Baixe o app para aproveitar ainda mais
Prévia do material em texto
Introdução à Probabilidade Carlos Alberto Huaira Contreras 2 Conjuntos: Definição e notação Definição: Coleção bem definida de objetos, elementos ou unidades. Notação: Se denotam por letras maiúsculas: A, B, C,…. Se descrevem de três formas: � A={1,2,3,4} � A contém os primeiros quatro números inteiros maiores que zero � A={x inteiro/0<x<5} EXERCICIO: Defina B: Ano de ingresso na UFJF, e C: Estado de procedência de alunos da UFJF. 3 Conjuntos: Definição e notação Definição: Os objetos que formam o conjunto são chamados elementos. Logo: Se o elemento a está em A ⇾⇾⇾⇾ � ∈ � Se o elemento a não está em A ⇾⇾⇾⇾ � ∉ � Conjunto Fundamental ou Universal: Contem todos os objetos que estão sendo estudados. Se denota por U. Conjunto Vazio ou Nulo: Não contêm qualquer elemento. Se denota por Ø. Exemplo: B={x ∈ R/ x2+1=0} 4 Relação entre conjuntos Definição: Dados os conjuntos A e B, se ser elemento de A implica em ser elemento de B, então: A é subconjunto de B ou A está contido em B. Se denota por A ⊂ B. Logo: � Ф ⊂ A para qualquer conjunto A. � A ⊂ U para qualquer conjunto A relacionado a U. � A e B são iguais, A=B, se e só se: A ⊂ B e B ⊂ A. Definição: Dado o conjunto A, o conjunto de todos os subconjuntos de A é chamado Conjunto de Partes ou Conjunto Potência de A. Se denota por P(A) ou 2A. Definição: O número de elemento de um conjunto A e o Cardinal. Se denota por n(A). 5 Representação Gráfica Diagramas de Venn: Sugeridos por Jonh Venn (1834-1883) são representações utilizando diversos diagramas. Exemplo: Sejam U={2,3,4,5,6,7} , A={x/x é impar} e B é o conjunto dos números primos. 6 Operações com conjuntos � ∩ � �⁄ ∈ � � ∈ � ∪ � �⁄ ∈ � �� � ∈ � � � �⁄ ∈ � ∉ � � � � �⁄ ∈ � � ∉ �� �� � �⁄ ∉ � � ∈ � (1) União (2) Interseção (3) Diferença (4) Complemento 7 Propriedades das operações com conjuntos � �� ∅, ∅� �, �� � � � � � ���������� � ∪ � ∪ � ∩ � ∩ ! ∪ � !, ∅ ∪ " �, � ∪ "� !, " ∪ " � # ! ∩ � �, ∅ ∩ " ∅, � ∩ "� ∅, " ∩ " � $ � � �%%�������� (� ∪ ) ∪ � � ∪ ( ∪ �) (� ∩ ) ∩ � � ∩ ( ∩ �) ( � � )�%�*�+����� � ∪ ∩ � � ∪ ∩ � ∪ � � ∩ ( ∪ �) (� ∩ ) ∪ (� ∩ �) , � �% ) -�*.�/ � ∪ � �� ∩ � � ∩ � �� ∪ � 8 Propriedades das operações com conjuntos Generalização da lei distributiva � ∪ ⋂ �� / �1� ⋂ � ∪ �� / �1� � ∩ ⋃ �� / �1� ⋃ � ∩ �� / �1� Generalização das leis de Morgan ⋃ �� / �1� � ⋂ �� �/ �1� ⋂ �� / �1� � ⋃ �� �/ �1� Exemplo: Sejam os conjuntos A, B, C e D, temos: � � ∪ ∩ � ∩ ) � ∪ ∩ � ∪ � ∩ � ∪ ) � � ∩ ∪ � ∪ ) � ∩ ∪ � ∩ � ∪ � ∩ ) � � ∪ ∪ � ∪ ) � �� ∩ � ∩ �� ∩ )c � � ∩ ∩ � ∩ ) � �� ∪ � ∪ �� ∪ )c EXERCICIO: Mostre via diagramas de Venn 9 Produto Cartesiano Definição: Sejam dois conjuntos A e B, o produto cartesiano de A e B e o conjunto de descrito por: {(a,b)/a ∈∈∈∈ A e b ∈∈∈∈ B} Notação: Denotado por A x B Observações: � Em geral A x B ≠≠≠≠ B x A. � Pode ser estendido para n conjuntos. Exemplo: Sejam os conjuntos A={x,z} e B={1,2} temos: A x B ={(x,1),(x,2),(z,1),(z,2)} EXERCICIO: Encontre B x A 10 Modelo Matemático Definição: Uma relação que explica de forma simplificada um fenómeno ou observação. Tipos de fenómenos ou observações: DETERMINISTICO: Determinado pelas condições sob as quais o experimento é executado. Exemplo: lei de Ohm, lei de Kepler, etc. PROBABILISTICO: Condições só determinam o comportamento probabilístico. Exemplo: Fenómenos de radiação, chuvas etc. Os fenómenos ou observações são estudados ou obtidas via EXPERIMENTOS. 11 Experimentos Aleatórios Características: 1) Pode ser repetido indefinidamente sob condições inalteradas. 2) Embora não seja possível saber qual resultado ocorrerá, pode-se descrever todos os possíveis resultados. 3) Os resultados individuais parecem ocorrer de uma forma acidental, porém, quando repetida um grande número de vezes surge uma regularidade. Observação: Um experimento E é definido quando se descreve: (A) O procedimento que será realizado, e (B) O que será observado (interesse). 12 Espaço Amostral Definição: Para um experimento E, é o conjunto de todos os resultados possíveis. Notação: Denotado pelas letras Ω ou S. Observações: � O resultado não é sempre um número. � É importante conhecer o número de resultados. � Estes resultados podem ser finitos, infinitos numeráveis ou infinitos não numeráveis. � Existe diferenças entre um espaço amostral “idealizado” e o espaço amostral “realizável”. Exemplos: Ω = {masculino, feminino} Ω = {tempo de vida em minutos} Ω = {Comprimento de átomo} 13 Evento Definição: É um conjunto de resultados possíveis relativo a Ω e associado a um experimento E. Notação: Denotado pela letra W (e outras letras maiúsculas). Observações: � Como W é subconjunto de Ω ou 3 ⊂ Ω . Temos que ø e Ω são eventos. Exercicio: Considere o experimento que consiste em lançar dois dados, defina diversos interesses e estude os conceitos de Espaço Amostral e Evento para eles. 14 Frequência Logo de definir o espaço amostral, e importante conhecer o número de elementos que este contêm. Lembre que o espaço amostral está associado ao experimento E que o gerou. Finalmente, é possível determinar o número de elementos para qualquer evento W que se defina sobre o espaço amostral gerado desde o experimento E. Determinar este número de elementos e determinar a Frequência. Observação: O experimento (E), o espaço amostral (Ω) e o evento (W) sempre estão relacionados, portanto a determinação das frequências devem surgir destas. 15 Um Exemplo Exemplo: Lance dois dados é observe a soma deles. Sabendo que um jogo é ganho se a soma é 7 ou 12. Estude o experimento, avalie espaço amostral, o evento associado a ganhar o jogo e se possível defina frequências. Experimento (E): O procedimento consiste em lançar dois dados, o interesse é observar a soma. Algumas observações práticas ao respeito são: � Forma de lançamento dos dados (um apôs outro, juntos) � Os dados são identificáveis. 16 Um Exemplo Espaço Amostral (Ω): Considerando L1 e L2 os resultados dos lançamentos 1 e 2, temos: L1={1,2,3,4,5,6} e L2= {1,2,3,4,5,6} Logo o espaço amostral Ω pode ser construído a partir de L1 x L2. Ω= L1 x L2={(x,y)/x ∈∈∈∈ L1 e y ∈∈∈∈ L2} ou Ω={(1,1),(1,2),(1,3),(1,4),(1,5),(1,6),(2,1),(2,2),(2,3), (2,4),(2,5),(2,6),(3,1),(3,2),(3,3),(3,4),(3,5),(3,6),(4,1), (4,2),(4,3),(4,4),(4,5),(4,6),(5,1),(5,2),(5,3),(5,4),(5,5), (5,6),(6,1),(6,2),(6,3),(6,4),(6,5),(6,6)} Lembremos de espaços amostrais idealizados e realizáveis. 17 Um Exemplo Evento(W): Associado a ganhar o jogo. W: Lançamento que ganha o jogo. W= {(1,6),(6,1),(2,5),(5,2),(3,4),(4,3),(6,6)} Determinando frequências: Total de situações: 36 Soma do lançamento 2 3 4 5 6 7 8 9 10 11 12 Frequência 1 2 3 4 5 6 5 4 3 2 1 18 Definição de Probabilidade Clássica ou a priori: Se um experimento aleatório tiver n(Ω) resultados exclusivos e igualmente prováveis e se um evento W tiver n(W) de esses resultados. Então a probabilidade de ocorrer o evento W e dada por: 4 5 / 5 / Ω Verifica-se: � Os valores de probabilidade estão entre 0 e 1. � Se Ω={w1,w2,..,wn} então P(wi)=1/n, para todo i=1,2,..,n. Exemplo: Probabilidade de ganhar no exemplo anterior. 19 Definição de Probabilidade Frequentista ou a posteriori: Se repetimos o experimento n vezes e o evento W ocorre r vezes (r≤n). Então a frequência relativa de vezes que ocorre o evento W e uma estimação da probabilidade: 4 5 65 * / A probabilidade calculada é próxima da verdadeira probabilidade que ocorre quando: 4 5 lim /→; 65 lim /→; * / � Esta definição é mais obvia na prática. Exemplo: Probabilidade de encontrar peça defeituosa. 20 Definição de ProbabilidadeAxiomática: Considerando um experimento E é o espaço amostral associado Ω. Para um evento W deste espaço amostral, um número P(W) é definido como a probabilidade do evento W se se os três axiomas a seguir são satisfeitos: 1. 0≤P(W)≤1 2. P(Ω)=1 3. Para cada sequência de eventos mutuamente exclusivos W1,W2,…..(Eventos onde Wi∩ Wj= Ø, para todo i diferente de j) 4 <5� ; �1� ==4(5�) ; �1� 21 Teoremas Teoremas básicos de Probabilidade 1. Se Ø é o conjunto vazio, então P(Ø)=0 2. Se Wc é o evento complementar do evento W, então P(Wc)=1-P(W) 3. Se W1 e W2 são dois eventos quaisquer, então P(W1 ∪ W2)=P(W1)+P(W2)-P(W1 ∩ W2) 4. Se W1, W2 e W3 são três eventos quaisquer, então P(W1 ∪ W2 ∪ W3)=P(W1)+P(W2)+P(W3) - P(W1 ∩ W2) - P(W1 ∩ W3) - P(W2 ∩ W3) + P(W1 ∩ W2 ∩ W3) 5. Se W1 e W2 são dois eventos tal que W1 ⊂ W2, então P(W1) ≤ P(W2) 22 Teoremas básicos 6. Se W1 e W2 são dois eventos quaisquer, então P(W1 ∪ W2) ≤ P(W1)+P(W2) 7. Se W1, W2,…, Wn são n eventos quaisquer, então 4 <5� ; �1� ≤=4(5�) ; �1� Observações: � Se W é um evento para o qual P(W)=1, não é possível afirmar que W=Ω. � Se W é um evento para o qual P(W)=0, não é possível afirmar que W=Ø. Exercicio: Prove os teoremas apresentados. 23 Principio Fundamental de contagem Se um experimento constituído por dois procedimentos, de forma que no primeiro procedimento existam n resultados possíveis e no segundo procedimento existam m resultados possíveis, então o experimento tem n.m resultados possíveis. Observações: � Lembre que experimentos podem ser compostos. Pode-se pensar que eles provem de vários procedimentos ou ainda mais, de uma composição de experimentos mais simples. � Pode ser representado pelo “Diagrama da árvore”. Exemplo: Lançamento de dois dados. 24 Principio Fundamental de contagem Regra da Multiplicação: Considerando que um procedimento 1 pode ser realizado de n maneiras e o procedimento 2 pode ser realizado de m maneiras. Admite-se também que a realização do procedimento 1, possa ser seguida do procedimento 2, então um procedimento composto pelos procedimentos 1 e 2 pode ser realizado de n.m maneiras. Observação: � A regra pode ser generalizada para qualquer número de procedimentos. Exemplo: Verificação de peças dentro de períodos numa fabrica considerado 3 resultados. 25 Principio Fundamental de contagem Regra da Adição: Considerando que um procedimento 1 pode ser realizado de n maneiras e o procedimento 2 pode ser realizado de m maneiras. Admite-se também que ambos procedimentos não possam ser realizados simultaneamente, então o número de maneiras que podemos realizar os procedimentos 1 ou 2 e obtido por n+m. Observação: � A regra pode ser generalizada para qualquer número de procedimentos. Exemplo: Verificação de uma peça sabendo que se tem 3 máquinas para testar . 26 Alguns exemplos Exemplo 1: Lançar dois dados e verificar se a soma deles é 7 ou 12. Calcule a probabilidade deste evento. Experimento: Lançar dois dados e observar a soma. Espaço Amostral: Ω={(x,y)/x=1,2,3,4,5,6 e y=1,2,3,4,5,6} Evento: W={(x,y)/x+y= 7 ou x+y=12} Temos: W=W1 ∪ W2 , onde W1: Soma de dois dados igual a 7 e W2: Soma de dados igual a 12, e W1 e W2 são mutuamente excludentes. Logo: n(Ω)=6.6=36, n(W1)=6.1=6 e n(W2)=1.1=1 pela Regra da multiplicação. n(W)=6+1=7 pela Regra da adição. De onde: 4 5 = / 5/ Ω , #( 27 Alguns exemplos Exemplo 2: Selecionar uma peça de um depósito onde se guardam peças que se tem as seguintes características: Marca (A,B), Lote (L1,L2,L3) e Tamanho (1,2,3,4,5). Verificar se a peça é da Marca A, lote L1 ou L2 e tenha um dos três menores tamanhos ou a peça é da marca B do lote L2 ou L3 e tenha um dos três maiores tamanhos. Calcular a probabilidade do evento solicitado. Experimento: Selecionar uma peça do depósito e verificar suas características. Espaço Amostral: Ω={(x,y,z)/ x=A,B, y=L1,L2,L3 e z=1,2,3,4} Evento: W={(x,y,z)/ (x=A, y=L1,L2 e z=1,2,3) ou (x=B, y=L2,L3 e z=3,4,5)} 28 Alguns exemplos Temos: W = W1 ∪ W2 Onde: W1: Configuração tipo (A, L1 ou L2 ,1 ou 2 ou 3), W2: Configuração tipo (B, L2 ou L3 ,3 ou 4 ou 5) e W1 e W2 são mutuamente excludentes. Logo: n(Ω)=2.3.5=30, n(W1)=1.2.3=6 e n(W2)=1.2.3=6 pela Regra da multiplicação. n(W)=6+6=12 pela Regra da adição. De onde: 4 5 = / 5/ Ω = � #? Exercicio: Verifique os resultados dos dois exemplos usando o “diagrama da árvore”. 29 Permutações Definição: Número de situações possíveis quando se dispõe de “n” objetos diferentes e se quer organizar todos estes. nPn = Observação: � Pode-se pensar que todos os objetos são identificáveis e procura-se ordenar todos eles de formas diferentes. A permutação da o resultado de todas as situações de ordenamento possíveis. Exemplo: Numerar os 30 carros recebidos e determinar uma ordem de entrega por sorteio. Encontre o número de possíveis resultados do sorteio. 30 Arranjos Definição: Número de situações possíveis quando se dispõe de “n” objetos diferentes e se quer organizar “r” de estes objetos (0≤r≤n). nAr =n.(n-1)…(n-r+1)= /! /A* ! Observação: � A permutação é um caso especifico de arranjo, onde r=n. Assim a observação feita para a permutação é válida para os arranjos. Exemplo: Numerar os 30 carros e determinar uma ordem de entrega por sorteio para os 3 primeiros carros vendidos. Encontre o número de possíveis resultados deste sorteio. 31 Combinações Definição: Número de situações possíveis quando se dispõe de “n” objetos diferentes e se quer organizar “r” destes objetos (0≤r≤n) sem considerar a ordem. nCr = /! /A* !.*!= / C Observação: � Pode-se pensar em objetos não identificáveis ou que não interessa a ordem. Exemplo: Numerar os 30 carros recebidos e determinar por sorteio os 3 carros que serão entregues. Encontre o número de possíveis resultados deste sorteio. 32 Um exemplo Exemplo: 30 carros foram enviados desde a fábrica para certa cidade. Dentre os 30 carros, 9 apresentam um defeito no motor. Sabendo que 3 carros foram vendidos na cidade e devem ser entregues. Qual a probabilidade que ao menos 2 apresentem o defeito no motor. Experimento: Selecionar 3 carros entre 30 e verificar o estado de cada um deles (Os estados considerados são B: Bom ou D: Defeituoso). Consideremos no experimento: � Depois da entrega, um carro não pode ser devolvido. � Os carros são indistinguíveis (Assim não é possível determinar uma ordem). 33 Um exemplo Espaço Amostral: Considerando que não é possível um ordenamento e verificando estado dos carros temos: Ω={(D,D,D), (D,D,B), (D,B,B), (B,B,B)} Evento: W: Ao menos dois carros apresentam defeito, temos: W ={(D,D,D), (D,D,B)} Sabendo que: são 30 carros e 9 apresentam defeitos de motor. Serão entregues 3 carros, temos: n(Ω) = 30C3 = 4060, n({(D,D,D)})= 9C3 . 21C0 = 84.1 = 84 n({(D,D,B)})= 9C2 . 21C1 = 36.21 = 756 Logo: 4 5 = 4 { ),),) } + 4({(),), )}) = 9C3 . 21C0 30C3 + 9C2 . 21C1 30C3 = G��?(? + ,$( �?(? = G�? �?(? 34 Um exemplo Veja o exemplo anterior realizando considerações diferentes para o experimento. Experimento: Selecionar 3 carros entre 30 e verificar o estado de cada um deles (Os estados considerados são B: Bom ou D: Defeituoso). Consideremos no experimento: � Depois da entrega, o carro não pode ser devolvido. � Os carros são distinguíveis (Assim é possível determinar uma ordem). Espaço Amostral: Considerando que é possível um ordenamento e verificando estado dos carros temos: Ω={(D,D,D), (D,D,B), (D,B,D), (B,D,D), (B,B,D), (B,D,B), (D,B,B), (B,B,B)} 35 Um exemplo Evento: W: Ao menos dois carros apresentam defeito, temos: W ={(D,D,D), (D,D,B), (D,B,D), (B,D,D)} Sabendo que: são 30 carros e 9 apresentam defeitos de motor. Serão entregues 3 carros, temos: n(Ω) = 30A3 = 24360, n({(D,D,D)})= 9A3 = 504 n({(D,D,B)})=n({(D,B,D)})=n({(B,D,D)})= 9A2 . 21A1 = 72.21 = 1512 H 5 = 4 { ),),) } + 4 ),), + 4 ),), + 4 ),), = 9A3 30A3 + #. 9A2 . 21A1 30A3 = $?� �#(? + #. �$� �#(? = $?�? �#(? = G�? �?(? 36 Observações finais � O principiofundamental da contagem e as regras de multiplicação e adição sempre são consideradas neste tipo de problemas. � Os casos onde se aplicam permutações, arranjos ou combinações são específicos e estão relacionados a descrição do experimento (Principalmente o fato de poder ordenar ou não) e o espaço amostral associado. � Uma vez definidas as características do experimento e o espaço amostral, a probabilidades associadas a eventos são únicas. Nem sempre o fato de ordenar ou não produzem probabilidades iguais. 37 Probabilidade condicional Definição: Sejam dois eventos E e F, se P(F)>0, então: 4 I J = 4(I ∩ J)4(J) Interpretação: Sabendo que os eventos E e F estão inclusos no espaço amostral Ω. A probabilidade condicional P(E|F) pode ser interpretada como o cálculo da probabilidade do evento E considerando que o espaço amostral foi restringido para F (F ⊂ Ω). Isto é, o espaço amostral foi reduzido para o evento F que condiciona a probabilidade. 38 Axiomas e teoremas para Probabilidade Condicional Axiomas: Os axiomas de probabilidade são válidos para a probabilidade condicional, isto é: 1. 0≤P(E|F)≤1 2. P(Ω|F)=1 3. Seja P(F)>0, para cada sequência de eventos mutuamente exclusivos E1,E2,…..(Eventos onde Ei∩ Ej= Ø, para todo i diferente de j) 4 <5�|J ; �1� ==4(5�|J) ; �1� Teoremas: Seja P(F)>0, os teoremas básicos de probabilidade são válidos para probabilidade condicional, por exemplo: 1. P(Ø|F)=0 2. P(Ec|F)=1-P(E|F) 3. P(E1 ∪ E2|F)=P(E1)+P(E2)-P(E1 ∩ E2|F) 39 Um exemplo Exemplo: 30 carros identificáveis foram enviados desde a fábrica para certa cidade. Dentre os 30 carros, 9 apresentam um defeito no motor. Sabendo que 3 carros foram vendidos na cidade e devem ser entregues. Qual a probabilidade que ao menos 2 apresentem o defeito no motor dado que o terceiro carro entregue apresenta o defeito de motor. Experimento: Selecionar 3 carros (identificáveis, que implica que é possível ter ordem) entre 30 e verificar o estado de cada um deles (Os estados considerados são B: Bom ou D: Defeituoso). Espaço Amostral: Considerando que é possível um ordenamento e verificando estado dos carros temos: Ω={(D,D,D), (D,D,B), (D,B,D), (B,D,D), (B,B,D), (B,D,B), (D,B,B), (B,B,B)} 40 Um exemplo Eventos: E: Ao menos dois carros apresentam defeito, temos: E ={(D,D,D), (D,D,B), (D,B,D), (B,D,D)} F: O último carro entregue apresenta defeito, temos: F ={(D,D,D), (D,B,D), (B,D,D),(B,B,D)} Logo: I ∩ J = {(D,D,D), (D,B,D), (B,D,D)} H I|J = 4(I ∩ J)4(J) = #$ G �#(?L ,#?G �#(?L = #$ G,#?G Observe que os eventos E|F e E∩F não podem ser interpretados da mesma forma e P(E|F)>P(E∩F). Veja o diagrama de Venn: 41 Um exemplo Veja que os eventos considerados para o cálculo de probabilidade condicional P(E|F) se restringem ao evento E. 42 Teorema de Multiplicação Definição: Sejam W1, W2,….,Wn n eventos, então: 4 5�5 5#…5/= 4 5� 4 5 5� 4 5# 5�5 … .4(5/|5� …5/ − �) Observações: � W1W2W3…Wn significa W1 ∩ W2 ∩ W3 ∩… ∩ Wn. � Todos os eventos n estão associados a um espaço amostral Ω. Interpretação: Podemos calcular probabilidades de interseção de eventos, usando probabilidades condicionais construídas a partir de esses eventos. 43 Um exemplo Exemplo: No exemplo anterior. Calcule a probabilidade de que os três carros entregues sejam defeituosos. Experimento: Selecionar 3 carros (identificáveis, que implica que é possível ter ordem) entre 30 e verificar o estado de cada um deles (Os estados considerados são B: Bom ou D: Defeituoso). Espaço Amostral: Considerando que é possível um ordenamento e verificando estado dos carros temos: Ω={(D,D,D), (D,D,B), (D,B,D), (B,D,D), (B,B,D), (B,D,B), (D,B,B), (B,B,B)} W: Os três carros entregues apresentam defeito, temos: W ={(D,D,D)} Logo: H 5 = /(5)4(Ω) = O �# #?�# = $?� �#(? 44 Um exemplo Agora, fazemos: W1: O primeiro carro entregue apresenta defeito. W2: O segundo carro entregue apresenta defeito. W3: O terceiro carro entregue apresenta defeito. Temos: W= W1 ∩ W2 ∩ W3 = W1W2W3 Aplicando o Teorema de Multiplicação temos: H 5 = 4 5�5 5# = 4 5� . 4 5 5� . 4 5# 5�5 = O�� #?�� . G�� O�� . ,�� G�� = O #? . G O . , G = $?� �#(? 45 Independência de eventos Definição: Dois eventos E e F são ditos independentes se e somente se: P(E ∩ F)=P(E).P(F) Observações: � Dois eventos E e F são ditos independentes se a informação de ocorrência de F não altera a probabilidade de ocorrência de E. Assim considerando probabilidade condicional temos: P(E|F)=P(E), dado que P(F)>0 � Sempre que E for independente de F, F também será independente de E. 46 Independência de eventos Definição: Três eventos E, F e G são ditos independentes se: P(E ∩ F ∩ G)=P(E).P(F).P(G) P(E ∩ F)=P(E).P(F) P(E ∩ G)=P(E).P(G) P(F ∩ G)=P(F).P(G) Teorema: Se E e F, eventos em Ω, são independentes, então: i. E e Fc são independentes. ii. Ec e F são independentes. iii. Ec e Fc são independentes. 47 Uns exemplos Exemplo: 30 carros (onde 9 deles apresentam defeito no motor) foram distribuídos em três lojas que receberam os carros em quantidades iguais no total e no número de defeituosos. Sabendo que cada loja entrega um carro vendido, calcule a probabilidade de que os três carros entregues sejam defeituosos. Experimento: Selecionar 1 carro de cada loja para entrega e verificar o estado de cada um deles (Os estados considerados são B: Bom ou D: Defeituoso). Cada loja recebe 10 carros, 3 dos quais é defeituoso. Espaço Amostral: Considerando que é possível um ordenamento considerando a loja e verificando o estado dos carros temos: Ω={(D,D,D), (D,D,B), (D,B,D), (B,D,D), (B,B,D), (B,D,B), (D,B,B), (B,B,B)} 48 Uns exemplos W: Os três carros entregues apresentam defeito, temos: W ={(D,D,D)} Considerando: W1: O carro entregue na loja 1 apresenta defeito. W2: O carro entregue na loja 2 apresenta defeito. W3: O carro entregue na loja 3 apresenta defeito. Temos: W= W1 ∩ W2 ∩ W3 = W1W2W3 H 5 = 4 5�5 5# = 4 5� . 4 5 . 4 5# = #�? . # �? . # �? = , �??? 49 Uns exemplos Exemplo: Recalcule a probabilidade solicitada no exemplo anterior, sabendo que os carros foram distribuídos seguindo a seguinte forma: Loja 1: 10 carros dos quais 2 apresentam defeito, Loja 2: 10 carros dos quais 4 apresentam defeito, Loja 3: 10 carros dos quais 3 apresentam defeito. Experimento: Selecionar 1 carro de cada loja para entrega e verificar o estado de cada um deles (Os estados considerados são B: Bom ou D: Defeituoso). Considere distribuição de carros informada. Espaço Amostral: Considerando que é possível um ordenamento considerando a loja e verificando o estado dos carros temos: Ω={(D,D,D), (D,D,B), (D,B,D), (B,D,D), (B,B,D), (B,D,B), (D,B,B), (B,B,B)} 50 Uns exemplos W: Os três carros entregues apresentam defeito, temos: W ={(D,D,D)} Considerando: W1: O carro entregue na loja 1 apresenta defeito. W2: O carro entregue na loja 2 apresenta defeito. W3: O carro entregue na loja 3 apresenta defeito. Temos: W= W1 ∩ W2 ∩ W3 = W1W2W3 H 5 = 4 5�5 5# = 4 5� . 4 5 . 4 5# = �? . � �? . # �? = � �??? 51 Partição do espaço amostral Definição: Uma coleção de eventos F1,F2,…,Fk formam uma partição do espaço amostral Ω se eles não tem interseção entre si e sua união é igual ao espaço amostral, isto é: J� ∩ JP = Ø para todo i≠≠≠≠j, e ⋃ J� = Ω C�1� Graficamente: 52 Teorema de Probabilidade Total Teorema: Se os eventos F1,F2,…,Fk formam uma partição do espaço amostral Ω, qualquer evento E em Ω satisfaz: 4 I = 4 J� 4 I J� + 4 J 4 I J +⋯+ 4 JC 4 I JC =∑ 4 J� 4(I|J�)C�1� Graficamente: 53 Uns exemplos Exemplo: Um lote de 30 carros (onde 9 deles apresentam defeito no motor) foram distribuídos em três lojas seguindo a seguinte forma: Loja 1: 10 carros dos quais 2 apresentam defeito, Loja 2: 10 carros dos quais 4 apresentam defeito, Loja 3: 10 carros dos quais 3 apresentam defeito. Adicionalmente, sabe-se que o percentuais de venda das lojas 1,2 e 3 são 20,30 e 50% respetivamente. Calcule a probabilidade de que primeiro carro do lote apresentedefeito no motor. Experimento: Selecionar um carro do lote e verificar o estado (Os estados considerados são B: Bom ou D: Defeituoso). Espaço Amostral: Ω={D, B} 54 Uns exemplos F1,F2 e F3:Partição do espaço amostral associadas as 3 lojas. As probabilidades para estas eventos são associados ao percentual de vendas de cada loja, assim temos: P(F1)=0,2 (loja 1), P(F2)=0,3 (loja 2) e P(F3)=0,5 (loja 3). E: O primeiro carro selecionado para venda apresenta defeito, temos: W ={D} H I = 4 J�)4(I|J� + 4 J )4(I|J + 4 J#)4(I|J# = ?, . �? + ?, #. � �? + ?, $. # �? = #� �?? = ?, #� 55 Teorema de Bayes Teorema: Se os eventos F1,F2,…,Fk formam uma partição do espaço amostral Ω e E é qualquer evento em Ω, então: 4 JP|I = 4 JP 4 I JP ∑ 4 J� 4(I|J�)C�1� Para todo j entre 1 e k. Observação: A probabilidade calculada é a de ocorrer a partição Fj dado que acorreu o evento E. 56 Uns exemplos Exemplo: Considerando o exemplo anterior. Calcule a probabilidade de que o primeiro carro seja do loja 2 dado que este apresentou defeito no motor. Todas as condições são as mesmas do exemplo anterior, e F2: Partição do espaço amostral associadas à loja 2, com probabilidade associada de P(F2)=0,3. E: O primeiro carro selecionado para venda apresenta defeito, temos: W ={D} Aplicando o Teorema de Bayes temos: 4 JP|I = 4 JP 4 I JP ∑ 4 J� 4(I|J�)C�1� = ?, #. � �? ?, #� = ?, � ?, #� = � #�
Compartilhar