Baixe o app para aproveitar ainda mais
Prévia do material em texto
Prof. Airton A. CASTAGNA Docteur Ingénieur ESTATÍSTICA (II) PROBABILIDADE CONCEITUAÇÃO Todos nós temos, ainda que inconsciente, um conceito de probabilidade. Intuitivamente as pessoas Tomam decisões em função dos fatos que têm maior probabilidade de ocorrer. Vejamos os seguintes exemplos: 1) Num confronto direto entre o Barcelona e o Arapiraca, há uma chance enorme de o Barcelona sair vitorioso. Ao se fazer uma aposta, esta deverá ser no Barcelona; PROBABILIDADE CONCEITUAÇÃO 2) Se, numa família, há muitos casos de doenças cardíacas, então há uma chance maior para que membros dessa família venham a sofrer com doenças cardíacas; 3) Se estamos fazendo controle de qualidade numa fábrica e uma máquina está produzindo muitos pregos fora do padrão pré-estabelecido, existe uma grande chance que estas máquina continue a produzir pregos fora do padrão. Mas, também intuitivamente sabemos que estas probabilidades podem não ocorrer, isto é, há incerteza quanto ao resultado real. PROBABILIDADE CONCEITUAÇÃO 1’) O Arapiraca, ainda que improvável, pode vencer o Barcelona; 2’) Não obstante o histórico familiar, uma pessoa originária de uma família com doenças cardíacas pode nunca apresentar tais problemas; 3’) Os pregos fora do padrão podem ser mera casualidade e a máquina estar funcionando bem. Se for possível quantificar a incerteza associada a cada fator, as decisões a serem tomadas tonar-se-ão mais fáceis. PROBABILIDADE CONCEITUAÇÃO Os modelos probabilísticos são aplicados em situações que envolvem algum tipo de incerteza ou de variabilidade aleatória. Exemplos: a) Lançamento de dados não viciados; b) Diâmetros de pregos; c)Número de jornais restantes numa banca. PROBABILIDADE MODELO PROBABILÍSTICO Nos casos em que os resultados de um experimento aleatório podem ser listados (caso discreto) um modelo probabilístico pode ser entendido como a listagem desses resultados, acompanhados de suas respectivas probabilidades. CONTRUÇÃO DE UM MODELO PROBABILÍSTICO Definição do experimento Definição dos resultados possíveis do experimento Definição de uma regra que obtenha a probabilidade de cada resultado ocorrer. PROBABILIDADE MODELO PROBABILÍSTICO O conjunto de todos os possíveis resultados do experimento é chamado de espaço amostral e é representado pela letra grega Ω. Exemplos: a) Lançamento de um dado – Ω = {1,2,3,4,5,6}; b) Carta de baralho ao acaso (naipe) – Ω = {copas, espadas, ouros, paus}; c) Número de cartas distribuídas anualmente pelos Correios – Ω = {1,2,3,...}; d) Diâmetro de um prego produzido, em mm – Ω = {d, tal que d>0}. PROBABILIDADE MODELO PROBABILÍSTICO Um espaço amostral é dito discreto quando ele for finito ou infinito enumerável; é dito contínuo quando for infinito, formado por intervalos de números reais. Elementos para tomada de decisão podem estar vinculados a um conjunto de resultados (ou evento) associados ao experimento aleatório. Ex.: o diâmetro de um eixo metálico, em mm, que sai de uma linha de produção, se pertencer a A = {49,0 ≤ d ≤ 51,0} então se decide que é adequado. PROBABILIDADE MODELO PROBABILÍSTICO Chamamos de evento a qualquer subconjunto do espaço amostral: A é um evento ⇔ A ⊆ Ω (a) União: A ∪ B (b) interseção: A ∩ B (c) complementar: A A A A Ω Ω Ω B B PROBABILIDADE MODELO PROBABILÍSTICO OPERAÇÕES ENTRE EVENTOS Operação Conjunto Evento a) União A ∪ B reúne os elementos de ambos os conjuntos ocorre quando ocorrer pelo menos um deles (A, B ou ambos) b) Interseção A ∩ B formado somente pelos elementos que estão em A e B ocorre quando ocorrer ambos os eventos (A e B) c) Complementar A formado pelos elementos que não estão em A ocorre quando não ocorrer o evento A (não A) PROBABILIDADE MODELO PROBABILÍSTICO EVENTOS MUTUAMENTE EXCLUSIVOS Eventos são ditos mutuamente exclusivos se e somente se eles não puderem ocorrer simultaneamente. A e B são mutuamente exclusivos ⇔ A ∩ B= ∅ A B Ω PROBABILIDADE DEFINIÇÃO – CLÁSSICA PROBABILIDADE AXIOMAS E PROPRIEDADES Probabilidade do evento complementar P(A) = 1− P(A) A A Ω PROBABILIDADE AXIOMAS E PROPRIEDADES Regra da soma das probabilidades P(A∪ B) = P(A) + P(B) − P(A∩ B) Ω A B A ∩ B Se A e B mutuamente exclusivos, então: P(A∪ B) = P(A) + P(B) PROBABILIDADE AXIOMAS E PROPRIEDADES PROBABILIDADE PROBABILIDADE DE EVENTOS PROBABILIDADE AXIOMAS E PROPRIEDADES Probabilidade condicional. Exemplo Seja o lançamento de 2 dados não viciados e a observação das faces voltadas para cima. Calcule a probabilidade de ocorrer faces iguais, sabendo-se que a soma é menor ou igual a 5. E1 = faces iguais = {(1, 1), (2, 2), (3, 3), (4, 4), (5, 5), (6, 6)}; e E2 = soma das faces é menor ou igual a 5 = {(1, 1), (1, 2), (1, 3), (1, 4), (2, 1), (2, 2), (2, 3), (3, 1), (3,2), (4, 1)}. Ω PROBABILIDADE AXIOMAS E PROPRIEDADES PROBABILIDADE AXIOMAS E PROPRIEDADES PROBABILIDADE DEFINIÇÃO – EXPERIMENTAL n→∞ n→∞ PROBABILIDADE DEFINIÇÃO – EXPERIMENTAL Exemplo: Um fabricante de lâmpadas fluorescentes precisa definir o tempo de garantia de um de seus modelos. Estima-se que durem 5.000 horas, mas não se tem certeza do comportamento na prática. Assim é temerário fixar uma garantia. Definiu-se um experimento aleatório que consiste em ligar a lâmpada e registrar o tempo em horas que ela funciona. O espaço amostral é formado pelo conjunto de todos os valores maiores que zero: Ω = {t, tal que t ≥ 0} Seja o evento: At = a lâmpada funcionar até o tempo t. PROBABILIDADE DEFINIÇÃO – EXPERIMENTAL PROBABILIDADE AXIOMAS E PROPRIEDADES PROBABILIDADE AXIOMAS E PROPRIEDADES Eventos independentes Dois ou mais eventos são independentes quando a ocorrência de um dos eventos não influencia a probabilidade da ocorrência dos outros. Nesse caso: P(A|B) = P(A) e P(B|A) = P(B) A e B são independentes P(A∩B) = P(A).P(B) PROBABILIDADE EXEMPLO Uma caixa contém 4 cartões amarelos e 8 vermelhos. Se retiramos, ao acaso, dois cartões, um após o outro, sem reposição: a) Qual é a probabilidade que ambos sejam amarelos? Designando de A1 o evento que representa o cartão amarelo na i-ésima extração, e V1 o evento que representa o cartão vermelho na i-ésima extração (i= 1, 2), temos o seguinte espaço amostral: Ω = {(A1, A2), (A1, V2), (V1, A2), (V1, V2)} A probabilidade de interesse é P{(A1, A2)}, que também pode ser expressa como P(A1∩A2). Aplicando a regra do produto P(A1∩A2) = P(A1) * P(A2/A1), calculamos: PROBABILIDADE EXEMPLO PROBABILIDADE EXEMPLO 4 amarelos 8 vermelhos (total = 12) A 3 amarelos 8 vermelhos (total = 11) A V V 4 amarelos 7 vermelhos (total = 11) A V 1ª. extração 2ª. extração PROBABILIDADE EXEMPLO PROBABILIDADE EXEMPLO PROBABILIDADEEXEMPLO (II) Realize o exercício anterior, mas com amostragem feita com reposição 4 amarelos 8 vermelhos (total = 12) A 4 amarelos 8 vermelhos (total = 12) A V V 4 amarelos 8 vermelhos (total = 12) A V 1ª. extração 2ª. extração PROBABILIDADE TEOREMA DA PROBABILIDADE TOTAL Imagine que você emprega peças vindas de 4 fornecedores distintos, com 4 desempenhos de qualidade também diferentes. Você conhece a proporção de peças “não conformes” de cada um dos fornecedores (p1, p2, p3 e p4). Pense num lote formado por peças dos 4 fornecedores. Se você selecionar um das peças deste lote qual é a probabilidade dela ser “não conforme”? v v Peças do lote Peças “não conformes” PROBABILIDADE Seria fácil calcular se você soubesse qual era a origem da peça, mas você não sabe. O teorema da probabilidade total é que permite solucionar este problema. Considere o espaço amostral particionado em k eventos, E1, E2, E3, ..., Ek, satisfazendo as seguintes condições: a)Ei⋂Ej = ⌀, para todo i ≠ j (eventos mutuamente exclusivos); b)E1UE2UE3U...Uk = Ω (eventos exaustivos), e c)P(Ei) > 0 para i = 1, 2, ... , k. Partição do espaçoamostral em eventos mutuamente exclusivos. EEE E1 E2 E3 E4 E5 E6 E7 F F ⋂ E5 F ⋂ E1 F ⋂ E8 PROBABILIDADE PROBABILIDADE Naturalmente, algumas P(F/Ei) poderão assumir valor zero por não haver interseção entre F e Ei. O teorema da probabilidade total pode ser interpretado fisicamente como uma medida do peso de cada um dos eventos Ei na contribuição para formar o evento F. PROBABILIDADE – EXEMPLO (III) Os eventos Ei representam as procedências das peças (fornecedores 1, 2, 3 e 4), e o evento F representa peça não conforme. Note que os eventos Ei são mutuamente exclusivos, pois uma peça não pode vir de mais de um fabricante e que o evento F tem interseção com todos eles pois todos os fornecedores produzem peças não conformes. PROBABILIDADE – EXEMPLO (III) Suponha a mesma probabilidade para todos os fornecedores, isto é: P(E1) = P(E2) = P(E3) = P(E4) = 0,25 e as probabilidades de não conformidade de cada fabricante sejam: p1 = P(F/E1) = 0,1; p2 = P(F/E2) = 0,1; p3 = P(F/E3) = 0,2; p4 = P(F/E4) = 0,4 ; então, usando o teorema: P(F) = (0,25 * 0,1) + (0,25 * 0,1) + (0,25 * 0,2) + (0,25 * 0,4) P(F) = 0,2 PROBABILIDADE PROBABILIDADE – EXEMPLO (IV)
Compartilhar