Escolar Documentos
Profissional Documentos
Cultura Documentos
DETERMINÍSTICOS
MODELOS MATEMÁTICOS
PROBABILÍSTICOS
Exemplos :
• Lançamento de uma moeda F-C ao ar uma vez (
resultados possíveis : " SAI CARA " (F) ou " SAI COROA
" (C) ).
12
• Espaço amostral : S = { F, C }
• Espaço amostral : S = {1, 2, 3, …}
• Espaço amostral : S = {t : t ≥ 0 }
C F • CFF
F C • CFC
C F • CCF
C • CCC
_________________________
Árvore de resultados Diagrama de Venn
(utilizada na representação de resultados
de experiências sequenciais)
Acontecimento simples/composto
Acontecimento certo/impossível
14
•CCF
•FFF A1 •FCC
•FCF A2
•CFC •FFC •CFF •CCC
S A∪B A
A∪B - acontecimento que ocorrerá
B sse A ou B (ou ambos) ocorrerem
S A∩B A
A∩B - acontecimento que ocorrerá
B sse A e B ocorrerem
S A
A - acontecimento complementar
A de A em S, ocorrerá sse A não
ocorrer
Conceito de probabilidade
• Definição clássica
Se uma experiência aleatória tiver N resultados
mutuamente exclusivos e igualmente prováveis e se um
acontecimento A contiver NA desses resultados ( NA ≤
N), então a probabilidade do acontecimento A é dada
por :
N numero de casos favoraveis
P ( A) = A
N numero de casos possiveis
• Definição geométrica
Permite ultrapassar uma limitação da definição clássica
de probabilidade e que resulta do pressuposto de que o
número de resultados possíveis associados a cada
experiência aleatória é finito. Então vem que:
med A
P (A) =
med S
• Definição frequencista
No decurso de N repetições de uma experiência
aleatória, um acontecimento A ocorre NA vezes
(0≤NA≤N). A frequência relativa de ocorrência desse
acontecimento é:
N
fA = A
N
16
NA
P(A ) = lim fA = lim
N →∞ N →∞ N
• Definição axiomática
Baseia-se em propriedades resultantes das definições
anteriores e assenta nos três axiomas seguintes:
0 ≤ P(A) ≤ 1
P(S) = 1
P (A∪B) = P(A) + P(B) se A e B mutuamente exclusivos
Propriedades:
P(A) + P(A) = 1
P(∅) = 0
P (A∪B) = P(A) + P(B) − P(A∩B) para A e B quaisquer
A ⊂ B ⇒ P(A) ≤ P(B)
Métodos de enumeração
• Regra da multiplicação
n2
n1 n1.n2
n2
procedimento procedimento
1 2
17
• Regra da adição
procedim. 1 procedim. 2
n1 n2
n1 + n2
• Arranjos e Permutações
Considerem-se n elementos distintos. Pretende-se contar o
número de maneiras de escolher k elementos (0≤k≤n) de entre
esses n , considerando a sua ordem. Existem:
n!
A nk =
( n − k )!
Se k = n vem:
A nn = n ! = Pn
• Combinações
Considerem-se novamente n elementos distintos.O número de
maneiras de escolher k elementos (0≤k≤n) de entre esses n, sem
consider a sua ordem é:
n n!
Cnk = =
k k !( n − k ) !
em que n1 + n 2 + ⋯ + n k = n .
18
P( A ∩ B)
P ( A B) = (com P(B) > 0)
P( B)
ou
P( A ∩ B) = P( A B) ⋅ P( B)
Teorema de Bayes
B3
B1
A
B5
B2
B4
19
P( Bi ∩ A) P( A Bi ) P( Bi )
P( Bi A) = = n
P( A) ∑ i = 1 P( A Bi ) P( Bi )
O resultado :
P( A) = ∑ ni = 1 P( A Bi ) ⋅ P( Bi )
A = ( A ∩ B1 ) ∪ ( A ∩ B2 ) ∪ ⋯ ∪ ( A ∩ Bn )
Variáveis aleatórias
discreto → v. a . discreta
Contrado min io da aplicaçao
continuo → v. a . continua
20
S Rx
A B
s• • X(s)
X
Notação:
• X - variável aleatória
• x - valor que a variável aleatória assume
Função de probabilidade
pX (x) = P ( X = x )
p (x ) se x = xi
p X ( x) = X i
0 se x ≠ x i
Propriedades
• pX (xi) ≥ 0 , ∀i
• ∑ ni = 1 p X ( x i ) = 1
FX ( x ) = P ( X ≤ x ) = ∑ pX ( xk )
xk ≤ x
Propriedades
• FX ( x ) é monótona crescente
• FX (- ∞ ) = 0
• FX (+ ∞ ) = 1
• P ( a < X ≤ b) = FX ( b ) - FX ( a )
Nota:
pX (xj) = FX (xj) - FX (xj-1)
f X ( x ) : P( a ≤ X ≤ b ) = ∫ ab f X ( x ) dx
Propriedades
• fX (x) ≥ 0, ∀x∈ℜ
+∞
• ∫ −∞ fX ( x ) dx = 1
Nota:
FX ( x ) = P ( X ≤ x ) = ∫ −∞
x f
X ( u ) du
Propriedades
• FX (x) é monótona crescente :
x2 > x1 ⇒ FX (x2) ≥ FX (x1)
• FX (- ∞ ) = 0
• FX (+ ∞ ) = 1
• P ( a ≤ X ≤ b ) = FX ( b ) - FX ( a )
• FX (x) ≥ 0 , ∀x
d FX ( x )
• = fX ( x )
dx
23
VALOR ESPERADO
∞
E (X ) = ∑ x i ⋅ p X ( x i )
i=1
24
E ( X ) = ∫−+∞∞ x ⋅ f X ( x ) dx
∫−∞ x ⋅ f X ( x ) dx < ∞
+∞
E ( X ) = ∫ab x ⋅ f X ( x ) dx
26
i) E ( c ) = c
ii) E ( X − µ ) = 0
iii) E ( c ⋅ X ) = c ⋅ E ( X )
iv) E[g ( X ) + h ( X )] = E [g ( X )] + E [h ( X )]
v)Se g ( x ) ≤ h ( x ) para todo o x, então E [g ( X )] ≤ E [h ( X )]
vi) E ( a + b ⋅ X ) = a + b ⋅ E ( X )
vii) V ( X ) ≥ 0
viii) V ( X ) = 0 ⇒ X = µ . Nestas condições P ( X = µ ) = 1 e
X é uma variável pseudo-aleatória.
ix) V ( a + b ⋅ X ) = b 2 ⋅ V ( X ) ; σ a + b ⋅X = b ⋅ σ X
( ) ( )
x) V ( X ) = E X 2 − [E ( X )]2 = E X 2 − E 2 ( X )
xi) Se X é uma variável aleatória tal que E ( X ) = µ e
X−µ
V ( X ) = σ 2X então a variável aleatória Z = tem
σX
parâmetros E ( Z ) = 0 e V ( Z ) = 1.
G' (t ) =
d
dt
( ) (
E e t ⋅X = E X ⋅e t ⋅X )
e
G '' ( t ) =
d '
dt
(
G (t ) = E X2 ⋅e t ⋅X )
pelo que:
G ' (0 ) = E ( X )
e
( )
G '' ( 0 ) = E X 2
( r) dr
G (0 ) = r G ( t ) t = 0 = E X r ( ) , r≥1
dt
28
E [ h (x ) ]
P [ h (x ) ≥ C ] ≤ , ∀C > 0
C
E (X )
P [X ≥ C ] ≤ , ∀C > 0
C
e C = k ⋅σ
2 2
( k > 0), temos que:
P [ X − µ ≥ k ⋅σ ] ≤ 1
k2
ou de modo equivalente:
P [ X − µ < k ⋅ σ ] > 1 − 12
k
29
[
P X−µ ≥ C ] ≤
σ2
C
P[ X = µ ] = 1
( )
Esta mesma conclusão é obtida se E(X)=0 e E X 2 = 0
( )
uma vez que neste caso V ( X ) = E X 2 = 0 .