Baixe o app para aproveitar ainda mais
Prévia do material em texto
Indaial – 2021 Estatística E ProbabilidadE Em Física Prof. André Martorano Kuerten 1a Edição Copyright © UNIASSELVI 2021 Elaboração: Prof. André Martorano Kuerten Revisão, Diagramação e Produção: Centro Universitário Leonardo da Vinci – UNIASSELVI Ficha catalográfica elaborada na fonte pela Biblioteca Dante Alighieri UNIASSELVI – Indaial. Impresso por: K95e Kuerten, André Martorano Estatística e probabilidade em física. / André Martorano Kuerten. – Indaial: UNIASSELVI, 2021. 213 p.; il. ISBN 978-65-5663-524-8 ISBN Digital 978-65-5663-518-7 1. Probabilidade. – Brasil. 2. Estatística. – Brasil. II. Centro Universitário Leonardo da Vinci. CDD 530 aPrEsEntação Acadêmico! Bem-vindo à disciplina de Estatística e Probabilidade em Física. Na Unidade 1, introduziremos noções básicas de Probabilidade e Estatística, tal como os conceitos e fundamentos de Estatística no Tópico 1, conceitos de Probabilidade no Tópico 2 e fundamentos da mesma no Tópico 3. Aqui nesta obra, por conceitos, entenderemos como uma abordagem menos rigorosa e voltada para situações do cotidiano enquanto para fundamentos teremos uma abordagem mais rigorosa do ponto de vista matemático. Na Unidade 2 serão introduzidos a fórmula de Bayes com algumas aplicações dela (Tópico 1) e os chamados Processos Estocásticos (Tópico 2). Especificamente na primeira parte do Tópico 2 serão estudados os conceitos e fundamentos de tais processos, e, ao final deste tópico, fundamentaremos e aplicaremos um caso particular conhecido como processos markovianos. Já ao término desta unidade, faremos uma breve revisão de termodinâmica que será útil para a realização de nossos estudos na última unidade desta disciplina. Para finalizar esta disciplina, na Unidade 3, aplicaremos nossos conhecimentos para entender um pouco do papel que a probabilidade e estatística desenvolvem na ciência Física. No Tópico 1, estudaremos a Teoria Cinética dos Gases para então reescrever algumas facetas da termodinâmica em termos de entidades estatísticas. No Tópico 2, abordaremos conceitualmente a área conhecida em Física como Mecânica Estatística sem adentrar numa formulação matemática mais rigorosa. Por último, no Tópico 3, trabalharemos “outras aplicações em física”, em que usaremos nossos conhecimentos de processos estocásticos para descrever o chamado movimento browniano na primeira parte de tal tópico. Como segunda e última parte, veremos o papel da probabilidade no desenvolvimento da formulação básica da Mecânica Quântica. Prof. André Martorano Kuerten Você já me conhece das outras disciplinas? Não? É calouro? Enfi m, tanto para você que está chegando agora à UNIASSELVI quanto para você que já é veterano, há novidades em nosso material. Na Educação a Distância, o livro impresso, entregue a todos os acadêmicos desde 2005, é o material base da disciplina. A partir de 2017, nossos livros estão de visual novo, com um formato mais prático, que cabe na bolsa e facilita a leitura. O conteúdo continua na íntegra, mas a estrutura interna foi aperfeiçoada com nova diagramação no texto, aproveitando ao máximo o espaço da página, o que também contribui para diminuir a extração de árvores para produção de folhas de papel, por exemplo. Assim, a UNIASSELVI, preocupando-se com o impacto de nossas ações sobre o ambiente, apresenta também este livro no formato digital. Assim, você, acadêmico, tem a possibilidade de estudá-lo com versatilidade nas telas do celular, tablet ou computador. Eu mesmo, UNI, ganhei um novo layout, você me verá frequentemente e surgirei para apresentar dicas de vídeos e outras fontes de conhecimento que complementam o assunto em questão. Todos esses ajustes foram pensados a partir de relatos que recebemos nas pesquisas institucionais sobre os materiais impressos, para que você, nossa maior prioridade, possa continuar seus estudos com um material de qualidade. Aproveito o momento para convidá-lo para um bate-papo sobre o Exame Nacional de Desempenho de Estudantes – ENADE. Bons estudos! NOTA Olá acadêmico! Para melhorar a qualidade dos materiais ofertados a você e dinamizar ainda mais os seus estudos, a Uniasselvi disponibiliza materiais que possuem o código QR Code, que é um código que permite que você acesse um conteúdo interativo relacionado ao tema que você está estudando. Para utilizar essa ferramenta, acesse as lojas de aplicativos e baixe um leitor de QR Code. Depois, é só aproveitar mais essa facilidade para aprimorar seus estudos! UNI Olá, acadêmico! Iniciamos agora mais uma disciplina e com ela um novo conhecimento. Com o objetivo de enriquecer seu conhecimento, construímos, além do livro que está em suas mãos, uma rica trilha de aprendizagem, por meio dela você terá contato com o vídeo da disciplina, o objeto de aprendizagem, materiais complementares, entre outros, todos pensados e construídos na intenção de auxiliar seu crescimento. Acesse o QR Code, que levará ao AVA, e veja as novidades que preparamos para seu estudo. Conte conosco, estaremos juntos nesta caminhada! LEMBRETE sumário UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA ................................... 1 TÓPICO 1 — CONCEITOS BÁSICOS E FUNDAMENTOS DE ESTATÍSTICA ....................... 3 1 INTRODUÇÃO .................................................................................................................................... 3 2 ESTATÍSTICA NO COTIDIANO ..................................................................................................... 4 3 TERMOS BÁSICOS ............................................................................................................................ 9 4 MEDIDAS DE POSIÇÃO................................................................................................................. 10 RESUMO DO TÓPICO 1..................................................................................................................... 15 AUTOATIVIDADE .............................................................................................................................. 16 TÓPICO 2 — CONCEITOS BÁSICOS DE PROBABILIDADE ................................................... 19 1 INTRODUÇÃO .................................................................................................................................. 19 2 PROBABILIDADE EM ALGUMAS SITUAÇÕES COTIDIANAS .......................................... 20 3 SISTEMAS DE DUAS OPÇÕES ..................................................................................................... 24 4 PREDIÇÕES NO CONTEXTO PROBABILÍSTICO ................................................................... 29 RESUMO DO TÓPICO 2..................................................................................................................... 33 AUTOATIVIDADE .............................................................................................................................. 34 TÓPICO 3 — FUNDAMENTOS DE PROBABILIDADE.............................................................. 37 1 INTRODUÇÃO .................................................................................................................................. 37 2 DEFINIÇÕES E CONCEITOS BÁSICOS ..................................................................................... 37 3 VARIÁVEIS ALEATÓRIAS ............................................................................................................. 42 3.1 VARIÁVEIS ALEATÓRIAS DISCRETAS................................................................................... 43 3.1.1 Valor Médio .......................................................................................................................... 45 3.1.2 Dispersão .............................................................................................................................. 46 3.1.3 Desvio padrão ......................................................................................................................46 3.2 VARIÁVEIS ALEATÓRIAS CONTÍNUAS ................................................................................ 46 3.3 VARIÁVEIS ALEATÓRIAS: UMA APLICAÇÃO EM FÍSICA .............................................. 47 4 DISTRIBUIÇÕES DE PROBABILIDADE .................................................................................... 49 4.1 DISTRIBUIÇÕES DISCRETAS .................................................................................................... 49 4.1.1 Distribuição de Bernoulli .................................................................................................... 50 4.1.2 Distribuição binomial .......................................................................................................... 51 4.1.3 Distribuição de Poisson ...................................................................................................... 53 4.1.4 Distribuição de Probabilidade: uma aplicação em Física .............................................. 55 4.2 DISTRIBUIÇÕES CONTÍNUAS ................................................................................................. 58 4.2.1 Distribuição Gaussiana (Normal) ...................................................................................... 58 5 DISTRIBUIÇÃO DISCRETA PARA CONTÍNUA ...................................................................... 61 LEITURA COMPLEMENTAR ............................................................................................................ 66 RESUMO DO TÓPICO 3..................................................................................................................... 68 AUTOATIVIDADE .............................................................................................................................. 69 REFERÊNCIAS ...................................................................................................................................... 73 UNIDADE 2 — FÓRMULA DE BAYES, PROCESSOS ESTOCÁSTICOS E BREVE REVISÃO DA TERMODINÂMICA .................................................................... 75 TÓPICO 1 — FÓRMULA DE BAYES ................................................................................................ 77 1 INTRODUÇÃO .................................................................................................................................. 77 2 PROBABILIDADE CONDICIONAL ............................................................................................. 78 3 FÓRMULA DE BAYES ...................................................................................................................... 82 4 DISTRIBUIÇÕES A PRIORI E A POSTERIORI ......................................................................... 86 RESUMO DO TÓPICO 1..................................................................................................................... 95 AUTOATIVIDADE .............................................................................................................................. 96 TÓPICO 2 — PROCESSOS ESTOCÁSTICOS E CADEIAS DE MARKOV ............................. 99 1 INTRODUÇÃO .................................................................................................................................. 99 2 PROCESSOS ESTOCÁSTICOS: NOÇÕES BÁSICAS ............................................................... 99 3 CADEIAS DE MARKOV: NOÇÕES INTUITIVAS .................................................................. 105 4 CADEIAS DE MARKOV ............................................................................................................... 110 RESUMO DO TÓPICO 2................................................................................................................... 119 AUTOATIVIDADE ............................................................................................................................ 120 TÓPICO 3 — BREVE REVISÃO DA TERMODINÂMICA ....................................................... 123 1 INTRODUÇÃO ................................................................................................................................ 123 2 TERMODINÂMICA: ESTRUTURA BÁSICA ........................................................................... 123 3 TRABALHO, CALOR E ENTROPIA ........................................................................................... 125 3.1 TRABALHO ................................................................................................................................. 125 3.2 CALOR ......................................................................................................................................... 129 3.3 ENTROPIA................................................................................................................................... 130 4 LEIS DA TERMODINÂMICA ...................................................................................................... 134 4.1 LEI ZERO ..................................................................................................................................... 134 4.2 PRIMEIRA LEI .............................................................................................................................. 135 4.3 SEGUNDA LEI ............................................................................................................................ 137 LEITURA COMPLEMENTAR .......................................................................................................... 140 RESUMO DO TÓPICO 3................................................................................................................... 142 AUTOATIVIDADE ............................................................................................................................ 143 REFERÊNCIAS .................................................................................................................................... 147 UNIDADE 3 — APLICAÇÕES DE PROBABILIDADE E ESTATÍSTICA EM FÍSICA ......... 149 TÓPICO 1 — TEORIA CINÉTICA DOS GASES ......................................................................... 151 1 INTRODUÇÃO ................................................................................................................................ 151 2 TEORIA CINÉTICA DOS GASES: HIPÓTESES BÁSICAS ................................................... 151 3 TEMPERATURA: INTERPRETAÇÃO ESTATÍSTICA ............................................................. 152 4 PRESSÃO: INTERPRETAÇÃO ESTATÍSTICA ......................................................................... 157 5 DERIVANDO E REINTERPRETANDO ALGUMAS LEIS TERMODINÂMICAS ............ 160 5.1 LEI DOS GASES IDEAIS ............................................................................................................ 160 5.2 LEI DE BOYLE............................................................................................................................. 161 5.3 LEI DE DALTON ........................................................................................................................ 161 6 ENTROPIA: INTERPRETAÇÃO ESTATÍSTICA ...................................................................... 163 RESUMO DO TÓPICO 1................................................................................................................... 166 AUTOATIVIDADE ............................................................................................................................ 167 TÓPICO 2 — MECÂNICA ESTATÍSTICA .................................................................................... 171 1 INTRODUÇÃO ................................................................................................................................ 171 2 MICROESTADOS E MACROESTADOS ................................................................................... 171 3 PROBABILIDADE E ENTROPIA .................................................................................................178 4 FÓRMULA ESTATÍSTICA PARA ENTROPIA: DEDUÇÃO MATEMÁTICA .................... 182 RESUMO DO TÓPICO 2................................................................................................................... 186 AUTOATIVIDADE ............................................................................................................................ 187 TÓPICO 3 — OUTRAS APLICAÇÕES EM FÍSICA .................................................................... 189 1 INTRODUÇÃO ................................................................................................................................ 189 2 FORÇA ESTOCÁSTICA E MOVIMENTO BROWNIANO .................................................... 189 2.1 FORÇA ESTOCÁSTICA............................................................................................................. 190 2.2 MOVIMENTO BROWNIANO: DESCRIÇÃO FÍSICA .......................................................... 191 3 PROBABILIDADE E TEORIA QUÂNTICA .............................................................................. 195 3.1 DUALIDADE ONDA/PARTÍCULA ........................................................................................ 196 3.2 FUNÇÃO DE ONDA E EQUAÇÃO DE SCHROEDINGER ................................................ 197 3.3 INTERPRETAÇÃO DE BORN .................................................................................................. 202 LEITURA COMPLEMENTAR .......................................................................................................... 207 RESUMO DO TÓPICO 3................................................................................................................... 209 AUTOATIVIDADE ............................................................................................................................ 210 REFERÊNCIAS .................................................................................................................................... 213 1 UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA OBJETIVOS DE APRENDIZAGEM PLANO DE ESTUDOS A partir do estudo desta unidade, você deverá ser capaz de: • compreender alguns aspectos básicos de estatística; • fundamentar e desenvolver problemas de estatística; • compreender alguns aspectos básicos de probabilidade; • fundamentar e desenvolver problemas de probabilidade. Esta unidade está dividida em três tópicos. No decorrer da unidade, você encontrará autoatividades com o objetivo de reforçar o conteúdo apresentado. TÓPICO 1 – CONCEITOS BÁSICOS E FUNDAMENTOS DE ESTATÍSTICA TÓPICO 2 – CONCEITOS BÁSICOS DE PROBABILIDADE TÓPICO 3 – FUNDAMENTOS DE PROBABILIDADE Preparado para ampliar seus conhecimentos? Respire e vamos em frente! Procure um ambiente que facilite a concentração, assim absorverá melhor as informações. CHAMADA 2 3 TÓPICO 1 — UNIDADE 1 CONCEITOS BÁSICOS E FUNDAMENTOS DE ESTATÍSTICA 1 INTRODUÇÃO A estatística se faz presente em nossas vidas nos mais variados ramos da atividade humana. Ela está presente em situações cotidianas como em eventos esportivos, em informações cedidas por um determinado governo etc. Por exemplo, em um evento esportivo, geralmente, nos deparamos com certas informações que visam fundamentar as análises subsequentes dos cronistas esportivos acerca de certa equipe ou, mais em geral, acerca do próprio evento esportivo, ou mesmo da história do próprio esporte como um todo. Ali, a estatística pode surgir de diferentes formas possíveis, como na contagem de chutes ao gol por jogo, a eficiência de tais chutes etc. Fundamentalmente, a estatística trabalha com uma grande quantidade de dados. A origem da própria palavra nos remete ao termo Estado, uma vez que este geralmente trabalha com quantidades enormes de dados, por exemplo, uma população, suas subdivisões em faixas etárias, pirâmide populacional, seja ela referente ao gênero, à classe social e à própria faixa etária etc. Em outras palavras, dados que serão úteis a um determinado município, estado, país etc. Como podemos ver em Memória (2004, p. 10): “a etimologia da palavra, do latim status (Estado), usada aqui para designar a coleta e a apresentação de dados quantitativos de interesse do Estado, [...]”. Como nos exemplos citados anteriormente, a estatística deve trabalhar como uma grande quantidade de dados e, a partir destes, organizar, analisar etc. Longe de tais situações corriqueiras, a estatística também desempenha papel importante no desenvolvimento das ciências básicas, como Biologia, Química e Física. Especificamente na ciência Física, ela tem fundamental importância na compreensão dos fenômenos termodinâmicos. Ao tratar um sistema físico microscópico com uma infinidade de partículas que seguem leis da Mecânica (seja ela Clássica ou Quântica), podem-se inferir os conceitos estatísticos, fundando, assim, o campo de estudo conhecido como Física Estatística, também conhecida como Mecânica Estatística. Outros ramos da Física também podem apresentar aspectos estatísticos como Teoria do Caos, Econofísica etc. Para dar suporte conceitual e matemático para nossos estudos futuros de Probabilidade e Estatística em Física, no Tópico 1, apresentaremos as ideias básicas e os fundamentos matemáticos de Estatística, como construção e análise de tabelas, frequência, mediana, moda, variáveis aleatórias, população e amostra. UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA 4 Iniciaremos o tópico apresentando situações cotidianas envolvendo estatística para que, posteriormente, ao logo do tópico, possamos introduzir alguns fundamentos e definições matemáticas que nos auxiliarão nos tópicos mais avançados ao longo do curso. 2 ESTATÍSTICA NO COTIDIANO A estatística aparece em nosso dia a dia de diversas formas, como já havíamos mencionado, em eventos esportivos ou em estudos emitidos por um determinado governo. Para iniciar nossos estudos, vamos supor que certa administração pública queira dar uma concessão de uso de uma rodovia para o setor privado. Para este fim, tal administração encomenda um estudo para quantificar o fluxo dos veículos que trafegam sobre esta rodovia. Para desenvolver tal pesquisa, contratam-se funcionários para então estimar tal fluxo em um certo ponto da estrada. Tais funcionários são requeridos de anotar a quantidade de motos, carros, ônibus e caminhões que circulam pela rodovia em tal ponto e em um dado intervalo de tempo. Ao começar seu trabalho, um funcionário transmite para um computador os primeiros veículos que transitam em tal ponto, ou seja: carro, moto, carro, carro, caminhão, carro, caminhão, ônibus, moto e assim por diante. Depois de um período de vinte quatro horas, os dados anotados naquele ponto foram organizados na seguinte tabela a seguir: TABELA 1 – FLUXO DE VEÍCULOS NUM PERÍODO DE 24 HORAS FONTE: O autor Tipo de Veículo Quantidade Moto 127 Carro 453 Ônibus 071 Caminhão 145 Desse modo, num período de um dia foram contados 127 motos, 453 carros, 71 ônibus e 145 caminhões. A seguir, apresentamos uma representação gráfica dos dados anteriores. TÓPICO 1 — CONCEITOS BÁSICOS E FUNDAMENTOS DE ESTATÍSTICA 5 GRÁFICO 1 – COMPOSIÇÃO DO FLUXO DE VEÍCULOS FONTE: O autor Desde que o interesse sob os dados da tabela seja de cunho financeiro, torna-se útil associar para cada variedade (moto, carro, ônibus e caminhão) um valor numérico, que, neste caso, é uma estimativa sobre o preço a ser cobrado no futuro pedágio instalado naquele ponto específico. Atribuíram-se, então, os seguintes valores em reais: TABELA 2 – PREÇO ESTABELECIDO PARA CADA TIPO DE VEÍCULO Veículo Preço em R$ Moto 2,00 Carro 5,00 Ônibus 16,00 Caminhão 12,00 FONTE: O autor As duas tabelas anteriores estão organizadas na única tabela a seguir: TABELA 3 – FREQUÊNCIA DE OCORRÊNCIA VS PREÇO POR VEÍCULO - I FONTE: O autor Frequência R$ 127 2,00 453 5,00 071 16,00 145 12,00 UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA 6 A tabela anterior estáorganizada de acordo com a frequência de ocorrência de um determinado dado (aqui, neste caso: moto, carro etc.). É útil, ainda, organizar a tabela anterior em ordem crescente quanto ao valor da frequência, ou seja: TABELA 4 – FREQUÊNCIA DE OCORRÊNCIA VS PREÇO POR VEÍCULO - II FONTE: O autor Frequência R$ 071 16,00 127 2,00 145 12,00 453 5,00 Podemos ainda organizar em termos da frequência relativa, que é nada mais, nada menos, que pegar a razão entre a frequência e a totalidade do conjunto de dados. Nesse caso, a totalidade de veículos é: 71 + 127 + 145 + 453 = 796. As frequências relativas, de cada tipo de veículo, serão dadas por: • Ônibus: • Moto: • Caminhão: • Carro: Neste caso, podemos reorganizar nossa tabela anterior como: FONTE: O autor TABELA 5 – FREQUÊNCIA RELATIVA DE OCORRÊNCIA VS PREÇO POR VEÍCULO Frequência Relativa R$ 0,089 16,00 0,159 2,00 0,182 12,00 0,573 5,00 TÓPICO 1 — CONCEITOS BÁSICOS E FUNDAMENTOS DE ESTATÍSTICA 7 Todos as diferentes formas de organização dadas anteriormente são construídas em termos de uma amostra que relata, neste nosso exemplo, o número de veículos que trafegam em um dado intervalo de tempo e em um dado ponto da rodovia. Tal amostra constitui apenas uma “parte” da realidade adjacente que é entendida, em estatística, como uma população. Vamos considerar agora nossa tabela organizada como na Tabela 4. Notamos que o valor com maior frequência é de R$ 5,00. Chamamos este valor de moda. Também é, muitas vezes, útil encontrar o valor central da configuração de dados. Neste caso pegamos os valores centrados e tiramos uma média deles, isto é: Tal valor é nomeado como a mediana associada com a amostra. Podemos ainda prever o lucro esperado em um dia através de nossa amostra. Por exemplo, em um certo minuto foi verificado: carro, caminhão, carro, carro, ônibus, moto. Desde que associamos valores a cada tipo de veículo, a sequência anterior é convertida numericamente como: 5,00, 12,00, 5,00, 5,00, 16,00, 2,00. Desse modo, para aquele dado minuto temos a amostra anterior. Tal amostra pode ser convertida num lucro bruto esperado da seguinte maneira: Logo, a amostra, naquele minuto específico, fornece uma previsão de lucro de sete reais e cinquenta centavos. Como vimos, na amostra referente a 24 horas, o total de veículos era de setecentos e noventa e seis. É um número grande e, então, nesses casos, é conveniente tabelarmos os dados numa tabela de frequência. Note que com a tabela organizada dessa maneira, torna-se mais simples calcular a previsão de lucro bruto nas 24 horas. UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA 8 Nesse caso, multiplicamos a frequência pelo valor associado, isto é: 71 . 16,00 + 127 . 2,00 + 145 . 12,00 + 453 . 5,00 = 5395. Assim, o resultado anterior sugere um lucro bruto diário de cinco mil trezentos e noventa e cinco reais. A seguir, podemos ver a contribuição de cada categoria no montante final de lucro bruto: GRÁFICO 2 – PREVISÃO DE CONTRIBUIÇÃO NO LUCRO BRUTO TOTAL FONTE: O autor Podemos também encontrar o lucro bruto associado por veículo. Basta dividirmos o resultado acima pelo número total de veículos, ou seja Desse modo, para os preços estabelecidos por cada tipo de veículo, a fórmula anterior nos fornece o valor médio de aproximadamente seis reais e setenta e oito centavos por cada veículo rodado. Os números que acabamos de encontrar são conhecidos como medidas de posição. TÓPICO 1 — CONCEITOS BÁSICOS E FUNDAMENTOS DE ESTATÍSTICA 9 3 TERMOS BÁSICOS Um modelo estatístico é caracterizado por uma população A e uma amostra a. Uma população engloba todo o conjunto de elementos os quais possuem uma atribuição em comum. Um subconjunto de uma população é denominado amostra. A população pode ser infinita ou finita enquanto a amostra deve ser sempre finita. Em outras palavras, a amostra carrega o conjunto de dados qual trabalhamos em modelos estatísticos através de uma amostragem. Uma amostragem pode ser aleatória ou intencionada. As variáveis estatísticas podem ser quantitativas ou qualitativas. Por sua vez, as variáveis quantitativas podem ser discretas ou contínuas enquanto as qualitativas podem ser nominais ou ordinais. Como em Magalhães e Lima (2004, p. 8), as variáveis podem ser classificadas como: FIGURA 1 – CLASSIFICAÇÃO DAS VARIÁVEIS FONTE: Adaptado de Magalhães e Lima (2004, p. 8) Variável Qualitativa Quantitativa Nominal Ordinal Discreta Contínua Considere que queremos estudar as temperaturas médias das cinco regiões brasileiras. Devido a certas dificuldades, podemos escolher aleatoriamente um grupo de cidades que representarão cada região. Agora, digamos que nossa pesquisa será aplicada para políticas de saúde pública e nos interessa apenas as sub-regiões de cada região que tradicionalmente apresentam as maiores e menores temperaturas médias. Nesse caso, realizamos uma pesquisa intencionada, buscando escolher as cidades das regiões mais quentes e frias de cada região. Note que em nossa coleta de dados, buscaremos variáveis quantitativas, desde que mediremos a temperaturas em diferentes dias e locais. A temperatura é ainda uma variável contínua, isto é, assume valores reais e, em geral, não inteiros. UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA 10 Supomos que, na mesma pesquisa, queremos considerar a população das cidades envolvidas. Desse modo, para essa amostragem, serão atribuídos valores quantitativos, desde que a população de uma cidade é um número inteiro. Dentro dessas cidades ainda podemos fazer uma pesquisa paralela para estabelecer a divisão social de cada município (classe A, B etc.). Nesse caso, a variável será qualitativa ordinal, uma vez que a uma “ordem” atribuída: A (alta), B (média-alta), C (média) etc. Para finalizar, poderíamos querer saber a proporção da população de uma dada cidade que faz parte de um certo “grupo de risco”. Nossa coleta de dados se resumiria em obter as respostas “faz parte” ou “não faz parte”. Tal variável é classificada como qualitativa nominal. 4 MEDIDAS DE POSIÇÃO Começaremos trabalhando as medidas de posição. Consideremos um conjunto de dados {di} de uma certa variável D. Define-se a média d como sendo a somatória de di pela quantidade de valores n, isto é: (1) Caso um certo conjunto de dados estão organizados de acordo com suas frequências fi, a expressão (1) torna-se uma média ponderada, e é então reescrita como: (2) Há ainda o conceito de classe. Classe é quando a variável é dividida em intervalos definidos por uma amplitude. O conjunto de dados {Di}, o qual devemos trabalhar, será construído pegando determinadas médias referentes a cada intervalo. Matematicamente, temos: Em que dif é o limite superior do intervalo e di0 o limite inferior. TÓPICO 1 — CONCEITOS BÁSICOS E FUNDAMENTOS DE ESTATÍSTICA 11 Neste caso, a média será dada por: (3) Com Fi sendo a frequência de cada intervalo Ii e N a quantidade de intervalos. Dada uma amplitude Ai, o intervalo Ii deve ser um semiaberto. Por exemplo, escolhendo: I₁= ]d₁₀,dif] Teremos os outros intervalos: I₂= ]d₂₀,d2f], I₃= ]d₃₀,d3f] E assim por diante. Em geral, as amplitudes Ai não necessitam serem iguais. Ainda é útil definir a mediana e a moda associada ao conjunto de dados. A mediana dmed é definida como o dado que ocupa a “posição” central de um conjunto de dados, enquanto a moda dmod é o dado com maior frequência. Como um exemplo, considere um clube de futebol em que a folha de pagamento do time titular é fornecida pela tabela a seguir: TABELA 6 – FOLHA DE PAGAMENTO DO TIME - I FONTE: O autor 4 3 5 7 6 4 4 2 6 8 7 Osvalores são dados em mil reais. A média (1) é, então: No entanto, organizada numa tabela de frequência, a mesma tabela torna-se: UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA 12 TABELA 7 – FOLHA DE PAGAMENTO ORGANIZADA POR SUA FREQUÊNCIA FONTE: O autor fi 1 1 3 1 2 2 1 di 2 3 4 5 6 7 8 Agora, para encontrar d de acordo com a tabela anterior, devemos usar a equação (2). Obviamente, o resultado encontrado deve ser o mesmo. Por sua vez, a mediana dmed é obtida por organizar os dados em ordem crescente: 2, 3, 4, 4, 4, 5, 6, 6, 7, 7, 8. Logo: dmed = 5000. Já para a moda temos: dmod = 4000. Agora, considere o caso que queremos analisar somente os jogadores que jogam “na linha”, ou seja, desconsiderando o salário do goleiro. A nova tabela (já ordenada em ordem crescente) é então dada por TABELA 8 – FOLHA DE PAGAMENTO DO TIME - II FONTE: O autor 2 3 4 4 5 6 6 7 7 8 Note que, agora, nossa coleção de dados é par. Nesse caso, para obtermos a mediana, devemos encontrar uma média entre os valores centrais, ou seja: Podemos ainda trabalhar com frequências relativas Fi. Tal frequência é definida assim: (4) TÓPICO 1 — CONCEITOS BÁSICOS E FUNDAMENTOS DE ESTATÍSTICA 13 Com a frequência relativa (4) introduzida, a equação (2) torna-se: d = ∑ Fi di, Enquanto a equação (3) pode ser reescrita como: d = ∑ Fi Di , Com Fi definido analogamente como: Outro tipo de frequência útil a ser introduzido, é a chamada frequência acumulada ai. Ela é obtida somando fi com seus antecessores, isto é: ai = fi + fi-1 + fi-2 + ... + f₁. Ainda, devemos definir a frequência acumulada relativa Ai por: Ai = Fi + Fi-1 + Fi-2 +...+ F1. Com essas novas definições, podemos reescrever a Tabela 6 como: (5) (6) TABELA 9 – FOLHA DE PAGAMENTO ORGANIZADA PELA FREQUÊNCIA E FREQUÊNCIA ACUMULADA FONTE: O autor Ai 1/11 2/11 5/11 6/11 8/11 10/11 1 Fi 1/11 1/11 3/11 1/11 2/11 1/11 1/11 ai 1 2 5 6 8 10 11 fi 1 1 3 1 2 2 1 di 2 3 4 5 6 7 8 Para finalizar este tópico, vamos trabalhar o conceito de classe. Considere que o clube quer arrecadar dinheiro e começa a coletar os possíveis doadores do clube. De um total de 500 torcedores pesquisados, verificou-se 306 pessoas dispostas a doarem até R$ 50, 102 a doarem entre 50 e 100, 82 de 100 a 150, 9 de 150 a 200 e uma pessoa de 200 a 250 reais. Assim, organiza-se a seguinte tabela: UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA 14 TABELA 10 – POSSÍVEIS DOADORES E VALORES A SEREM DOADOS FONTE: O autor FONTE: O autor dif / di0 fi ai 0 - 50 306 306 50 -100 102 408 100 -150 082 490 150 - 200 009 499 200 - 250 001 500 Por considerando o valor médio Di de cada intervalo, a tabela anterior rende: TABELA 11 – POSSÍVEIS DOADORES E VALORES MÉDIOS A SEREM DOADOS Di fi ai 25 306 306 75 102 408 100 082 490 125 009 499 150 001 500 Deste modo, usando (3), encontramos: Logo, a capacidade de arrecadação do clube será de R$ 53,782 por torcedor. Assim, estipulando que o time tenha 25000 torcedores, a expectativa de arrecadação será de R$ 1344550. Para reforçar seus estudos referente ao Tópico 1 e os tópicos subsequentes, pode ser útil ler Magalhães e Lima (2004). DICAS 15 Neste tópico, você aprendeu que: • Os conceitos de estatística podem ser tratados em situações corriqueiras. • Uma tabela é melhor organizada em termos de suas frequências. • Existem termos básicos que são úteis para trabalhar os modelos estatísticos. • Os dados trabalhados em estatística formam uma amostra e estas fazem parte de uma população. • Podemos encontrar valores numéricos importantes como moda e mediana e estas são medidas de posição. • Medidas de posição podem fornecer grandezas desejáveis para um tratamento mais aprofundado de um certo conjunto de dados. • As variáveis estatísticas podem ser qualitativas e quantitativas, podendo ser ainda nominais ou ordinais, discretas ou contínuas. RESUMO DO TÓPICO 1 16 AUTOATIVIDADE 1 Existem diferentes maneiras de organizar uma tabela a partir de dados brutos extraídos. Podemos organizar uma tabela através da frequência ou mesmo da amplitude. Ainda, muitas vezes, é útil considerar a frequência e amplitude relativas. Com as informações anteriores, suponha que certo filme para o público adolescente resolveu fazer um levantamento para saber a faixa etária de seu público e obteve os seguintes resultados: Desenvolva os itens pedidos a seguir: a) Reescreva a tabela em termos de frequência. b) Reescreva a tabela em termos da amplitude. c) Reescreva a tabela em termos de frequência relativa. d) Reescreva a tabela em termos de amplitude relativa. Com base em seus resultados, classifique V para as sentenças verdadeiras e F para as falsas: ( ) A tabela em termos de frequência tem a forma: ( ) A tabela em termos de amplitude tem a forma: ( ) A tabela em termos de frequência relativa tem a forma: 14 17 13 13 18 13 20 19 18 18 16 15 13 19 17 17 15 14 20 16 13 15 16 13 14 14 18 16 15 13 17 16 18 14 13 17 19 20 14 13 16 16 19 14 14 19 14 17 16 20 13 21 15 14 17 18 16 15 20 14 fi 10 11 06 09 07 06 05 05 01 di 13 14 15 16 17 18 19 20 21 ai 10 21 27 35 44 50 53 59 60 di 13 14 15 16 17 18 19 20 21 Fi 1/6 11/60 1/10 3/20 7/60 1/10 1/12 1/12 1/60 di 13 14 15 16 17 18 19 20 21 17 ( ) A tabela em termos de amplitude relativa tem a forma: Agora, assinale a alternativa que apresenta a sequência CORRETA: a) ( ) V – F – V – F. b) ( ) V – V – F – F. c) ( ) V – F – V – V. d) ( ) F – V – F – V. 2 Em estatística, é útil obter alguns valores numéricos para uma posterior análise das informações colhidas. Tais valores são conhecidos como medidas de posição e, entre eles, temos frequência, mediana, moda e o valor médio. Com a tabela a seguir: Encontre demonstrando o resultado, a mediana, moda e o valor médio. I- Mediana = 11,5. Moda = 13. Valor médio = 8,425. II- Mediana = 10,5. Moda = 13. Valor médio = 8,425. III- Mediana = 10. Moda = 11. Valor médio = 8,85. IV- Mediana = 11,5. Moda = 11. Valor médio = 7,967. Agora, assinale a alternativa CORRETA: a) ( ) Somente a afirmativa I está correta. b) ( ) Somente a afirmativa II está correta. c) ( ) Somente a afirmativa III está correta. d) ( ) Somente a afirmativa IV está correta. 3 As chamadas variáveis aleatórias podem ser classificadas por diferentes atribuições, podendo ser uma variável quantitativa ou qualitativa. Caso a variável seja qualitativa, ela pode ser nominal ou ordinal enquanto que se for quantitativa, ela pode ser discreta ou contínua. A seguir, temos uma ilustração da classificação de variáveis aleatórias: FONTE: Adaptado de Magalhães e Lima (2004, p. 8) Ai 1/6 1/5 1/2 3/5 43/60 5/6 9/10 59/60 01 di 13 14 15 16 17 18 19 20 21 09 06 14 10 11 05 04 02 01 14 12 15 10 08 02 11 13 09 12 11 07 13 05 11 07 12 05 Variável Qualitativa Quantitativa Nominal Ordinal Discreta Contínua 18 Com suas próprias palavras, disserte sobre no que consiste cada tipo de variável aleatória. 4 Muitas vezes, usa-se o conceito de classe para trabalhar com certos dados estatísticos. Podemos dizer que em dados classificados por classes, se disponibilizam tais em razão de seus intervalos. Sendo dif o limite superior do intervalo, di0 o limite inferior e fi as frequências, através da tabela a seguir: Agora, assinale a alternativa CORRETA: a) ( ) A média associada a tabela é aproximadamente 27,41. b) ( ) A média associada a tabela é aproximadamente 43,76. c) ( ) A média associadaa tabela é aproximadamente 36,93. d) ( ) A média associada a tabela é aproximadamente 32,26. dif / di0 fi 0 - 20 26 20 - 40 59 40 - 60 22 60 - 80 07 80 - 100 01 19 TÓPICO 2 — UNIDADE 1 CONCEITOS BÁSICOS DE PROBABILIDADE 1 INTRODUÇÃO A probabilidade aparece em muitos ramos do conhecimento humano, tal como Economia, Biologia, Física, Teoria dos Jogos etc. Seu estudo, sob o ponto de vista matemático, remonta aos trabalhos de Bernoulli já no Século XVII, em sua obra intitulada Ars Conjectandi, publicado no século seguinte em 1713, como pode ser visto em Hald (2003). Inicialmente, o estudo da probabilidade surge com o emergente interesse em jogos de azar, como pode ser lido em Memória (2004), e se difundindo posteriormente sob as diversas ramificações do conhecimento humano. Hoje em dia, a probabilidade é entendida como um ramo da estatística, que estudamos anteriormente. Um ramo, em especial, em que os conceitos de probabilidade têm fundamental importância é na ciência Física, já que ela aparece desde a Teoria do Caos como na própria fundação da Teoria Quântica. Na mecânica Quântica, a probabilidade surge nos debates iniciais acerca da interpretação do significado da função de onda de uma partícula. Tal interpretação conhecida como Interpretação de Born diz que tal função de onda pode ser compreendida desde que seu quadrado nos forneça uma onda de probabilidade. O histórico artigo de Born (1954), pode ser obtido no site oficial do prêmio Nobel, no endereço: nobelprize.org/prizes/physics/1954/born/lecture/. DICAS Entretanto, longe de sua importância acadêmica em Física, a probabilidade torna-se familiar simplesmente por observar nossos acontecimentos diários. Nos eventos cotidianos, a probabilidade emerge, por exemplo, num sorteio da loteria federal, em jogos de tabuleiro, de cartas ou de dados, no mercado financeiro etc. 20 UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA No Tópico 2, observando situações diversas mais próximas da realidade cotidiana, abordaremos os conceitos básicos de probabilidade, como sistema contendo apenas duas possibilidades, sua distribuição binomial de probabilidade e normalização, descritas em diferentes formas, como fazer predições em contextos probabilísticos usando valor esperado e desvio médio. Espera-se, assim, que tal tópico sirva de suporte para um estudo mais aprofundado que será desenvolvido no Tópico 3. 2 PROBABILIDADE EM ALGUMAS SITUAÇÕES COTIDIANAS Como já mencionado na Introdução, conceitos de probabilidade podem ser extraídos em diversas situações cotidianas. Alguns deles são os jogos de dados, cartas, loterias etc. Para começar nosso estudo, analisaremos tais situações ocorrentes em nosso dia a dia. Consideraremos, inicialmente, um desafio de dados não viciados. Em tal desafio, devemos prever o número que será sorteado após alguns lançamentos aleatórios de dados. A probabilidade de acertar a face correta é de uma em seis após um único lançamento de dado, ou simplesmente 1/6. Podemos representar esta situação matematicamente como: Aqui P(n) representa a probabilidade de se obter um número específico n de um total de seis números possíveis. Caso agora queiramos prever duas jogadas consecutivas, devemos apenas multiplicar uma probabilidade pela outra, ou seja: Aqui n′ detona que os números não são necessariamente iguais. A regra de multiplicação anterior pode ser generalizada para um número indeterminado de jogadas. Por exemplo, seja m o número de jogadas subsequentes, teremos então a regra de multiplicação reescrita como: A forma de calcular a probabilidade é muito sensível ao jogo que estamos querendo analisar. Por exemplo, se quisermos acertar dois números diferentes independentes da ordem, teremos então (para m = 2): TÓPICO 2 — CONCEITOS BÁSICOS DE PROBABILIDADE 21 A forma anterior ocorre porque, na primeira jogada, temos uma chance em três enquanto na segunda uma chance em seis. Note que no primeiro caso somamos as probabilidades, isto é: Quando introduzimos, formalmente, os conceitos de probabilidade, veremos, que, em geral, temos regras diferentes para eventos que são independentes e para eventos que são exclusivos. Por hora, vamos nos ater a eventos independentes onde a regra da multiplicação é válida. Para ilustrar outra situação de aplicabilidade de eventos independentes, analisaremos o corriqueiro jogo da Mega Sena. De vez em quando ouvimos ou lemos que a probabilidade de se ganhar nesse sorteio é de uma entre 50063860 milhões. Como se obtém esse valor? Nesse caso específico, para obter tal probabilidade, deve-se considerar que para cada bola sorteada, tem-se na próxima rodada um número total diferente de bolas, pois a cada sorteio uma bola é retirada para o sorteio posterior. A maneira correta de se calcular a probabilidade da Mega Sena pode ser encontrada considerando a seguinte multiplicação: Logo, podemos observar exatamente a probabilidade que nos é apresentada nos meios de comunicação. Note que apesar de o número total de bolas ter diminuído rodada após rodada (ao contrário do jogo de dados por exemplo), a probabilidade final é obtida através da regra de multiplicação. No site da loteria federal, encontramos diferentes probabilidades para os chamados “bolões” da Mega Sena, isto é, apostando seis, sete bolas etc. Confira tais números e tente obtê-los assim como verificar também se o preço de cada bolão corresponde com a probabilidade encontrada de se ganhar nela apostando diferentes quantidades de bolas. DICAS 1 1 1 . 6 6 36 + = 22 UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA Nos exemplos analisados anteriormente, a possibilidade de se obter um determinado número em relação ao outro era igualmente provável. No entanto, há casos em que a probabilidade de se obter um dado valor é maior que a probabilidade de se obter outro. Como exemplo, vamos imaginar a mesma aposta, mas agora com dados viciados. Vamos considerar ainda que certo dado foi manipulado para que a probabilidade de se obter o valor 6 seja de 50%. Os demais valores são igualmente prováveis. Nesse caso, a probabilidade de se obter qualquer valor que não seja 6 deve ser de 1/10, pois a soma das probabilidades deve totalizar 100%, isto é: Como devemos agora calcular a probabilidade de dada sequência? Vamos considerar diferentes sequências contendo três jogadas: • 6-1-4 • 6-6-2 • 6-6-6 • 3-5-2 Para cada sequência, a probabilidade é fornecida na tabela a seguir: TABELA 12 – PROBABILIDADE DE UMA SEQUÊNCIA ESPECÍFICA FONTE: O autor Sequência 6-1-4 6-6-2 6-6-6 3-5-2 Probabilidade É interessante notarmos que podemos organizar a probabilidade de cada sequência como: • • • • TÓPICO 2 — CONCEITOS BÁSICOS DE PROBABILIDADE 23 Observando a estrutura matemática anterior, é possível generalizar a probabilidade de uma sequência qualquer (de número N indeterminado) em que cada face do dado esteja associada com uma probabilidade genérica de ocorrer. Considere a expressão a seguir: (7) Pi é a probabilidade de uma certa face ocorrer e Ni a quantidade de vezes que tal face aparece na sequência. Agora repare que (7) pode fornecer qualquer resultado da tabela anterior apenas por computar o número de vezes em que as bolas aparecem na sequência, como, também, a probabilidade de cada bola ser sorteada. Neste mesmo caso considerado anteriormente, devemos ainda considerar as relações auxiliares úteis: P1 + P2 + P3 + P4 + P5 + P6 = 1, E N1 + N2 + N3 + N4 + N5 + N6 = N. Em muitos casos que estudaremos posteriormente durante o curso, pode ser conveniente usarmos as notações de produtório e somatório. Fazendo uso dessa notação, podemos reescrever (7) simplesmente como: Já as relações (8) tornam-se E (8) 24 UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA 3 SISTEMAS DE DUAS OPÇÕES Muito úteis são os problemascontendo apenas duas opções possíveis, por exemplo, um jogo de cara ou coroa. Um problema muito usual na literatura é também considerar o “caminho aleatório” ou “marinheiro bêbado”. Tal problema consiste em analisar uma trajetória em que cada “passo” caminhado pelo marinheiro é sujeito a condições probabilísticas. Em uma dimensão (trajetória sobre uma linha reta) as opções possíveis são os passos: • “Para frente” • “Para trás” Vamos supor que nosso marinheiro caminhe com uma probabilidade P> de seu passo ser dado para frente e uma probabilidade P< de seu passo ser dada para trás. Depois de N passos, a probabilidade do marinheiro ter dado N> passos para frente e N< passos para trás será dada por: (9) Note que temos aqui uma equação similar para os casos dados anteriormente com a única diferença que, neste caso, estamos considerando apenas duas possibilidades possíveis. De maneira também similar, teremos, ainda: P< + P> = 1, E N< + N> = N, Para ilustrar, vamos supor uma sequência de três passos, isto é, N = 3. Neste caso teremos os possíveis cenários: • (P<)3 (P>)0 • (P<)2 (P>)1 • (P<)1 (P>)2 • (P<)0 (P>)3 Digamos que para cada três passos, a probabilidade do marinheiro dar um passo para frente é de P< = 2/3 enquanto que para trás é de P> = 1/3. Substituindo os valores em possibilidade anterior, encontramos as probabilidades referentes para cada caso, ou seja: (10) TÓPICO 2 — CONCEITOS BÁSICOS DE PROBABILIDADE 25 • • • • Agora devemos reparar a desigualdade: Podemos, então, nos indagar: por que a soma das probabilidades de cada possibilidade não totalizou 100%? Onde se encontra o fator 12/27? Para solucionar essa pergunta, vamos considerar a situação em que o marinheiro anda dois passos para frente e um passo para trás. Notamos que temos três configurações diferentes possíveis que satisfazem este caso. São eles: • trás-frente-frente • frente-trás-frente • frente-frente-trás Do modo similar, teremos três casos diferentes para dois passos para trás e um para frente. Já para os casos de três passos para frente ou para trás, teremos apenas uma possibilidade, ou seja: frente-frente-frente ou trás-trás-trás. Agora repare que: Desse modo, temos encontrado o “12/27” que estava faltando. Devemos reparar ainda que os fatores multiplicados aos termos probabilísticos, podem ser obtidos do seguinte modo: 26 UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA E O que acabamos de introduzir informalmente foi a noção de normalização. Ou seja, para calcular corretamente a probabilidade final, devemos normalizar cada contribuição. Tal termo de normalização pode ser representado matematicamente por: (11) Podemos concluir então que a probabilidade de cada possibilidade ocorrer é dada pela multiplicação de (9) com (11), ou seja: (12) Como veremos mais adiante, a expressão obtida anteriormente é conhecida como distribuição binomial e será amplamente trabalhada por nós durante a Unidade 1. Para o problema do caminho aleatório, você pode encontrar um desenvolvimento similar mais com maior rigor matemático em Salinas (1997).. DICAS Usando as relações (10), podemos reescrever (12) como se segue: (13) A partir daqui, devemos querer associar nossas fórmulas obtidas anteriormente com uma situação que tenha um certo contexto físico. Para isso, vamos considerar, por exemplo, que para cada passo dado tenhamos Δx de comprimento. A real distância percorrida é então pega como a diferença de passos para frente e passos para trás, isto é: ΔX = X> – X<. TÓPICO 2 — CONCEITOS BÁSICOS DE PROBABILIDADE 27 A expressão anterior deve ser proporcional a N> – N< , ou seja, a diferença entre o que o marinheiro andou para frente e o que andou para trás convertidos em metros. X = X> + X< é a distância total percorrida e então está associada com N. Vamos reescrever (12) como: (14) Agora, necessitamos realizar um pouco de álgebra. Repararmos que: E Substituindo as relações anteriores em (14), como também: P< = 1 – P> Encontramos (15) Deste modo, na fórmula anterior, a probabilidade é calculada em termos da distância total percorrida X e da distância deslocada efetivamente ΔX. Podemos usar a fórmula (15) para descrever, por exemplo, a probabilidade de se encontrar uma partícula em certa distância em uma dimensão. Por simplicidade, vamos continuar analisando o movimento do marinheiro. Vamos supor que cada passo do marinheiro é equivalente a um metro de distância. Vamos também supor que ele anda dez metros no total X = 10 m. Com a fórmula (15) em mãos, podemos calcular as diversas probabilidades de ele se encontrar em uma dada posição ΔX. Considere inicialmente como um primeiro exemplo, a probabilidade de encontrar o marinheiro na posição ΔX = 10 m. Substituindo X = 10 e ΔX = 10 em (15), encontramos: 28 UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA Já para ΔX= 8 m, 6 m, 4 m, 2 m, teremos respectivamente: Para o caso em que efetivamente o marinheiro “não andou” ΔX = 0, obtemos: Enquanto para os casos em que ele andou “para trás”, isto é, ΔX < 0, encontramos: E Vamos prosseguir inicialmente fazendo uma análise simples. Se o marinheiro andar para frente com 100% de certeza (P> = 1), podemos notar que: P(10) = 1 Enquanto todos os demais são iguais a zero, pois 1 – P> = 0. Ou seja, temos 100% de certeza de que encontraremos o marinheiro na posição 10 m. No entanto, se a probabilidade de andar para frente for nula, teremos: P(–10) = 1 TÓPICO 2 — CONCEITOS BÁSICOS DE PROBABILIDADE 29 E os demais igual a zero, uma vez que P> = 0. Logo, temos 100% de certeza de que encontraremos o marinheiro na posição –10 m. Analisado o caso trivial, devemos agora querer estudar um caso não trivial. Consideraremos nosso exemplo inicial, em que P> = 2/3. Substituindo este valor em P(10), encontramos rapidamente: P(10) ≃ 0,0173. Já para P(8), teremos: Com os dois resultados anteriores, vemos que é mais provável encontrar o marinheiro em 8 m (8,67 %) do que em 10 m (1,73 %). Realizando o mesmo procedimento para as posições, encontramos: • P(6) ≃ 0,1951 • P(4) ≃ 0,2601 • P(2) ≃ 0,2276 • P(0) ≃ 0,1366 • P(-2) ≃ 0,0569 • P(-4) ≃ 0,0163 • P(-6) ≃ 0,0030 • P(-8) ≃ 0,0003 • P(-10) ≃ 0,0000 Logo, encontramos todas as possibilidades e suas probabilidades associadas ao contexto estabelecido por nós. 4 PREDIÇÕES NO CONTEXTO PROBABILÍSTICO No subtópico anterior, temos calculado a probabilidade de encontrarmos em uma dada posição, um marinheiro que anda sujeito a regras probabilísticas. Todavia, como podemos falsear nosso modelo? Ou seja, como podemos sujeitar tal modelo a uma prova? Uma opção é considerar uma média entre as variáveis possíveis de se obter. Porém, como elaborar tal média, uma vez que cada valor possível carrega uma probabilidade para acontecer? Para ilustrar, vamos, novamente, voltar para o problema do marinheiro. Por exemplo, se considerarmos uma média simples no exemplo do marinheiro, a média das posições ΔX nos forneceria o número zero. Por nossos resultados obtidos, a probabilidade em tal posição é de: P(0) ≃ 13,66 %. 30 UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA Se repararmos, ainda, as probabilidades decaem para posições ΔX < 0. Se continuarmosainda observando, podemos ver que a probabilidade vai aumentando até ΔX = 4 (P(4) ≃ 26,01 %) e novamente decai para ΔX > 4. Podemos resumir tais análises ao gráfico a seguir: GRÁFICO 3 – PROBABILIDADE DE ENCONTRAR O MARINHEIRO EM CERTA POSIÇÃO - I FONTE: O autor Podemos reparar que o valor zero não nos fornece nenhuma informação relevante para a melhor compreensão do sistema. Vamos analisar então uma composição que leve em conta o valor ΔX, tal como seu “peso probabilístico” P(ΔX). Supomos uma simples multiplicação, ou seja: P(ΔX) ⋅ ΔX. Por simplicidade, vamos considerar agora X = 5 e –5 < ΔX < 5. Vamos manter P> = 2/3 como nos exemplos anteriores. É bom sempre lembrarmos que aqui os valores de ΔX são discretos. Usando (15), encontramos: • P(5) ≃ 13,17 % • P(3) ≃ 32,92 % • P(1) ≃ 32,92 % • P(–1) ≃ 16,46 % • P(–3) ≃ 4,12 % • P(–5) ≃ 0,41 % TÓPICO 2 — CONCEITOS BÁSICOS DE PROBABILIDADE 31 É interessante notar, nos resultados anteriores, que a probabilidade de se encontrar o marinheiro nas posições 1 m e 3 m é a mesma. Como já mencionamos e mostramos através do gráfico, a média simples nos dá uma informação que não nos fornece nenhuma informação importante. Diante das probabilidades encontradas anteriormente, intuitivamente, podemos pensar que uma média ideal, nos deva fornecer um valor entre 1 e 3. Consideramos então, a somatória de todos os valores multiplicados por seus respectivos pesos probabilísticos, ou seja: ∑ P(ΔX) ⋅ ΔX ≃ 0,0041(-5) + 0,0412(-3) + 0,1646(-1) + 0,3292(1) + 0,3292(3) + 0,1317(5) ≃ 1,667. Deste modo, o valor final está entre 1 e 3, como queríamos! No entanto, podemos perceber que valor não se encontra equidistante de 1 e 3. Isso ocorre, pois os demais valores são também considerados. Observe o gráfico a seguir: GRÁFICO 4 – PROBABILIDADE DE ENCONTRAR O MARINHEIRO EM CERTA POSIÇÃO - II FONTE: O autor Podemos agora notar que o valor encontrado nos fornece uma informação relevante do sistema. O que acabamos de encontrar, isto é: <ΔX> = ∑ P(ΔX) ⋅ ΔX, É conhecido como valor esperado ou apenas valor médio de ΔX. (16) 32 UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA Outra definição importante, segue do desvio de uma dada variável quanto ao valor médio calculado. Por exemplo, os valores de nosso exemplo: X = –5, –3, –1, 1, 3, 5 Se “desviam” Δ do valor esperado <ΔX>, simplesmente por tomar equações: Δ(–5) = –5 – 1,667 = –6,667, Δ(–3) = –3 – 1,667 = –4,667 E assim por diante. De modo geral, tem-se que o desvio médio Δ(X) de X é dado neste caso por: Δ(X) = X – <X>. (17) 33 RESUMO DO TÓPICO 2 Neste tópico, você aprendeu que: • Podemos quantificar alguns problemas probabilísticos simples de situações cotidianas, como num jogo de dado ou num jogo da loteria. • O problema do caminho aleatório é útil para definir alguns conceitos importantes. • Um sistema de duas opções, como o problema do marinheiro, segue uma distribuição binomial de probabilidade. • Para podermos trabalhar com predições de um modelo guiado por probabilidade, devemos introduzir algumas grandezas matemáticas para tornar a análise do sistema em questão mais adequada, como valor médio e desvio médio. 34 AUTOATIVIDADE 1 A probabilidade aparece em nosso cotidiano de muitas maneiras diferentes, como em jogos de dados, jogos de cartas, na loteria etc. No jogo de “general”, a probabilidade de acertar a maior jogada é de uma em sete mil setecentos e setenta e seis. Tal jogo consiste em jogarmos simultaneamente cinco dados não viciados, enquanto a maior jogada é obtida quando os cinco dados fornecem o número seis. Desse modo, a probabilidade de se conseguir a maior jogada é de 1/65. Considerando que alguns dados sejam viciados, encontre a probabilidade da maior jogada para os seguintes casos: 1° caso: um dado viciado com a probabilidade de 1/3 para cair o número seis. 2° caso: um dado viciado com a probabilidade de 1/2 para cair o número quatro. 3° caso: dois dados viciados, um com probabilidade de 1/4 para cair o número seis e outro com probabilidade de 1/5 para cair o mesmo número. 4° caso: dois dados viciados, um com probabilidade de 1/3 para cair o número cinco e outro com probabilidade de 1/3 para cair o número seis. 5° caso: dois dados viciados, um com probabilidade de 1/3 para cair o número três e outro com probabilidade de 1/3 para cair o número dois. Com base em seus resultados, analise as seguintes sentenças: I- 1°: P = 1/3888, 2°: P = 1/12960, 3°: P = 1/4320, 4°: P = 1/4860, P = 1/12150. II- 1°: P = 1/3888, 2°: P = 1/9750, 3°: P = 1/3830, 4°: P = 1/6440, P = 1/5150. III- 1°: P = 1/496, 2°: P = 1/9750, 3°: P = 1/3830, 4°: P = 1/4860, P = 1/5150. IV- 1°: P = 1/3888, 2°: P = 1/12960, 3°: P = 1/4320, 4°: P = 1/6440, P = 1/12150. Agora, assinale a alternativa CORRETA: a) ( ) Somente a sentença I está correta. b) ( ) Somente a sentença II está correta. c) ( ) Somente a sentença III está correta. d) ( ) Somente a sentença IV está correta. 2 O caminho aleatório é um bom exemplo dos chamados sistemas de duas opções. Sua fórmula matemática para a probabilidade é a seguinte: Com base em seus conhecimentos de sistemas de duas opções, classifique V para as sentenças verdadeiras e F para falsas: 35 ( ) O termo é um fator de normalização. ( ) P< + P> = P. ( ) N< + N> = N. ( ) A fórmula pode ser alternativamente representada por: Agora, assinale a alternativa que apresenta a sequência CORRETA: a) ( ) V – V – F – F. b) ( ) F – V – V – V. c) ( ) V – F – V – F. d) ( ) F – F – V – V. 3 Sistemas probabilísticos, como o problema do caminhar do marinheiro, são úteis porque envolvem apenas duas possibilidades e preparam para uma melhor compreensão de sistemas probabilísticos mais complexos. Usando a fórmula do caminho do marinheiro: E considerando X = 5 e P> = ¼, encontre todas as probabilidades para cada ΔX possível demonstrando o resultado e observe os seguintes resultados: I- P (–5) = 0,237, P (–1) = 0,264, P (+3) = 0,015. II- P (–4) = 0,124, P (+2) = 0,217, P (+4) = 0,017. III- P (–3) = 0,396, P (+3) = 0,0015, P (+5) = 0,010. IV- P (–4) = 0,124, P (–2) = 0,216, P (+2) = 0,217. V- P (–3) = 0,396, P (+1) = 0,088, P (+5) = 0,001. Agora, assinale a alternativa CORRETA: a) ( ) Somente afirmativa II está correta. b) ( ) Somente afirmativa V está correta. c) ( ) As afirmativas II e IV estão corretas. d) ( ) As afirmativas I e V estão corretas. e) ( ) As afirmativas I e III estão corretas. 4 Para um melhor entendimento dos possíveis resultados que podem ser acessados num sistema regido por probabilidades, torna-se útil a construção de gráficos. Em outra mão, podemos recuperar informações através de um gráfico, desde que sabemos o sistema aleatório de que estamos tratando. Considerando o caminho aleatório representado no gráfico a seguir: 36 E sua fórmula matemática da questão anterior, classifique V para as sentenças verdadeiras e F para as falsas: ( ) A probabilidade de o passo ser dado para frente é de 4/5. ( ) A probabilidade de o passo ser dado para trás é de 1/4. ( ) O valor esperado é 2,002. ( ) O valor esperado é 1,998. Agora, assinale a alternativa que apresenta a sequência CORRETA: a) ( ) V – F – F – F. b) ( ) V – F – V – F. c) ( ) F – V – F – V. d) ( ) F – V – V – V. 37 TÓPICO 3 — UNIDADE 1 FUNDAMENTOS DE PROBABILIDADE 1 INTRODUÇÃO Depois do trabalho pioneiro de Bernoulli, ao longo dos séculos subsequentes, a probabilidade tem sido desenvolvida em termos de uma matemática mais formal e rigorosa. A primeira definição de probabilidade (conhecida hoje como definição clássica) foi fornecida pelo matemático francês Laplace, em sua obra intitulada como Théorie analytique des probabilités, em 1812. De lá para cá, com o desenvolvimento formal em prática, ela pode efetivamente ser introduzida nos mais diferentes ramos do conhecimentohumano. Como sendo usual em matemática, a probabilidade tem sido formalizada em termos de objetos abstratos que podem tomar formas concretas em diferentes âmbitos. Neste Tópico 3, abordaremos tais construções teóricas como a definição clássica de probabilidade, fenômenos aleatórios e espaço amostral, eventos, condições que a probabilidade deve satisfazer, variáveis aleatórias e buscaremos incorporá-las em diferentes problemas. Trabalharemos também com diferentes tipos de distribuições contínuas e discretas e aplicaremos os conhecimentos adquiridos previamente no tópico anterior. 2 DEFINIÇÕES E CONCEITOS BÁSICOS Já definimos informalmente alguns aspectos matemáticos importantes para contextualizar probabilidade no dia a dia, como caminho aleatório, distribuição binomial, valor médio e desvio médio. Aqui, discutiremos uma abordagem mais rigorosa acerca dos entes probabilísticos necessários. Começaremos por definir o próprio conceito de probabilidade. A probabilidade pode ser definida como a possibilidade de um evento, entre outros possíveis eventos, ocorrer. Já a definição clássica de probabilidade, fornecida por Laplace (1812), é dada pelo quociente entre o número de casos prováveis n° e o número de casos possíveis N°: (18) 38 UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA O objeto matemático que carrega tal atribuição anterior é nosso P, trabalhado anteriormente. Para um melhor entendimento rigoroso, devemos compreender o conceito de fenômenos aleatórios e espaço amostral. Espaço amostral é o conjunto de todos os valores que podem ser acessados em um fenômeno aleatório. Já um fenômeno aleatório pode ser entendido como um fenômeno em que estes valores não podem ser previstos com exatidão. Isto é, aqui estamos distinguindo duas classes de fenômenos. Temos os fenômenos ditos determinísticos, que podem ser repetidos com exatidão em lugares diferentes, desde com as mesmas condições, e os fenômenos aleatórios, que não cumprirão esta propriedade. Denotando o espaço amostral pela letra Ω, define-se um evento como um subconjunto de Ω. Um evento é dito elementar se o subconjunto de Ω contém somente um elemento de Ω. Seguindo Magalhães e Lima (2004), vamos denotar eventos por letras latinas maiúsculas. Como é usual, A ∪ B e A ∩ B referem-se, respectivamente, à união e à intersecção de dois eventos A e B. Na prática, A ∪ B nos informa a ocorrência de um dos eventos A ou B, enquanto A ∩ B delega uma ocorrência simultânea dos referidos eventos. A e B são mutualmente exclusivos se A ∩ B = Ø, com Ø representando o conjunto vazio. Se A ∪ B = Ω e A ∩ B = Ø, A e B são ditos complementares. A probabilidade P é uma função que associa aos eventos de Ω, um número real a. Podemos simbolizá-la matematicamente como: P : A ↦ a, a ∈ R, A ⊂ Ω. Adicionalmente P deve satisfazer as seguintes condições: • 0 ≤ P(A) ≤1, A ⊂ Ω • P(Ω) = 1 • P(A ∪ B) = P(A) + P(B) - P(A∩B) Se A e B são eventos mutualmente exclusivos, teremos, então: A ∩ B = Ø. Desde que P(Ø) = 0, o terceiro item é reescrito neste caso como segue: P(A ∪ B) = P(A) + P(B). Agora, se A e B são complementares, teremos também: A ∪ B = Ω e P(Ω) = 1 (19) TÓPICO 3 — FUNDAMENTOS DE PROBABILIDADE 39 Tal que o terceiro item se torna: P(A) = 1 – P(B). A e B são ditos para serem eventos independentes quando é possível desmembrar o termo P(A ∪ B) como se segue: P(A∪B) = P(A)P(B). A regra anterior é a regra de multiplicação que temos usado anteriormente em alguns casos. Vamos, agora, clarificar a linguagem abstrata fornecida acima em três exemplos diferentes. O primeiro será dado através de alguns casos simples. Seguem eles: Exemplo 1: vamos iniciar considerando um jogo de moeda com as possibilidades de se obter cara e coroa, um jogo de dados e logo após um jogo de cartas. No primeiro caso, o espaço amostral é especificado por dois eventos: • Cara A • Coroa B Logo, podemos escrever o espaço amostral como: Ω = {A , B}. A probabilidade de cada evento é: • P(A) = 1/2 • P(B) = 1/2 Logo 0 ≤ P(A) ≤ 1 e 0 ≤ P(B) ≤ 1 são satisfeitos. O terceiro item fornece: P(A∪B) = P(A) + P(B) = ½ + ½ = 1 Desde que A ∩ B = Ø. Neste caso, A ∩ B = Ø é válido uma vez que se encontrarmos cara, a coroa é automaticamente excluída. Voltamos para o caminho aleatório (12). Consideremos um único passo N = 1, tal que: 40 UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA Logo, temos formalmente o mesmo caso do jogo de cara e coroa quando P(N<) = P< = 1/2 e P(N>) = P> = 1/2. O espaço amostral é Ω = {N<, N>}. Como um passo para frente exclui o passo para trás, segue que N< ∩ N> = Ø. A união de N< e N>é N< ∪ N> = Ω, tal que: P< = P> – 1 Que é a relação qual já havíamos trabalhado anteriormente. Exemplo 2: referente ao jogo de dado, o espaço amostral neste caso é: Ω = {A , B, C, D, E, F} A probabilidade de ocorrer um dos eventos pode ser representada como: 0 < P(A) = P(B) = P(C) = P(D) = P(E) = P(F) = < 1. Logo, vemos que a primeira condição é satisfeita. P(Ω) = 1 indica a somatória das probabilidades individuais, logo também é satisfeita. Agora queremos saber a probabilidade de observarmos A ou B, ou seja, P (A ∪ B). Se temos duas chances em seis possibilidades, a probabilidade deve ser de 1/3. Desde que A e B não podem ocorrer simultaneamente, pelo terceiro item teremos: P(A∪B) = P(A) + P(B) = Logo, tal item é satisfeito. Exemplo 3: trataremos, agora, de um jogo de cartas de baralho. O jogo consiste em embaralhar quatro cartas com naipes diferentes e prever uma sequência de três cartas consecutivas. Os distintos eventos possíveis são resumidos na tabela a seguir: TABELA 13 – EVENTOS POSSÍVEIS DO JOGO DE CARTAS FONTE: O autor A = ♣♠♢ E = ♣♡♠ I = ♠♦♣ M = ♢♠♣ Q = ♢♡♣ U = ♡♣♠ B = ♣♠♡ F = ♣♡♢ J = ♠♢♡ N = ♢♠♡ R = ♢♡♠ V = ♡♣♢ C = ♣♢♠ G = ♠♣♢ K = ♠♡♣ O = ♢♣♠ S = ♡♠♣ X = ♡♢♣ D = ♣♦♡ H = ♠♣♡ L = ♠♡♢ P = ♢♣♡ T = ♡♠♢ Z = ♡♢♠ TÓPICO 3 — FUNDAMENTOS DE PROBABILIDADE 41 Vale a pena notar, aqui, que os eventos que queremos encontrar não são dados pela ocorrência de um específico naipe, mas sim por uma sequência determinada de naipes. O espaço amostral neste caso é estipulado como: Ω = {♣ , ♠ , ♢ , ♡}. Os eventos ♣, ♠, ♢ e ♡ são elementares enquanto A, B, ... e Z são eventos fornecidos pela combinação de eventos elementares. Por exemplo, a probabilidade de cada evento ocorrer é, neste caso, obtida pela regra de multiplicação com respeito aos eventos elementares. Supomos que queremos saber a probabilidade de J ocorrer. Então, para P(J) teremos: P(J) = P(♠;♣,♢,♡)P(♢;♣,♡)P(♡;♣) = . Para a probabilidade de se encontrar dois eventos sequências distintos, por exemplo P(J) ou P(K), teremos que observar os eventos: • ♠♢♡ • ♠♡♣ Na primeira jogada, a probabilidade de sair ♠ é 1/4. Na segunda, teremos 2/3. A partir da segunda jogada um dos eventos é descartado tal que a última jogada deve ter probabilidade de 1/2. Assim encontramos a probabilidade (regra da multiplicação) de 1/12. Agora, vamos considerar a probabilidade de ocorrer J ou I. Temos: • ♠♢♡ • ♠♢♣ Assim, a probabilidade é de 1/4 na primeira jogada, 1/3 na segunda e 1 na terceira, tal que a probabilidade final é novamente de 1/12. Para finalizar, vamos considerar dois jogos em que nenhuma carta coincide em uma determinada jogada da sequência, por exemplo, J ou A. Temos: • ♠♢♡ • ♣♠♢ Assim, a probabilidade da primeira jogada é 1/2. A partir daí um dos eventos é descartado tal que a probabilidade da segunda jogada é 1/3 e da terceira 1/2. Assim, a probabilidade final é também de 1/12. Logo, a probabilidade de dois eventos distintos é dada pela regra: P(J∪K) = P(J) + P(A, B etc) = . Logo, J e A, B etc. são eventos mutualmente exclusivos. 42 UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE EESTATÍSTICA Os exemplos 1 e 2 são conhecidos como casos particulares de Laplace. Tais relatam eventos equiprováveis. Neste caso particular, se Ω = {A 1 , A 2 ,..., A n } a probabilidade de cada evento é: P(A 1 ) = P(A 2 ) = ... = P(A n ) = . Entretanto, devemos ficar atentos que a definição geral de probabilidade engloba casos mais gerais, como por exemplo o do caminho aleatório ou a de um dado viciado. DICAS 3 VARIÁVEIS ALEATÓRIAS Começaremos formalizando o conceito de variável aleatória. Uma variável aleatória é uma função V que para cada elemento A de Ω associa um número real v: V : A ↦ v, v ∈ ℝ, A ⊂ Ω. Devemos enfatizar aqui que uma variável aleatória V é uma função, desde que Ω ↦ ℝ, pois associa um número real v ∈ ℝ para cada elemento A do espaço amostral Ω. Notamos ainda que Ω é o domínio enquanto ℝ é o contradomínio. Tal variável aleatória pode ser tanto discreta como contínua. Podemos caracterizar a natureza da variável aleatória da seguinte maneira: • Variável aleatória discreta: assume valores específicos de um intervalo de ℝ, podendo ter uma quantidade finita ou infinita enumerável. • Variável aleatória contínua: pode assumir qualquer valor de um intervalo de ℝ, tendo uma quantidade infinita e não enumerável. Como exemplo de variável discreta temos uma quantidade de partícula ou a quantidade de decaimentos radioativos de certa amostra, enquanto, de uma variável contínua, a massa de um certo corpo ou o volume que este corpo ocupa no espaço. Aqui devemos reparar que apesar da semelhança estrutural de (19) e (20), a função V não é identificada com a função P, tal que em geral v ≠ a. Grosso modo, podemos pensar que V associa a A um valor numérico v que por sua vez estará associado com a probabilidade a através de (20). Uma função de probabilidade pode então ser definida como: P(V(A) = v) = P(A). (20) TÓPICO 3 — FUNDAMENTOS DE PROBABILIDADE 43 Agora que já caracterizamos e diferenciamos os diferentes tipos de variáveis aleatórias, agora partiremos então para o estudo das definições de variáveis aleatórias discretas e contínuas. 3.1 VARIÁVEIS ALEATÓRIAS DISCRETAS Como temos mencionado anteriormente, uma variável aleatória V é de natureza discreta se {vi} é um conjunto enumerável, podendo ser finito ou infinito. Para ilustrar, consideraremos o caso trabalhado anteriormente no Exemplo 1 (jogo de cara ou coroa). Definiremos nossa variável aleatória como o número de coroas observadas num experimento aleatório. Podemos denotar as duas possibilidades como 0 (cara) e 1 (coroa). Desse modo, numa única jogada onde o espaço amostral é Ω = {C1=Cara, C2=Coroa}, podemos associar a cada elemento os valores 0 e 1 do seguinte modo: C1 ↦ v1 (Cara ↦ 0), C2 ↦ v2 : (Coroa ↦ 1). Já se considerarmos que o experimento consiste em duas jogadas consecutivas, podemos denotar o espaço amostral associado com o experimento como: Ω = {A = (C1, C1), B = (C1, C2), C = (C2, C1), D = (C2, C2)}. Assim, a associação com cada elemento Ω realizada por nossa variável aleatória será feita da seguinte maneira: A ↦ v1 (Cara/Cara ↦ 0), B ou C ↦ v2: (Cara/Coroa ou Coroa/Cara ↦ 1), D ↦ v3 (Coroa/Coroa ↦ 2). Com base nos dois exemplos anteriores, podemos perceber que uma variável aleatória é discreta quando associa valores a Ω que podem ser enumerados. Agora perceba que dado um conjunto de variáveis aleatórias {vi} (discretas), o conjunto de probabilidades {Pi} está devidamente normalizado, se a somatória de Pi (vi) seja igual a um, isto é: ∑ Pi (vi) = P₁(v₁) + P₂(v₂) + ... + Pn (vn) = 1. Em nosso exemplo de duas jogadas de cara ou coroa: ∑ Pi (vi) = P₁(0) + P₂(1) + P3 (2) = ½ + ¼ + ½ = 1. (21) 44 UNIDADE 1 — INTRODUÇÃO À PROBABILIDADE E ESTATÍSTICA O conjunto {Pi} é usualmente chamado de distribuição, que é uma função a qual associa uma probabilidade Pi para cada elemento vi de V, tal que para qualquer Pi: 0 ≤ Pi ≤ 1. Podemos representar uma distribuição especificando a dupla vi e Pi(vi). Por exemplo, nos Gráficos 3 e 4, representamos a probabilidade de se encontrar o marinheiro numa certa posição ΔX. Assim, a distribuição para aquele caso é Pi(ΔXi), sendo a variável aleatória V = {ΔXi}. Notamos que a estrutura do andar do marinheiro é análoga ao do jogo de cara e coroa, sendo as opções cara/coroa substituídas por “passo para frente/trás”. No entanto, lá definimos -1 para “passo para trás” e para +1 “passo para frente”, de modo que nossas variáveis aleatórias levavam aos intervalos discretos –10, –8, –6, ..., 6, 8, 10 (Gráfico 3) e –5, –3, ..., 3, 5 (Gráfico 4). Devemos notar também que uma distribuição se torna útil para responder outros problemas que podem surgir. Por exemplo, considerando ainda o problema do caminho aleatório, podemos nos perguntar qual a probabilidade (considerando por exemplo P> = 2/3) de o marinheiro ter efetivamente andado para trás depois de percorrer uma distância total ΔX? Para responder essa questão, começaremos considerando o caso do Gráfico 4 (ΔX=5). A variável aleatória é definida como sendo a soma dos passos para frente e trás. Assim, para a probabilidade de ter andado efetivamente para trás deve ser a soma das probabilidades Pi (ΔXi= –5, –3, –1), ou seja: P(–5) + P(–3) + P(–1) = 0,41 + 4,12 + 16,46 = 20,99%. Logo, o conhecimento da distribuição pode nos auxiliar para melhor analisar um certo sistema. Similarmente, para Gráfico 3 (ΔX=10), teremos: P(–10) + P(–8) + P(–6) + P(–4) + P(–2) = 7,65 %. Deste modo, podemos concluir que à medida em que o marinheiro anda menos chances teremos de encontrar nas posições atrás de onde começou sua caminhada. Mais à frente, em 4. Distribuições de probabilidade, focaremos nossas atenções em algumas importantes distribuições as quais têm importantes aplicações em Física. No que segue, vamos nos ater para algumas definições importantes referentes as variáveis aleatórias. TÓPICO 3 — FUNDAMENTOS DE PROBABILIDADE 45 3.1.1 Valor Médio Já havíamos trabalhado valor médio no contexto do caminho aleatório. Agora, o definiremos formalmente. Dada uma variável aleatória V que associa elementos do espaço amostral Ω ao intervalo de valores discretos {vi}, definimos o valor médio <v>, do conjunto {vi}, da seguinte maneira: <v(V)> = ∑ Pi (V = vi) ⋅ vi . Para entendermos melhor o papel, deixe-nos apresentar um exemplo. Supomos que um grupo de investidores pretende comprar ações de certa empresa. Para se tomar a decisão da compra ou não de tais ações, uma seguinte tabela referente à probabilidade de valorização das ações da empresa é tomada em conta. Na tabela constam as seguintes informações: (22) TABELA 14 – PROBABILIDADE DE VALORIZAÇÃO DAS AÇÕES FONTE: O autor Valorização (R$) +30 +20 +10 -10 -20 -30 Probabilidade (%) 3,7 11,4 37,8 28,3 11,5 7,3 Observada a tabela, para se tomar a decisão, o grupo de investidores decide calcular sua esperança de lucro através da fórmula (22), ou seja: <v> = 30(0,037) + 20(0.114) + 10(0,378) – 10(0,283) –20(0,115) – 30(0,073) = –0,15. Assim, de acordo com a distribuição de probabilidade associada ao conjunto de valorização da ação, qual formam o conjunto de valores associada à variável aleatória, indica uma desvalorização de quinze centavos por ação, indicando, assim, que tal investimento deve gerar perdas. Notamos ainda que temos chamado a atenção ao termo esperança. De fato, muitas vezes, o valor médio é chamado de esperança matemática ou mesmo como valor esperado. Outra quantidade importante que segue diretamente do valor médio é o desvio da medida Δ, o qual é definido como se segue: Δ(vi) = vi – <v> .
Compartilhar