Baixe o app para aproveitar ainda mais
Prévia do material em texto
16/05/2023 1 Probabilidade INTRODUÇÃO • A Probabilidade é um ramo da Matemática em que as chances de ocorrência de experimentos são calculadas. • É por meio de uma probabilidade, por exemplo, que podemos saber desde a chance de obter cara ou coroa no lançamento de uma moeda até a chance de erro em pesquisas. • Então, quando investigamos algum fenômeno, verificamos também a necessidade de descrevê-lo por um modelo matemático, de maneira a explicá-lo da melhor forma possível. • Nesse contexto, a teoria das probabilidades permite construir modelos matemáticos que explicam um grande número de fenômenos e fornecem estratégias para a tomada de decisões. • Entende-se por fenômeno como sendo qualquer acontecimento natural. • Quanto a seus possíveis resultados, os fenômenos são classificados em dois tipos: • a) Fenômenos determinísticos; • b) Fenômenos aleatórios. INTRODUÇÃO • a) Fenômenos determinísticos: São aqueles que repetidos nas mesmas condições iniciais conduzem sempre a um mesmo resultado. • Ex.: Deixar uma massa M cair em queda livre de uma altura de 1 metro sobre uma superfície e anotar tempo t de queda livre. • b) Fenômenos aleatórios: São aqueles que repetidos sob as mesmas condições iniciais podem conduzir a mais que um resultado. • Ex.: lançamento de uma moeda, lançamento de um dado, o tempo de vida útil de uma lâmpada, número de clientes que vão a um banco em um determinado dia etc. • Em outras palavras, trata-se de qualquer experiência cujo resultado não seja conhecido. • Outros exemplos: ao jogar uma moeda e observar a face superior, é impossível saber qual das faces da moeda ficará voltada para cima, exceto no caso em que a moeda seja viciada (modificada para ter um resultado mais frequentemente) INTRODUÇÃO • Suponha que uma sacola de supermercado contenha maçãs verdes e vermelhas. • Retirar uma maçã de dentro da sacola sem olhar também é um experimento aleatório. • Portanto, o objetivo do estudo da teoria das probabilidades são fenômenos aleatórios, chamados experimentos, os quais possuem as seguintes características: • a) repetitividade - o fenômeno pode ser repetido quantas vezes quisermos; • b) regularidade - possibilidade de ocorrência do fenômeno (dá origem à probabilidade). • Para compreender esse ramo, é extremamente importante conhecer suas definições mais básicas: Conceitos Básicos; Operações com Eventos Cálculo das Probabilidades Probabilidade de um Evento; Axiomas da Probabilidade Teoremas Fundamentais; Probabilidade Condicional e Eventos Independentes; Probabilidade Condicional e Eventos Dependentes; Teorema da Probabilidade Total; Teorema de Bayes; etc. 16/05/2023 2 CONCEITOS BÁSICOS • Como o objetivo do nosso estudo são os experimentos e eles admitem mais do que um resultado, faz sentido definir o conjunto de todos os possíveis resultados do experimento. • Espaço amostral (S ou Ω ) • O espaço amostral é o conjunto formado por todos os pontos amostrais de um experimento aleatório, ou seja, por todos os seus resultados possíveis. • Geralmente representaremos esse conjunto por S ou por Ω. • Dessa maneira, o resultado de um experimento aleatório, mesmo que não seja previsível, sempre pode ser encontrado dentro do espaço amostral referente a ele. • Como os espaços amostrais são conjuntos de resultados possíveis, utilizamos as representações de conjuntos para esses espaços. • Exemplo: O espaço amostral referente ao experimento “lançamento de um dado” é o conjunto S (Lembrando que esta representação varia de autor para autor), tal que: • S = {1, 2, 3, 4, 5, 6} • Obs: Esse conjunto também pode ser representado pelo diagrama de Venn ou, dependendo do experimento, por alguma lei de formação. CONCEITOS BÁSICOS • O número de elementos dos espaços amostrais é representado por n(S). • No caso do exemplo anterior, n(S) = 6. • Lembre-se de que os elementos de um espaço amostral são pontos amostrais, ou seja, resultados possíveis de um experimento aleatório. • Em outras palavras, o espaço amostral representa o conjunto de todos os resultados possíveis de um experimento, podendo ser denotado por S. • Dessa forma, considere os experimentos a seguir: • a) Lançar uma moeda e anotar a face superior. • - Espaço amostra é: S= {ca, co} • b) Lançar um dado e anotar o número de pontos da face superior. • - Espaço amostra é: S= { 1, 2, 3, 4, 5, 6} • c) Retirar uma carta de um baralho comum de 52 cartas e anotar o naipe da carta selecionada. • - Espaço amostra é: S= {paus, copas, ouro, espadas}. CONCEITOS BÁSICOS • d) Lançar duas moedas e observar as faces viradas para cima. • - Espaço amostra é: S= { ca,ca; co, co; ca; co; co; ca} • e) Em um experimento para contar o número de pessoas com diabetes na cidade de Sobral, obtemos como espaço amostral S = {0, 1, 2, 3, ... }. • Dessa forma, podemos associar eventos como: • A={entre 15 e 20 pessoas com diabetes} = {15,16,17,18,19,20} • ou o evento F = {nenhuma pessoa} = {0}. • Observação: Notem que, neste caso, projetamos nosso experimento, formulando uma pergunta ou conjecturando sobre algo. • Estas perguntas são denominadas eventos. • f) Considere um experimento no qual classificamos um produto em defeituoso ou não defeituoso. • Neste caso, o espaço amostral é S = {defeituoso, não defeituoso}. • Podemos definir como eventos D = {defeituoso} e E = {não defeituoso}, ou seja: • - S={defeituoso, não defeituoso}={Di, Ei} CONCEITOS BÁSICOS • Para evitar recursos matemáticos mais sofisticados, estudaremos apenas os espaços amostrais finitos e poderemos utilizar a representação gráfica chamada "diagrama de árvore". 16/05/2023 3 CONCEITOS BÁSICOS • Evento • Os eventos são subconjuntos de um espaço amostral e são estudados do ponto de vista de sua "ocorrência" (o próprio espaço amostral) ou "não ocorrência" (evento vazio, denominado de conjunto ). • Exemplos de eventos possíveis de acontecer: • a) No lançamento de um dado o evento A representa o conjunto cujo número da face superior é par. A= { 2, 4, 6} • Note que A é um subconjunto de S (ver subitem anterior). • A seguir, apresentamos um modelo matemático adequado à representação da relação entre o espaço amostral e o evento: CONCEITOS BÁSICOS • b) No lançamento de uma moeda e um dado o evento B representa o conjunto cujo número da face superior do dado é maior que 4. • B= {(ca, 5); (ca, 6); (co, 5); (co, 6)} • Um evento pode conter desde zero a todos os resultados possíveis de um experimento aleatório, ou seja, o evento pode ser um conjunto vazio ou o próprio espaço amostral. • No primeiro caso, ele é chamado de evento impossível. • Já o segundo caso é chamado de evento certo. • Ainda no experimento aleatório do lançamento de um dado, observe os seguintes eventos: • A = Obter um número par: A = {2, 4, 6} e n (A) = 3; • B = Sair um número primo: B = {2, 3, 5} e n (B) = 3; • C = Sair um número maior ou igual a 5: C = {5, 6} e n (C)= 2; • D = Sair um número natural: D = {1, 2, 3, 4, 5, 6} e n (D) = 6. • Observação: Na terminologia da teoria de conjuntos, o conjunto vazio é o conjunto composto por nenhum elemento, que denotaremos por Ø. • Este conjunto está contido em qualquer outro evento do espaço amostral. OPERAÇÕES COM EVENTOS • Os eventos são estudados do ponto de vista de sua "ocorrência" ou "não ocorrência". • Por exemplo, o evento impossível de ocorrer é o evento vazio, enquanto que o evento certo de ocorrer é o próprio espaço amostral, vistos anteriormente. • Podem ser formuladas estratégias para manipularmos os eventos, através de três operações lógicas básicas: • União (ꓴ): • A união de dois conjuntos quaisquer A e B conterá todos os elementos de A e de B, incluindo os elementos que são e os que não são comuns aos dois conjuntos. • Um elemento se ω ϵ (A ꓴ B), e só se, ω ϵ A e/ou ω ϵ B. OPERAÇÕES COM EVENTOS 16/05/2023 4 OPERAÇÕES COM EVENTOS • EXEMPLO: Consideremos os seguinte eventos, associados ao lançamento de umdado: • A = {sair número par} = {2, 4, 6}; • B = {sair número ímpar} = {1, 3, 5}; • C = {sair número maior que 3} = {4, 5, 6}. • Com isso temos que: OPERAÇÕES COM EVENTOS • Observações: • (i) Na terminologia da teoria de conjuntos, o conjunto vazio é o conjunto composto por nenhum elemento, que denotaremos por Ø. • Este conjunto está contido em qualquer outro evento do espaço amostral. • (ii) Eventos mutuamente exclusivos (ou disjuntos) são aqueles cuja ocorrência de um elimina a possibilidade de ocorrência do outro. • Ou seja, dizemos que os eventos A e B são mutuamente exclusivos se A ꓵ B = Ø. OPERAÇÕES COM EVENTOS • Observações (continuação): • (iii) A seguir, apresentamos algumas propriedades elementares das operações de união, interseção e complementar: • (iv) O evento simples ocorre quando o mesmo possui apenas um elemento. Por outro lado, o evento composto se dá quando um evento possui mais de um elemento. CÁLCULO DAS PROBABILIDADES • As probabilidades são calculadas dividindo-se o número de resultados favoráveis pelo número de resultados possíveis, ou seja: • Essa é a definição clássica de probabilidade. • EXEMPLO: Considerando o lançamento de um dado, qual é a probabilidade de sair o número 1 (Um)? • Lembremos de que o espaço amostral desse experimento contém seis elementos: • S = {1, 2, 3, 4, 5, 6}. • Logo, o número total de casos possíveis é 6: n=6. • Além disso, ao sair o número 1 (um), o número de casos favoráveis será: n(ai) = 1. • Assim, a probabilidade será dada por: 16/05/2023 5 PROBABILIDADE DE UM EVENTO • A probabilidade de ocorrência de um evento A, denominado P(A), é a soma das probabilidades dos elementos que pertencem a A ocorrerem. • Exemplo: O experimento consiste no lançamento de um dado e na observação da face superior. Determine a probabilidade de cada um dos eventos abaixo: • a) Sair face 2 ou face 3; • b) Sair face ímpar; • c) Sair face maior do que 1; • d) Sair face 5; • e) Sair face 1 ou 2 ou 3 ou 4 ou 5 ou 6; • f) Sair face múltiplo de 9. PROBABILIDADE DE UM EVENTO • a) A={2,3} • Por definição: P(A) = P(2) + P(3)= • b) B={1,3,5} • P(B) = P(1) + P(3) + P(5)= • c) C={2,3,4,5,6} • P(B) = P(1) + P(3) + P(5)= • d) D={5} • P(D)=P(5)= • e) E={1,2,3,4,5,6} • P(B) = P(1) + P(2)+P(3) + P(4)+ P(5) + P(6)= • f) F={ } • P(F)=0 (ZERO) AXIOMAS DA PROBABILIDADE AXIOMAS DA PROBABILIDADE 16/05/2023 6 TEOREMAS FUNDAMENTAIS TEOREMAS FUNDAMENTAIS TEOREMAS FUNDAMENTAIS • Se A e B são eventos quaisquer, então: • Prova: Observe o diagrama! • Verificamos que: • Eventos iguais possuem os mesmos elementos e, portanto, a mesma probabilidade de ocorrência: TEOREMAS FUNDAMENTAIS • Com relação ao segundo membro, A - B e B são eventos mutuamente exclusivos e, pelo axioma (3): • Substituindo este valor na expressão anterior , obtém-se: • Por outro lado, . Eventos iguais possuem os mesmos elementos e, portanto, a mesma probabilidade de ocorrência: • Com relação ao primeiro membro, A - B e A ꓵ B são eventos mutuamente exclusivos e, pelo axioma (3): 16/05/2023 7 TEOREMAS FUNDAMENTAIS • Substituindo-se este valor na expressão anterior , obtém-se: • Então: • Portanto: • Reorganizando, teremos: 16/05/2023 8 EVENTOS INDEPENDENTES • Na teoria da probabilidade, a independência entre dois eventos constitui mais um conceito importante. • Na prática, dois eventos são ditos independentes quando a ocorrência de um evento não interfere na ocorrência do outro evento. • Do ponto de vista probabilístico, dois eventos e são ditos independentes se: • Ex.: O lançamento de uma moeda por duas vezes consecutivas. • O resultado obtido com o lançamento de uma moeda não interfere no resultado da outra. EVENTOS INDEPENDENTES • Caso 1: Um lote contém peças, sendo 7 boas (B) e 3 defeituosas (D). Retiramos duas peças, ao acaso e com reposição, para inspeção. Qual a probabilidade de se obter duas peças defeituosas? • Espaço amostral da primeira retirada: • Espaço amostral da segunda retirada: • Onde: significa que retiramos uma peça defeituosa na i-ésima retirada e significa que retiramos uma peça boa na i-ésima retirada, em que i assume os valores 1 e 2. • Devemos lembrar de que as duas peças são retiradas ao acaso e repostas em seguida. • Em outras palavras, ao retirarmos a primeira peça para inspeção, esta mesma peça é colocada de volta no lote e, depois, efetuamos a segunda retirada. EVENTOS INDEPENDENTES • Em termos de probabilidade, temos que: • (i) A probabilidade de selecionarmos uma peça ruim na primeira retirada é igual a da segunda retirada: • pois cada vez que extraímos peças do lote, sempre existirão peças defeituosas num total de . • (ii) A probabilidade de selecionarmos uma peça boa na primeira retirada é igual a da segunda retirada: • pois cada vez que extraímos peças do lote, sempre existirão 7 peças boas num total de . 16/05/2023 9 EVENTOS INDEPENDENTES • (iii) Dessa forma, ao associamos os experimentos de retirar duas peças ao acaso e com reposição, teremos os seguintes resultados possíveis: • (iv) Agora, queremos calcular a probabilidade de se obter duas peças defeituosas. • Em outras palavras, desejamos obter a probabilidade de que das peças sejam defeituosas em ambas as retiradas. • Considerando que esses eventos ocorram de forma independentes (dada a possibilidade de reposição), probabilisticamente, temos que: EVENTOS INDEPENDENTES • Caso 2: Entretanto, qual seria a diferença em termos de resultados extrair uma peça de um lote, ao acaso, com reposição ou sem reposição? • No caso anterior, vimos a retirada sendo feita com reposição, apresentando as seguintes probabilidades: • pois cada vez que extraímos peças do lote, sempre existirão 3 peças defeituosas e 7 peças boas num total de 10. • Em qual momento, observamos a mudança no mesmo problema, porém, considerando que estamos extraindo sem reposição? • Naturalmente, o resultado será diferente! EVENTOS INDEPENDENTES • Note que os resultados para a primeira retirada serão: • Observação: Lembre-se!!! No caso 1, com reposição, as probabilidades de retirar peças defeituosas na primeira e na segunda retirada eram iguais (3/10). • O mesmo era observado para a extração de peças boas na primeira e na segunda retiradas (7/10), ou seja: • Como seriam os resultados para a segunda retirada, considerando a não reposição de peças no lote? • Por exemplo, a probabilidade de obtermos uma peça defeituosa na segunda retirada (D2), sem reposição, sabendo que na primeira retirada a peça selecionada foi defeituosa, teríamos: EVENTOS INDEPENDENTES • Por outro lado, qual seria a probabilidade de obtermos uma peça defeituosa na segunda retirada (D2), sem reposição, sabendo que na primeira retirada a peça selecionada foi boa (B1)? • Neste caso, chamamos de eventos dependentes, pois a ocorrência ou não de um evento afeta a probabilidade de ocorrência do outro. • Ex.: Retirada de duas cartas de um baralho, sem reposição. 16/05/2023 10 Probabilidade Condicional • Consideremos o lançamento de um dado equilibrado. Já vimos que o espaço amostral desse experimento é Ω = {1, 2, 3, 4, 56, } . • Considere o evento A = “sair face 2”. • Se não temos qualquer informação além de o dado ser equilibrado, vimos que P(A) =1/6. • Suponhamos, agora, que o dado tenha sido lançado e a seguinte informação fornecida: “saiu facer par”. • Qual é a probabilidade de ter saído face 2? • Note a diferença: agora nós temos uma informação parcial sobre o experimento e devemos usá-la para reavaliar a nossa estimativa. • Mais precisamente, sabemos que ocorreu o evento B = “face par”. Probabilidade Condicional • Com essa informação, podemos nos concentrar no evento B = {2, 4, 6}, uma vez que as faces 1,3,5 ficam descartadasem função da informação dada. • Dentro dessas três possibilidades, a probabilidade do evento A passa a ser 1/3 . • Calculamos, assim, a probabilidade do evento A, sabendo que ocorreu o evento B. • Essa probabilidade será denotada P(A|B) (lê-se: probabilidade de A dado B). • Consideremos, agora, o lançamento de dois dados equilibrados e os eventos: • A = “soma das faces é par”; • B = “soma das faces é maior ou igual a 9”. • Se sabemos que ocorreu B, qual é a probabilidade de ter ocorrido A? • Queremos calcular P(A|B). • Temos que: Probabilidade Condicional • Se ocorreu B, a única chance de ter ocorrido A é que tenha ocorrido o evento: • A ∩ B = {(4, 6),(5, 5),(6, 4),(6, 6)} • E, nesse caso, a probabilidade é 4/10 , ou seja: • Esses dois exemplos ilustram o fato geral que está exibido na Figura: Se sabemos que aconteceu o evento B, esse evento passa a ser o “novo espaço amostral” e, nesse novo espaço amostral, a única parte de A presente é A ∩ B - parte sombreada mais clara. Probabilidade Condicional • É a probabilidade de ocorrer um evento A sabendo-se que já ocorreu um evento B. • Assim, o evento B é certo, enquanto que o evento A é incerto. • Esses dois eventos precisam ser conjuntos não vazios pertencentes a um espaço amostral finito. • Definição: Dados dois eventos A e B, a probabilidade condicional de ocorrer o evento A sabendo que ocorreu o evento B é denotado por P(A|B) e definido por: • Note que, nessa definição, temos que supor que o evento B é um evento possível, já que ele ocorreu. Logo, é óbvio que P(B) > 0. 16/05/2023 11 Exemplo: Exemplo: Probabilidade Condicional • Exemplo: Um grupo de 100 alunos foi classificado quanto ao sexo e à atividade de lazer preferida, obtendo-se a distribuição dada na tabela abaixo. • 1. Qual é a probabilidade de uma pessoa escolhida ao acaso neste grupo ser do sexo masculino? • 2. Se a pessoa escolhida prefere a praia como atividade de lazer, qual é a probabilidade de que seja um homem? 16/05/2023 12 • Solução: • Vamos definir os seguintes eventos: • M = “masculino”; • F = “feminino”; • C = “cinema”; • P = “praia”; • E = “esporte”. • 1. O problema pede Pr(M). Como há 20 homens dentre as 100 pessoas, temos que: 1. Qual é a probabilidade de uma pessoa escolhida ao acaso neste grupo ser do sexo masculino? • Pergunta 2: Se a pessoa escolhida prefere a praia como atividade de lazer, qual é a probabilidade de que seja um homem? • O problema pede Pr(M|P). Por definição: • Note que a probabilidade do evento “aluno do sexo masculino” se modifica quando sabemos que a pessoa prefere a praia como atividade de lazer, isto é: Pr(M|P) ≠ Pr(M). Probabilidade Condicional • Exemplo: De um baralho de 52 cartas, extrai-se 1 (Uma) ao acaso. Defina os eventos: • C = “carta é de copas”; • R = “carta é um rei”. • Calcule Pr(C), Pr(R), Pr(C ∩ R), Pr(C|R). • Neste caso, a probabilidade do evento C não se modifica quando sabemos da ocorrência do evento R, isto é, Pr(C|R) = Pr(C). Solução: Probabilidade Condicional • Exemplo: De um total de 500 empregados, 200 possuem plano pessoal de aposentadoria complementar, 400 contam com o plano de aposentadoria complementar oferecido pela empresa e 200 empregados possuem ambos os planos. Sorteia-se aleatoriamente um empregado dessa empresa. • 1. Qual é a probabilidade de que ele tenha algum plano de aposentadoria complementar? • 2. Qual é a probabilidade de que ele não possua qualquer plano de aposentadoria complementar? • 3. Se o empregado conta com o plano de aposentadoria complementar oferecido pela empresa, qual é a probabilidade de que ele tenha plano pessoal de aposentadoria complementar? • 4. Se o empregado tem plano pessoal de aposentadoria complementar, qual é a probabilidade de que ele conte com o plano de aposentadoria complementar da empresa? 16/05/2023 13 Probabilidade Condicional • Solução: • Vamos denotar por E o evento “empregado tem o plano aposentadoria complementar da empresa” e por P o evento “empregado possui plano pessoal de aposentadoria complementar”. • O problema diz que: • Note que essas informações podem ser dispostas no formato de tabela da seguinte forma: • Os números em negrito são as informações dadas no problema; o restante é calculado observando-se os totais de linha e de coluna. Probabilidade Condicional • O problema pede: • 1. Qual é a probabilidade de que ele tenha algum plano de aposentadoria complementar? • 2. Qual é a probabilidade de que ele não possua qualquer plano de aposentadoria complementar? • 3. Se o empregado conta com o plano de aposentadoria complementar oferecido pela empresa, qual é a probabilidade de que ele tenha plano pessoal de aposentadoria complementar? • 4. Se o empregado tem plano pessoal de aposentadoria complementar, qual é a probabilidade de que ele conte com o plano de aposentadoria complementar da empresa? Probabilidade condicional e independência Probabilidade condicional e independência 16/05/2023 14 Probabilidade condicional e dependência Para resolver: Regra geral da multiplicação • A definição de probabilidade condicional leva a um resultado importante, conhecido como regra da multiplicação. • Sejam A e B eventos de um espaço amostral Ω. • Então: • Esse resultado nos permite: • Calcular a probabilidade da interseção de dois eventos; • Modelar experimentos que têm caráter seqüencial, isto é, que são executados em etapas, uma seguida da outra; • Desenhar um diagrama de árvore para ilustrar os eventos em questão. • Regra Geral da Multiplicação • Seja A1, A2,...,An uma sequência de eventos de um espaço amostral Ω. • Então: Pr (A1 ∩ A2 ∩ ··· ∩ An) = Pr (A1) × Pr (A2|A1) ×···× Pr (An|A1 ∩ A2 ∩ ··· ∩ An−1) TEOREMA DA PROBABILIDADE TOTAL • Nesta parte, estudaremos dois importantes teoremas de probabilidade e verá suas aplicações em diversas situações envolvendo a tomada de decisão. • Esses teoremas, conhecidos como teorema da probabilidade total e teorema de Bayes, resultam diretamente da definição de probabilidade condicional e das propriedades vistas para a probabilidade. 16/05/2023 15 TEOREMA DA PROBABILIDADE TOTAL • Considere ao lado, onde cada evento A1, A2,...,An é uma partição do espaço amostral Ω e B um evento qualquer em Ω. A1 ∪ A2 ∪ A3... ∪ An = Ω. • Como a união de todos os Ai’s é o espaço amostral, segue que o evento B é definido por: B = (A1 ∩ B) ∪ (A2 ∩ B) ∪ ··· ∪ (An ∩ B) • Devemos levar em consideração os seguintes aspectos: • i) possibilidade de ocorrerem B∩Ai = ∅, mas que não invalida a análise, uma vez que A ∪ ∅ = A. • ii)Por definição de partição, os Ai’s são mutuamente exclusivos dois a dois; • Logo, os eventos Ai ∩ B também o são. TEOREMA DA PROBABILIDADE TOTAL • Então, pela lei da probabilidade de eventos disjuntos (mutuamente exclusivos), podemos escrever: B = (A1 ∩ B) ∪ (A2 ∩ B) ∪ ··· ∪ (An ∩ B) • Dessa forma, a probabilidade de ocorrência do evento B será dada por: Pr (B) = Pr [(A1 ∩ B) ∪ (A2 ∩ B) ∪ ···(An ∩ B)] = Pr (B) = Pr (A1 ∩ B) + Pr (A2 ∩ B) + ··· + Pr (An ∩ B) • e a regra da multiplicação nos dá que: Pr(B) = Pr(A1) Pr(B|A1) + Pr(A2) Pr(B|A2) + ··· + Pr(An) Pr(B|An) • Esse resultado é conhecido como Teorema da Probabilidade Total. • Exemplo: Um piloto de Fórmula Um tem 50% de probabilidade de vencer determinada corrida, quando esta se realiza sob chuva. Caso não chova durante a corrida, sua probabilidade de vitória é de 25%. • Se o serviço de Meteorologia estimar em 30% a probabilidade de que chova durante a corrida, qual é a probabilidade deste piloto ganhar esta corrida? • Exemplo: A experiência com testes psicotécnicos para habilitação de motoristas indica que 90% dos candidatos a habilitação aprovados no primeiro leste tornam- se excelentes motoristas. • 70% dos candidatos reprovados no primeiro teste tornam-se péssimos 'motoristas. • Admitindo-se a classificação dos motoristas apenas em excelentes ou péssimos, responda: a) Um candidato acaba de ser reprovadoem seu primeiro teste psicotécnico. Qual é a probabilidade de que se torne um excelente motorista? b) Um candidato acaba de ser aprovado em seu primeiro teste psicotécnico. Qual é a probabilidade de que se torne um péssimo motorista? c) Um indivíduo acaba de fazer um teste psicotécnico. Se 80% dos candidatos são aprovados neste teste, qual é a probabilidade de que se torne um excelente motorista? 16/05/2023 16 • a) Um candidato acaba de ser reprovado em seu primeiro teste psicotécnico. Qual é a probabilidade de que se torne um excelente motorista? • b) Um candidato acaba de ser aprovado em seu primeiro teste psicotécnico. Qual é a probabilidade de que se torne um péssimo motorista? • c) Um indivíduo acaba de fazer um teste psicotécnico. Se 80% dos candidatos são aprovados neste teste, qual é a probabilidade de que se torne um excelente motorista? TEOREMA DA PROBABILIDADE TOTAL • Exemplo: Em uma linha de produção de uma certa fábrica, determinada peça é produzida em duas máquinas. • A máquina 1, mais antiga, é responsável por 35% da produção e os 65% restantes vêm da máquina 2. • A partir dos dados passados e das informações do fabricante das máquinas, estima-se em 5% a proporção de peças defeituosas produzidas pela máquina 1 e em 2,5% a proporção de defeituosas produzidas pela máquina 2. • As peças produzidas pelas duas máquinas seguem para o departamento de armazenamento e embalagem, para venda posterior, sem distinção de qual máquina a produziu. • Pergunta-se: • 1. Qual é a proporção de peças defeituosas colocadas no mercado por essa fábrica? • 2. Se um cliente identifica uma peça defeituosa, qual é a probabilidade de que ela tenha sido produzida pela máquina 2? • Na Figura a seguir, representa-se a situação descrita no exemplo. • Nosso experimento aleatório é o sorteio de uma peça produzida por essa fábrica e nosso espaço amostral, representado pelo retângulo, é o conjunto de todas as peças produzidas em determinado período. • Podemos ver que o espaço amostral está dividido em 2 eventos mutuamente exclusivos: • M1, peças produzidas pela máquina 1; • M2, peças produzidas pela máquina 2. • Mais precisamente, Ω = M1 ∪M2 − isso significa que M1 e M2 formam uma par ção do espaço amostral • Um outro evento de interesse é o evento D = “peça é defeituosa”. • Podemos ver que esse evento tem interseção com os eventos M1 e M2, ou seja, há peças defeituosas produzidas na máquina 1 e na máquina 2. • Pelos dados do problema, temos uma estimativa a priori das proporções de peças produzidas em cada máquina, ou seja, as probabilidades a priori dos eventos M1 e M2 são: • Pr(M1)=0,35 • Pr(M2)=0,65 • Sabemos também a proporção de peças defeituosas produzidas por cada máquina: • Essa proporção se traduz em uma probabilidade condicional: • se a peça foi produzida pela máquina 1, existe 5% de chance de ser defeituosa; • para a máquina 2, essa chance reduz-se a 2,5%. • Em termos de probabilidade, temos: • Pr(D|M1)=0,05; • Pr(D|M2)=0,025. 16/05/2023 17 • Como M1 e M2 formam uma partição de Ω, podemos escrever: D = (D ∩ M1) ∪ (D ∩ M2) • Mas M1 e M2 são mutuamente exclusivos; • E (D ∩ M1) e (D ∩ M2) também o são. • Assim, pelo Axioma 3 da probabilidade, resulta que: Pr(D) = Pr [(D ∩ M1) ∪ (D ∩ M2)] = Pr(D ∩ M1) + Pr(D ∩ M2) • Pela regra da multiplicação, sabemos que: Pr(A∩B) = Pr(A) Pr(B|A). • Portanto: Pr(D) = Pr(M1) Pr(D|M1) + Pr(M2) Pr(D|M2) = Pr(D) = 0, 35 × 0, 05 + 0, 65 × 0, 025 = Pr(D) = 0, 03375 • Note que a probabilidade de uma peça ser defeituosa é uma média ponderada das probabilidades de defeito em cada máquina; • Os pesos são definidos de acordo com o nível de produção de cada máquina. 1. Qual é a proporção de peças defeituosas colocadas no mercado por essa fábrica? • Na segunda parte do exemplo, temos uma informação sobre a peça: ela é defeituosa, ou seja, sabemos que ocorreu o evento D. • O que o problema pede é que, com essa informação, reavaliemos a probabilidade de a peça ter sido produzida pela máquina 2. • Essa probabilidade é chamada probabilidade a posteriori, ou seja, é a probabilidade que calculamos depois de realizado o experimento de sorteio e teste da peça. • Em notação matemática, temos que calcular Pr(M2|D). • Por definição, temos: • Usando a regra da multiplicação e o resultado encontrado no item anterior, resulta que: • Compare os resultados: • Sem qualquer informação sobre o resultado do experimento, nossa estimativa para a probabilidade de ocorrência de M2 − peça ser produzida pela máquina 2 − era 0,65; • Pr(M2)=0,65 • Com a informação de que a peça é defeituosa, a probabilidade de ter sido produzida pela máquina 2 diminui para 0,4815. 2. Se um cliente identifica uma peça defeituosa, qual é a probabilidade de que ela tenha sido produzida pela máquina 2? TEOREMA DE BAYES • Note que, no caso da determinação de P(B), usamos o teorema da probabilidade total: • Seja A1, A2,...,An uma partição do espaço amostral Ω e seja B um evento qualquer em Ω. Então: • Como visto, a probabilidade Pr(Ai) é denominada probabilidade a priori do evento Ai. • Continuando no contexto da Figura ao lado, suponhamos agora que B tenha ocorrido. • Precisamos obviamente conhecer as probabilidades condicionais Pr(Ai|B). • Então, vamos calcular Pr(Ai|B), que, por definição, é dada por: 16/05/2023 18 TEOREMA DE BAYES • Usando a regra da multiplicação e o teorema da probabilidade total, resulta que: • Regra da multiplicação: • teorema da probabilidade total: Pr(B) = Pr(A1) Pr(B|A1) + Pr(A2) Pr(B|A2) + ··· + Pr(An) Pr(B|An) • Essa particular combinação resulta no conhecido como Teorema de Bayes. Obs.: É importante que identificar os eventos de interesse, os eventos que definem a partição do espaço amostral e quais são as probabilidades a priori. Em geral, são essas probabilidades que identificam a partição de Ω. • Exemplo: As máquinas A e B são responsáveis por 60% e 40% respectivamente, da produção de uma empresa. • Os índices de peças defeituosas na produção destas máquinas valem 3% e 7% respectivamente. • Se uma peça defeituosa foi selecionada da produção desta empresa, qual é a probabilidade de que tenha sido produzida pela máquina B? • Exemplo: Uma empresa de material cerâmico está desenvolvendo um modelo de caneca para chope e deverá lançá-la numa tradicional festa do chope em Santa Catarina. • Esta empresa sabe que uma concorrente está desenvolvendo um projeto similar com as mesmas intenções e acredita que a probabilidade de o concorrente lançar o produto ainda este ano é de 40%. • Um fornecedor comum se oferece para bisbilhotar a concorrente para saber ao certo se o lançamento será ou não efetuado este ano. • A empresa acredita que se ele confirmar o fato, há 60% de probabilidade dele estar correto. • Caso o fornecedor não confirme o lançamento, a probabilidade de estar correto é de 90%. • Avalie a nova expectativa da empresa: • a) No caso de o fornecedor confirmar o evento. • b) No caso de o fornecedor negar o evento 16/05/2023 19 a) No caso de o fornecedor confirmar o evento. b) No caso de o fornecedor negar o evento • Exemplo: Em uma turma de Administração, 65% dos alunos são do sexo masculino. Sabe-se que 30% dos alunos têm carro, enquanto que essa proporção entre as alunas se reduz para 18%. Sorteia-se ao acaso um estudante dessa turma usando o seu número de matrícula e constata-se que possui um carro. Qual é a probabilidade de que a pessoa sorteada seja do sexo feminino? • Solução: • Os eventos em questão envolvem o sexo do aluno e a posse de um carro. • Vamos definir os eventos de interesse da seguinte forma: • No entanto, as probabilidades a priori dadas referem-se a H e M; • Logo, a partição de Ω será definida em termos desses eventos. • Os dados do problema nos dão que: • O problema pede Pr(M|C) e, para calcular essa probabilidade, temos que calcular Pr(C). • Pelo teorema da probabilidade total, sabemosque: • Logo:
Compartilhar