Escolar Documentos
Profissional Documentos
Cultura Documentos
16:44 prof.helios.ufrj@gmail.com 78
TEORIA DAS PROBABILIDADES
1.1 Conceitos Fundamentais: espaço amostral, eventos e probabilidade
1.2 Probabilidade: escolas clássica, frequencial e axiomática. Teoremas
1.3 Prob condicional; Teo da Prob Total; Bayes; Independência
VARIÁVEIS ALEATÓRIAS
2.1 Definição e classificação;
2.2 Funções de probab de densidade e de distribuição de probabilidade
2.3 Distribuições especiais
2.4 Variáveis aleatórias condicionais. Independência
2.5 Momentos
2.6 Extensão para vetores aleatórios.
PROCESSOS ESTOCÁSTICOS
3.1 Definição e conceitos básicos
3.2 Caracterização de processos estocásticos
3.3 Estacionariedade
3-4 Processos especiais: Markov, Gaussiano, Poisson
16:44 prof.helios.ufrj@gmail.com 79
2. VARIÁVEIS ALEATÓRIAS
O que são?
Aplicações?
16:44 prof.helios.ufrj@gmail.com 80
2.1 Variáveis Aleatórias - Definição
Exemplo: x( )=3
16:44 prof.helios.ufrj@gmail.com 81
2.1 Variáveis Aleatórias - Definição
Espaço Amostral
ou Espaço de Amostras
R
Ω
x x(ω) = a
Evento
A .
3
Resultado
ou ponto-amostra
ω
16:44 prof.helios.ufrj@gmail.com 82
2.1 Variáveis Aleatórias - Definição
16:44 prof.helios.ufrj@gmail.com 83
2.1 Variáveis Aleatórias - Definição
P({3, 4, 5}) = P(x ∈ [3, 5]) = 3/6
=1 3 4 6
5
= [3, 5]
=1 3 5
16:44 prof.helios.ufrj@gmail.com 84
2.1 Variáveis Aleatórias - Definição
16:44 prof.helios.ufrj@gmail.com 85
2.1 Variáveis Aleatórias - Definição
16:44 prof.helios.ufrj@gmail.com 86
2.1 Variáveis Aleatórias - Definição
Lançamento
de um dado:
P(x ≤ 4) = 4/6 ≥ 0
Se M > 6:
P(x = M) = 0
Se N < 1:
P(x = N) = 0
16:44 prof.helios.ufrj@gmail.com 87
Aula 7
16:44 prof.helios.ufrj@gmail.com 88
TEORIA DAS PROBABILIDADES
1.1 Conceitos Fundamentais: espaço amostral, eventos e probabilidade
1.2 Probabilidade: escolas clássica, frequencial e axiomática. Teoremas
1.3 Prob condicional; Teo da Prob Total; Bayes; Independência
VARIÁVEIS ALEATÓRIAS
2.1 Definição e classificação;
2.2 Funções de probab de densidade e de distribuição de probabilidade
2.3 Distribuições especiais
2.4 Variáveis aleatórias condicionais. Independência
2.5 Momentos
2.6 Extensão para vetores aleatórios.
PROCESSOS ESTOCÁSTICOS
3.1 Definição e conceitos básicos
3.2 Caracterização de processos estocásticos
3.3 Estacionariedade
3-4 Processos especiais: Markov, Gaussiano, Poisson
16:44 prof.helios.ufrj@gmail.com 89
2.2 Função Distribuição de Probabilid.
16:44 prof.helios.ufrj@gmail.com 90
2.2 Função Distribuição de Probabilid.
Exemplo: x = resultado do lançamento de um dado
Fx(0,8) = P(x ≤ 0,8) = 0
Fx(1,7) = P(x ≤ 1,7) = P{1} = 1/6
Fx(2,1) = P(x ≤ 2,1) = P{1,2} = 2/6
Fx(3,4) = P(x ≤ 3,4) = P{1,2,3} = 3/6
Fx(5,9) = P(x ≤ 5,9) = P{1, …, 5} = 5/6
Fx(6,1) = P(x ≤ 6,1) = P{1, …, 6} = 6/6
Propriedades:
Lim X +ꝏ Fx(X) = P(x ≤ +ꝏ) = 1
Lim X -ꝏ Fx(X) = P(x ≤ -ꝏ) = 0
P(a < x ≤ b) = Fx(b) - Fx(a)
16:44 prof.helios.ufrj@gmail.com 91
2.2 Função Distribuição de Probabilid.
Fx(1,7) = P(x ≤ 1,7) = 1/6 Fx(5,9) = P(x ≤ 5,9) = 5/6
16:44 prof.helios.ufrj@gmail.com 92
2.2 FDP de v.a. Discreta
A grosso modo:
Ω = {0, 1, 2, 3...} = N
16:44 prof.helios.ufrj@gmail.com 93
2.2 FDP de v.a. Discreta
No caso de variável aleatória discreta o espaço amostral é um conjunto
enumerável, i.e., é um conjunto de pontos isolados.
16:44 prof.helios.ufrj@gmail.com 94
2.2 FDP de v.a. Discreta
Como
Fx(a8) - Fx(a7) = P(x = a8)
Temos que:
16:44 prof.helios.ufrj@gmail.com 95
2.2 Função Distribuição de Probabilid.
16:44 prof.helios.ufrj@gmail.com 96
2.2 FDP ou FDA?
Pela definição de FDP: Fx(a) = P(x ≤ a)
16:44 prof.helios.ufrj@gmail.com 97
Aula 8
16:44 prof.helios.ufrj@gmail.com 98
2.2. FDP de v.a. Contínua
A grosso modo:
Ω = [0, ∞ ) = R+
16:44 prof.helios.ufrj@gmail.com 99
2.2. FDP de v.a. Contínua
Uma v.a. é dita contínua quando sua FDP é contínua (i.e., sem saltos) e
diferenciável, podendo não ser diferenciável apenas em pontos isolados.
Nível da represa
Energia disponível
Fx(a)
Fx(a - δ) P(x = a) = Fx(a) - Fx(a - δ)
a-δ
Quando ocorrem
essas v.a.’s mistas?
Fx(a)
Fx(a - δ) P(x = a) = Fx(a) - Fx(a - δ)
a-δ
F(Y) =
∫ [a, Y] px(X)dX
Y
Na mecânica, o elemento de massa dF(X) é o elemento de barra dX
multiplicado pela densidade px(X): dF(X) = px(X)dX
(i)
(iii)
Teorema. Fundamental
do Cálculo:
(iv) dF(X)/dX = px(X)
∫ [a, b] px(X)dX = F(b) – F(a)
= P(x ∈ (a, b])
discretização
v.a. Contínua v.a Discreta
interpolação
Discretizações usuais:
Tempo, espaço, massa... (precisão da medida)
Interpolações possíveis:
Cotações (Ibovespa, taxa de câmbio, taxa de juros...)
3/14/2023 110
Aula 9
Surgem em
situações
Distribuições especiais ou clássicas clássicas
X
Distribuições outras Surgem em
situações novas,
específicas
Distribuição Uniforme
Aplicação Real:
Casos em que se conhece apenas a faixa de valores possíveis (mínimo e
máximo) , sendo razoável afirmar que todos os valores nos intervalo
possuem chances similares de ocorrência (resultados equiprováveis).
0,14
0,12
0,10
0,2
0,15
0,1
0,05
0
1 2 3 4 5 6
Experimento de Bernoulli
Dois possíveis resultados:
P(Sucesso) = p P(Fracasso) = 1 – p
k k
n.p = 30 n.p = 60
k k
Distribuição Binomial
≠
9 sucessos em cada 10 tentativas
38,7%
N P 35,0%
10 38,7% 30,0%
20 28,5% 25,0%
30 23,6% 20,0%
40 20,6% 15,0%
50 18,5% 10,0%
5,0%
0,0%
10 20 30 40 50
N = 20 K = 0, 1, 2, …20
p = 0,1 p = 0,5 p = 0,8
Distribuição Multinomial
Experiência aleatória com M possíveis resultados
P(r1) = p1, P(r2) = p2, … P(rM) = pM
Probabilidade do resultado ri ocorrer Ki vezes em N repetições da
experiência: (K1 + K2 +…+ KM = N)
Distribuição Geométrica
Experiência aleatória com dois possíveis resultados:
Ex: Sucesso/Fracasso, Positivo/Negativo, Atinge/Erra, etc.
P(Sucesso) = p P(Fracasso) = 1 – p
Probabilidade de se ter sucesso só na K-ésima tentativa, i.e.,
fracassar nas K-1 tentativas iniciais e ter sucesso na tentativa K:
P(f f f ... f f f s)
K-1 falhas
P(x = K) = (1 – p)K-1 p
1,35%
0,47%
Distribuição de Pascal
Experiência aleatória com dois possíveis resultados:
Exemplo: Suponha que P(atingir alvo) = p (probabilidade de errar é 1 – p).
Interesse na probabilidade da ocorrência do kº erro ocorrer na nª tentativa:
P(n, k, p) = Cn-1, k-1 (1-p)k pn-k
Distribuição de Pascal
Exemplo:
Probabilidade de se atirar 80 vezes e que ocorra um 3º erro na 80ª
tentativa, sendo 5% a probabilidade de falha.
P(x = k) = λke-λ / k!
k = 0, 1, 2…
Ω = {0, 1, 2…} k
Distribuição de Poisson
Aplicações:
clientes demandando um serviço em determinado intervalo de tempo;
acidentes em uma determinada região;
embarcações que chegam a um porto em determinado período;
falhas em componentes por unidade de tempo;
requisições para um servidor em um intervalo de tempo; e
peças defeituosas substituídas durante o primeiro ano de um equipamento.
P(x = k) = λke-λ / k!
P(x = 0) = 50e-5 / 0! = e-5 = 0,0067 = 0,67%
P(x = 1) = 51e-5 / 1! = 5. e-5 = 0,0335 = 3,35%
λ=3 λ=5
3,35%
0,67%
λ=7 λ=9