সব বই

পেশাদার

1 Markets I: The Ecosystem and Exchange-Traded Marketsবাজার অনলাইনইংরেজি 2 Markets II: Rates, FX and Creditবাজার অনলাইনইংরেজি 3 Markets III: Commodities, Energy and Cryptoবাজার অনলাইনইংরেজি 4 Quantitative Methodsপদ্ধতি অনলাইনইংরেজি 5 Derivatives and Volatilityডেরিভেটিভস অনলাইনইংরেজি 6 Rates, Credit, XVA and Riskসুদহার, ঋণ ও ঝুঁকি অনলাইনইংরেজি 7 Research Craft: Predictors, Backtests, Measurement, Portfoliosগবেষণা অনলাইনইংরেজি 8 Strategies I: Equities and Futuresকৌশল অনলাইনইংরেজি 9 Strategies II: Volatility, Relative Value, Macro and the Bank Desksকৌশল অনলাইনইংরেজি 10 Microstructure and Executionএক্সিকিউশন অনলাইনইংরেজি 11 Market Making and High-Frequency Tradingমার্কেট মেকিং অনলাইনইংরেজি 12 Machine Learning for Marketsমেশিন লার্নিং অনলাইনইংরেজি 13 Low-Latency Softwareপ্রযুক্তি অনলাইনইংরেজি 14 Networks, Hardware and Trading Infrastructureপ্রযুক্তি অনলাইনইংরেজি 15 Research, Data and Risk Platformsপ্রযুক্তি অনলাইনইংরেজি 16 The Desk and the Firmপ্রতিষ্ঠান অনলাইনইংরেজি 17 The Industry: Firms, Roles and Careersক্যারিয়ার অনলাইনইংরেজি 18 Interviews I: Maths, Probability and Speedক্যারিয়ার অনলাইনইংরেজি 19 Interviews II: Markets, Trading Games and the Final Roundক্যারিয়ার অনলাইনইংরেজি 20 Interviews III: Codeক্যারিয়ার অনলাইনইংরেজি
অ্যাপ পরিচিতি Coach সাইন ইন পড়া শুরু করো

বইগুলো এখনো বাংলা ভাষায় পাওয়া যায় না — Português সংস্করণ দেখানো হচ্ছে।

Matemática · পরিভাষা

Distribuição de probabilidade কী?

অন্য নাম: probabilidade

Definição 9.2 Matemática do ensino médio · অধ্যায় 9 — Probabilidade e amostragem

Atribuir a cada resultado ωi\omega_i um número pi≥0p_i \geq 0, com p1+⋯+pn=1p_1 + \dots + p_n = 1, define uma probabilidade: a probabilidade P(A)\P(A) de um evento AA é a soma dos pip_i dos resultados contidos em AA. Em particular, P(Ω)=1\P(\Omega) = 1 e o evento impossível ∅\varnothing tem probabilidade 00.

উদাহরণ

Exemplo 9.4

Lance um dado honesto: Ω={1,2,3,4,5,6}\Omega = \{1, 2, 3, 4, 5, 6\}, cada resultado com probabilidade 16\frac16. O evento AA: “o resultado é par” é A={2,4,6}A = \{2, 4, 6\}, logo P(A)=36=12\P(A) = \frac36 = \frac12. O evento BB: “o resultado é pelo menos 55” é B={5,6}B = \{5, 6\}, logo P(B)=26=13\P(B) = \frac26 = \frac13.

Exemplo 9.7

Retire uma carta de um baralho comum de 5252 cartas. Sejam AA: “a carta é de copas” (1313 cartas) e BB: “a carta é um rei” (44 cartas). Então A∩BA \cap B é “o rei de copas” (11 carta), e

P(A∪B)=1352+452−152=1652=413.\P(A \cup B) = \frac{13}{52} + \frac{4}{52} - \frac{1}{52} = \frac{16}{52} = \frac{4}{13}.

A regra do complementar costuma ser o caminho mais rápido: a probabilidade de a carta não ser de copas é 1−1352=341 - \frac{13}{52} = \frac34.

Exemplo 9.9

Uma urna contém 33 bolas vermelhas e 22 bolas azuis. Retire uma bola, devolva-a e retire outra. Cada retirada dá vermelha (V) com probabilidade 35\frac35 e azul (A) com probabilidade 25\frac25.

A árvore de duas retiradas com reposição. As probabilidades dos quatro caminhos somam 1.
A árvore de duas retiradas com reposição. As probabilidades dos quatro caminhos somam 11.

A probabilidade de obter duas bolas da mesma cor é P(VV)+P(AA)=925+425=1325\P(\text{VV}) + \P(\text{AA}) = \frac{9}{25} + \frac{4}{25} = \frac{13}{25}; a probabilidade de pelo menos uma azul é 1−P(VV)=1−925=16251 - \P(\text{VV}) = 1 - \frac{9}{25} = \frac{16}{25} (regra do complementar).

প্রসঙ্গসহ পড়ো →