SlideShare uma empresa Scribd logo
Modelo de Probabilidade

Definição de Modelo de Probabilidade

           Valor médio e
       Variância Populacional
Modelo de Probabilidade
• É um modelo que descreve matematicamente
  um fenómeno aleatório em duas partes:
  primeiro, identifica os valores da variável
  aleatória e, em seguida, associa a cada um
  deles o valor da respetiva probabilidade. Cada
  uma destas probabilidades tem que estar
  entre 0 e 1 (ou 0% e 100%) e a soma de todas
  as probabilidades é 1 (ou 100%).
Modelo de Probabilidade
Experiência Aleatória – Identificação
do espaço de Resultados


    Correspondência entre os
    elementos do Espaço de resultados
    e um valor (quantitativo)

        Atribuição, a cada um dos valores
        anteriores, a respetiva
        probabilidade.
Exemplo:
X: “lançamento de duas moeda e observação das faces
voltadas para cima”

 E = {(N,N), (N,C), (C,N), (C,C)}



      Correspondência:
                “Número de faces N observadas”:
                          xi = 0, 1, 2



                    xi              0      1      2
                    pi              1/4   1/2     1/4
Valor Médio
e Variância Populacional

População         Amostra

                     Média
   Valor Médio
    E(X) ou           x

    Variância       Variância
   Populacional     Amostral
   Var(X) =   2     Var = s2
Valor Médio
 e Variância Populacional

População                  Amostra
      E(X) =     =                        xi         fi
                                x
                                          N
 =
        xi pi                        xi        fri


     Var(X) =    2=
                            Var = s2 =
 =     pi ( xi        )2    =       fri ( xi x)           2
Exemplo:
X: “lançamento de duas moeda e observação das faces
voltadas para cima”

       xi                      0          1          2

       pi                      1/4        1/2        1/4


                                       1   1   1
   E(X) =    =         xi       pi   0   1   2   1
                                       4   2   4
    Var(X) =      2=

                           2     1     2 1     2 1    2
        pi ( xi        )           0 1     1 1     2 1 0,5
                                 4       2       4
            0,5 0,707
Modelo de Probabilidade

Modelos discretos/Modelos contínuos
 Modelos finitos/Modelos infinitos
Modelo Discreto
• Associado a uma variável aleatória discreta.
  – Exemplos:
     • N.º de faces Nacionais observadas no lançamento de
       duas moedas (modelo finito);
     • N.º de telefonemas atendidos por hora na central
       telefónica da EBSO (modelo infinito – modelo de
       Poisson).
Modelo Contínuo
• Associado a uma variável aleatória contínua.
  – Exemplos:
     • Tempo até ser atendido na fila supermercado (modelo
       infinito – modelo Exponencial);
     • Duração de um anuncio publicitário (modelo infinito –
       modelo Uniforme);
     • Altura dos rapazes aos 18 anos (modelo infinito –
       modelo normal).
Modelos finitos e
                                       Modelos infinitos
                                                      Modelos




Finitos - Definidos com auxílio de diagramas ou               Infinitos – Funções obtidas por modelação. Podem
observações. Apresentam-se em tabelas.                        apresentar-se por meio de uma expressão algébrica.
É o caso do modelo trabalhado anteriormente.




                                                  Discretos                                                        Contínuos




                  Uniforme            Poisson             Geométrico           Binomial           Uniforme          Exponencial   Normal
Modelos teóricos (infinitos)
• Modelos discretos:
   – Modelo uniforme – todos os acontecimentos do espaço
     têm a mesma probabilidade.
   – Modelo de Poisson – determina a probabilidade se
     observarem um determinado número de vezes um dado
     acontecimento de uma experiência num determinado
     período de tempo.
   – Modelo Geométrico – determina a probabilidade de o
     número de realizações de dada experiência até se obter
     um valor dado ser igual a k.
   – Modelo Binomial – Determina a probabilidade de, em n
     repetições de uma certa experiência em iguais
     condições, se observar exactamente k vezes o
     acontecimento xi.
Modelos teóricos (infinitos)
• Modelos contínuos:
  – Modelo Uniforme – a probabilidade distribui-se de
    igual forma num dado intervalo de tempo.
  – Modelo Exponencial – determina a probabilidade de o
    tempo de espera para a realização de dado
    acontecimento se situar num determinado intervalo.
  – Modelo Normal – Modela a maioria das distribuições
    contínuas e aproxima de forma adequada as
    distribuições discretas quando o número de
    realizações da experiência que lhes está associada é
    grande (>20).
Modelos teóricos (infinitos)
• Para cada uma das variáveis aleatórias
  caracterizadas pelos modelos referidos vamos
  estudar:
  – A Expressão do modelo (se X …, então,
    P(X=k)=…)
  – O valor médio (E(X)= =…)
  – A variância e o desvio padrão populacional
    (Var(X)=… e =…)
  – Como usar a calculadora para calcular
    probabilidades com base em cada um dos
    modelos.
Modelos infinitos discretos:
          Modelo Uniforme
• Seja X uma variável aleatória cujo o espaço de
  resultados é composto por n acontecimentos
  elementares equiprováveis. Então:
  – X U (n) e P(X=k) = 1/n
  – O valor médio (E(X)= = média entre o maior e o
    menor valor da v.a.)
  – A variância e o desvio padrão populacional
    calculam-se usando as listas e o “varstat” do menu
    STAT da calculadora.
Modelos infinitos discretos:
            Modelo de Poisson
• Seja X uma variável aleatória que descreve o número
  de realizações de um dado acontecimento num
  determinado período de tempo, sobre a qual se sabe
  que a média de realizações é . Então, X é modelada
  por uma distribuição de Poisson:
                                k
  –X    P( ) e P(X=k) = e           , k   0, 1, 2, 3,...
                               k!
  – O valor médio é E(X)= =
  – A variância é Var(X)=
  – Calculadora: Seja X P(5); então, P(X=6) = 0,146
    (2nd/distr/poissonpdf(5,6)/enter); P(2≤X≤6) = P(X ≤ 6)-P(X
    ≤1) = 0.7621-0.0404 =0.7217 (poissoncdf(5,6)-
    poissoncdf(5,1)/enter)
Modelos infinitos discretos:
            Modelo Geométrico
• Seja X uma variável aleatória que modela o número de
  repetições de uma determinada experiência necessárias
  até que se obtenha o resultado xi, em que a probabilidade
  de ocorrer xi é p (entre 0 e 1) e de não ocorrer é 1-p.
  Então, X é modelada por uma distribuição Geométrica de
  parâmetro p:
   –X    Geom(p) e P(X=k)(1 p)k
                          =         1
                                        p
   – O valor médio é E(X)= = 1/p
   – A variância é Var(X)= (1-p)/p2
   – Calculadora: Seja X Geom(0.3); então, P(X=6) = 0.75x0.3 =
     0.05 (ou 2nd/distr/Geometpdf(0.3,6)/enter); P(2≤X≤6) = P(X ≤
     6)-P(X ≤1) = Geometcdf(0.3,6)-Geometcdf(0.3,1)/enter=0.5824
Modelos infinitos discretos:
              Modelo Binomial
• Seja X uma variável aleatória que modela a
  probabilidade de um acontecimento xi se realizar k
  vezes em n realizações de uma dada experiência. A
  probabilidade de xi é p (entre 0 e 1) e de não acontecer
  xi é q = 1-p. Então, X é modelada por uma distribuição
  Binomial de parâmetros n e p:
         Bi(n,p) e P(X=k) = Ckn p k (1 p)n     k
   –X

   – O valor médio é E(X)= = n x p
   – A variância é Var(X)= n x p x (1- p) = n x p x q
   – Calculadora: Seja X Bi(5, 0.3); então, P(X=3) = 0.1323
     (2nd/distr/Binompdf(5,0.3,3)/enter); P(2≤X≤4) = P(X ≤ 4)-P(X
     ≤1) = Binomcdf(5,0.3,4)-Binomcdf(5,0.3,1)/enter=0.4694
Modelos infinitos contínuos
• Um modelo de probabilidades diz-se contínuo se
  lhe está associada uma v. a. Contínua. Neste caso, o
  domínio do modelo será o intervalo ou intervalos
  onde está definida a variável. À função modelo
  chamamos função densidade e o seu gráfico situa-
  se completamente acima do eixo dos xx.
Modelos discretos vs Modelos contínuos

 Discretos                             Contínuos
                                                   Área total
             Soma das
                                                   compreendida entre o
             probabilidades
                                                   gráfico da função
             associadas a cada valor
                                                   densidade e o eixo dos
             da v.a. é 1
                                                   xx é 1


                                                   P(a≤X≤b) = área
                                                   compreendida entre o
             P(a≤X≤b) = P(X=a) +
                                                   gráfico e o eixo dos xx
             P(X=a+1) + (…) +
                                                   na barra
             P(X=b)
                                                   correspondente ao
                                                   intervalo [a , b].
Modelos infinitos contínuos:
             Modelo Uniforme
• Associado a v.a. contínuas que se encontram
  uniformemente distribuídas num intervalo [a,b], isto
  é, uma v.a. em que, dados quaisquer dois valores do
  intervalo, a probabilidade que lhes está associada é
  exatamente a mesma. Seja X uma v.a. Uniforme em
  [a,b]. Então:
                                  d c
  –X    U[a,b]   e P(c ≤ X ≤ d) =     , a   c d   b
                                  b a
  (área do retângulo de lados d-c e b-a)

  – O valor médio é E(X)= = (a+b)/2
  – Obs.: P(a ≤ X ≤ b) = 1.
Modelos infinitos contínuos:
              Modelo Exponencial
• Seja X uma variável aleatória que modela a probabilidade de
  o tempo de espera (entre chegadas numa fila de
  espera, entre falhas num dispositivo eletrónico, entre
  chegadas de um pedido a um servidor de Internet, etc.) se
  situar num dado intervalo, então X é modelada por uma
  distribuição Exponencial de parâmetro :
   –X    Exp( ) e P(a ≤ X ≤ b) =e    a
                                         e   b


   – O valor médio é E(X)= =1/

   – Não existe esta distribuição na calculadora. Assim, seja
     X Exp(0.2) (significa que, por exemplo, o tempo médio de
     espera é 1/0.2 = 5); e 0.2 2 P(2 0.2X6≤ 6) .369
                          então, e ≤          0=
Modelos infinitos contínuos:
              Modelo Normal
• Baseia-se na distribuição Normal, que é a mais
  importante distribuição contínua, já estudada no
  10.º ano (características no manual).
• Se X N( , ), então:
  – O valor médio é E(X)=
  – A variância é Var(X)= 2;
  – é o desvio-padrão populacional
  – Calculadora: P(a≤X≤b) = normalcdf(a,b, , ).
    Exemplo:
    Seja X N(5, 0.7); então, P(4≤X≤6) = normalcdf(4,6,5,0.7)=0.8469

Mais conteúdo relacionado

Mais procurados

Falácias
FaláciasFalácias
Falácias
Isabel Moura
 
Uma análise da obra amor de perdição de
Uma análise da obra amor de perdição deUma análise da obra amor de perdição de
Uma análise da obra amor de perdição de
Fernanda Pantoja
 
Capítulo V Sermão Santo António aos Peixes Padre António Vieira
Capítulo V Sermão Santo António aos Peixes Padre António VieiraCapítulo V Sermão Santo António aos Peixes Padre António Vieira
Capítulo V Sermão Santo António aos Peixes Padre António Vieira
Alexandra Madail
 
Lógica Proposicional
Lógica ProposicionalLógica Proposicional
Lógica Proposicional
Joaquim Duarte
 
Esquema de Sermão de Santo António aos Peixes - Português 11 ano
Esquema de Sermão de Santo António aos Peixes - Português 11 anoEsquema de Sermão de Santo António aos Peixes - Português 11 ano
Esquema de Sermão de Santo António aos Peixes - Português 11 ano
ericahomemmelo
 
Camões Lírico (10.ºano/Português)
Camões Lírico (10.ºano/Português)Camões Lírico (10.ºano/Português)
Camões Lírico (10.ºano/Português)
Dina Baptista
 
Resumo de macs
Resumo de macsResumo de macs
Resumo de macs
Ebimontargil Pte
 
O empirismo de david hume
O empirismo de david humeO empirismo de david hume
O empirismo de david hume
Joana Filipa Rodrigues
 
Fernando Pessoa-Ortónimo
Fernando Pessoa-OrtónimoFernando Pessoa-Ortónimo
Fernando Pessoa-Ortónimo
Margarida Rodrigues
 
Resumos filosofia 11
Resumos filosofia 11Resumos filosofia 11
Resumos filosofia 11
Dylan Bonnet
 
Sermão aos peixes cap. i
Sermão aos peixes   cap. iSermão aos peixes   cap. i
Sermão aos peixes cap. i
ameliapadrao
 
Geografia A 10 ano - População
Geografia A 10 ano - PopulaçãoGeografia A 10 ano - População
Geografia A 10 ano - População
Raffaella Ergün
 
Resumo de matéria de História 10º ano
Resumo de matéria de História 10º anoResumo de matéria de História 10º ano
Resumo de matéria de História 10º ano
jorgina8
 
As cantigas de amigo
As cantigas de amigoAs cantigas de amigo
As cantigas de amigo
Helena Coutinho
 
O racionalismo de Descartes
O racionalismo de DescartesO racionalismo de Descartes
O racionalismo de Descartes
Joana Filipa Rodrigues
 
Cesário verde
Cesário verdeCesário verde
Cesário verde
ameliapadrao
 
Gil vicente, farsa de inês pereira
Gil vicente, farsa de inês pereiraGil vicente, farsa de inês pereira
Gil vicente, farsa de inês pereira
David Caçador
 
DESCARTES 11ANO
DESCARTES 11ANODESCARTES 11ANO
DESCARTES 11ANO
Beatriz Cruz
 
Geografia A 11 ano - Áreas Urbanas
Geografia A 11 ano - Áreas UrbanasGeografia A 11 ano - Áreas Urbanas
Geografia A 11 ano - Áreas Urbanas
Raffaella Ergün
 
Sermão de Santo António aos Peixes
Sermão de Santo António aos PeixesSermão de Santo António aos Peixes
Sermão de Santo António aos Peixes
Paula Oliveira Cruz
 

Mais procurados (20)

Falácias
FaláciasFalácias
Falácias
 
Uma análise da obra amor de perdição de
Uma análise da obra amor de perdição deUma análise da obra amor de perdição de
Uma análise da obra amor de perdição de
 
Capítulo V Sermão Santo António aos Peixes Padre António Vieira
Capítulo V Sermão Santo António aos Peixes Padre António VieiraCapítulo V Sermão Santo António aos Peixes Padre António Vieira
Capítulo V Sermão Santo António aos Peixes Padre António Vieira
 
Lógica Proposicional
Lógica ProposicionalLógica Proposicional
Lógica Proposicional
 
Esquema de Sermão de Santo António aos Peixes - Português 11 ano
Esquema de Sermão de Santo António aos Peixes - Português 11 anoEsquema de Sermão de Santo António aos Peixes - Português 11 ano
Esquema de Sermão de Santo António aos Peixes - Português 11 ano
 
Camões Lírico (10.ºano/Português)
Camões Lírico (10.ºano/Português)Camões Lírico (10.ºano/Português)
Camões Lírico (10.ºano/Português)
 
Resumo de macs
Resumo de macsResumo de macs
Resumo de macs
 
O empirismo de david hume
O empirismo de david humeO empirismo de david hume
O empirismo de david hume
 
Fernando Pessoa-Ortónimo
Fernando Pessoa-OrtónimoFernando Pessoa-Ortónimo
Fernando Pessoa-Ortónimo
 
Resumos filosofia 11
Resumos filosofia 11Resumos filosofia 11
Resumos filosofia 11
 
Sermão aos peixes cap. i
Sermão aos peixes   cap. iSermão aos peixes   cap. i
Sermão aos peixes cap. i
 
Geografia A 10 ano - População
Geografia A 10 ano - PopulaçãoGeografia A 10 ano - População
Geografia A 10 ano - População
 
Resumo de matéria de História 10º ano
Resumo de matéria de História 10º anoResumo de matéria de História 10º ano
Resumo de matéria de História 10º ano
 
As cantigas de amigo
As cantigas de amigoAs cantigas de amigo
As cantigas de amigo
 
O racionalismo de Descartes
O racionalismo de DescartesO racionalismo de Descartes
O racionalismo de Descartes
 
Cesário verde
Cesário verdeCesário verde
Cesário verde
 
Gil vicente, farsa de inês pereira
Gil vicente, farsa de inês pereiraGil vicente, farsa de inês pereira
Gil vicente, farsa de inês pereira
 
DESCARTES 11ANO
DESCARTES 11ANODESCARTES 11ANO
DESCARTES 11ANO
 
Geografia A 11 ano - Áreas Urbanas
Geografia A 11 ano - Áreas UrbanasGeografia A 11 ano - Áreas Urbanas
Geografia A 11 ano - Áreas Urbanas
 
Sermão de Santo António aos Peixes
Sermão de Santo António aos PeixesSermão de Santo António aos Peixes
Sermão de Santo António aos Peixes
 

Semelhante a Modelos de probabilidade

Variaveis+aleatorias
Variaveis+aleatoriasVariaveis+aleatorias
Variaveis+aleatorias
Fagner Talles
 
Modulo 4
Modulo 4Modulo 4
Modulo 4
FernandoMLagos
 
Probabilidade e estatística - Variáveis Aleatórias
Probabilidade e estatística - Variáveis AleatóriasProbabilidade e estatística - Variáveis Aleatórias
Probabilidade e estatística - Variáveis Aleatórias
Lucas Vinícius
 
Aula 8 variáveis aleatória contínua - parte 1
Aula 8   variáveis aleatória contínua - parte 1Aula 8   variáveis aleatória contínua - parte 1
Aula 8 variáveis aleatória contínua - parte 1
Ariel Rennó Chaves
 
Sistemas dinâmicos caóticos [com minha participação]
Sistemas dinâmicos caóticos [com minha participação]Sistemas dinâmicos caóticos [com minha participação]
Sistemas dinâmicos caóticos [com minha participação]
Elton Ribeiro da Cruz
 
Apostila 2 calculo i derivadas
Apostila 2 calculo i derivadasApostila 2 calculo i derivadas
Apostila 2 calculo i derivadas
trigono_metrico
 
Regressao linear multipla
Regressao linear multiplaRegressao linear multipla
Regressao linear multipla
aniziorochaaraujo
 
Formulario estatistica descritiva univariada e bivariava 2013
Formulario estatistica descritiva univariada e bivariava  2013Formulario estatistica descritiva univariada e bivariava  2013
Formulario estatistica descritiva univariada e bivariava 2013
Pedro Casquilho
 
[Robson] 1. Programação Linear
[Robson] 1. Programação Linear[Robson] 1. Programação Linear
[Robson] 1. Programação Linear
lapodcc
 
Calculo1 aula04
Calculo1 aula04Calculo1 aula04
Calculo1 aula04
Cleide Soares
 
Calculo1 aula04
Calculo1 aula04Calculo1 aula04
Calculo1 aula04
Élica Dias
 
Probabilidades - parte 4 (ISMT)
Probabilidades - parte 4 (ISMT)Probabilidades - parte 4 (ISMT)
Probabilidades - parte 4 (ISMT)
João Leal
 
Calculo1 aula07
Calculo1 aula07Calculo1 aula07
Calculo1 aula07
Élica Dias
 
Calculo1 aula07
Calculo1 aula07Calculo1 aula07
Calculo1 aula07
Cleide Soares
 
Aula 9 variáveis aleatória contínua - parte 2
Aula 9   variáveis aleatória contínua - parte 2Aula 9   variáveis aleatória contínua - parte 2
Aula 9 variáveis aleatória contínua - parte 2
Ariel Rennó Chaves
 
Funcoes Exponenciais
Funcoes ExponenciaisFuncoes Exponenciais
Funcoes Exponenciais
Antonio Carneiro
 
Distribuições amostragem
Distribuições amostragemDistribuições amostragem
Distribuições amostragem
Antonio Simoes
 
Inferência para cadeias de markov
Inferência para cadeias de markovInferência para cadeias de markov
Inferência para cadeias de markov
Universidade Federal Fluminense
 
Matematica2 3
Matematica2 3Matematica2 3
Matematica2 3
Débora Bastos
 
Revisaoestatistica
RevisaoestatisticaRevisaoestatistica
Revisaoestatistica
Fernando Correia
 

Semelhante a Modelos de probabilidade (20)

Variaveis+aleatorias
Variaveis+aleatoriasVariaveis+aleatorias
Variaveis+aleatorias
 
Modulo 4
Modulo 4Modulo 4
Modulo 4
 
Probabilidade e estatística - Variáveis Aleatórias
Probabilidade e estatística - Variáveis AleatóriasProbabilidade e estatística - Variáveis Aleatórias
Probabilidade e estatística - Variáveis Aleatórias
 
Aula 8 variáveis aleatória contínua - parte 1
Aula 8   variáveis aleatória contínua - parte 1Aula 8   variáveis aleatória contínua - parte 1
Aula 8 variáveis aleatória contínua - parte 1
 
Sistemas dinâmicos caóticos [com minha participação]
Sistemas dinâmicos caóticos [com minha participação]Sistemas dinâmicos caóticos [com minha participação]
Sistemas dinâmicos caóticos [com minha participação]
 
Apostila 2 calculo i derivadas
Apostila 2 calculo i derivadasApostila 2 calculo i derivadas
Apostila 2 calculo i derivadas
 
Regressao linear multipla
Regressao linear multiplaRegressao linear multipla
Regressao linear multipla
 
Formulario estatistica descritiva univariada e bivariava 2013
Formulario estatistica descritiva univariada e bivariava  2013Formulario estatistica descritiva univariada e bivariava  2013
Formulario estatistica descritiva univariada e bivariava 2013
 
[Robson] 1. Programação Linear
[Robson] 1. Programação Linear[Robson] 1. Programação Linear
[Robson] 1. Programação Linear
 
Calculo1 aula04
Calculo1 aula04Calculo1 aula04
Calculo1 aula04
 
Calculo1 aula04
Calculo1 aula04Calculo1 aula04
Calculo1 aula04
 
Probabilidades - parte 4 (ISMT)
Probabilidades - parte 4 (ISMT)Probabilidades - parte 4 (ISMT)
Probabilidades - parte 4 (ISMT)
 
Calculo1 aula07
Calculo1 aula07Calculo1 aula07
Calculo1 aula07
 
Calculo1 aula07
Calculo1 aula07Calculo1 aula07
Calculo1 aula07
 
Aula 9 variáveis aleatória contínua - parte 2
Aula 9   variáveis aleatória contínua - parte 2Aula 9   variáveis aleatória contínua - parte 2
Aula 9 variáveis aleatória contínua - parte 2
 
Funcoes Exponenciais
Funcoes ExponenciaisFuncoes Exponenciais
Funcoes Exponenciais
 
Distribuições amostragem
Distribuições amostragemDistribuições amostragem
Distribuições amostragem
 
Inferência para cadeias de markov
Inferência para cadeias de markovInferência para cadeias de markov
Inferência para cadeias de markov
 
Matematica2 3
Matematica2 3Matematica2 3
Matematica2 3
 
Revisaoestatistica
RevisaoestatisticaRevisaoestatistica
Revisaoestatistica
 

Último

Mini livro sanfona - Minha Escola Tem História.
Mini livro  sanfona - Minha Escola Tem História. Mini livro  sanfona - Minha Escola Tem História.
Mini livro sanfona - Minha Escola Tem História.
Mary Alvarenga
 
FILMES DE ABRIL_BECRE D. CARLOS I_2023_24
FILMES DE ABRIL_BECRE D. CARLOS I_2023_24FILMES DE ABRIL_BECRE D. CARLOS I_2023_24
FILMES DE ABRIL_BECRE D. CARLOS I_2023_24
Sandra Pratas
 
Slides Lição 3, CPAD, Rute e Noemi, Entrelaçadas pelo Amor.pptx
Slides Lição 3, CPAD, Rute e Noemi, Entrelaçadas pelo Amor.pptxSlides Lição 3, CPAD, Rute e Noemi, Entrelaçadas pelo Amor.pptx
Slides Lição 3, CPAD, Rute e Noemi, Entrelaçadas pelo Amor.pptx
LuizHenriquedeAlmeid6
 
apresentação metodologia terapia ocupacional
apresentação metodologia terapia ocupacionalapresentação metodologia terapia ocupacional
apresentação metodologia terapia ocupacional
shirleisousa9166
 
Auxiliar Adolescente 2024 3 trimestre 24
Auxiliar Adolescente 2024 3 trimestre 24Auxiliar Adolescente 2024 3 trimestre 24
Auxiliar Adolescente 2024 3 trimestre 24
DirceuSilva26
 
Caça-palavras e cruzadinha - Encontros consonantais.
Caça-palavras e cruzadinha -  Encontros consonantais.Caça-palavras e cruzadinha -  Encontros consonantais.
Caça-palavras e cruzadinha - Encontros consonantais.
Mary Alvarenga
 
Noite Alva! José Ernesto Ferraresso.ppsx
Noite Alva! José Ernesto Ferraresso.ppsxNoite Alva! José Ernesto Ferraresso.ppsx
Noite Alva! José Ernesto Ferraresso.ppsx
Luzia Gabriele
 
Estudo Infantil - MISSÕES NACIONAIS - IGREJA BATISTA
Estudo Infantil - MISSÕES NACIONAIS - IGREJA BATISTAEstudo Infantil - MISSÕES NACIONAIS - IGREJA BATISTA
Estudo Infantil - MISSÕES NACIONAIS - IGREJA BATISTA
deboracorrea21
 
Slides Lição 2, Betel, A Igreja e a relevância, para a adoração verdadeira no...
Slides Lição 2, Betel, A Igreja e a relevância, para a adoração verdadeira no...Slides Lição 2, Betel, A Igreja e a relevância, para a adoração verdadeira no...
Slides Lição 2, Betel, A Igreja e a relevância, para a adoração verdadeira no...
LuizHenriquedeAlmeid6
 
Texto e atividade - O que fazemos com a água que usamos.
Texto e atividade -  O que fazemos com a água que usamos.Texto e atividade -  O que fazemos com a água que usamos.
Texto e atividade - O que fazemos com a água que usamos.
Mary Alvarenga
 
Folha de Atividades (Virei Super-Herói! Projeto de Edição de Fotos) com Grade...
Folha de Atividades (Virei Super-Herói! Projeto de Edição de Fotos) com Grade...Folha de Atividades (Virei Super-Herói! Projeto de Edição de Fotos) com Grade...
Folha de Atividades (Virei Super-Herói! Projeto de Edição de Fotos) com Grade...
marcos oliveira
 
Licao de adultos Topico 1 CPAD edit.pptx
Licao de adultos Topico 1 CPAD edit.pptxLicao de adultos Topico 1 CPAD edit.pptx
Licao de adultos Topico 1 CPAD edit.pptx
jetroescola
 
História das ideias pedagógicas no Brasil - Demerval Saviani.pdf
História das ideias pedagógicas no Brasil - Demerval Saviani.pdfHistória das ideias pedagógicas no Brasil - Demerval Saviani.pdf
História das ideias pedagógicas no Brasil - Demerval Saviani.pdf
LeideLauraCenturionL
 
Planejamento_Anual_Ensino_Fundamental_2020.docx
Planejamento_Anual_Ensino_Fundamental_2020.docxPlanejamento_Anual_Ensino_Fundamental_2020.docx
Planejamento_Anual_Ensino_Fundamental_2020.docx
marcos oliveira
 
A perspectiva colaborativa e as novas práticas de inclusão. (1).pptx
A perspectiva colaborativa e as novas práticas de inclusão. (1).pptxA perspectiva colaborativa e as novas práticas de inclusão. (1).pptx
A perspectiva colaborativa e as novas práticas de inclusão. (1).pptx
marcos oliveira
 
As Ideias Têm Consequências - Richard M. Weaver
As Ideias Têm Consequências - Richard M. WeaverAs Ideias Têm Consequências - Richard M. Weaver
As Ideias Têm Consequências - Richard M. Weaver
C4io99
 
Caça - palavras e cruzadinha com dígrafos
Caça - palavras  e cruzadinha   com  dígrafosCaça - palavras  e cruzadinha   com  dígrafos
Caça - palavras e cruzadinha com dígrafos
Mary Alvarenga
 
farmacologia-segura-em-mapas-mentais-reduzindo-os-riscos-da-terapeutica-24040...
farmacologia-segura-em-mapas-mentais-reduzindo-os-riscos-da-terapeutica-24040...farmacologia-segura-em-mapas-mentais-reduzindo-os-riscos-da-terapeutica-24040...
farmacologia-segura-em-mapas-mentais-reduzindo-os-riscos-da-terapeutica-24040...
AngelicaCostaMeirele2
 
Slide | Eurodeputados Portugueses (2024-2029) - Parlamento Europeu (atualiz. ...
Slide | Eurodeputados Portugueses (2024-2029) - Parlamento Europeu (atualiz. ...Slide | Eurodeputados Portugueses (2024-2029) - Parlamento Europeu (atualiz. ...
Slide | Eurodeputados Portugueses (2024-2029) - Parlamento Europeu (atualiz. ...
Centro Jacques Delors
 

Último (20)

Mini livro sanfona - Minha Escola Tem História.
Mini livro  sanfona - Minha Escola Tem História. Mini livro  sanfona - Minha Escola Tem História.
Mini livro sanfona - Minha Escola Tem História.
 
FILMES DE ABRIL_BECRE D. CARLOS I_2023_24
FILMES DE ABRIL_BECRE D. CARLOS I_2023_24FILMES DE ABRIL_BECRE D. CARLOS I_2023_24
FILMES DE ABRIL_BECRE D. CARLOS I_2023_24
 
Slides Lição 3, CPAD, Rute e Noemi, Entrelaçadas pelo Amor.pptx
Slides Lição 3, CPAD, Rute e Noemi, Entrelaçadas pelo Amor.pptxSlides Lição 3, CPAD, Rute e Noemi, Entrelaçadas pelo Amor.pptx
Slides Lição 3, CPAD, Rute e Noemi, Entrelaçadas pelo Amor.pptx
 
apresentação metodologia terapia ocupacional
apresentação metodologia terapia ocupacionalapresentação metodologia terapia ocupacional
apresentação metodologia terapia ocupacional
 
Auxiliar Adolescente 2024 3 trimestre 24
Auxiliar Adolescente 2024 3 trimestre 24Auxiliar Adolescente 2024 3 trimestre 24
Auxiliar Adolescente 2024 3 trimestre 24
 
Caça-palavras e cruzadinha - Encontros consonantais.
Caça-palavras e cruzadinha -  Encontros consonantais.Caça-palavras e cruzadinha -  Encontros consonantais.
Caça-palavras e cruzadinha - Encontros consonantais.
 
Noite Alva! José Ernesto Ferraresso.ppsx
Noite Alva! José Ernesto Ferraresso.ppsxNoite Alva! José Ernesto Ferraresso.ppsx
Noite Alva! José Ernesto Ferraresso.ppsx
 
Estudo Infantil - MISSÕES NACIONAIS - IGREJA BATISTA
Estudo Infantil - MISSÕES NACIONAIS - IGREJA BATISTAEstudo Infantil - MISSÕES NACIONAIS - IGREJA BATISTA
Estudo Infantil - MISSÕES NACIONAIS - IGREJA BATISTA
 
Slides Lição 2, Betel, A Igreja e a relevância, para a adoração verdadeira no...
Slides Lição 2, Betel, A Igreja e a relevância, para a adoração verdadeira no...Slides Lição 2, Betel, A Igreja e a relevância, para a adoração verdadeira no...
Slides Lição 2, Betel, A Igreja e a relevância, para a adoração verdadeira no...
 
Texto e atividade - O que fazemos com a água que usamos.
Texto e atividade -  O que fazemos com a água que usamos.Texto e atividade -  O que fazemos com a água que usamos.
Texto e atividade - O que fazemos com a água que usamos.
 
Folha de Atividades (Virei Super-Herói! Projeto de Edição de Fotos) com Grade...
Folha de Atividades (Virei Super-Herói! Projeto de Edição de Fotos) com Grade...Folha de Atividades (Virei Super-Herói! Projeto de Edição de Fotos) com Grade...
Folha de Atividades (Virei Super-Herói! Projeto de Edição de Fotos) com Grade...
 
Licao de adultos Topico 1 CPAD edit.pptx
Licao de adultos Topico 1 CPAD edit.pptxLicao de adultos Topico 1 CPAD edit.pptx
Licao de adultos Topico 1 CPAD edit.pptx
 
RECORDANDO BONS MOMENTOS! _
RECORDANDO BONS MOMENTOS!               _RECORDANDO BONS MOMENTOS!               _
RECORDANDO BONS MOMENTOS! _
 
História das ideias pedagógicas no Brasil - Demerval Saviani.pdf
História das ideias pedagógicas no Brasil - Demerval Saviani.pdfHistória das ideias pedagógicas no Brasil - Demerval Saviani.pdf
História das ideias pedagógicas no Brasil - Demerval Saviani.pdf
 
Planejamento_Anual_Ensino_Fundamental_2020.docx
Planejamento_Anual_Ensino_Fundamental_2020.docxPlanejamento_Anual_Ensino_Fundamental_2020.docx
Planejamento_Anual_Ensino_Fundamental_2020.docx
 
A perspectiva colaborativa e as novas práticas de inclusão. (1).pptx
A perspectiva colaborativa e as novas práticas de inclusão. (1).pptxA perspectiva colaborativa e as novas práticas de inclusão. (1).pptx
A perspectiva colaborativa e as novas práticas de inclusão. (1).pptx
 
As Ideias Têm Consequências - Richard M. Weaver
As Ideias Têm Consequências - Richard M. WeaverAs Ideias Têm Consequências - Richard M. Weaver
As Ideias Têm Consequências - Richard M. Weaver
 
Caça - palavras e cruzadinha com dígrafos
Caça - palavras  e cruzadinha   com  dígrafosCaça - palavras  e cruzadinha   com  dígrafos
Caça - palavras e cruzadinha com dígrafos
 
farmacologia-segura-em-mapas-mentais-reduzindo-os-riscos-da-terapeutica-24040...
farmacologia-segura-em-mapas-mentais-reduzindo-os-riscos-da-terapeutica-24040...farmacologia-segura-em-mapas-mentais-reduzindo-os-riscos-da-terapeutica-24040...
farmacologia-segura-em-mapas-mentais-reduzindo-os-riscos-da-terapeutica-24040...
 
Slide | Eurodeputados Portugueses (2024-2029) - Parlamento Europeu (atualiz. ...
Slide | Eurodeputados Portugueses (2024-2029) - Parlamento Europeu (atualiz. ...Slide | Eurodeputados Portugueses (2024-2029) - Parlamento Europeu (atualiz. ...
Slide | Eurodeputados Portugueses (2024-2029) - Parlamento Europeu (atualiz. ...
 

Modelos de probabilidade

  • 1. Modelo de Probabilidade Definição de Modelo de Probabilidade Valor médio e Variância Populacional
  • 2. Modelo de Probabilidade • É um modelo que descreve matematicamente um fenómeno aleatório em duas partes: primeiro, identifica os valores da variável aleatória e, em seguida, associa a cada um deles o valor da respetiva probabilidade. Cada uma destas probabilidades tem que estar entre 0 e 1 (ou 0% e 100%) e a soma de todas as probabilidades é 1 (ou 100%).
  • 3. Modelo de Probabilidade Experiência Aleatória – Identificação do espaço de Resultados Correspondência entre os elementos do Espaço de resultados e um valor (quantitativo) Atribuição, a cada um dos valores anteriores, a respetiva probabilidade.
  • 4. Exemplo: X: “lançamento de duas moeda e observação das faces voltadas para cima” E = {(N,N), (N,C), (C,N), (C,C)} Correspondência: “Número de faces N observadas”: xi = 0, 1, 2 xi 0 1 2 pi 1/4 1/2 1/4
  • 5. Valor Médio e Variância Populacional População Amostra Média Valor Médio E(X) ou x Variância Variância Populacional Amostral Var(X) = 2 Var = s2
  • 6. Valor Médio e Variância Populacional População Amostra E(X) = = xi fi x N = xi pi xi fri Var(X) = 2= Var = s2 = = pi ( xi )2 = fri ( xi x) 2
  • 7. Exemplo: X: “lançamento de duas moeda e observação das faces voltadas para cima” xi 0 1 2 pi 1/4 1/2 1/4 1 1 1 E(X) = = xi pi 0 1 2 1 4 2 4 Var(X) = 2= 2 1 2 1 2 1 2 pi ( xi ) 0 1 1 1 2 1 0,5 4 2 4 0,5 0,707
  • 8. Modelo de Probabilidade Modelos discretos/Modelos contínuos Modelos finitos/Modelos infinitos
  • 9. Modelo Discreto • Associado a uma variável aleatória discreta. – Exemplos: • N.º de faces Nacionais observadas no lançamento de duas moedas (modelo finito); • N.º de telefonemas atendidos por hora na central telefónica da EBSO (modelo infinito – modelo de Poisson).
  • 10. Modelo Contínuo • Associado a uma variável aleatória contínua. – Exemplos: • Tempo até ser atendido na fila supermercado (modelo infinito – modelo Exponencial); • Duração de um anuncio publicitário (modelo infinito – modelo Uniforme); • Altura dos rapazes aos 18 anos (modelo infinito – modelo normal).
  • 11. Modelos finitos e Modelos infinitos Modelos Finitos - Definidos com auxílio de diagramas ou Infinitos – Funções obtidas por modelação. Podem observações. Apresentam-se em tabelas. apresentar-se por meio de uma expressão algébrica. É o caso do modelo trabalhado anteriormente. Discretos Contínuos Uniforme Poisson Geométrico Binomial Uniforme Exponencial Normal
  • 12. Modelos teóricos (infinitos) • Modelos discretos: – Modelo uniforme – todos os acontecimentos do espaço têm a mesma probabilidade. – Modelo de Poisson – determina a probabilidade se observarem um determinado número de vezes um dado acontecimento de uma experiência num determinado período de tempo. – Modelo Geométrico – determina a probabilidade de o número de realizações de dada experiência até se obter um valor dado ser igual a k. – Modelo Binomial – Determina a probabilidade de, em n repetições de uma certa experiência em iguais condições, se observar exactamente k vezes o acontecimento xi.
  • 13. Modelos teóricos (infinitos) • Modelos contínuos: – Modelo Uniforme – a probabilidade distribui-se de igual forma num dado intervalo de tempo. – Modelo Exponencial – determina a probabilidade de o tempo de espera para a realização de dado acontecimento se situar num determinado intervalo. – Modelo Normal – Modela a maioria das distribuições contínuas e aproxima de forma adequada as distribuições discretas quando o número de realizações da experiência que lhes está associada é grande (>20).
  • 14. Modelos teóricos (infinitos) • Para cada uma das variáveis aleatórias caracterizadas pelos modelos referidos vamos estudar: – A Expressão do modelo (se X …, então, P(X=k)=…) – O valor médio (E(X)= =…) – A variância e o desvio padrão populacional (Var(X)=… e =…) – Como usar a calculadora para calcular probabilidades com base em cada um dos modelos.
  • 15. Modelos infinitos discretos: Modelo Uniforme • Seja X uma variável aleatória cujo o espaço de resultados é composto por n acontecimentos elementares equiprováveis. Então: – X U (n) e P(X=k) = 1/n – O valor médio (E(X)= = média entre o maior e o menor valor da v.a.) – A variância e o desvio padrão populacional calculam-se usando as listas e o “varstat” do menu STAT da calculadora.
  • 16. Modelos infinitos discretos: Modelo de Poisson • Seja X uma variável aleatória que descreve o número de realizações de um dado acontecimento num determinado período de tempo, sobre a qual se sabe que a média de realizações é . Então, X é modelada por uma distribuição de Poisson: k –X P( ) e P(X=k) = e , k 0, 1, 2, 3,... k! – O valor médio é E(X)= = – A variância é Var(X)= – Calculadora: Seja X P(5); então, P(X=6) = 0,146 (2nd/distr/poissonpdf(5,6)/enter); P(2≤X≤6) = P(X ≤ 6)-P(X ≤1) = 0.7621-0.0404 =0.7217 (poissoncdf(5,6)- poissoncdf(5,1)/enter)
  • 17. Modelos infinitos discretos: Modelo Geométrico • Seja X uma variável aleatória que modela o número de repetições de uma determinada experiência necessárias até que se obtenha o resultado xi, em que a probabilidade de ocorrer xi é p (entre 0 e 1) e de não ocorrer é 1-p. Então, X é modelada por uma distribuição Geométrica de parâmetro p: –X Geom(p) e P(X=k)(1 p)k = 1 p – O valor médio é E(X)= = 1/p – A variância é Var(X)= (1-p)/p2 – Calculadora: Seja X Geom(0.3); então, P(X=6) = 0.75x0.3 = 0.05 (ou 2nd/distr/Geometpdf(0.3,6)/enter); P(2≤X≤6) = P(X ≤ 6)-P(X ≤1) = Geometcdf(0.3,6)-Geometcdf(0.3,1)/enter=0.5824
  • 18. Modelos infinitos discretos: Modelo Binomial • Seja X uma variável aleatória que modela a probabilidade de um acontecimento xi se realizar k vezes em n realizações de uma dada experiência. A probabilidade de xi é p (entre 0 e 1) e de não acontecer xi é q = 1-p. Então, X é modelada por uma distribuição Binomial de parâmetros n e p: Bi(n,p) e P(X=k) = Ckn p k (1 p)n k –X – O valor médio é E(X)= = n x p – A variância é Var(X)= n x p x (1- p) = n x p x q – Calculadora: Seja X Bi(5, 0.3); então, P(X=3) = 0.1323 (2nd/distr/Binompdf(5,0.3,3)/enter); P(2≤X≤4) = P(X ≤ 4)-P(X ≤1) = Binomcdf(5,0.3,4)-Binomcdf(5,0.3,1)/enter=0.4694
  • 19. Modelos infinitos contínuos • Um modelo de probabilidades diz-se contínuo se lhe está associada uma v. a. Contínua. Neste caso, o domínio do modelo será o intervalo ou intervalos onde está definida a variável. À função modelo chamamos função densidade e o seu gráfico situa- se completamente acima do eixo dos xx.
  • 20. Modelos discretos vs Modelos contínuos Discretos Contínuos Área total Soma das compreendida entre o probabilidades gráfico da função associadas a cada valor densidade e o eixo dos da v.a. é 1 xx é 1 P(a≤X≤b) = área compreendida entre o P(a≤X≤b) = P(X=a) + gráfico e o eixo dos xx P(X=a+1) + (…) + na barra P(X=b) correspondente ao intervalo [a , b].
  • 21. Modelos infinitos contínuos: Modelo Uniforme • Associado a v.a. contínuas que se encontram uniformemente distribuídas num intervalo [a,b], isto é, uma v.a. em que, dados quaisquer dois valores do intervalo, a probabilidade que lhes está associada é exatamente a mesma. Seja X uma v.a. Uniforme em [a,b]. Então: d c –X U[a,b] e P(c ≤ X ≤ d) = , a c d b b a (área do retângulo de lados d-c e b-a) – O valor médio é E(X)= = (a+b)/2 – Obs.: P(a ≤ X ≤ b) = 1.
  • 22. Modelos infinitos contínuos: Modelo Exponencial • Seja X uma variável aleatória que modela a probabilidade de o tempo de espera (entre chegadas numa fila de espera, entre falhas num dispositivo eletrónico, entre chegadas de um pedido a um servidor de Internet, etc.) se situar num dado intervalo, então X é modelada por uma distribuição Exponencial de parâmetro : –X Exp( ) e P(a ≤ X ≤ b) =e a e b – O valor médio é E(X)= =1/ – Não existe esta distribuição na calculadora. Assim, seja X Exp(0.2) (significa que, por exemplo, o tempo médio de espera é 1/0.2 = 5); e 0.2 2 P(2 0.2X6≤ 6) .369 então, e ≤ 0=
  • 23. Modelos infinitos contínuos: Modelo Normal • Baseia-se na distribuição Normal, que é a mais importante distribuição contínua, já estudada no 10.º ano (características no manual). • Se X N( , ), então: – O valor médio é E(X)= – A variância é Var(X)= 2; – é o desvio-padrão populacional – Calculadora: P(a≤X≤b) = normalcdf(a,b, , ). Exemplo: Seja X N(5, 0.7); então, P(4≤X≤6) = normalcdf(4,6,5,0.7)=0.8469