Baixe o app para aproveitar ainda mais
Prévia do material em texto
Teoria da Probabilidade Prof. Danielle Peralta Maio de 2013 Prof. Danielle Peralta Estatística Introdução 1. Teoria da Probabilidade A teoria da probabilidade é a base sobre a qual toda estatística é desenvolvida, fornecendo um meio para modelar populações, experimentos ou praticamente, qualquer outra coisa que possa ser considerada como um fenômeno aleatório. Por meio desses modelos estatísticos, é possível fazer inferências sobre populações baseados na análise de uma parte dessa população, chamada de amostra. Um dos principais objetivos da estatística é obter conclusões sobre uma população de objetos pela condução do experimento. A primeira etapa, nesta tarefa, é identificar os possíveis resultados ou, como diz a terminologia estatística, espaço amostral. Prof. Danielle Peralta Estatística 1.1 Teoria dos conjuntos Definição 1.1: O conjunto S de todos os possíveis resultados de um determinado experimento é chamado de espaço amostral do experimento. Definição 1.2: Um evento é qualquer conjunto de possíveis resultados de um experimento, ou seja, é a coleção de valores de interesse de um espaço amostral S. I União: a união de dois eventos A e B, denotada por A ⋃ B, representa a ocorrência de pelo menos um dos eventos, A ou B; I Intersecção: a intersecção dos eventos A e B, denotada por A ⋂ B representa a ocorrência simultânea de A e B; e I Complementação: representa todos os elementos do espaço amostral S, exceto de um evento de interesse. O complementar de um evento A é representado por Ac ou A. I Outra operação muito utilizada no estudo de probabilidade é o conceito de eventos disjuntos ou mutuamente exclusivos. Prof. Danielle Peralta Estatística Definição 1.3: Dois eventos A e B são disjuntos (ou mutuamente exclusivos) quando não possuem elementos em comum, ou seja, A ⋂ B = (conjunto sem elementos). Por exemplo: Considere o experimento de selecionar uma carta aleatoriamente a partir de um baralho padrão e anotar seu naipe: copas(C), espadas (E), ouros (O) ou paus (P). O espaço amostral é S = {C ,E ,O,P} e alguns eventos possíveis são A = {C ,E} e B = {E ,O,P} a partir desses eventos podemos formar: (A ⋃ B) = {C ,E ,O,P} (A⋂B) = {E} e Ac = {O,P} Além disso, observe que (A ⋃ B) = S e (A ⋂ B) = , onde denota o conjunto vazio (conjunto sem elementos). Prof. Danielle Peralta Estatística Teorema 1.1: Para três eventos quaisquer, A, B e C, pertencentes ao espaço amostral S, as seguintes propriedades são válidas: I Comutatividade: A ⋃ B = B ⋃ A e A ⋂ B = B ⋂ A; I Associatividade: A ⋃ (B ⋃ C) = (A ⋃ B) ⋃ C e A ⋂ (B ⋂ C) = (A ⋂ B) ⋂ C I Leis distributivas: A ⋃ (B ⋂ C) = (A ⋃ B) ⋂ (A ⋃ C) e A ⋂ (B ⋃ C) = (A ⋂ B) ⋃ (A ⋂ C) I Leis de Morgan: (A ⋃ B)c = Ac ⋂ Bc e (A ⋂ B)c = Ac ⋃ Bc Prof. Danielle Peralta Estatística Exercícios: 1. Considere a experiência que consiste em pesquisar famílias com três crianças, em relação ao sexo das mesmas, segundo a ordem de nascimento. Enumerar os eventos: a) ocorrência de dois filhos do sexo masculino; b) ocorrência de pelo menos um filho do sexo masculino; c) ocorrência de no máximo duas crianças do sexo feminino. 2. Lançam-se duas moedas. Sejam A: "saída de faces iguais"e B: "saída de cara na primeira moeda". Determinar os eventos: A ∪ B, A ∩ B, Ac , Bc , (A∪B)c , (A∩B)c , Ac ∩Bc , Ac ∪Bc , Ac ∪B, Bc ∪A, A−B e B−A Prof. Danielle Peralta Estatística 2. Princípios básicos da Teoria da Probabilidade A definição clássica de probabilidade se refere a eventos unitários equiprováveis, isto é, eventos com a mesma chance de ocorrência, no caso enumerável finito temos: P(A) = ]A]S ]: número de elementos. Se S for não enumerável o conceito se aplicará ao comprimento de intervalos, medida de área ou similares. Chamada de probabilidade geométrica é definida como: P(A) = comprimento de Acomprimento de S Prof. Danielle Peralta Estatística 2.1 Axiomas: Kolmogorov apresentou um conjunto de axiomas matemáticos para definir probabilidade, são eles: 1. P(S) = 1; 2. Para qualquer evento A, P(A) ≥ 0; 3. Para um sequência de eventos A1,A2, . . . disjuntos 2 a 2, temos: P( ⋃∞ i=1 Ai) = ∑∞ i=1 P(Ai) Ou seja, uma função P(.) é denominada probabilidade se satisfaz as condições apresentadas nos axiomas 1, 2 e 3. Prof. Danielle Peralta Estatística 2.2 Algumas propriedades de probabilidade: I 1. Se é o espaço vazio (evento impossível), então P() = 0. A recíproca não é verdadeira; I 2. Para qualquer evento A, 0 ≤ P(A) ≤ 1; I 3. Para qualquer evento A, P(Ac) = 1− P(A) ou P(A) = 1− P(Ac); I 4. Se A ⊂ B então P(A) ≤ P(B); I 5. Seja A e B dois eventos quaisquer: P(A ⋃ B) = P(A) + P(B)− P(A⋂B); I 6. Seja A e B dois eventos em S, P(Ac ⋃ Bc) = P(A ⋂ B) = 1− P(A⋂B) e P(Ac ⋂ Bc) = P(A ⋃ B) = 1− P(A⋃B) Prof. Danielle Peralta Estatística Exercícios: 1. Retira-se uma carta de um baralho completo de 52 cartas. Qual a probabilidade de sair um rei ou uma carta de espadas? 2. As probabilidades de 3 jogadores A, B e C marcarem um gol quando cobram um penalti são 2/3, 4/5 e 7/10, respectivamente. Se cada um cobrar uma única vez, qual a probabilidade de que pelo menos um marque gol? Prof. Danielle Peralta Estatística 2.3 Probabilidade Condicional e Independência: I Em muitas situações práticas, o fenômeno aleatório com o qual se trabalha pode ser separado em etapas. A informação do que ocorreu em uma determinada etapa pode influenciar nas probabilidades de ocorrências das etapas seguintes. Essa nova probabilidade é chamada de probabilidade condicional do evento A dado que o evento B ocorreu, denotada por P(A|B). I Sejam A e B dois eventos quaisquer, tal que P(B) > 0, então, P(A|B) = P(A ⋂ B) P(B) (1) No caso de P(B) = 0, a P(A|B) é indefinida, porém alguns autores preferem usar que P(A|B) = 0. Prof. Danielle Peralta Estatística Exemplos: I Exemplo 1: Uma urna contém duas bolas brancas (B) e três vermelhas (V). Sorteiam-se dessa urna, duas bolas, ao acaso, sem reposição. Seja o evento A: "bola branca na segunda extração", calcule a probabilidade de A. I Exemplo 2: Suponha agora que as duas extrações são feitas da mesma urna do exemplo anterior, mas a primeira bola é reposta na urna antes da extração da segunda. Seja o evento A: "bola branca na segunda extração", calcule a probabilidade de A. Prof. Danielle Peralta Estatística 2.3.1 Independência: I Então, se A e B forem independentes: P(A|B) = P(A ⋂ B) P(B) P(A) = P(A ⋂ B) P(B) P(A ⋂ B) = P(A)× P(B) (2) I Importante!! Eventos independentes temos que P(A ⋂ B) = P(A)× P(B) enquanto que eventos disjuntos P(A ⋂ B) = P(φ) = 0 Prof. Danielle Peralta Estatística Exercícios: I 1. A probabilidade de A resolva um problema é 2/3, e a probabilidade de que B o resolva é 3/4. Se ambos tentarem independentemente, qual a probabilidade de que o problema ser resolvido? I 2. Considere dois eventos A e B, disjuntos, com P(A)=0,3 e P(B)=0,5. Calcule: a) P(A ⋂ B) b) P(A ⋃ B) c) P(A|B) d) P(Ac) I 3. Uma escola do ensino médio do interior de São Paulo tem 40% de estudantes do sexo masculino. Entre estes, 20% nunca viram o mar, ao passo que, entre as meninas, essa porcentagem é de 50%. Qual a probabilidade de que um aluno selecionado ao acaso seja: a) Do sexo masculino e nunca tenha visto o mar? b) Do sexo feminino dado que nunca tenha visto o mar? Prof. Danielle Peralta Estatística 2.4 Partição do Espaço Amostral I Seja S o espaço amostral de um experimento qualquer, considere que A1,A2, . . .An são eventos disjuntos em S onde ⋃n i=1 Ai = S, logo podemos dizer que esses eventos formam uma partição do espaço amostral S. Prof. Danielle Peralta Estatística I Por exemplo, suponha que um fabricante de sorvetes recebe 20% de todo o leite que utiliza da uma fazenda F1, 30% de outra fazenda F2 e 50% de F3. Um órgão fiscalizador inspecionou as fazendas e descobriu que 20% do leite produzido por F1 era adulterado por adição de água, enquanto F2 e F3, essa proporção era de 5% e 2%, respectivamente. Na indústria de sorvetes os galões de leite são armazenados em um refrigeradorsem identificação das fazendas. Para um galão escolhido ao acaso, qual a probabilidade de que a amostra adulterada tenha sido obtida do leite fornecido pela fazenda F1? A resposta desse exemplo, implica em inverter a probabilidade condicional conhecida P(A|F1). Situações como essa são típicas para uso do resultado apresentado a seguir. Prof. Danielle Peralta Estatística 2.4.1 Teorema de Bayes I Suponha que os eventos C1,C2, . . .CK formem uma partição de S e que suas probabilidades sejam conhecidas. Suponha, ainda, que para um evento A, se conheçam a probabilidades P(A|Ci) para todo i = 1, 2, . . . , k. Então para qualquer j , P(Cj |A) = P(A|Cj)∑n i=1 P(A|Ci) (3) para j = 1, 2, . . . , k Prof. Danielle Peralta Estatística Exercício: I 1. Para selecionar seus funcionários, uma empresa oferece aos candidatos um curso de treinamento durante uma semana. No final do curso, eles são submetidos a uma prova e 25% são classificados como bons (B), 50% como médios (M) e os restantes 25% como fracos (F). Para facilitar a seleção, a empresa pretende substituir o treinamento por um teste contendo questões referentes a conhecimentos gerais e específicos. Para isso, gostaria de conhecer qual a probabilidade de um indivíduo aprovado no teste ser considerado fraco, caso fizesse o curso. Assim, neste ano, antes do início do curso, os candidatos foram submetidos ao teste e receberam o conceito aprovado (A) ou reprovado (R). Se a probabilidade do indivíduo ser aprovado dado que ele é "bom"é de 80%, a probabilidade do indivíduo ser aprovado dado que ele é classificado "médio"é de 50% e a probabilidade do indivíduo ser aprovado dado que ele é classificado "fraco"é de 20%. Determine a probabilidade de um aluno ser classificado como "fraco"dado que ele foi aprovado no curso? Prof. Danielle Peralta Estatística Referências I BUSSAB, W.O. e MORETIN, P.A., Estatística Básica, 4. ed., São Paulo, Atual, 1987 I MAGALHÃES, M. N. e LIMA, A. C. P. Noções de Probabilidade e Estatística. 6a Ed. EDUSP, 2008. I MORETTIN, L.G., Estatística Básica, Volume 1 - Probabilidade, 7. ed, São Paulo, Pearson Education do Brasil, 1999. Prof. Danielle Peralta Estatística
Compartilhar