Baixe o app para aproveitar ainda mais
Prévia do material em texto
MAT02020 – Introdução à Probabilidade Prof. Álvaro Vigo Alvaro.Vigo@ufrgs.br Conceitos Básicos Fenômenos 𝐷𝑒𝑡𝑒𝑟𝑚𝑖𝑛í𝑠𝑡𝑖𝑐𝑜𝑠 𝑙𝑒𝑖𝑠 𝑓í𝑠𝑖𝑐𝑎𝑠 𝐴𝑙𝑒𝑎𝑡ó𝑟𝑖𝑜𝑠 (𝑚𝑜𝑑𝑒𝑙𝑜𝑠 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙í𝑠𝑡𝑖𝑐𝑜𝑠) Fenômeno aleatório é a situação ou acontecimento cujo resultado não pode ser previsto com certeza Eventos Aleatórios Evento aleatório consiste em um ou mais resultados do experimento aleatório, ou seja, é qualquer subconjunto do espaço amostral Ω. Evento simples (ou elementar): é cada um dos resultados (indivisíveis) do experimento aleatório (ou seja, cada elemento de Ω). Evento composto: é uma coleção de um ou mais elementos de Ω. Definição: um evento A ao qual pode ser atribuída uma probabilidade, é chamado de evento aleatório. Combinações de Eventos Aleatórios Combinações de Eventos Aleatórios Combinações de Eventos Aleatórios Combinações de Eventos Aleatórios Combinações de Eventos Aleatórios Experimento Aleatório Processo de observar (por meio de estudo observacional ou experimental) resultados de um fenômeno aleatório (uma ou mais vezes) sob condições idênticas. Características O experimento pode ser repetido sob as mesmas condições O resultado do experimento não pode ser conhecido (com certeza) antes da sua realização A coleção dos possíveis resultados do experimento é conhecida Experimentos de Aleatórios e Eventos Exemplo 1 – Um experimento aleatório consiste no lançamento (único) de uma moeda honesta, sendo observado o resultado da face superior. Espaço amostral: = {C, K} Sejam os eventos: A = O resultado é cara (C) B = O resultado é coroa (K) Então disjuntos eventos são ) ) ) ) BeAAABAd BAc BAb KCBAa c c Experimentos de Aleatórios e Eventos Exemplo 1 – Um experimento aleatório consiste no lançamento (único) de uma moeda honesta, sendo observado o resultado da face superior. Espaço amostral: = {C, K} Sejam os eventos: A = O resultado é cara (C) B = O resultado é coroa (K) Então disjuntos são ) ) ) ) BeAAABAd BAc BAb KCBAa c c Experimentos de Aleatórios e Eventos Exemplo 2 – Um experimento aleatório consiste no lançamento (único) de um dado honesto, sendo observado o resultado da face superior. Espaço amostral: = {1, 2, 3, 4, 5, 6} Sejam os eventos: A = O resultado é par A = {2, 4, 6} B = O resultado é ímpar B = {1, 3, 5} C = O resultado é maior do que 2 C = {3, 4, 5, 6} Experimentos de Aleatórios e Eventos Sejam os eventos: A = O resultado é par A = {2, 4, 6} B = O resultado é ímpar B = {1, 3, 5} C = O resultado é maior do que 2 C = {3, 4, 5, 6} Então 2,1 ) 6,4 ) 6,5,4,3,2 disjuntos são ) ) c c Ce CAd Cc) A BeAAABAb BAa Experimentos de Aleatórios e Eventos Observar o número de pessoas acidentadas que chegam em um pronto socorro de um determinado hospital durante uma madrugada Espaço amostral: = {0,1,2,3,4,...} Observar o peso ao nascer de um recém nascido (kg) Espaço amostral: = (0, +∞) Eventos: Peso < 2,5 kg Peso ≥ 2,5 kg Peso ≥ 4,0 kg Probabilidade Uma probabilidade é uma função P(.) que atribui valores numéricos aos eventos do espaço amostral associado a um experimento aleatório. Uauuu.... o que isto significa? Queremos quantificar (medir) a probabilidade de ocorrência de eventos Cada evento do espaço amostral tem uma probabilidade de ocorrer Mas como atribuir probabilidades aos eventos? Probabilidade Definição: Uma função P(.) é chamada de probabilidade se satisfaz as condições: Explicando Uma probabilidade (SEMPRE) é um número entre 0 e 1 O resultado do experimento está SEMPRE no espaço amostral (pois, contém todos os resultados possíveis do experimento) A probabilidade da união de eventos disjuntos é a soma das probabilidades individuais disjuntos, com os AAAiii)P ;Ωii)P Ω;A, APi) j k j j k j j 11 1 10 Probabilidade Mas como atribuir probabilidades aos eventos? Probabilidade Existem diferentes abordagens Usando o conhecimento das (ou suposições sobre) características teóricas da realização do de fenômeno Por meio da frequência de ocorrências do evento em um grade número de repetições do experimento Probabilidade Usando o conhecimento das (ou suposições sobre) características teóricas da realização do de fenômeno No experimento de lançar um dado e observar o resultado da face superior, = {1,2,3,4,5,6} 621 6 1 ,...,,j; jFaceP Probabilidade No experimento de lançar um dado e observar o resultado da face superior, = {1,2,3,4,5,6} se assumirmos um modelo teórico que especifica que os resultados são equiprováveis. Há garantia de que este modelo é verdadeiro? Como verificar? 621 6 1 ,...,,j; jFaceP Probabilidade Definição clássica (exige resultados equiprováveis) Seja Ω o espaço amostral de um experimento aleatório que contém n diferentes elementos indivisíveis e equiprováveis. Então, se o evento A pode ocorrer de k maneiras dentre as n, então a probabilidade do evento A ocorrer é 𝑃 𝐴 = 𝑁º 𝑑𝑒 𝑚𝑎𝑛𝑒𝑖𝑟𝑎𝑠 𝑝𝑒𝑙𝑎𝑠 𝑞𝑢𝑎𝑖𝑠 𝐴 𝑝𝑜𝑑𝑒 𝑜𝑐𝑜𝑟𝑟𝑒𝑟 𝑁º 𝑑𝑒 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑠𝑖𝑚𝑝𝑙𝑒𝑠 𝑒𝑚 Ω = 𝑘 𝑛 Probabilidade Exemplo: Considere o experimento de lançar um dado honesto e observar o resultado da face superior. Assim, Ω = 1,2,3,4,5,6 contém 𝑛 = 6 eventos simples e Seja o evento “A = O resultado é par”. Então, pela definição clássica, 𝑃 𝐴 = 3 6 621 6 1 ,...,,j; jFaceP Probabilidade Definição frequentista Repetir (ou observar) o experimento um grande número 𝑛 de vezes sob condições idêntica e contar o número de vezes que o evento A ocorre. Assim, a probabilidade do evento A ocorrer (aproximação da probabilidade pela frequência) é 𝑃 𝐴 = 𝑁º 𝑑𝑒 𝑣𝑒𝑧𝑒𝑠 𝑞𝑢𝑒 𝐴 𝑜𝑐𝑜𝑟𝑟𝑒 𝑁º 𝑑𝑒 𝑟𝑒𝑎𝑙𝑖𝑧𝑎çõ𝑒𝑠 𝑑𝑜 𝑒𝑥𝑝𝑒𝑟𝑖𝑚𝑒𝑛𝑡𝑜 Probabilidade No experimento do lançamento de um dado, a abordagem da frequência relativa pode ser usada para analisar a suposição de que as faces são equiprováveis 𝑃 𝐹𝑎𝑐𝑒 = 𝑗 = 𝑁º 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 𝑐𝑜𝑚 𝐹𝑎𝑐𝑒 𝑗 𝑁º 𝑑𝑒 𝑟𝑒𝑎𝑙𝑖𝑧𝑎çõ𝑒𝑠 𝑑𝑜 𝑒𝑥𝑝𝑒𝑟𝑖𝑚𝑒𝑛𝑡𝑜 = # 𝐹𝑎𝑐𝑒 𝑗 𝑛 𝑃(𝐹𝑎𝑐𝑒 = 𝑗) é a proporção de resultados 𝐹𝑎𝑐𝑒 = 𝑗 nas n realizações do experimento Para n grande (“?”), se o dado é honesto, espera-se 𝑃 𝐹𝑎𝑐𝑒 = 𝑗 ≅ 1 6 ; ∀𝑗 = 1,2,3,4,5,6. Probabilidade Definição subjetiva A probabilidade de um evento A ocorrer, 𝑃(𝐴), é estimada utilizando o conhecimento de circunstâncias relevantes para o problema. Exemplo: Para estimar a probabilidade de um astronautasobreviver a uma missão do ônibus espacial, a NASA considerou informações de eventos passados, junto com mudanças nas tecnologias e outras condições, chegando a estimativa de 0,99. Probabilidade Definição geométrica Considere o experimento aleatório que consiste em selecionar, ao acaso, um ponto no círculo de raio 1. Então Ω = 𝑥, 𝑦 ∈ 𝑅2: 𝑥2 + 𝑦2 ≤ 1 Seja A o evento tal que “a distância entre o ponto escolhido e a origem é ≤ 1 2 ”. Então, se 𝑤 = 𝑥, 𝑦 é o resultado do experimento, 𝑤 será favorável ao evento 𝐴 se, e somente se, 𝑥2 + 𝑦2 ≤ 1 4 e 𝐴 = 𝑥, 𝑦 ∈ Ω: 𝑥2 + 𝑦2 ≤ 1 2 Assim, a probabilidade (geométrica) do evento A é 𝑃 𝐴 = Á𝑟𝑒𝑎 𝐴 Á𝑟𝑒𝑎 Ω Objetivo: estimar as probabilidades dos genótipos AA, Aa e aa, associadas aos tipos de manchas em mariposas da espécie Callimorpha dominula (Scarlet tiger moth) Brancas (AA) Intermediárias (Aa) Pequenas (aa) Exemplo - Aplicação em Genética† † Adaptado de https://en.wikipedia.org/wiki/Hardy%E2%80%93Weinberg_principle Equilíbrio de Hardy-Weinberg (1908) - Em uma população mendeliana, sob certas condições, as frequências alélicas permanecerão constantes com o passar das gerações. Godfrey Harold Hardy (Inglaterra) Wilhelm Weinberg (Alemanha) Exemplo - Aplicação em Genética† Considere o caso de um único locus com dois alelos “A” e ”a” com probabilidades p e q, respectivamente. Utilizando a lei de H-W é possível predizer as frequências genotípicas AA, Aa e aa: Machos Fêmeas A a A AA Aa a Aa aa 121 ;2 ; ; 22 22 qpqpqp qaaPpqAaPpAAP qaPpAP Exemplo - Aplicação em Genética† 2 2 2 qaaP pqAaP pAAP qAPaP pAP c Exemplo - Aplicação em Genética † Hardy–Weinberg proportions for two alleles: the horizontal axis shows the two allele frequencies p and q and the vertical axis shows the expected genotype frequencies. Each line shows one of the three possible genotypes. Considere uma amostra de 1612 mariposas da espécie Callimorpha dominula observada por E.B. Ford (1971), as quais foram classificadas quanto ao tipo de manchas(fenótipo). Exemplo - Aplicação em Genética† † Adaptado de https://en.wikipedia.org/wiki/Hardy%E2%80%93Weinberg_principle * Assumindo que diferenças genotípicas x fenotípicas são negligíveis. Fenótipo Tipo de Manchas Total Brancas (AA) Intermediárias (Aa) Pequenas (aa) Nº Observado 1469 (nAA) 138 (nAa) 5 (naa) 1612 0459,09541,0111 9541,0 3224 3076 513814692 13814692 2 2 pAPAPaPq nnn nn APp c aaAaAA AaAA Pelo princípio de H-W, sob a hipótese de a população está em equilíbrio, as frequências alélicas em cada geração são estimadas por Fenótipo Tipo de Manchas Total Brancas (AA) Intermediárias (Aa) Pequenas (aa) Nº Observado 1469 (nAA) 138 (nAa) 5 (naa) 1612 Exemplo - Aplicação em Genética† † Adaptado de https://en.wikipedia.org/wiki/Hardy%E2%80%93Weinberg_principle * Assumindo que diferenças genotípicas x fenotípicas são negligíveis. 3970,30459,01612 2060,1410459,09541,021612 3970,14679541,01612 0459,09541,011 9541,0 3224 3076 513814692 13814692 2 2 2 2 aaE AaE AAE pq nnn nn p aaAaAA AaAA Exemplo - Aplicação em Genética† Mas como saber se a população está em equilíbrio? † Adaptado de https://en.wikipedia.org/wiki/Hardy%E2%80%93Weinberg_principle * Assumindo que diferenças genotípicas x fenotípicas são negligíveis. H0: A população estudada de mariposas Callimorpha dominula está em equilíbrio de Hardy-Weinberg H1: Não há equilíbrio H-W na população estimados parâmetrosNº categorias deNº ~ 2 1 . 1 2 2 k C E EO kC C i i ii calc Exemplo - Aplicação em Genética† Teste de Aderência † Adaptado de https://en.wikipedia.org/wiki/Hardy%E2%80%93Weinberg_principle * Assumindo que diferenças genotípicas x fenotípicas são negligíveis. Genótipo O E (0 - E)2/E AA 1469 1467,3970 0,0018 Aa 138 141,2060 0,0728 aa 5 3,3970 0,7564 Total 1612 1612 0,8310 ) A, alelo do adeprobabilid a estimada (foi 1 e 3 pois ~ 21 .3 1 2 2 pAP kC E EO i i ii calc Exemplo - Aplicação em Genética† Teste de Aderência † Adaptado de https://en.wikipedia.org/wiki/Hardy%E2%80%93Weinberg_principle * Assumindo que diferenças genotípicas x fenotípicas são negligíveis. Genótipo O E (0 - E)2/E AA 1469 1467,3970 0,0018 Aa 138 141,2060 0,0728 aa 5 3,3970 0,7564 Total 1612 1612 0,8310 3620,0 8310,02 pValorcalc Há evidências de que a população estudada de mariposas Callimorpha dominula está em equilíbrio de Hardy-Weinberg (p=0,3620). Exemplo - Aplicação em Genética† Teste de Aderência † Adaptado de https://en.wikipedia.org/wiki/Hardy%E2%80%93Weinberg_principle * Assumindo que diferenças genotípicas x fenotípicas são negligíveis. Definição: Seja Ω um conjunto não vazio. Uma classe 𝒜 de subconjuntos de Ω satisfazendo as propriedades A1– A5, abaixo, é chamada de álgebra de eventos: A1. Ω ∈ 𝒜 (assim, 𝑃 Ω = 1) A2. Se 𝐴 ∈ 𝒜, então 𝐴𝑐 ∈ 𝒜 e 𝑃 𝐴𝑐 = 1 − 𝑃 𝐴 A3. Se 𝐴 ∈ 𝒜 e 𝐵 ∈ 𝒜, então 𝐴 ∪ 𝐵 ∈ 𝒜 (se atribuirmos uma probabilidade para A e outra para a B, então atribuiremos uma probabilidade pra “A ou B”) A4. ∅ ∈ 𝒜 A5. ∀𝑛, ∀ 𝐴1, 𝐴2 , … , 𝐴𝑛, temos 𝐴𝑗 ∈ 𝒜 𝑛 𝑗=1 e 𝐴𝑗𝜖𝒜 𝑛 𝑗=1 Álgebra e 𝜎-Álgebra de Eventos 𝒜 Álgebra e 𝜎-Álgebra de Eventos 𝒜 A3’. Se 𝐴𝑛 ∈ 𝒜, 𝑛 = 1,2,3…, então 𝐴𝑛 ∈ 𝒜 ∞ 𝑛=1 Definição: Uma classe 𝒜 de subconjuntos de um conjunto não vazio Ω satisfazendo as propriedades A1, A2 e A3’ é chamada de 𝝈-álgebra de subconjuntos de Ω. Proposição: Seja 𝒜 uma 𝝈-álgebra de subconjuntos de Ω. Se 𝐴1, 𝐴2 , … ∈ 𝒜, então 𝐴𝑛 ∈ 𝒜 ∞ 𝑛=1 . No caso discreto, se Ω é finito ou enumerável, então 𝒜 é (usualmente) a 𝜎-álgebra de todas as partes de Ω. Exemplo: Considere o experimento de lançar um dado honesto e observar o resultado da face superior, em que Ω = 1,2,3,4,5,6 . Então, a 𝜎-álgebra 𝒜 contém 26 = 64 elementos: Exemplos 1 6 6 6 5 6 15 4 6 20 3 6 15 2 6 6 1 6 1 Exemplo: Considere o experimento de lançar um dado honesto e observar o resultado da face superior, em que Ω = 1,2,3,4,5,6 . Então, a 𝜎-álgebra 𝒜 contém 26 = 64 elementos: Exemplos }6,5,4,3,2,1{},6,5,4,3,2{},6,5,4,3,1{},6,5,4,2,1{},6,5,3,2,1{},6,4,3,2,1{},5,4,3,2,1{ },6,5,4,3{},6,5,4,2{},6,5,3,2{},6,4,3,2{},5,4,3,2{},6,5,4,1{},6,5,3,1{ },6,4,3,1{},5,4,3,1{},6,5,2,1{},6,4,2,1{},5,4,2,1{},6,3,2,1{},5,3,2,1{},4,3,2,1{ },6,5,4{},6,5,3{},6,4,3{},5,4,3{},6,5,2{},6,4,2{},5,4,2{},6,3,2{},5,3,2{},4,3,2{ },6,5,1{},6,4,1{},5,4,1{},6,3,1{},5,3,1{},4,3,1{},6,2,1{},5,2,1{},4,2,1{},3,2,1{ },6,5{},6,4{},5,4{},6,3{},5,3{},4,3{},6,2{},5,2{},4,2}{3,2{},6,1{},5,1{},4,1}{3,1}{2,1{},6{},5{},4{},3{},2{},1{},{ A Andrei Nikolaevich Kolmogorov Principal responsável pela construção axiomática da probabilidade. Em 1933 publicou o trabalho “Grundbegrife der Warscheinlichkeitrechnung", traduzido para o Inglês em 1950 sob o título "Foundations of Probability“. http://www-groups.dcs.st-and.ac.uk/~history/Biographies/Kolmogorov.html https://en.wikipedia.org/wiki/Andrey_Kolmogorov (1903-1987) Definição Axiomática de Probabilidade Vamos admitir que existem probabilidades em uma -álgebra e que para todo A 𝒜 esteja associado um real 𝑃 𝐴 , chamado de probabilidade de A, de modo que os axiomas a seguir estão satisfeitos n j j n j j n APAP AAA P AP 11 21 então 2), a (2 disjuntos são ,...,, Se finita). de(Adidivida :3 Axioma .1:2 Axioma .0 :1 Axioma A Dois eventos são disjuntos se jiAA ji , Definição: Uma função P definida em uma -álgebra A e satisfazendo os Axiomas 1, 2 e 3’ é chamada de medida de probabilidade em 𝒜. 11 21 então disjuntos, são ,..., Se e).adidividad-( :3' Axioma j j j j APAP AA A Observação: o Axioma 3’ implica o Axioma 3, isto é, uma probabilidade -aditiva também é finitamente aditiva. Definição Axiomática de Probabilidade Os sistemas de axiomas abaixo são equivalentes: Sistema I: Axiomas 1, 2 e 3’. Sistema II: Axiomas 1, 2, 3 e 4. .0 então vazio,o paradecrescer , que em , sequencia a Se vazio).no ade(Continuid :4 Axioma 1 nn n nn AP nA A A Definição Axiomática de Probabilidade Exercícios 1) Uma moeda honesta é lançada duas vezes e observam-se as faces obtidas. Escreva o espaço amostral. 2) Um médico observa o diagnóstico de dois pacientes selecionados ao acaso, registrando os respectivos resultados (D=Doente, Dc=Não doente). Escreva o espaço amostral. 3) Um dado honesto é lançado duas vezes e a ocorrência de face par ou ímpar é observada. Escreva o espaço amostral. 4) Dois dados honestos são lançados simultaneamente, sendo observada a soma das faces superiores. Escreva o espaço amostral. Exercícios 5) Na primeira visita de um novo paciente adulto, um dentista observa o número de dentes com cárie. Escreva o espaço amostral. 6) Na primeira visita de um novo paciente adulto, um dentista observa o número de cáries. Escreva o espaço amostral. 7) Uma moeda honesta é lançada até o aparecimento da primeira cara. Escreva o espaço amostral. 8) Em uma linha de produção, um engenheiro de qualidade inspeciona peças até encontrar a primeira defeituosa. Escreva o espaço amostral. Exercícios 1) Uma moeda honesta é lançada duas vezes e observam-se as faces obtidas. Escreva o espaço amostral. Vamos representar os resultados por C=Cara e K=Coroa. Então, Ω = 𝐶, 𝐶 , 𝐶, 𝐾 , 𝐾, 𝐶 , (𝐾, 𝐾) 2) Um médico observa o diagnóstico de dois pacientes selecionados ao acaso, registrando os respectivos resultados (D=Doente, Dc=Não doente). Escreva o espaço amostral. cccc DDDDDDDD ,,,,,,, Exercícios 3) Um dado honesto é lançado duas vezes e a ocorrência de face par ou ímpar é observada. Sejam os eventos P = O resultado é face par, e, I = O resultado é face impar Então, 4) Dois dados honestos são lançados simultaneamente, sendo observada a soma das faces superiores. 12,11,10,9,8,7,6,5,4,3,2 IIPIIPPP ,,,,,,, Exercícios 5) Na primeira visita de um novo paciente adulto, um dentista observa o número de dentes com cárie. Considerando a dentição convencional completa, um adulto possui 32 dentes, incluindo os terceiros molares (sisos). Assim, Ω = {0,1,2,...,32} Exercícios 6) Na primeira visita de um novo paciente, um dentista observa o número de cáries. Ω = {0,1,2,3,...} 7) Uma moeda honesta é lançada até o aparecimento da primeira cara. Sejam os eventos C=Cara e K=Coroa. Então Ω = {C, KC, KKC, KKKC, KKKKC,...} 8) Em uma linha de produção, um engenheiro de qualidade inspeciona peças até encontrar a primeira defeituosa. Sejam os eventos D=Defeituosa e Dc=Não defeituosa. Então Ω = {D, DcD, DcDcD, DcDcDcD, ...} Um modelo probabilístico para um experimento aleatório é composto por: a) Um conjunto não vazio Ω, o espaço amostral. b) Uma -algebra 𝒜 de eventos aleatórios. c) Uma probabilidade P definida em 𝒜. Definição: Um espaço de probabilidade é um trio (Ω, 𝒜, P), em que: a) Ω é um conjunto não vazio. b) 𝒜 é uma -algebra de subconjuntos Ω . c) P é uma probabilidade em 𝒜. Modelo Probabilístico e Espaço de Probabilidade Princípio Fundamental da Contagem1: Se um primeiro evento pode ocorrer de 𝑚1 maneiras diferentes, um segundo evento pode ocorrer de 𝑚2 maneiras diferentes, e assim por diante, um k-ésimo evento pode ocorrer de 𝑚𝑘 maneiras diferentes, então o número de maneiras diferentes em que os 𝑘 eventos podem ocorrer simultaneamente é 𝑚1 ×𝑚2 ×⋯×𝑚𝑘. Exemplo: Um restaurante tem três tipos de macarrão 𝑚1, 𝑚2, 𝑚3 e dois tipos de molho 𝑀1, 𝑀2 . Quantos tipos de macarronada podem ser preparados? Análise Combinatória Boulos, P. & Watanabe, R. Matemática. Vol. 2. (1976). Exemplos: 1) Quantos subconjuntos tem um conjunto com três elementos 𝑎, 𝑏, 𝑐 ? E um conjunto com 30 elementos? 2) Considere o lançamento de um dado honesto, sendo observado o resultado da face superior. Assim, Ω = 1,2,3,4,5,6 . Quantos elementos possui a - álgebra 𝒜 de subconjuntos de Ω? 3) Considere o lançamento de dois dados honestos, sendo observados os resultados da face superior. Quantos elementos possui o espaço amostral Ω? 4) O número do Cadastro de Pessoa Física (CPF) é composto por 11 dígitos, sendo que os dois finais são de controle. Cada um dos 9 dígitos iniciais tem 10 resultados possíveis (0,1,2,...,9). Quantos números de CPF podem existir? Análise Combinatória Combinações: O número de maneiras pelas quais 𝑘 elementos podem ser selecionados de um conjunto com 𝑛 elementos é dado por Exemplo: Um juri é composto por 11 jurados, os quais devem ser escolhidos entre 20 cidadãos pré-selecionados. Quantas combinações (de pessoas diferentes) existem para a composição do juri? 20 11 = 20! 11! 20−11 ! = 167.960 Análise Combinatória !! ! knk n k n C nk Permutações : O número de maneiras pelas quais 𝑘 elementos podem ser selecionados de um conjunto com 𝑛 (diferentes) elementos, de modo que a ordem de seleção seja importante, é Permutações Simples: Um conjunto com 𝑛 elementos distintos pode ser organizado de 𝑛! maneiras diferentes. Análise Combinatória ! ! kn n Pnk Exemplo: Em uma corrida de cavalos, um apostador vence uma “Aposta Exata” se acertar os cavalos na primeira e segunda posições, respectivamente. Em uma prova com 10 cavalos, de quantas formas possíveis pode ser feita uma “Aposta Exata”? Análise Combinatória 190 !210 !1010 2 P Partições: Alguns problemas combinatórios envolvem amostras sem reposição e desordenadas. Considere o exemplo a seguir: Uma urna contem N bolas, das quais 𝑏 são brancas e 𝑣vermelhas. Uma amostra de 𝑛 é selecionada ao acaso. Qual a probabilidade de que a amostra tenha 𝑘 ≤ 𝑏 bolas brancas? A urna pode ser dividida em duas classes: Classe 1 = 𝑏 bolas brancas Classe 3 = 𝑁 − 𝑏 = 𝑣 bolas vermelhas O espaço amostral contém 𝑁 𝑛 combinações possíveis, as quais são equiprováveis. Análise Combinatória Existem 𝑏 𝑘 maneiras de observar exatamente 𝑘 bolas brancas em uma amostra de tamanho 𝑛. As outras 𝑛 − 𝑘 bolas devem ser vermelhas, de modo que existem 𝑣 𝑛 − 𝑘 maneiras de isto ocorrer. Assim, se 𝑋 representa o número de bolas brancas na amostra, então Análise Combinatória 𝑃 𝑋 = 𝑘 = 𝑏 𝑘 𝑁 − 𝑏 𝑛 − 𝑘 𝑁 𝑛 = 𝑏 𝑘 𝑣 𝑛 − 𝑘 𝑁 𝑛 Mega-Sena (Distribuição Hipergeométrica) N = Quantidade de números no volante (N=60) n = Quantidade de números sorteados (n=6) k = Número de apostas x = Número de acertos 610; ,...,,x n N xn kN x k xXP Com uma aposta mínima (6 números) a probabilidade de 6 acertos é calculada como: N= Quantidade de números no volante (N=60) n = Quantidade de números sorteados (n=6) k = Número de apostas (k=6) x = Número de acertos 860.063.50 1 6 60 66 660 6 6 6 n N xn kN x k XP Mega-Sena (Distribuição Hipergeométrica) Com uma aposta de 8 números, a probabilidade de 6 acertos é calculada como: N= Quantidade de números no volante (N=60) n = Quantidade de números sorteados (n=6) k = Número de apostas (k=8) x = Número de acertos 995.787.1 1 6 60 66 860 6 8 6 n N xn kN x k XP Mega-Sena (Distribuição Hipergeométrica) Com uma aposta mínima (6 números) a probabilidade de 5 acertos é calculada como: N= Quantidade de números no volante (N=60) n = Quantidade de números sorteados (n=6) k = Número de apostas (k=6) x = Número de acertos 860.063.50 324 860.063.50 546 6 60 56 660 5 6 5 n N xn kN x k XP Mega-Sena (Distribuição Hipergeométrica)
Compartilhar