar de A
neste caso :
P ( A) = 1 − P ( A)
Permutação (alinhamento):
n objetos podem ser permutados em n! maneiras
Arranjo
n!
An ,r = (importa a ordem)
(n − r )!
n n!
Cn,r = r = (não importa a ordem)
r ! (n − r )!
Fórmulas para determinar o número de eventos
possíveis, dependendo do experimento
proposto
P ( A ou B ) = P ( A) + P (B ) − P ( A e B )
P ( A ∪ B ) = P ( A ) + P (B ) − P ( A ∩ B )
P ( A ∩ B ) = 0 (conjunto vazio)
Probabilidade Condicional
P(A ∩ B)
P(B/A) =
P(A)
Eventos Independen tes
se : P(A ∩ B) = P(A).P(B)
ou
P(B/A) = P(B)
ou seja, ocorre A e ele não afeta B
Atenção:
diferenciar os conceitos de independência e
de eventos mutuamente exclusivos!!!
Eventos Independentes não são Mutuamente
Exclusivos se P(A e B) ≠ 0
Eventos Mutuamente Exclusivos
P(A e B) = 0
Teorema de Bayes
n Probabilidade a Priori
Ω = UBj
j =1
P ( A / Bk ).P (Bk )
P (Bk / A) = n
∑ (P ( A / B ).P (B )
j =1
j j
Probabilidade Posteriori
Teorema das Probabilidades
Totais
∞
P ( A) = ∑ (P ( A / B j ).P (B j )
j =1
Alguns exercícios para praticar:
1.Um comitê de tamanho sete é escolhido entre seis homens,
sete mulheres e oito crianças. Qual a probabilidade do Comitê
conter:
a) dois homens, quatro mulheres e uma criança
b) dois homens
2. Uma urna contém 40 bolas brancas, 50 vermelhas e 60
pretas. Retire 20 bolas sem reposição. Qual a probabilidade de:
a) 10 brancas, 4 vermelhas e 6 pretas
b) 10 brancas
VAMOS AGORA REVER A
FORMULAÇÃO BÁSICA DA TEORIA
DE PROBABILIDADES OU SEJA
AS SUAS PRINCIPAIS FUNÇÕES
Formulação Básica
funções discretas
px ( x = x0 ) - função massa de probabilidade
Px ( x ≤ x0 ) - função acumulada discreta de probabilidade
x0
Px ( x ≤ x0 ) = ∑ p( x = x )
i = −∞
i
p( x0 ≤ x ≤ x1 ) = P ( x = x1 ) − P ( x = x0 ) = P ( x ≤ x1 ) − P ( x ≤ x0 )
funções contínuas
fx ( x ) - função densidade de probabilidade
Fx ( x0 ) - função acumulada de probabilidade
x0
Fx ( x0 ) = ∫ fx ( x ).dx = Fx ( x ≤ x0 )
−∞
x1
fx ( x0 ≤ x ≤ x1 ) = ∫ fx ( x ).dx = Fx ( x1 ) − Fx ( x0 )
x0
+∞
∫ f ( x ).dx = 1
−∞
x
x
Fx ( x ) = ∫ f ( x ).dx
−∞
x
dFx ( x )
fx ( x ) =
dx
+∞
condição de existência ∫ f (x) = 1
−∞
x
Distribuições Mistas
quando parte da variável aleatória é
discreta e parte e contínua: chuva diária,
nível de um reservatório (mínimo e
máximo)
Probabilidade Conjunta
Fxy ( X ,Y )
Fxy ( −∞, y ) = 0 e Fxy ( x,−∞ ) = 0
Fxy (∞, ∞ ) = 1
Fxy ( x, ∞ ) = P ( X ≤ x ) = Fx ( x ) Distribuição Marginal de x
Fxy (∞, y ) = P (Y ≤ y ) = Fy ( y ) Distribuição Marginal de y
∞
Fxy ( x, ∞ ) = ∑∑ P ( x , y
x i ≤ x j =1
i j )= ∑ P( x )
xi ≤ x
i
Probabilidade Condicional
fxy ( x, y )
f (Y / X = x ) =
fx ( x )
Variáveis Independentes
F xy (x , y ) = F x (x ).F y (y )
Transformação de Variáveis
y = ϕ (x )
fx ( x ).dx = g y ( y ).dy
ou
∂x
g y ( y ) = fx ( x ).
∂y
se y = ϕ ( x )
∂x
g y ( y ) = fx [ϕ −1
( y )].
∂y
vamos determinar a distribuição da variável :
−1
y = F x (x ) ou seja x = F x (y ) aplicando a fórmula anterior :
−1 dx
g y (y ) = f x (F x (y )).
dy
mas
dF x (x )
y = F x (x ) derivando dy = .dx = f x (x ).dx
dx
ou seja
dy
= f x (x ) substituindo na expressão acima
dx
dy dx
g y (y ) = . =1
dx dy
Problema
Tem - se F xy (x , y ) e quer - se determinar
G zw (z ,w ) sabendo que Z = ϕ1 (x , y ) e W = ϕ 2 (x , y )
Demonstra-se que:
onde
B região de x , y
B ,região de z ,w
g zw (z ,w ) = f [ψ 1 (z ,w ),ψ 2 (z ,w )]. J xy
zw
x = ψ 1 (z ,w )
y = ψ 2 (z ,w )
∂x ∂y ∂x ∂y
Jacobiano J xy = . − .
zw ∂ z ∂w ∂w ∂ z
Momentos
∞
E [x ] = ∫ x .f x (x ).dx
−∞
∞
E [ϕ (x )] = ∫ ϕ (x ).f x (x ).dx
−∞
cov( x, y )
ρ xy =
σ xσ y
− 1 ≤ ρ xy ≤ +1
Se duas variáveis forem independentes, a cov(x,y) é igual a
zero. A recíproca não é verdadeira!
Função Geratriz de Momentos
+∞
M x (t ) = E [e tx ] = ∫ e tx f x (x ).dx
−∞
µ 2, µ ,
M x (t ) = 1 + µ1,t + t 2 + ... + n t n ....
2! n!
G x ( t ) = E [t x ]
a derivada de ordem k dessa função :
Gxk (t ) = E [ x ( x − 1)...( x − k + 1)t x −k )]
para t = 1 E [ν k ] = momento fatorial
σ
Coeficiente de Variação S = x100(%)
µ
µ3
Assimetria
γ = 3
σ
µ4
Curtose C= 4
σ
1
P ( µ − kσ ≤ x ≤ µ + kσ ) ≥ 1 − 2
k
Supondo, por exemplo, k=2, 3/4 da massa de x cai dentro
de duas vezes o seu desvio-padrão.