Baixe o app para aproveitar ainda mais
Esta é uma pré-visualização de arquivo. Entre para ver o arquivo original
Introdução à Probabilidade Material: Profº Gustavo Araújo Profª Léa Benatti 1 Probabilidade Definição: Probabilidade é a medida numérica da possibilidade de um evento ocorrer. Definição: Evento é uma realização de possível alternativa. Por exemplo, “chover amanhã” é um evento (mais tarde veremos uma definição mais formal para Evento). Probabilidade A probabilidade varia entre 0 e 1 (ou 0% e 100%). Quanto maior a probabilidade, maior a possibilidade de ocorrência do evento. Exemplo: A probabilidade de chover amanhã é 0,1 (ou 10%). Se a probabilidade de chover amanhã é 0,5 (ou 50%), a possibilidade de chover amanhã é a mesma de não chover. Experimento Definição: Experimento é um processo que gera resultados bem definidos. Os resultados são bem definidos pois se ocorre um resultado, não ocorre outro. Exemplos: Espaço Amostral Definição: Espaço Amostral (S) de um experimento é o conjunto de todos os resultados experimentais. Exemplos: Note que, por exemplo, o experimento “Jogar uma Moeda” tem dois resultados experimentais possíveis (Cara, Coroa) e apenas um espaço amostral ({Cara, Coroa}). Um resultado experimental também é chamado ponto amostral. Espaço Amostral Experimento com Múltiplas Etapas. Exemplo: Considere o experimento “jogar duas moedas” S = {(H,H), (H,T), (T,H), (T,T)} Onde: H → CARA (H de head); T → COROA (T de tail). Note que há 4 resultados experimentais (pontos amostrais) possíveis. Regra de Contagem de Experimentos em Múltiplas Etapas Se um experimento pode ser descrito como uma sequência de k etapas com n1 resultados possíveis na 1ª etapa, n2 resultados possíveis na 2ª etapa, ...., nk resultados possíveis na kª etapa, o número total de resultados experimentais é n1 x n2 x .... x nk No exemplo (jogar duas moedas): k=2, n1=2, n2 =2, então o número total de resultados experimentais é 4. Diagrama em Árvore Diagrama em Árvore é uma representação gráfica que ajuda a visualizar um experimento de múltiplas etapas. Diagrama em Árvore Exemplo Kentucky Power & Light Company (KP&L): A KP&L está iniciando um projeto para aumentar a capacidade de geração de energia. O projeto tem 2 etapas sequênciais e as duas têm incerteza quanto ao prazo de duração: Etapa 1: 2, 3 ou 4 meses Etapa 2: 6, 7 e 8 meses Regra de Contagem de Combinações A Regra de Contagem de Combinações permite contar o número de resultados experimentais quando o experimento envolve escolher n objetos de N objetos, com N > n. A ordem dos n objetos escolhidos não é importante. Regra de Contagem de Combinações Exemplo: Em um grupo de 5 peças, quantas combinações de 2 peças podem ser retiradas? Ou seja, se há 5 peças (A, B, C. D e E), há 10 combinações de 2 peças que podem ser retiradas: (AB, AC, AD, AE, BC, BD, BE, CD, CE, DE) Regra de Contagem de Combinações Exemplo Megasena: são sorteados 6 números de 60. Quantas combinações de 6 números podem ser sorteadas. Note que a ordem dos 6 números escolhidos não importa. Regra de Contagem de Permutações A Regra de Contagem de Permutações permite contar o número de resultados experimentais quando o experimento envolve escolher n objetos de N objetos, (com N > n) quando a ordem dos n objetos escolhidos é importante. Regra de Contagem de Permutações Exemplo: Em um grupo de 5 peças, quantas combinações de 2 peças podem ser retiradas? A ordem importa. Ou seja, se há 5 peças (A, B, C. D e E), há 20 combinações de 2 peças que podem ser retiradas: (AB, BA, AC, CA, AD, DA, AE, EA, BC, CB, BD, DB, BE, EB, CD, DC, CE, EC, DE, ED) Método Clássico Quando os Resultados Experimentais são Equiprováveis Quando os n Resultados Experimentais são Equiprováveis a probabilidade de cada um deles é 1/n. Exemplo: Qual a probabilidade de uma moeda honesta dar cara ao ser jogada uma vez? n = 2 (pois pode dar cara ou coroa) A probabilidade de dar cara é ½, que é a mesma probabilidade de dar coroa. Exemplo: Qual a Probabilidade de dar 6 ao se jogar um dado? P(6) = 1/6 que é igual a P(1), P(2), P(3), P(4) e P(5). Método de Freqüência Relativa O Método de Freqüência Relativa é apropriado quando há dados disponíveis para se estimar a proporção que o resultado experimental ocorrerá, se ele for repetido inúmeras vezes. Os dados devem ser confiáveis !!! Método de Freqüência Relativa Exemplo: Considere um estudo sobre o tempo de espera no setor de raio X de um hospital. Foi registrado o número de pacientes a espera de atendimento exatamente às 9h em cada um dos 20 dias da pesquisa. Método de Freqüência Relativa A probabilidade, pelo método da freqüência relativa, de não haver pessoas a espera é 0,10; de haver uma pessoa a espera é 0,25; e assim por diante. obs: 20 observações são poucos dados para se confiar nessas probabilidades. Método Subjetivo O método subjetivo é usado quando não se pode assumir que os dados são relevantes e quando os resultados experimentais não são igualmente prováveis. A experiência e a intuição são usadas para se atribuir probabilidades. Exemplo: Um casal faz uma oferta por uma casa. O marido atribui 60% de probabilidade da oferta ser aceita e a esposa atribui 80%. Obs: Pode-se combinar os métodos de atribuição de probabilidades. Exemplo KP&L A KP&L não acredita que as probabilidades para cada resultado experimental sejam iguais. Assim, a KP&L realiza um estudo de prazos de conclusão de 40 projetos anteriores similares realizados pela empresa nos últimos 3 anos. Desta forma, a KP&L usará o método da freqüência relativa para determinar a probabilidade de cada resultado. Exemplo KP&L Exemplo KP&L Se a KP&L está preocupada apenas com os prazos totais do projeto e não com os pontos amostrais (que têm prazos discriminados para as etapas 1 e 2), tem-se: Evento e suas Probabilidades Definição: Evento é um conjunto de pontos amostrais (resultados experimentais). Exemplo: KP&L está interessada na “eventualidade de o projeto ser concluído em 10 meses ou menos”, o que será denominado evento C. Para isso, tem-se 6 pontos amostrais: (2,6), (2,7), (2,8), (3,6), (3,7), (4,6). Assim, C = {(2,6), (2,7), (2,8), (3,6), (3,7), (4,6)} Evento e suas Probabilidades Outros Exemplos: L = projeto ser concluído em menos de 10 meses L = {(2,6), (2,7), (3,6)} M = projeto ser concluído em mais de 10 meses M = {(3,8), (4,7), (4,8)} Evento e suas Probabilidades A Probabilidade de um Evento é a soma das probabilidades dos pontos amostrais do evento. Exemplos: A probabilidade que foi vista de cada prazo mensal do projeto 2. P(C) = P({(2,6), (2,7), (2,8), (3,6), (3,7), (4,6)}) = P(2,6) + P(2,7) + P(2,8) + P(3,6) + P(3,7) + P(4,6) = 70% 3. P(L) = P({(2,6), (2,7), (2,8)}) = P(2,6) + P(2,7) + P(2,8) = 40% 4. P(M) = 30% 5. O espaço amostral (S) também é um evento e P(S)=1 Evento e suas Probabilidades Desta forma, toda vez que desejar identificar todos os pontos amostrais do experimento e atribuir probabilidades a cada um destes pontos, pode-se calcular as probabilidades de qualquer evento. Porém, há experimentos em que o grande nº de pontos amostrais torna a sua identificação e a atribuição de probabilidades extremamente complicadas. Evento e suas Probabilidades Cálculo de probabilidades de eventos equiprováveis. Ex: Suponha uma urna com 3 bolas, uma azul (A) e duas verdes (V). A probabilidade de se retirar aleatoriamente qualquer uma bola é 1/n, no caso, 1/3. A probabilidade de se retirar duas bolas verdes pode ser calculada da seguinte maneira: número de pontos amostrais do evento (“escolher uma bola verde”) dividido pelo número total de pontos amostrais → 2/3. - nº de pontos amostrais do evento (“escolher uma bola verde”) = 2 - número total de pontos amostrais = 3 Eventos e suas Probabilidades Definição: Complemento de A (ou Ac) é o evento que consiste em todos os pontos amostrais que não estão em A. Diagrama de Venn: P(A) + P(Ac) = 1 ou P(A) = 1- P(Ac) Ac A S Eventos e suas Probabilidades A Probabilidade de ocorrência dos eventos A ou B ou ambos é a União de 2 Eventos. A União de A e B (AUB) é o evento que contém todos os pontos amostrais que pertencem ou a A ou a B ou a ambos. S A B Eventos e suas Probabilidades A Probabilidade de ocorrência dos eventos A e B é a Interseção de 2 Eventos. A Interseção de A e B (A∩B) é o evento que contém todos os pontos amostrais que pertencem a ambos os conjuntos A e B. S A B Eventos e suas Probabilidades Lei da Adição: P(AUB) = P(A) + P(B) – P(A∩B) Se não subtrair P(A∩B), estará contando os pontos amostrais que estão em A e B duas vezes. S A B Eventos e suas Probabilidades Exemplo: Há 50 funcionários, 5 deles concluíram o trabalho atrasados, 6 deles montavam os produtos com defeito e 2 tanto concluíram o trabalho atrasados quanto montavam os produtos com defeito. Sejam, L = o trabalho ser concluído atrasado D = o produto montado apresentar defeito A informação sobre a freqüência relativa pode levar às seguintes probabilidades: P(L) = 10%, P(D) = 12% e P(L∩D) = 4% Eventos e suas Probabilidades O gerente atribui avaliações ruins a qualquer empregado cuja trabalho tem defeitos ou fosse concluído com atraso. Qual a probabilidade de gerente atribuir uma avaliação ruim a um funcionário? L D 3 4 2 (LUD)c Pelo diagrama de Venn, pode-se ver que P(LUD) = 9/50 = 18% Pela lei da adição: P(L) + P(D) - P(L∩D) = 10% + 12% - 4% = 18% Eventos e suas Probabilidades Definição: Eventos Mutuamente Exclusivos: se eles não têm pontos amostrais em comum. Diagrama de Venn: A e B são mutuamente exclusivos. A lei da adição, P(AUB) = P(A) + P(B) – P(A∩B) se reduz a P(AUB) = P(A) + P(B); onde: P(A∩B) = 0 S A B Probabilidade Condicional Definição: Probabilidade Condicional é a probabilidade de ocorrer um evento dado que outro já tenha ocorrido. P(A \ B) – probabilidade da ocorrência do evento A dado que o evento B já tenha ocorrido, ou, simplesmente, probabilidade de A dado B. Probabilidade Condicional Exemplo: Considere uma força policial com 1200 oficiais, sendo 960 homens e 240 mulheres. No últimos 2 anos, 324 oficiais receberam promoções, dos quais 288 eram homens e 36 eram mulheres. Probabilidade Condicional Houve uma acusação de discriminação por parte das mulheres, pois apenas 36 mulheres foram promovidas nos últimos 2 anos. Definindo os eventos: H = oficial é homem M = oficial é mulher A = oficial ser promovido Antes de tratar da probabilidade condicional, serão definidas as probabilidades associadas e marginais. Probabilidade Condicional Definição: Probabilidade Associada é a probabilidade de dois ou mais eventos ocorrerem (ou seja, a probabilidade de interseção dos eventos). Pela tabela anterior, tem-se as seguintes probabilidades associadas: P(H∩A) = 288/1200 = 24%; P(H∩Ac) = 672/1200 = 56%; P(M∩A) = 36/1200 = 3%; P(M∩Ac) = 204/1200 = 17%. Probabilidade Condicional Probabilidades Associadas: Probabilidade Condicional Probabilidades Marginais: Probabilidade marginal: é a probabilidade de cada evento separadamente. Note que a probabilidade marginal de um evento é a soma das probabilidades associadas deste evento. Probabilidade Condicional Agora pode-se ver com facilidade as probabilidades condicionais: P(oficial ser promovido\homem), ou seja, P(A\H) = 288/960 = 30% outra forma: P(A\H) = 0,24/0,80= 30%, ou Probabilidade Condicional Fórmula Geral: Probabilidade Condicional Diagrama de Venn: Sabendo que o evento B já ocorreu, a única maneira de A ocorrer é pela ocorrência do evento A∩B. Logo: A B Evento A ∩B Probabilidade Condicional Voltando ao exemplo: A probabilidade de haver uma promoção dado que o oficial é homem é duas vezes maior do que dado que é mulher. Eventos Independentes No exemplo, a probabilidade do oficial ser promovido é afetada pela probabilidade do oficial ser homem ou mulher. Ou seja, os eventos A e H são dependentes, pois P(A) ≠ P(A\H). Eventos Independentes Definição: Dois eventos são independentes se dois eventos não têm influência mútua, ou seja, se a ocorrência de um evento não influencia a probabilidade do outro. A e B são independentes se: caso contrário, A e B são dependentes. Eventos Independentes X Mutuamente Excludentes Ao se jogar uma moeda, o evento “cara” ou o evento “coroa” são mutuamente exclusivos, pois se ocorre um evento o outro não ocorre. Assim, os dois eventos são dependentes. Assim, dois eventos mutuamente excludentes sempre são dependentes. Probabilidade de Ocorrência de dois Eventos Como visto anteriormente, a Probabilidade de ocorrência dos eventos A e B é a interseção destes 2 Eventos. Pela fórmula da probabilidade condicional, tem-se: A fórmula acima é denominada Lei da Multiplicação. Probabilidade de Ocorrência de dois Eventos Do Exemplo anterior, a probabilidade de ser promovido e ser homem é: Probabilidade de Ocorrência de dois Eventos Exemplo: 84% das famílias do bairro assinam a edição diária do jornal; 75% é a probabilidade de uma família que assina a edição diária do jornal assinar também a de domingo. Seja DIA o evento assinar a edição diária do jornal; Seja DOM o evento assinar a edição de domingo do jornal; Qual a probabilidade de uma família assinar as 2 edições? Probabilidade de Ocorrência de dois Eventos Dado no Exemplo: P(DIA) = 84%, P(DOM\DIA) = 75%. Probabilidade de uma família assinar as 2 edições: P(DIA∩DOM) = P(DIA) x P(DOM|DIA) = 63% Probabilidade de Ocorrência de dois Eventos Independentes A fórmula geral para a probabilidade de ocorrência de 2 eventos é: Mas, para eventos independentes tem-se: P(A\B) = P(A) e P(B\A) = P(B) Então, Esta fórmula é chamada Lei da Multiplicação para eventos independentes. Probabilidade de Ocorrência de dois Eventos Independentes Exemplo: Qual a probabilidade de, ao se jogar duas moedas, a primeira dar cara e a segunda coroa? A probabilidade da 2ª dar coroa independe da probabilidade da 1ª dar cara. Teorema de Bayes O Teorema de Bayes fornece as bases para se calcular probabilidades a posteriori. Probabilidades a posteriori são probabilidades revisadas dos eventos, baseadas em informações adicionais. Probabilidades a Priori Nova Informação Aplicação do Teorema de Bayes Probabilidades a Posteriori Exemplo - Teorema de Bayes Considere uma firma que recebe peças de 2 fornecedores: A1 – Evento da peça ser proveniente do fornecedor 1; A2 – Evento da peça ser proveniente do fornecedor 2. Hoje, 65% das peças são provenientes do fornecedor 1 e 35% do 2. Assim, para qualquer peça, P(A1) = 65% e P(A2) = 35%. Exemplo - Teorema de Bayes Níveis históricos de qualidade dos fornecedores: Sejam: B – evento de uma peça boa; R – evento de uma peça ruim. P(B|A1) = 98%, P(B|A2) = 95% P(R|A1) = 2%, P(R|A2) = 5% Exemplo - Teorema de Bayes Sabe que: P(A1) = 65% (prob. da peça ser do fornecedor 1) P(R|A1) = 2% (prob. da peça ser ruim dada que é do fornecedor 1) P(A1∩R) = 1,3% (prob. da peça ser ruim e ser do fornecedor 1) Mas, se a peça é ruim, qual a probabilidade de ela ser do fornecedor 1? (Neste caso, usa-se Bayes !!!) Exemplo - Teorema de Bayes Deseja-se determinar: Então, é preciso saber P(A1∩R) e P(R). Já se sabe que P(A1∩ R), e é igual a P(A1) x P(R|A1) Tem-se que: P(R) = P(A1∩ R) + P(A2∩ R) P(R) = P(A1) x P(R|A1) + P(A2) x P(R|A2) Teorema de Bayes Substituindo, tem-se o Teorema de Bayes: Note que todas essas probabilidades foram dadas no exemplo. Pode-se substituir, nesta fórmula, o A1 por A2 ou R por B, para obter P(A1|B), P(A2|R) e P(A2|B). Exemplo - Teorema de Bayes Substituindo, as probabilidades, tem-se: Similarmente, P(A2|R) = 57,38% (poderia ser calculado por: 1 - P(A1|R)) Exemplo - Teorema de Bayes Note que P(A1|R) é diferente de P(A1), pois a probabilidade foi revisada pelo fato de se ter a informação de que a peça é ruim. Além disso, note que: P(A1|R) < P(A1). Isso ocorre, pois P(R|A2) > P(R|A1) Exemplo - Teorema de Bayes Pode-se ter uma maior intuição do teorema de Bayes pela planilha: Ver arquivo bayes.xls Teorema de Bayes – Fórmula Geral Para n eventos mutuamente exclusivos, cuja união é o espaço amostral todo, tem-se, para qualquer i :
Compartilhar