Baixe o app para aproveitar ainda mais
Prévia do material em texto
EST002 – Estatística II Prof. Ricardo Tavares 1 UFOP / ICEB / Departamento de Estatística Disciplina: EST002 Estatística II Professor: Ricardo Tavares I – Noções de probabilidade Introdução A Teoria das Probabilidades nasceu na França no século XVII com estudos sobre jogos de azar devido à necessidade de um método racional para calcular os riscos dos jogadores em jogos de cartas, dados etc; A Teoria das Probabilidades é o ramo da Matemática desenvolvido para tratar com incertezas (aleatoriedade). Muitos fenômenos têm a propriedade da sua observação, repetida sob condições especificadas, conduzir invariavelmente ao mesmo resultado; Exemplos: a) O fluxo de corrente elétrica observável em um circuito simples (Lei de Ohm: I = E/R). b) O tempo em que uma bola atingirá o solo após cair através do vácuo (Lei da Gravitação: � = �2�/�). c) O índice de massa corporal (IMC) em um estudo sobre Câncer (IMC = peso/altura2). Para tais exemplos, os modelos apropriados são aqueles que estipulam que as condições sob as quais um experimento seja executado determinam o resultado do experimento. Tais modelos são chamados de modelos determinísticos. Existem outros fenômenos cuja observação, repetida sob condições especificadas, não conduz sempre ao mesmo resultado; Exemplos: a) Lançamento de um dado honesto. b) Número de casos notificados de dengue no próximo ano. c) Resultado final de uma partida de futebol: Atlético x Cruzeiro. EST002 – Estatística II Prof. Ricardo Tavares 2 Pode parecer impossível fazer qualquer afirmação válida sob tais fenômenos, contudo a experiência mostra que muitos fenômenos aleatórios exibem uma regularidade estatística que os torna passíveis de estudo. Para tais fenômenos, os modelos apropriados são aqueles que estipulam que as condições do experimento determinam apenas o comportamento probabilístico do resultado observável. Tais modelos são chamados modelos probabilísticos. Atualmente, a Teoria das Probabilidades ocupa um lugar importante no processo de tomada de decisão envolvendo incertezas, quer seja um problema no mercado financeiro, no governo, nas ciências médicas, nas ciências sociais, ou na nossa própria vida pessoal diária; Em poucas situações de tomada de decisão temos informações perfeitas ou temos todos os fatos/dados necessários disponíveis; A maioria das decisões é feita em face da incerteza. A probabilidade entra neste processo fazendo um papel de substituto para a certeza - um substituto para o conhecimento completo; A Teoria das Probabilidades faz com que seja possível o Estatístico generalizar do conhecido (amostra) para o desconhecido (população) e garantir um alto grau de confiança nestas generalizações; Portanto, a Probabilidade é uma das ferramentas mais importantes de Inferência Estatística. A teoria da probabilidade oferece métodos de quantificação das chances ou possibilidades de ocorrência associadas aos diversos resultados de um experimento aleatório. Experimento Aleatório: É qualquer ação ou processo cujo resultado está sujeito à incerteza. Isto é, um experimento aleatório pode fornecer diferentes resultados, embora seja repetido da mesma maneira. Exemplo: Numa turma com 35 alunos, escolher um aluno ao acaso para ser o representante da turma; Pergunta: O que os experimentos aleatórios têm em comum? EST002 – Estatística II Prof. Ricardo Tavares 3 Resposta: (I) Cada experimento pode ser repetido indefinidamente sob condições essencialmente inalteradas; (II) Embora não possamos afirmar que resultado particular ocorrerá, nós podemos descrever o conjunto de todos os resultados possíveis do experimento. Quando o experimento é executado repetidamente, sob as mesmas condições, os resultados individuais parecerão ocorrer de uma forma casual (acidental). No entanto, à medida que o número de repetições aumenta, surgem certos padrões na frequência de ocorrência dos resultados. É esta regularidade (padrão) que torna possível construir um modelo matemático para analisar o experimento. A palavra “chance” é um termo informal (ou sinômino aproximado) para se referir a probabilidade; Os termos "likely" e "likelihood" são usados casualmente como sinôminos de "provável" e "probabilidade". Em Estatística, a noção de verossimilhança (likelihood) é uma função da probabilidade dos parâmetros condicionada nos dados observados; Qual será a diferença entre Azar e Sorte? Portanto, Probabilidade é um instrumento para mensurar (medir) a verossimilhança da ocorrência de um evento, ou seja, o quão verossímil ou provável é a ocorrência de um evento; • Exemplos: (i) Qual a chance de sobrevivência da onça-pintada diante dos diferentes níveis de degradação ambiental? (ii) Qual a chance desta espécie abranger zonas climáticas diferentes? • Interesse: Mensurar esses eventos para calcularmos suas probabilidades de ocorrência; • Objetivo: Estudar situações em que os resultados possíveis são conhecidos, mas não se pode saber a priori qual deles ocorrerá (fenômenos aleatórios); EST002 – Estatística II Prof. Ricardo Tavares 4 • Uso da probabilidade: - Jogos: Calcular chances em jogos de azar; - Epidemiologia: Quão provável é que uma nova doença atinja mais que 100 pessoas em uma localidade? - Genética – Qual a probabilidade de uma criança nascer com olhos azuis? - Direito – Forense – Quão provável é uma bala ter sido disparada de uma arma suspeitada? - Mercado Financeiro – A volatilidade do mercado amanhã será menor ou maior que foi hoje? Quais devem ser as opções de melhor preço? - Crescimento populacional – Qual o tempo que a população mundial excederá 10 bilhões de habitantes? - Ecologia – Quão provável é que os Pandas desapareçam nos próximos 50 anos? - Previsão – Qual é a probabilidade de chover amanhã? - Existem muitas outras aplicações. Espaço Amostral: é o conjunto de todos os resultados possíveis do experimento. O espaço amostral é representado aqui por Ω . O espaço amostral pode ser enumerável finito ou infinito, se pode ser colocado em correspondência bi-unívoca com os números naturais. Caso contrário, será não enumerável, como a reta real. Cada resultado possível é denominado elemento de Ω e denotado por ω . Exemplos: (a) Jogue um dado e registre a face superior; (b) Avaliação do desempenho dos alunos de Estatística II. A média final é registrada; (c) Avaliação de perdas na CEMIG. O número de casas com ligações clandestinas em uma comunidade é registrado. Exercício 1: Descreva um espaço amostral para cada um dos experimentos descritos abaixo. (a) Uma moeda é lançada duas vezes e observam-se as faces obtidas. (b) Um dado é lançado duas vezes e a ocorrência de face par ou ímpar é observada. (c) Uma urna contém 10 bolas pretas e 10 brancas com dimensões rigorosamente iguais. Três bolas são selecionadas ao acaso com reposição e as cores são registradas. EST002 – Estatística II Prof. Ricardo Tavares 5 (d) Repita o item c supondo a seleção ao acaso sem reposição. Exercício 2: Uma moeda e um dado são lançados simultaneamente. Apresente o espaço amostral do experimento e depois represente-o como produto cartesiano dos dois espaços amostrais, correspondente aos experimentos considerados individualmente. Evento: É qualquer subconjunto de resultados contidos no espaço amostral. Observações: i) Denota-se por letra maiúscula; ii) Quando um experimento é realizado, diz-se que ocorre o evento A se o resultado do experimento estiver contido em A; iii) O espaço amostral é o evento certo e o conjunto vazio é o evento impossível; iv) Para um espaço amostral finito, o conjunto de todos os eventos possíveisé dado por 2n; v) Escrevemos Ω∈ω para indicar que o elemento ω está em Ω . Escrevemos Ω⊂A para indicar que A é um subconjunto do espaço amostral. Exemplos: (a) F = Um número ímpar ocorre; (b) E = O Aluno passa na disciplina; (c) D = Pelo menos quatro casas apresentam ligações clandestinas. � Evento simples: é aquele formado por um único elemento do espaço amostral; � Evento composto: é aquele formado por dois ou mais elementos do espaço amostral; � Evento certo: É aquele que ocorre sempre, isto é, em todas as realizações da experiência. O evento representado pelo próprio conjunto que define o espaço amostral. � Evento impossível: São os eventos que não possuem elementos no espaço amostral, ou seja, nunca ocorrem. EST002 – Estatística II Prof. Ricardo Tavares 6 Observação i: A probabilidade de ocorrer um evento impossível é sempre nula, mas, sendo a probabilidade de ocorrer um evento igual a zero, nem sempre o evento será impossível. Observação ii: Quando os eventos simples têm a mesma chance de ocorrer, diz-se que o espaço amostral é equiprovável ou igualmente provável. � Exemplo: Um dado honesto é lançado sobre uma superfície plana e observamos a face superior: Experimento: Lançar um dado Espaço amostral: {1, 2, 3, 4, 5, 6} Eventos: {5},{1,2},{2,3}, {1, 2, 3, 4, 5} Eventos simples: {1}, {2}, {3}, {4}, {5}, {6} Eventos compostos: {1,2}, {3, 4, 5}, {4, 6, 1, 3} Evento certo: {1, 2, 3, 4, 5, 6} Evento impossível: {7} � Evento soma (ou união): É o evento que consiste na realização de pelo menos um dos eventos. Exemplo: se tivermos dois eventos: A e B, significa a ocorrência de A ou de B, ou de ambos e é denotado por AUB. � Evento produto (ou interseção): É o evento que consiste na realização de ambos. Eles devem ocorrer simultaneamente. Exemplo: se tivermos dois eventos: A e B, a ocorrência simultânea dos eventos A e B, e é denotado por A∩B. � Evento condicionado: É o evento que consiste na realização do evento A sob a condição de ter ocorrido o evento B, isto é, com a informação adicional de que o evento B já ocorreu (A | B). São aqueles em que o acontecimento de um está condicionado ao acontecimento de outro (acontece um se o outro já aconteceu). � Evento complementar de A: São os eventos que se completam em relação ao espaço amostral. É o evento que contém todos os elementos do espaço amostral que não pertencem a A. (Ac). EST002 – Estatística II Prof. Ricardo Tavares 7 � Eventos mutuamente excludentes (ou mutuamente exclusivos, ou disjuntos, ou incompatíveis): Dois eventos A e B são disjuntos, se eles não puderem ocorrer simultaneamente (é um ou o outro), ou seja, a ocorrência de um exclui a ocorrência do outro. Significa que os dois eventos não têm nenhum elemento, do espaço amostral, em comum, isto é, (A∩B)=Ø. � Evento independente: São aqueles que podem ocorrer ao mesmo tempo, acontece um e acontece o outro simultaneamente (um e o outro), a ocorrência de um não depende da ocorrência do outro. Probabilidade: conceitos fundamentais • De maneira informal, probabilidade é uma medida da certeza de ocorrência de um evento; • As principais definições de Probabilidade são baseadas nas seguintes abordagens: Clássica (ou a priori), Frequentista (ou a posteriori), Axiomática e Subjetiva; � Definição Clássica: � Considere o seguinte experimento aleatório: lançar uma moeda e observar a face voltada para cima; � Este experimento possui dois resultados possíveis: cara e coroa; � Ao conjunto dos resultados possíveis de um experimento chamamos de espaço amostral e será denotado pela letra Ω ; � O espaço amostral do experimento acima é Ω ={cara, coroa}; � Um subconjunto do espaço amostral é chamado de evento e é denotado por letras maiúsculas; EST002 – Estatística II Prof. Ricardo Tavares 8 � Para o exemplo acima, podemos definir os eventos: A={ocorrer cara} e B={ocorrer coroa}; � Seja A um evento qualquer do espaço amostral. Se os eventos simples são equiprováveis podemos calcular P(A) como: possíveis resultados de número A evento do ocorrência à favoráveis resultados de número)( =AP � Para o experimento acima se a moeda é não viciada (honesta), os eventos A e B são equiprováveis e P(A)=P(B)=1/2; � No lançamento de um dado não-viciado {1, 2, 3, 4, 5, 6}, os eventos simples são equiprováveis com probabilidade 1/6; � Qual a P({sair um número par})? � Qual a P({sair número 1 ou 3})?; � Qual a P({sair número maior do que 2})?; � Definição Frequentista: � Na maioria das situações práticas, os eventos simples do espaço amostral não são equiprováveis e não podemos calcular probabilidades usando a definição clássica; � Neste caso, vamos calcular probabilidades como a freqüência relativa de um evento; ocorrerA evento o para desoportunida de totalnúmero A evento o ocorre que vezesde número)( =AP EST002 – Estatística II Prof. Ricardo Tavares 9 � Exemplo: Uma amostra de 6800 pessoas de uma determinada população foi classificada quanto à cor dos olhos e à cor dos cabelos. Os resultados foram: Cor dos olhos Cor dos cabelos Total Loiro Castanho Preto Ruivo Azul 1768 807 189 47 2811 Verde 946 1387 746 53 3132 Castanho 115 438 288 16 857 Total 2829 2632 1223 116 6800 � Considere o experimento aleatório que consiste em classificar um indivíduo quanto à cor dos olhos. O espaço amostral é E={A,V,C}, em que: A={a pessoa tem olhos azuis} V={a pessoa tem olhos verdes} C={a pessoa tem olhos castanhos} � Os eventos acima são claramente equiprováveis. Então vamos calcular a probabilidade de ocorrer um evento como a freqüência relativa deste evento: P(A) = Número de pessoas de olhos azuis = 2811 = 0,4134 Número de pessoas na amostra 6800 � O valor obtido é na verdade uma estimativa da probabilidade. A qualidade desta estimativa depende do número de replicações do experimento, ou seja, do tamanho da amostra. � À medida que o tamanho da amostra cresce, a estimativa aproxima-se mais do valor verdadeiro da probabilidade; � Vamos, no entanto, assumir que o número de replicações é suficientemente grande para que a diferença entre a estimativa e o valor verdadeiro da probabilidade seja desprezível; EST002 – Estatística II Prof. Ricardo Tavares 10 � As probabilidades dos eventos V e C são: P(V) = 3132 = 0,4606 6800 P(C) = 857 = 0,1260 6800 � Observe que P(A)+P(V)+P(C)=1. Este resultado é válido sempre, uma vez que a união destes eventos corresponde ao espaço amostral (universo); � Definição Subjetiva: � A probabilidade subjetiva é baseada num julgamento pessoal e experiência de um especialista em determinado assunto; � Diferentes crenças e informações sobre algum evento são utilizados para determinar a probabilidade desse evento ocorrer; � Exemplos: (i) Há 30% de chance de chuva nas próximas 24 horas; (ii) Um médico, às vezes, associa uma probabilidade subjetiva ao tamanho do tempo de vida para uma pessoa que tem câncer; (iii) outro exemplo? Compareça a sala de aula! • Definição Axiomática: Chamamos probabilidade à função P que a cada evento A do espaço amostral de uma experiência aleatória, faz corresponder um número real P(A) que verifica os seguintes axiomas: Axioma 1 – A probabilidade de qualquer evento A é um número real não negativo, ou seja, 1)(0 ≤≤ AP ; EST002 – Estatística II Prof. Ricardo Tavares 11 Axioma 2 – A probabilidade do evento certo (espaço amostral) é 1, ou seja, 1)( =ΩP ; Axioma3 – Se A e B são eventos mutuamente excludentes, a probabilidade de (A ou B) é a soma das probabilidades de A e de B, ou seja, )()()( BPAPBAP +=∪ ; Toda a teoria elementar da probabilidade está construída sob a base destes três simples axiomas. Algumas propriedades podem ser apresentadas como conseqüência imediata dos axiomas acima: Propriedade 1 – Se é um evento impossível, então P( ) = 0; Propriedade 2 – Para um evento A, tem-se: P(Ac) = 1 - P(A) ou P(A) = 1 - P(Ac) Propriedade 3 – Se A e B são eventos tais que BA ⊆ , então P(B) P(A) ≤ ; Propriedade 4 – Se A e B são eventos em Ω , então P( BA ∪ ) = P(A) + P(B) - P( BA ∩ ); Propriedade 5 – Se A, B e C são três eventos em Ω , então P( CBA ∪∪ ) = P(A) + P(B) + P(C) - P( BA ∩ ) - P( CA ∩ ) - P( CB ∩ ) + P( CBA ∩∩ ). Probabilidade condicional • Muitas vezes, o objetivo nosso é calcular a probabilidade de um evento condicionada a ocorrência de outro; • A probabilidade do evento A, quando se sabe que o evento B ocorreu é denotada por P(A | B) e se P(B)>0 é calculada por P(A | B) = P(A ∩ B) / P(B) ou ainda, P(A ∩ B) = P(B). P(A | B) EST002 – Estatística II Prof. Ricardo Tavares 12 • Exemplo 1: Um grupo de pessoas foi classificado quanto a peso e pressão arterial de acordo com as proporções mostradas abaixo: Tabela 1: Distribuição de um conjunto de pacientes segundo peso e pressão arterial. Pressão arterial Peso Total Excesso Normal Deficiente Elevada 0,10 0,08 0,02 0,20 Normal 0,15 0,45 0,20 0,80 Total 0,25 0,53 0,22 1,00 a. Qual a probabilidade de uma pessoa escolhida ao acaso naquele grupo ter pressão elevada? b. Considerando que a pessoa escolhida tem excesso de peso, qual a probabilidade de ter também pressão elevada? Resolução: Denote os eventos: A=”ter pressão elevada” e B=”ter excesso de peso”. Sabemos que: P(A) = 0,20 P(A | B) = P(A∩B) / P(B) = 0,10 / 0,25 = 0,40 Ou seja, entre as pessoas com excesso de peso, 40% têm pressão elevada. • Exemplo 2: Voltando ao exemplo da cor dos olhos e dos cabelos: � Qual a probabilidade de uma pessoa escolhida ao acaso da população ter olhos azuis dado que possui cabelos loiros? P(A | L) = P(A ∩ L) / P(L) = = (1768/6800) / (2829/6800) = 1768 / 2829 = 0,6250 � Qual a probabilidade de uma pessoa escolhida ao acaso da população não ter cabelos loiros dado que tem olhos castanhos? P(Lc | C) = 1 - P(L | C) = 1 – [ (115/6800) / (857/6800) ] = 1 - 0,1342 = 0,8658 EST002 – Estatística II Prof. Ricardo Tavares 13 • Exemplo 3: Selecionamos uma semente, ao acaso, uma a uma e sem reposição, de uma sacola que contém 10 sementes de flores vermelhas e 5 de flores brancas. Qual é a probabilidade de que: (a) A primeira semente seja vermelha? (b) A segunda seja branca se a primeira foi vermelha? (c) Dado que a primeira foi vermelha, a segunda seja vermelha? Observação: resolução em sala de aula. Usando as propriedades anteriores e a definição de probabilidade condicional, têm-se os seguintes resultados: Se B é um evento em Ω , tal que, P(B)>0 então: Resultado 1 – P( | B) = 0; Resultado 2 – Se Ω⊆A , então P(Ac | B) = 1 - P(A | B) ou P(A | B) = 1 - P(Ac | B) Resultado 3 – Se A e C são eventos tais que CA ⊆ , então B)|P(C B)|P(A ≤ ; Resultado 4 – Se A e C são eventos em Ω , então P( BCA |∪ ) = P(A | B) + P(C | B) - P( BCA |∩ ); • Exemplo 4: Em uma cidade, a probabilidade de chuva no primeiro dia de setembro é 0,50 e a probabilidade de chuva nos dois primeiros dias de setembro é 0,40. Se no primeiro dia de setembro choveu, qual é a probabilidade que no dia seguinte não chova? Observação: resolução em sala de aula. • Exemplo 5: Uma faculdade, em seu primeiro ano de funcionamento tem três cursos: Ciências, Administração e Engenharia. A classificação dos alunos por sexo, é apresentada na tabela a seguir. EST002 – Estatística II Prof. Ricardo Tavares 14 Um estudante é selecionado ao acaso. (a) Sabe-se que o estudante escolhido é do sexo masculino, qual é a probabilidade de que ele curse Ciências? (b) Sabe-se que o estudante cursa Engenharia, qual é a probabilidade de que seja do sexo feminino? (c) Sabe-se que o estudante é do sexo feminino, qual é a probabilidade de que curse Ciências ou Administração? Observação: resolução em sala de aula. Propriedade – Se A, B e C são eventos em Ω , tais que P(A) ≠0 e P(A ∩ B) ≠ 0, então P(A ∩ B ∩ C) = P(A)P(B | A)P(C | A ∩ B). • Exemplo 6: Considere que dois times de futebol A e B têm 1000 torcedores cada um. Existe uma insatisfação desses torcedores com os horários das partidas de suas equipes na tabela do campeonato. 20% dos torcedores do time A estão insatisfeitos e 75% dos torcedores do time B estão satisfeitos. Escolhe-se um torcedor ao acaso. (a) Qual é a probabilidade de que o torcedor escolhido seja do time A e esteja insatisfeito com os horários? (b) Dos torcedores do time B insatisfeitos com os horários, 70% possuem mais de 50 anos de idade. Qual a probabilidade que o torcedor escolhido seja do time B; esteja insatisfeito e seja maior de 50 anos de idade? Solução: Considere os eventos: A: O torcedor escolhido é do time A B: O torcedor escolhido é do time B E: O torcedor escolhido está insatisfeito com os horários F: O torcedor escolhido tem mais de 50 anos de idade. EST002 – Estatística II Prof. Ricardo Tavares 15 a) P(A ∩ E) = P(A)P(E | A) = 1000 / 2000 x 0,20 = 0,10 b) P(B ∩ E ∩ F) = P(B)P(E | B)P(F | B ∩ E) = 1000/2000 x 0,25 x 0,30 = 0,0375 Eventos independentes • Dois eventos A e B são independentes se o fato de um deles ter ocorrido não altera a probabilidade de ocorrência do outro. Ou seja, P(A | B) = P(A) E ainda, P(A∩B) = P(A) . P(B) • Exemplo: Em uma escola 20% dos alunos tem problemas visuais, 8% problemas auditivos e 4% tem problemas visuais e auditivos. Seleciona-se um aluno dessa escola ao acaso. Os eventos “ter problemas visuais” e “ter problemas auditivos” são eventos independentes? Solução: Sejam os eventos: V: "o aluno tem problemas visuais" A: "o aluno tem problemas auditivos" Do enunciado do problema temos: P(V ) = 0,20; P(A) = 0,08 e P(A ∩ V) = 0,04 P(V )P(A) = 0,2 x 0,08 = 0,16 P(V ∩ A) = 0,04: Como P(V ∩ A) é diferente de P(V)P(A), então A e V não são independentes. Um evento A e o seu complementar são eventos disjuntos ou eventos independentes? EST002 – Estatística II Prof. Ricardo Tavares 16 Eventos Mutuamente Independentes • A independência mútua dos eventos A, B e C exige que: a) ( ) )().( BPAPBAP =∩ b) ( ) )().( CPAPCAP =∩ c) ( ) )().( CPBPCBP =∩ d) ( ) )().().( CPBPAPCBAP =∩∩ Exemplo: Consideremos Ω ={1, 2, 3, 4} o espaço amostral, Ω equiprovável e os eventos: A={1, 2}, B={1, 3} e C={1, 4}. Os eventos A, B e C são independentes? Observação: resolução em sala de aula. Propriedade – Se A e B, eventos em Ω , são eventos independentes, então: i) A e Bc são independentes; ii) Ac e B são independentes; iii) Ac e Bc são independentes. Regra do Produto (Regra Geral da Multiplicação de Probabilidades) A probabilidade de ocorrência simultânea de dois eventos, A e B, do mesmo espaço amostral é igual ao produto da probabilidade de um deles pela probabilidade condicionada do outro, dado o primeiro. ( ) ( ) ( ) ( ) ( ) ( )BAPBPBAPouABPAPBAP .. =∩=∩ Exemplo: Uma urna contém 3 bolas brancas e 8 pretas. Uma bola é retirada ao acaso e não reposta. Então outra bola é retirada. Qual a probabilidade de ambas serem pretas? Sejam A={primeira bolaé preta} e B={segunda bola é preta}, então: Obs.: espero vc na aula! EST002 – Estatística II Prof. Ricardo Tavares 17 Partição de um espaço amostral Teorema da probabilidade total Se os eventos A1, A2, ...., Am formam uma partição do espaço amostral Ω e B é um outro evento qualquer desse espaço, então: Teorema de Bayes Trata-se de um resultado para calcularmos probabilidades condicionais em situações cujo espaço amostral esteja dividido em partes disjuntas. Exemplo 1: Suponha que um fabricante de sorvetes recebe 20% de todo o leite que utiliza de uma fazenda F1, 30% de uma outra fazenda F2 e 50% de F3. Um Órgão de fiscalização inspecionou as fazendas de surpresa, e observou que 20% do leite produzido por F1 estava contaminado, enquanto que para F2 e F3, essa proporção era de 5% e 2%, respectivamente. Na EST002 – Estatística II Prof. Ricardo Tavares 18 indústria de sorvetes os galões de leite são armazenados em um refrigerador sem identificação das fazendas. Para um galão escolhido ao acaso, vamos analisar o leite para decidir sobre sua contaminação ou não, calcule as probabilidades de: A) O galão selecionado ter o leite contaminado B) Supondo que o galão selecionado esteja contaminado, deste leite ser proveniente da Fazenda 1. C) Sabendo-se que o galão selecionado não estava contaminado, deste leite não ser proveniente da Fazenda 3. Obs.: será resolvido em sala, ok. Teorema de Bayes (Formalidade com Generalização para m partições): Se A1, A2, ...., Am formam uma partição do espaço amostral Ω e suas probabilidades são conhecidas. Suponha ainda que para um evento B contido em Ω , se conheçam as probabilidades ( )iABP para todo i=1,2, ..., m. Então, para qualquer i=1, 2, ..., m, temos que ( ) ( )( )BP BAPBAP ii ∩ = (definição de probabilidade condicional) Pela regra do produto sabemos que ( ) ( ) ( )iii ABPAPBAP .=∩ e pela regra da probabilidade total sabemos que ( ) ( ) ( ) ( )BAPBAPBAPBP m ∩++∩+∩= L21 em que pode-se expandir para ( ) ( ) ( ) ( ) ( ) ( ) ( )mm ABPAPABPAPABPAPBP ... 2211 +++= L ou ainda ( ) ( ) ( )∑ = = m j jj ABPAPBP 1 . . Desta forma, o teorema de Bayes se resume a ( ) ( ) ( )( ) ( )∑ = = m j jj ii i ABPAP ABPAP BAP 1 . . , com i = 1, 2,..., m. Exemplo 2: Das pacientes de uma clínica de Ginecologia com idade acima de 40 anos, 70% são ou foram casadas e 30% são solteiras. E sendo solteira, a probabilidade de ter um distúrbio hormonal no último ano é 20% enquanto para as demais a probabilidade aumenta para 40%. Se um paciente é escolhido ao acaso de todas as pacientes da clínica, EST002 – Estatística II Prof. Ricardo Tavares 19 (a) qual é a probabilidade dela ter distúrbio hormonal? (b) se a paciente escolhida resultou ter distúrbio hormonal qual é probabilidade dela ser solteira? Resolução passo a passo em sala de aula e discutida entre os presentes. Exemplo 3: A empresa X compra peças de 3 fornecedores A1, A2 e A3 nas proporções de 50%, 30% e 20%, respectivamente. Sabe-se que, em média: - 5% das peças fabricadas por A1 apresentam defeitos; - 2% das peças fabricadas por A2 apresentam defeitos; - 1% das peças fabricadas por A3 apresentam defeitos; Se uma peça extraída ao acaso do estoque de X é defeituosa, qual a probabilidade de que ela tenha sido produzida por A1? E por A2? E por A3?
Compartilhar