Baixe o app para aproveitar ainda mais
Prévia do material em texto
INSTITUTO SUPERIOR DE CIÊNCIAS E EDUCAÇÃO A DISTÂNCIA DEPARTAMENTO DE ECONOMIA E GESTÃO LICENCIATURA EM CIÊNCIAS POLÍTICAS E RELAÇÕES INTERNACIONAIS Teoria de Probabilidade introdução Definição clássica de probabilidade Propriedade das probabilidade Teorema da soma e produto Teorema do produto para eventos dependente Teorema do produto para eventos independente Probabilidade condicional e Teorema de Bayes Definição Propriedades Generalidade do teorema do produto Teorema de probabilidade total Teorema de Bayes Derroteia Quepi Bequene Tete, 18 de Abril de 2021 INSTITUTO SUPERIOR DE CIÊNCIAS E EDUCAÇÃO A DISTÂNCIA DEPARTAMENTO DE ECONOMIA E GESTÃO LICENCIATURA EM CIÊNCIAS POLÍTICAS E RELAÇÕES INTERNACIONAIS Teoria de Probabilidade introdução Definição clássica de probabilidade Propriedade das probabilidade Teorema da soma e produto Teorema do produto para eventos dependente Teorema do produto para eventos independente Probabilidade condicional e Teorema de Bayes Definição Propriedades Generalidade do teorema do produto Teorema de probabilidade total Teorema de Bayes Derroteia Quepi Bequene Trabalho cientifico entregue no Instituto Superior de Ciências e Educação a Distância, na cadeira de Estatística, como um dos requisitos necessários para obtenção do resultado do 1˚ semestre na cadeira em menção. Tete, 18 de Abril de 2020 Índice Introdução ......................................................................................................................................... 4 1. Teoria de Probabilidade introdução .......................................................................................... 5 1.1. Definição clássica de probabilidade ................................................................................. 5 1.2. Propriedade das probabilidade .......................................................................................... 6 1.3. Teorema da soma e do produto ............................................................................................. 7 1.3.1. Teorema da soma .......................................................................................................... 7 1.3.2. Teorema do produto .............................................................................................................. 7 1.4. Teorema do produto para eventos dependente ..................................................................... 8 1.5. Teorema do produto para eventos independente .................................................................. 8 1.5.1. Eventos Independentes ................................................................................................ 8 2. Probabilidade condicional e Teorema de Bayes ....................................................................... 9 2.2. Propriedades da Probabilidade Condicional .............................................................................. 9 2.2. Teorema de probabilidade total .......................................................................................... 10 2.3 Teorema de Bayes .................................................................................................................... 11 Conclusão ....................................................................................................................................... 12 Referências Bibliográficas .............................................................................................................. 13 4 Introdução No presente trabalho, iremos apresentar Teoria de Probabilidade introdução. Probabilidade é o estudo das chances de obtenção de cada resultado de um experimento aleatório. A teoria de probabilidade consiste em utilizar a intuição humana para estudar os fenômenos do nosso cotidiano de trabalho. Para isso, vamos utilizar o princípio básico do aprendizado humano que é a ideia de experimento. Podemos classificar os experimentos em dois tipos: aleatórios (casuais) e não aleatórios (determinísticos). Os experimentos determinísticos são totalmente caracterizados a priori, ou seja, são fenômenos em que o resultado é sabido antes mesmo em que ele ocorra e desta forma, nada temos a fazer. Probabilidade condicional ou probabilidade condicionada é um conceito da matemática que envolve dois eventos (A e B) num espaço amostral (S) finito e não vazio. O Teorema de Bayes é uma fórmula matemática usada para o cálculo da probabilidade de um evento dado que outro evento já ocorreu, o que é chamado de probabilidade condicional. A grande questão do Teorema de Bayes é que eu preciso ter alguma informação anterior, ou seja, preciso saber que um determinado evento já ocorreu e qual a probabilidade desse evento. https://mundoeducacao.bol.uol.com.br/matematica/chances-um-evento-acontecer.htm https://mundoeducacao.bol.uol.com.br/matematica/experimento-aleatorio-espaco-amostral.htm https://mundoeducacao.bol.uol.com.br/matematica/experimento-aleatorio-espaco-amostral.htm 5 1. Teoria de Probabilidade introdução 1.1. Definição clássica de probabilidade A definição clássica de probabilidade só se aplica a espaços amostrais em que os eventos simples são igualmente possíveis. Esse é o caso da maioria das aplicação de probabilidades aos jogos de azar, área que, precisamente, suscitou os primeiros problemas práticos resolvidos pela teoria das probabilidades. Esses mesmos jogos, entretanto, repetidos inúmeras vezes, levaram considerar a probabilidade de um evento como a frequência relativa, ou seja, como a proporção de vezes que um evento ocorre em una série suficiente grande de realizações de ume experimento, em condições idênticas. Surgiu então uma nova definição de probabilidade, a definição frequêntistica. P(A) = Número de vezes que A ocorreu Número total de repetições do experimento Exemplo 1: Uma amostra de 6800 pessoas de uma determinada população foi classificada quanto à cor dos olhos e à cor dos cabelos. Os resultados foram: Classificação de uma amostra de 6800 pessoas quanto à cor dos olhos e à cor dos cabelos Cor dos cabelos Cor dos olhos Loiro Castanho Preto Ruivo Total Azul 1768 807 189 47 2811 Verde 946 1387 746 53 3132 Castanho 115 438 288 16 857 Total 2829 2632 1223 116 6800 Considere o experimento aleatório que consiste em classificar um indivíduo quanto à cor dos olhos. O espaço amostral é E={A,V,C}. Calcule a probabilidade de sair pessoa com olhos: A={a pessoa tem olhos azuis}? V={a pessoa tem olhos verdes}? C={a pessoa tem olhos castanhos}? 𝑃(𝐴) = 2811 6800 = 0,4134 → Pessoa com olhos azuis 𝑃(𝑉) = 3132 6800 = 0,4606 → 𝑃𝑒𝑠𝑠𝑜𝑎 𝑐𝑜𝑚 𝑜𝑙ℎ𝑜𝑠 𝑣𝑒𝑟𝑑es 𝑃(𝐶) = 857 6800 = 0,126 → 𝑃𝑒𝑠𝑠𝑜𝑎 𝑐𝑜𝑚 𝑜𝑙ℎ𝑜𝑠 𝑐𝑎𝑠𝑡𝑎𝑛ℎ𝑜𝑠 6 Exemplo 2: Calcular a probabilidade de no lançamento de um dado equilibrad o obter-se: Um resultado igual a 4. Um resultado ímpar. Solução 𝑆 = {1,2,3,4,5,6} (𝑎)𝐴 = {4} 𝑚 =≠ (𝐴) = 1 𝑒𝑛𝑡ã𝑜 𝑃(𝐴) = 𝑚 𝑛 = 1 6 (𝑏)𝐵 = {1.3.5} 𝑚 =≠ (𝐵) = 3 𝑒𝑛𝑡ã𝑜 𝑃(𝐵) = 𝑚 𝑛 = 3 6 1.2. Propriedade das probabilidade Propriedade 1 𝐏(𝐀) = 𝟏 − 𝐏(𝐴𝑐) Propriedade 2 A probabilidade da união de dois eventos AA e BB é calculada como P(A ∪ B) = P(A) + P(B) − P(A ∩ B) Propriedade 3 P(A ∪ B ∪ C) = P(A) + P(B) + P(C) − P(A ∩ B) − P(A ∩ C) − P(B ∩ C) + P(A ∩ B ∩ C). Propriedade 4 P(B) = P(A) + P(B − A). Propriedade 5 P(B) = P(A ∪ (B − A)) = P(A) + P(B − A) ⇒ P(B − A) = P(B) − P(A) Propridade 6 P(A1) = lim 𝑛→∞ P(A1) − P(An) = P(A1) − lim 𝑛→∞ P(An) ⇒ lim 𝑛→∞ P(An) = 0 Portanto P(An)→0P(An)→0. Propriedade 7 𝑷(𝑪) + 𝑷(𝑨𝒏)) ≤ ∑ 𝑷(𝑨𝒊) +𝑷(𝑨𝒏) = ∑ 𝑷(𝑨𝑰) 𝒏 𝒊=𝟏 𝒏−𝟏 𝒊=𝟏 Propriedade 8 𝟏 − P(An) ↓ 𝟏 − P(A) ⇒ P(An) ↑ P(A) http://www.portalaction.com.br/probabilidades/11-manipulacao-de-eventos#uniao 7 Propriedade 9 𝑃 (⋃ 𝐴𝑖 ∞ 𝑖=1 ) ≤ ∑ 𝑃(𝐴𝑖) ∞ 𝑖=1 Propriedade 10 1.3. Teorema da soma e do produto 1.3.1. Teorema da soma Sejam A e B dois eventos quaisquer. Então, P(A∪B) = P(A) + P(B) - P(A∩B); Se A e B forem mutuamente exclusivos, então, P(A∪B) = P(A) + P(B); Sejam A, B e C três eventos. Então, P(A ∪ B ∪ C) = P(A) + P(B) + P(C) - P(A ∩ B) - P(A ∩ C) - P(B ∩ C) + P(A ∩ B ∩ C). Exemplo: A probabilidade de Paulo passar em Matemática é 2/3 e a probabilidade de passar em Inglês é 4/9. Se a probabilidade de Paulo passar em ambas as disciplinas é 1/4, qual a probabilidade de que Paulo passe em pelo menos uma das duas disciplinas? Solução: 𝑃(𝑀) = 2 3 𝑃(𝐼) = 4 9 𝑃(𝑀 ∩ 𝐼) = 1 4 Pelo Teorema da Soma: P(M ∪ I) = P(M) + P(I) – P(M ∩ I) = 2/3 +4/3 + 1/4 =31/36 1.3.2. Teorema do produto A probabilidade da ocorrência simultânea de dois eventos A e B, do mesmo espaço amostral, é igual ao produto da probabilidade de um deles pela probabilidade condicional do outro, dado o primeiro. P(A ∩ B) = P(A) ⋅ P(B/A). 𝑃 ( 𝐴 𝐵 ) = 𝑃(𝐴∩𝐵) 𝑃(𝐵) → 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐵). 𝑃 ( 𝐴 𝐵 ) 𝑃 ( 𝐴 𝐵 ) = 𝑃(𝐴∩𝐵) 𝑃(𝐴) → 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴). 𝑃 ( 𝐵 𝐴 ) Exemplo: 8 Em um lote de 12 peças, 4 são defeituosas. Duas peças são retiradas, uma após a outra, sem reposição. Qual a probabilidade de que ambas sejam boas? Solução: A → a 1ª peça é boa B → a 2ª peça é boa 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴). 𝑃 ( 𝐵 𝐴 ) = 8 12 . 7 11 = 4 33 1.4. Teorema do produto para eventos dependente Dois eventos que não são independentes são dependentes. Entre os 12 carros de uma linha de produção, 5 têm defeito e 2 são selecionados ao acaso. A = {O 1◦ carro é defeituoso} B = {O 2◦ carro é defeituoso} A probabilidade de o segundo carro ser defeituoso depende de o primeiro ter ou não defeito. Os eventos são dependentes. 1.5. Teorema do produto para eventos independente 1.5.1. Eventos Independentes Seja dois eventos A e B em um espaço amostral U, então dizemos que os eventos A e B são independentes, se a ocorrência no evento A não modificar a ocorrência no evento B. Logo, A e B são independentes ⇔ P(B | A) = P(B) e P(A | B) = P(A) Quando os eventos A e B são independentes temos que: P(A ∩ B) = P(A) · P(B) Dessa forma, caso P(A ∩ B) ≠ P(A) · P(B), então os eventos A e B são dependentes. Exemplo de eventos independentes: Joaninha tem probabilidade de 0,8 de passar no vestibular, enquanto que Joãozinho tem probabilidade 0,6. Qual a probabilidade de ambos passarem no vestibular? Qual a suposição a ser feita nesse caso para calcular a probabilidade? 9 Solução: Sejam os eventos A: Joaninha passa no vestibular e B: Joãozinho passa no Vestibular. Supondo independência entre os eventos A e B, temos que a probabilidade de ambos passarem no vestibular é P(A∩B) = 0,8 x 0,6 = 0,48. 2. Probabilidade condicional e Teorema de Bayes 2.1. Definição Probabilidade condicional ou probabilidade condicionada é um conceito da matemática que envolve dois eventos (A e B) num espaço amostral (S) finito e não vazio. A probabilidade condicional surge, por exemplo quando se deseja calcular a probabilidade de um evento A ocorre sabendo que um evento B já ocorre. Seja A e b dois eventos associados a um mesmo espaço amostral. Denota-se por P(A|B) a probabilidade condicionada do evento A, quando o evento B tiber ocorrido. Sempre que calculamos P(A|B, estamos essencialmente calculando P(A) em relação ao espaço amostral reduzido devido a B ter ocorrido, em lugar de fazê-lo em relação ao espaço amostral original. Assim um definição mais formal de probabilidade condicional é dada pela definição: Dados dois eventos A e B, a probabilidade condicional de A dado que ocorreu B é representado por P(A|B) e definida por: P(A|B) = P(A∩B) P(B) P(B)>0 Da expressão acima dita, obtemos a regra do produto de probabilidades dada por 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐵). 𝑃(𝐴|𝐵) 2.2. Propriedades da Probabilidade Condicional A e B independentes ⇔ P(A ∩ B) = P(A) . P(B); A e B dependentes ⇔ P(A ∩ B) ≠ P(A) . P(B); Se A e B são independentes, então temos que P(B/A) = P(B) e P(A ∩ B) = P(A) . P(B). Exemplo: Um grupo de pessoas foram classificados quanto ao peso e pressão arterial, de acordo com as proporções do quadro a seguir: Peso Pressão Excesso Normal Deficiente Total 10 Alta 0,10 0,08 0,02 0,20 Normal 0,15 0,045 0,20 0,80 Total 0,25 0,53 0,22 1,00 a) Qual a probabilidade de uma pessoa escolhida ao acaso nesse grupo ter pressão alta? b) Se se verificar que a pessoa escolhida tem excesso de peso, qual a probabilidade de ela ter também pressão alta? Solução a. Como a pessoa escolhida ao acaso em grupo em que 20% tem pressão alta, chamado A o evento "ter pressão alta”, P(A) = 0,20 b. Chamemos B evento "ter excesso de peso". Nosso interesse passa a ser P(A|B) = P(A ∩ B) P(B) = 0,10 0,25 = 0,40 2.2. Teorema de probabilidade total Sejam E1, E2, E3, ..., En eventos que constituem uma partição do espaço amostral, isto é: E1 U, E2 U,E3 ...... En = P(Ei ) > 0, para todo i = 1, 2, 3, ..., n Ei Ej = para i j Assim, se B representa um evento, temos o seguinte teorema, conhecido como teorema da Probabilidade Total: 𝑃(𝐵) = ∑ 𝑃(𝐸𝑖 ∩ 𝐵) = ∑ 𝑃(𝐸𝑖)𝑃(𝐵|𝐵𝑖) 𝑛 𝑖=1 𝑛 𝑖=1 Exemplo: Um piloto de fórmula Um tem 50% de probabilidade de vencer determinada corrida, quando esta se realiza sob chuva. Caso não chova durante a corrida, sua probabilidade de vitória é de 25%. Se o serviço de Meteorologia estimar em 30% a probabilidade de que chova durante a corrida, qual é a probabilidade deste piloto ganhar a corrida? P(G|Ch)= 50% ou 0,50 P(G|NCh) = 25% = 0,25 P(Ch)= 30% ou 0,30 P(NCh) = 70% = 70 Queremos a CHANCE do piloto ganhar a corrida (com ou sem chuva) P(G) = P (G Ch) + P(G NCh) ...probabilidade com chuva ou sem chuva! P(G) = P(G|Ch)P(Ch)+ P(G|NCh)P(NCh) 11 P(G) = 0, 50.0,30 + 0, 25.0,70 P(G) = 0,325 ou 32,5% 2.3 Teorema de Bayes Finalmente, uma das relações mais importantes envolvendo probabilidade condicionais é dada pelo teorema de Byes. Thomas Bayes (1702-1761) afirmou que as probabilidade devem ser revistas quando conhecemos algo mais sobre os dados. A forma geral do teorema de Bayes pode ser introduzida através de: A probabilidade de ocorrência do evento B, supondo a ocorrência do evento A é dado por: P(A|B) = P(BI)P(BI) ∑ P(A|Bi)P(Bi) n i=1 O teorema de Bayes é uma generalização da probabilidade condicional no caso de mais de dois eventos. Exemplo: Uma mineradora explora três minas denominadas B1, B2 e B3. A partir de pesquisas anteriores, sabe-se que a probabilidade de encontrar ouro na mina B1 é 0,1, na mina B2 é 0,05 e na mina B3 é 0,2. Além disso, essa mineradora tem explorado as minas B1, B2 e B3 nas proporções 0,3, 0,2 e 0,5, respectivamente. Qual a probabilidade de a mineradora encontrar ouro? Solução: Precisamos calcular a seguinte probabilidade: P(B3|A) = P(B3)P(B3) ∑ P(A|Bi)P(Bi) n i=1 = 0,2 ∗ 0,5 0,14 = 0,10 0,14 ≅ 0,7143 12 Conclusão No final do presente trabalho, conclui-se que a resolução de problemas, que é o princípio norteador da aprendizagem da matemática, pode possibilitar o desenvolvimento do trabalho com estatística e probabilidade em sala de aula, pois da mesma forma que a matemática, a estatística também se desenvolveu através da resolução de problemas de ordem prática na história da humanidade. Acreditamos que não faz sentido trabalharmos atividades envolvendo conceitos estatísticos e probabilísticos que nãoestejam vinculados a uma problemática. Propor coleta de dados desvinculada de uma situação-problema não levará à possibilidade de uma análise real. Construir gráficos e tabelas desvinculados de um contexto ou relacionados a situações muito distantes do aluno pode estimular a elaboração de um pensamento, mas não garante o desenvolvimento de sua criticidade. 13 Referências Bibliográficas LOPES, C.A.E. O conhecimento profissional dos professores e suas relações com estatística e probabilidade na educação infantil. 2003. Tese (Doutorado em Educação) – Faculdade de Educação, Universidade Estadual de Campinas, Campinas. LOPES, C.A.E. A probabilidade e a estatística no ensino fundamental: uma análise curricular. 1998. Dissertação (Mestrado em Educação) – Faculdade de Educação, Universidade Estadual de Campinas, Campinas. LOPES, C.A.E. Literacia estatística e INAF 2002. In: FONSECA, M.C.F.R. (Org.). Letramento no Brasil: habilidades matemáticas. São Paulo: Global, 2004. p. 187-197. MACHADO, N.J. Ensaios transversais: cidadania e educação. São Paulo: Escrituras, 1997. MARCELO GARCÍA, C. Formação de professores: para uma mudança educativa. Lisboa: Porto, 1999. MENDOZA, L.P.; SWIFT, J. Why teach statistics and probability: a rationale. In: SHULTE, A.P.; SMART, J.R. (Ed.). Teaching statistics and probability. Reston: Yearbook National Council of Teachers of Mathematics, 1981. p. 90-100 PONTE, J.P. Da formação ao desenvolvimento profissional. In: ACTAS do PROFMAT. Lisboa: APM, 1998. p. 27-44. POZO, J.I. (Org.). A solução de problemas: aprender a resolver, resolver para aprender. Porto Alegre: ARTMED, 1998. SHAUGHNESSY, J.M. Research in probability and statistics: reflections and directions. In: GROUWS, D.A. (Ed.). Handbook of research on mathematics teaching and learning. New York: MacMillan, 1992. p. 465-494.
Compartilhar