Baixe o app para aproveitar ainda mais
Prévia do material em texto
© Tânia F Bogutchi – PUC Minas - 2009 1 Probabilidade e Estatística I Unidade 1: Introdução à Probabilidade Introdução Primeiramente quero dar as boas vindas a todos vocês que estão se propondo a estudar a disciplina Probabilidade e Estatística I, ofertada principalmente para os alunos do curso de Engenharia Elétrica do IPUC com extensão às demais ênfases da Engenharia. Gosto iniciar com a citação da frase de Herbert George Wells (1866-1946), escritor inglês de A Máquina do Tempo, A Ilha do Dr. Moreau, O Homem Invisível, dentre outros: “Raciocinar estatisticamente será um dia tão necessário quanto a habilidade de ler e escrever” O momento de entrar em contato com esse tipo de raciocínio começa agora com a seguinte pergunta: porque um engenheiro precisa estudar Estatística? Em primeiro lugar, porque um engenheiro é um profissional que resolve problemas de interesse da sociedade por meio de aplicações de técnicas científicas, que por sua vez, são baseadas em evidências. As evidências são obtidas por meio de dados, quer sejam em pesquisas acadêmicas quer sejam em situações observadas no cotidiano de muitas modalidades, ou tipos, de trabalhos na Engenharia. Por outro lado, os dados podem gerar modelos que suportam resoluções de problemas similares. A pergunta então é porque a Estatística e não a Matemática? A Matemática está presente em todas as situações em que se podem aplicar os modelos determinísticos – aqueles que são regidos por leis físicas ou gerais: lei de Ohm; lei de gás ideal; leis gravitacionais, dentre outras… Mas, e as situações que envolvam variabilidade? A variabilidade exige técnicas especiais de tratamento, e essas técnicas são produtos da Estatística, que por sua vez estão fundamentadas na Matemática. Os modelos estatísticos, portanto, são modelos probabilísticos – ou não-determinísticos. Daí a importância de iniciarmos esse curso com o estudo de Probabilidade. Outro lado importante da Estatística é que ela propicia o tratamento de um pequeno conjunto de dados, uma amostra, provenientes de uma população de interesse. O estudo de uma população, na grande maioria das vezes, é oneroso – tempo e dinheiro, mas a Estatística contempla com suas técnicas o estudo de uma pequena parte da população e os valores ali estimados são inferidos (ou concluídos) para a população em geral. Essa é chamada de Estatística Inferencial. Por sua vez, todas as observações que são transformadas em dados precisam de tratamento especial e pretende-se aqui, dar uma noção dessas possibilidades de apresentação e descrição dos mesmos. Dessa maneira, vocês terão maiores possibilidades na composição com os outros vários saberes da Engenharia, no processo que será finalizado como profissionais bem sucedidos. Algumas informações e dicas © Tânia F Bogutchi – PUC Minas - 2009 2 Probabilidade e Estatística I Unidade 1: Introdução à Probabilidade Nesse curso vocês receberão alguns textos com anotações de aula que servirão como leitura complementar ao livro texto que iremos utilizar: Estatística Aplicada e Probabilidade para Engenheiros, 4ª. edição. Douglas C. Montgomery e George C. Runger., 2009. Editora LTC. A sugestão é que vocês sempre leiam o texto do livro e tentem resolver seus exercícios ou exemplos. Algumas dicas para obter sucesso nesse curso: a) Reserve tempo semanal para o estudo. A proposta de Atividades Semanais tem como um de seus objetivos, facilitar esse desafio; b) Tente fazer as Atividades dentro do período de tempo proposto – se você iniciar o estudo logo no principio de sua proposição terá tempo de gerar dúvidas e buscar ajuda por meio do correio acadêmico. c) Faça uso das facilidades que a PUC Virtual oferece: tais como o Centro de Recursos – local em que o professor publica material adicional, por exemplo, exercícios resolvidos, resolução e/ou comentário das Atividades propostas; e o correio acadêmico – principal canal de comunicação diária com o professor. d) Participem dos Encontros on line – e quando existirem, dos plantões presenciais. Em síntese: Não deixem de criar o hábito de estudar diariamente, não só essa disciplina, como as demais presenciais que certamente estarão fazendo. Não incorram no erro da fala: “estou fazendo a disciplina virtual porque trabalho… não tenho tempo…” Essa frase é FALSA!!. Você está fazendo uma disciplina virtual porque ela facilita a LIBERAÇÃO em sua carga horária semanal…. Mas, por outro lado ela cobra um preço: você precisará ser rigoroso na reserva de tempo para estudá-la. Enfim… Espero que vocês aproveitem ao máximo o curso de Probabilidade e Estatística I. Eu estarei sempre pronta a atendê-los e ajudá-los nesse processo de construção que ora vocês iniciam. Sejam bem vindos e tenham muito sucesso! © Tânia F Bogutchi – PUC Minas - 2009 3 Probabilidade e Estatística I Unidade 1: Introdução à Probabilidade Essa Unidade está nos capítulos 1 e 2 do livro texto do Montgomery. Podem acessar cópias desses capítulos por meio da Pasta do Professor Não deixem de ler! Algumas notas de aulas: 1) Modelos matemáticos a) Determinístico Condições que DETERMINAM o resultado do experimento: i) Leis de Kepler – comportamento dos planetas; ii) Leis gravitacionais; iii) Velocidade como função do tempo e do espaço; iv) etc. Considerações físicas para prever o resultado! b) Probabilístico ou não-determínistico Exemplos: i) Material radiotivo que emita partículas alfa e um dispositivo de contagem que registre o no. de partículas emitidas num determinado período de tempo. (1) Não é possível precisar exatamente o no. de partículas emitidas mesmo conhecendo sua composição química e a massa do objeto ii) Número de bactérias num certo volume d’água do Rio Arrudas... iii) Precipitação de chuva. Os instrumentos meteorológicos podem nos fornecer informações tais como: (1) pressão barométrica, (2) variações de velocidade do vento, (3) origem e direção da tempestade, etc. Informações preciosas, mas que não torna possível dizer QUANTA chuva cairá!!! Considerações para especificar uma distribuição de probabilidades! 2) Probabilidade Conceitos básicos: a) Experimento (E) “não-determinístico” ou “aleatório”: é a observação de um fenômeno de interesse (processo de coleta de dados). Exemplo: (1) lançamento de uma moeda ou de um dado; (2) germinação de sementes de alguns tipos de plantas; etc. b) Espaço amostral (S): é o conjunto de todos os resultados possíveis de um experimento E. Exemplo: (1) E: lançamento de uma moeda → S = { cara, coroa} (2) E: lançamento de um dado com 6 faces → S = { 1, 2, 3, 4, 5, 6} (3) E: sementes de 4 tipos de plantas → S = {Tipo 1, Tipo 2, Tipo 3, Tipo 4} c) Evento: é o conjunto de resultados de interesse do pesquisador, ou seja, é um subconjunto de S. Notação: letras maiúsculas (A, B, C,…) No exemplo (3) do item anterior, podemos definir o evento A: germinação das sementes do tipo 1 e do tipo 4 → A = { Tipo1, Tipo4} Um evento é simples quando for composto por apenas um resultado. No exemplo (2) do item anterior, os eventos: A={1}, B={5}, C={3}, são simples. © Tânia F Bogutchi – PUC Minas - 2009 4 Probabilidade e Estatística I Unidade 1: Introdução à Probabilidade 3) Relações entre dois eventos A e B a) Evento União ou Reunião é composto pelos resultados da ocorrência de pelo menos um dos eventos A ou B. Exemplo: Sejam E: lançamento de um dado com 6 faces; S={1, 2, 3, 4, 5, 6}, o espaço amostral associado;Os eventos, A: a face é par = {2, 4, 6} e B: a face é 4 ou 5 = {4, 5} O evento União, BA ∪ = {2, 4, 5, 6} b) Evento Interseção é composto pela ocorrência simultânea dos eventos A e B. No exemplo anterior, O evento Interseção, BA ∩ = {4 } c) Evento Negação ou Complementar do evento A é composto por todos os elementos que não ocorreram em A. No exemplo anterior, a negação ou o complementar do evento A é: A = {1, 3, 5} → as faces ímpares! Notação: BA ∪ O símbolo “∪ ” significa “ou” Notação: BA ∩ O símbolo “∩ ” significa “e” S A A S A A A B SA B S A B SA B S Notação: c Aou A © Tânia F Bogutchi – PUC Minas - 2009 5 Probabilidade e Estatística I Unidade 1: Introdução à Probabilidade d) Os eventos A e B são disjuntos ou mutuamente exclusivos (excludentes) se não ocorrerem simultaneamente, ou seja, se φ=∩ BA (φ indica conjunto vazio: sem nenhum resultado). No exemplo anterior, os eventos A e B são mutuamente exclusivos? Não! Pois a interseção entre eles não é vazia... Por outro lado, A e A são mutuamente exclusivos. Nos eventos mutuamente exclusivos a ocorrência é de pelo menos um dos eventos, mas não os dois simultaneamente. 4) Propriedades dos eventos Dentro de um contexto matemático observa-se que os eventos são similares aos conjuntos diferindo apenas no significado da representação dos símbolos. Devido a essa similaridade, as propriedades dos eventos são idênticas às dos conjuntos. Reprisando: scomutativa A B B A 2. A B B A .1 → ∩=∩ ∪=∪ asassociativ C) (B A CB) (A 4. C)(B A C)B) (A .3 → ∩∩=∩∩ ∪∪=∪∪ vasdistributi C) (BC) A( CB) (A 6. C)(BC) A( CB) (A .5 → ∪∩∪=∪∩ ∩∪∩=∩∪ evento. próprio o é evento do negação da negação a A A 9. A8. A A 7. →= =∩ =∪ φφ φ Morgan de Leis B A B A 11. B A B A .10 → ∪=∩ ∩=∪ Exemplo 4.1: (Meyer) Um dispositivo eletrônico é ensaiado e o tempo total de serviço t é registrado. Admitiremos que o espaço amostral seja { t | t ≥ 0}. Sejam A, B e C três eventos definidos da seguinte maneira: A = {t | t < 100 }; B = {t | 50 ≤ t ≤ 200}; C = { t | t > 150}. Nesse exemplo, o espaço amostral é dito contínuo. Temos consequentemente que: BA ∪ = {t | t ≤ 200} ou numa forma mais rigorosa: { t | 0 ≤ t ≤ 200}; BA ∩ = {t | 50 ≤ t < 100}; CB ∪ = {t | t ≥ 50}; A = {t | t ≥ 100}; BA ∩ = {t | t < 50 ou t ≥ 100}; BA ∪ = {t | t > 200}. A B SA B S © Tânia F Bogutchi – PUC Minas - 2009 6 Probabilidade e Estatística I Unidade 1: Introdução à Probabilidade 5) Definições de probabilidade a) Definição clássica Pressupostos: i) Todos os eventos simples precisam necessariamente ter a mesma possibilidade de ocorrência (equiprováveis); ii) É imprescindível conhecer todos os resultados possíveis do espaço amostral. Exemplo 5.1: E: observar o lançamento de um dado “honesto” com 6 faces. Obs.: o dado precisa ser “honesto” para que a possibilidade de cada face ocorrer seja a mesma (equiprovável). S = { 1, 2, 3, 4, 5, 6} Evento A: observar a ocorrência das faces 3 ou 5 = {3, 5} Exemplo 5.2: E: observar o lançamento de dois dados equilibrados e com 6 faces cada. O espaço amostral será composto por pares de resultados, (x1 , x2), onde x1 = face do primeiro dado e x2 = face do segundo dado. = (6,6) (6,5) (6,4) (6,3) (6,2) (6,1) (5,6) (5,5) (5,4) (5,3) (5,2) (5,1) (4,6) (4,5) (4,4) (4,3) (4,2) (4,1) (3,6) (3,5) (3,4) (3,3) (3,2) (3,1) (2,6) (2,5) (2,4) (2,3) (2,2) (2,1) (1,6) (1,5) (1,4) (1,3) (1,2) (1,1) S O espaço amostral possui 36 elementos (#361). Sejam considerados os eventos: A = {(x1,x2) | x1+x2=10} = {(5,5), (4,6), (6,4)} B = {(x1,x2) | x1> x2} = {(2,1), (3,1), (3,2), (4,1), (4,2), (4,3), (5,1), (5,2), (5,3), (5,4), (6,1), (6,2), (6,3), (6,4), (6,)} O evento A possui 3 elementos (#A=3) e o evento B possui 15 (#B=15). Temos então que P(A)= 12 1 36 3 = e P(B) = 36 15 A definição clássica é limitada às situações em que os resultados são igualmente prováveis além de requerer o desenho prévio do espaço amostral o qual pode ser muito trabalhoso ou até mesmo impossível. Se no exemplo anterior fossem lançados 3 dados equilibrados, o espaço amostral associado seria composto por 63 = 216 elementos! b) Definição frequentista A freqüência relativa de um evento A (fA) em n repetições de um experimento é definida pela relacão entre o número de vezes que o evento A ocorreu (nA) e o número total de repetições do experimento (n), ou seja, n n f AA = . Exemplo 5.3. Sejam: E: lançar 1.000 vezes uma moeda 1 O símbolo: # significa, nesse texto, “número de elementos”. 6 2 oexperiment do adespossibilid de total número Aa favoráveis situações de número )A(P == © Tânia F Bogutchi – PUC Minas - 2009 7 Probabilidade e Estatística I Unidade 1: Introdução à Probabilidade Evento A: observar o resultado “cara” Utilizando a notação para representação dos resultados: C = cara e C = coroa, podemos obter a possível seqüência de resultados: C, C , C , C, C, C , C, ..... A seqüência de freqüências relativas associadas a essa possível seqüência é: ,..... 7 4 , 6 3 , 5 3 , 4 3 , 4 2 , 3 1 , 2 1 , 1 1 A Figura 5.1 apresenta as freqüências relativas do evento A, ou seja, as proporções de ocorrência de cara quando o experimento é repetido por 10, 20, 30, ...., até 500 vezes. E: lançamento de uma moeda n vezes A: observar cara 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 10 20 30 40 50 60 70 80 90 100 200 300 400 500 no. de lançamentos Pr o po rç ão de ca ra Figura 5.1: Observação do evento cara em n lançamentos de uma moeda. Observe, no gráfico, que no princípio a freqüência relativa tem uma grande variação, mas é intuitivamente evidente, que após um grande número de repetições ela irá se estabilizar próxima do valor 2 1 . Essa propriedade de estabilidade, ou de regularidade estatística, pode ser matematicamente mais precisa, num curso mais avançado de Estatística. No exemplo 5.3, verificamos que a freqüência relativa de A, fA “converge” em um certo sentido de probabilidade, para o valor 0,5. Esse valor é assumido então, como a probabilidade de ocorrência do evento A, e denotado por P(A) e sua definição freqüentista é: Exemplo 5.4: Seja a distribuição de 2.377 estudantes de certa faculdade pesquisados sobre preferência por refrigerante dada pela tabela: oexperiment do repetições de total número Ade socorrência de número )A(P = © Tânia F Bogutchi – PUC Minas - 2009 8 Probabilidade e Estatística I Unidade 1: Introdução à Probabilidade Preferência Refrigerante Freqüência Freq. relativa Coca Cola 82 0,034 Coca Cola Light 231 0,097 Pepsi Cola 254 0,107 Fanta 690 0,290 Sprite 1.120 0,471 Total 2.377 1,000 Fonte: Adaptado de Anderson et al. 2007, pág 23 Considerando que temos um grande número de estudantes, podemos associar as freqüências relativas da preferência por cada refrigerante como sua probabilidade paraum estudante pesquisado aleatoriamente. Isto é, por exemplo, equivalente à pergunta: qual a probabilidade de um aluno dessa faculdade preferir Pepsi Cola,? Na tabela de distribuição, temos que P(Pepsi Cola) = 0,107 377.2 254 . 6) Propriedades da probabilidade A probabilidade de um evento satisfaz as seguintes propriedades: i) 0 ≤ P (A) ≤ 1 ii) P(S) = 1 iii) Se A e B forem dois eventos mutuamente exclusivos (disjuntos) então P(A ∪ B) = P(A) + P(B) Como conseqüência dessas propriedades tem-se as seguintes regras: iv) P(φ) = 0 → o evento A não ocorre em nenhuma das repetições do experimento (A é um evento impossível). v) P( A ) = 1 – P(A) Verificação: Observando o diagrama de Venn no subitem (c) do item (3), verifica-se claramente que os eventos A e A são mutuamente exclusivos e o espaço amostral pode ser representado da seguinte maneira: S = A ∪ A Pela propriedade (iii) tem-se: P(S) = P(A) + P( A ) e pela propriedade (ii), obtém-se: P(A) + P( A ) = 1 o que conclui a conseqüência expressa em (v). vi) Se A e B forem dois eventos quaisquer então P(A ∪ B) = P(A) + P(B) - P(A ∩ B) A verificação dessa regra é facilmente entendível utilizando o diagrama de Venn, em que pode ser verificado que a porção A ∩ B é computada duas vezes! Essa regra é conhecida como a da ADIÇÃO de probabilidades. A probabilidade é uma proporção, ou seja, assume qualquer valore entre 0 e 1. Se essa proporção for multiplicada por 100, a probabilidade fica expressa em termos de percentuais. A tabela de distribuição do exemplo 5.4 ficaria assim: © Tânia F Bogutchi – PUC Minas - 2009 9 Probabilidade e Estatística I Unidade 1: Introdução à Probabilidade Donde, P(Pepsi Cola)= 10,7%. Exemplo 6.1: Uma universidade tem 10 mil alunos dos quais 4 mil são considerados esportistas. Temos ainda, que 500 alunos são do curso de Matemática diurno, 700 de Matemática noturno, 100 são esportistas e de Matemática diurno e 200 são esportistas e de Matemática noturno. Um aluno é escolhido ao acaso. Pergunta-se qual a probabilidade de ele: a) Ser esportista b) Ser esportista e aluno de Matemática diurno c) Não ser do curso de Matemática d) Ser esportista ou aluno de Matemática noturno e) Não ser esportista nem aluno de Matemática Esse exemplo apresenta duas características dos alunos dessa universidade: curso e prática de esportes. Podemos sistematizar essas informações por meio de uma tabela de dupla classificação, ou seja, as linhas informarão o curso matriculado e as colunas se o aluno pratica ou não esportes. Para facilitar, vamos denominar os seguintes eventos: M = Matemática; Mn = Matemática noturno; Md = Matemática diurno; M = outros cursos (não Matemática); E = esportista e E = não esportista. Temos então, Curso E E Total Md 100 400 500 Mn 300 900 1.200 M 3.700 5.100 8.800 Total 4.000 6.000 10.000 O cálculo das probabilidades ficou bastante facilitado pela leitura dos valores diretamente da tabela: a) %0,4040,0 000.10 000.4)E(P === b) c) d) e) Preferência Refrigerante Freqüência Freq. relativa Percentual Coca Cola 82 0,034 3,4% Coca Cola Light 231 0,097 9,7% Pepsi Cola 254 0,107 10,7% Fanta 690 0,290 29,0% Sprite 1.120 0,471 47,1% Total 2.377 1,0 100,0% %0,1010,0 000.10 100)MdE(P ===∩ %0,8888,0 000.10 800.8)M(P === %0,4545,0 000.10 500.4 000.10 300 000.10 200.1 000.10 000.4)MnE(P)Mn(P)E(P)MnE(P ===−+=∩−+=∪ %0,51510,0 000.10 100.5)ME(P ===∩ © Tânia F Bogutchi – PUC Minas - 2009 10 Probabilidade e Estatística I Unidade 1: Introdução à Probabilidade Considere as seguintes situações: (1) Sabe-se que o aluno sorteado é do curso de Matemática diurno, qual a probabilidade de ele ser esportista? Solução: como já é fato conhecido que o aluno é do curso de Matemática diurno, podemos considerar apenas os 500 alunos que são do curso de Matemática diurno, ou seja, a informação dessa linha, donde se observa que 100 são esportistas. Obtém-se então a probabilidade de 500 100 (2) Sabendo-se que o aluno sorteado é esportista, qual a probabilidade dele ser do curso de Matemática noturno? Solução: a informação que dispomos agora é obtida pela coluna do ser esportista, ou seja, dos 4.000 alunos que são esportistas, observa-se que 300 são esportistas. Dessa maneira tem-se: 000.4 300 Nessas duas situações observa-se uma redução do espaço amostral e o condicionamento da ocorrência de um segundo evento considerando os resultados de um primeiro que já realizado. A probabilidade desses eventos é denominada de Probabilidade condicional: 7) Probabilidade condicional Seja o evento B, não-vazio, tal que P(B>0), a probabilidade condicional do evento A, sabendo-se que o evento B já ocorreu é definida por: Em que o símbolo “| “é lido por: “ A dado B” ou “A sabendo-se que B ocorreu” Na situação (1) acima temos: E na situação (2): Reescrevendo a fórmula de cálculo da probabilidade condicional, temos: que é conhecida como a Regra da MULTIPLICAÇÃO. Lembrete: Símbolo Significado Operação ∪ Ou Adição (+) ∩ E Multiplicação (.) 8) Eventos independentes Dois eventos A e B são independentes quando a ocorrência de um deles não interferir na ocorrência do outro. Exemplo 8.1: (Soares) Seja o lançamento de dois dados equilibrados (honestos) e com 6 faces cada e sejam definidos os eventos A: { a face do 1º. dado é par} )B(P )BA(P )B|A(P ∩ = 500 100 000.10 500 000.10 100 )Md(P )MdE(P)Md|E(P ==∩= 000.4 300 000.10 000.4 000.10 300 )E(P )EMn(P)E|Mn(P ==∩= )B|A(P)B(P)BA(P )B(P )BA(P )B|A(P =∩⇒ ∩ = © Tânia F Bogutchi – PUC Minas - 2009 11 Probabilidade e Estatística I Unidade 1: Introdução à Probabilidade B: { a face do 2º. dado é 3 ou 6}. Intuitivamente podemos perceber que o fato do evento A ter ocorrido não nos é fornecida nenhuma informação sobre a ocorrência, ou não, do evento B. Isso significa que os eventos A e B não estão relacionados. Matematicamente podemos efetuar os seguintes cálculos: 2 1 36 18 )( ==AP , 3 1 36 12 )( ==BP , 6 1 36 6 )( ==∩BAP e (i) )( 2 1 1 3 . 6 1 3 1 6 1 )( )( )|( AP BP BAP BAP ==== ∩ = Esse resultado nos informa que o conhecimento do resultado ocorrido em B não interferiu no resultado de A, pois ao se condicionar o resultado do evento A na já conhecida ocorrência do evento B, a probabilidade do evento A é a mesma de ele ter ocorrido sem esse conhecimento prévio. Essa é a informação dada por: P(A|B)=P(A) (ii) )( 3 1 1 2 . 6 1 2 1 6 1 )( )( )|( BP AP BAP ABP ==== ∩ = Similarmente, temos a mesma situação quando condicionamos o evento B à ocorrência do evento A: P(B|A)=P(B). Pode-se verificar também que: )()( 3 1 . 2 1 6 1 )( BPAPBAP ===∩ Dessa maneira, desde que P(A) > 0 e P(B) > 0, os eventos A e B são definidos INDEPENDENTES se ==∩ ==∩ )()()|()()( )()()|()()( APBPBAPBPBAP BPAPABPAPBAP , ou seja, se P(A|B)=P(A) e P(B|A)=P(B). Exemplo 8.2: Reescrevendo a tabela do exemplo 6.2 somente com os dados dos alunos do curso de Matemática e os Outros cursos temos: Tabela 8.1: Tabela com os dados observados para cada evento Curso E E Total M 300 900 1.200 M 3.700 5.100 8.800 Total 4.000 6.000 10.000 A tabela com as probabilidades em cada casela ou célula: Tabela 8.2: Tabela com as probabilidades de ocorrência de cada evento Curso E ETotal M 0,03 0,09 0,12 M 0,37 0,51 0,88 Total 0,40 0,60 1,00 © Tânia F Bogutchi – PUC Minas - 2009 12 Probabilidade e Estatística I Unidade 1: Introdução à Probabilidade Temos então que a probabilidade de um aluno dessa universidade, sorteado aleatoriamente ser do curso de Matemática e esportista simultaneamente é: 03.0 10000 300)EM(P ==∩ Em resumo, as probabilidades da tabela acima expressam as probabilidades dos eventos: Tabela 8.3: Identificação dos eventos Curso E E Total M )EM(P ∩ )EM(P ∩ P(M) M )EM(P ∩ )EM(P ∩ )M(P Total P(E) )E(P P(S) Das tabelas 8.2 e 8.3 obtemos as informações sobre o sorteio de um aluno dessa população: Probabilidade de ele ser esportista: P(E) = 0,40 Probabilidade de ele ser do curso de Matemática: P(M) = 0,12 Probabilidade de ele ser do curso de Matemática e esportista: )EM(P ∩ =0,03 Por definição, sabemos que a probabilidade dele ser esportista sabendo-se que o aluno é do curso de Matemática é: 40,0)E(P25,0 12,0 03,0 )M(P )EM(P)M|E(P =≠==∩= . Ou seja, os eventos “ser do curso de Matemática” e “ser esportista” NÃO são eventos independentes, mas sim, eventos que estão relacionados entre si. Podemos verificar também que: 048,0)40,0)(12,0()E(P)M(P03,0)EM(P ==≠=∩ !!!! 9) Associação entre eventos Como conseqüência da definição da independência entre dois eventos, dizemos que se dois eventos estão relacionados então deve existir alguma associação entre eles. Uma maneira prática para se verificar a existência de independência entre dois eventos é por meio da tabela das probabilidades (Tab. 8.2). Uma tabela de dupla classificação entre duas situações de interesse é chamada de tabela de contingência. Quando existem apenas duas categorias para cada uma das situações, dizemos que a tabela é 2 x 2 (dois por dois), ou seja, ela possui duas linhas e duas colunas. Vamos supor que queiramos saber se existe alguma associação entre as situações: lesão na cabeça em acidentes motociclísticos e hábito de usar capacete. Como em cada uma dessas situações temos apenas duas possibilidades para cada uma delas, temos então uma tabela 2 x 2, considerando as pessoas que participaram de uma pesquisa desse tipo. Dizer que essas duas situações não estão relacionadas é equivalente a dizer que elas são INDEPENDENTES. Exemplo 9.1: Seja a classificação de 793 estudantes de certo município em relação à lesão na cabeça em acidentes motociclísticos e ao hábito de usar capacete: Tabela 9.1: Distribuição conjunta dos estudantes por uso do capacete e lesão na cabeça Lesão na cabeça Uso do capacete Sim Não Total Sim 17 130 147 Não 218 428 646 Total 235 558 793 © Tânia F Bogutchi – PUC Minas - 2009 13 Probabilidade e Estatística I Unidade 1: Introdução à Probabilidade Cálculo das probabilidades: Tabela 9.2: Distribuição das probabilidades observadas Lesão na cabeça Uso do capacete Sim (L) Não ( L ) Total Sim (C) 0,021 0,164 0,185 Não ( C ) 0,275 0,540 0,815 Total 0,296 0,704 1,000 Se os eventos fossem independentes deveríamos ter: P(C ∩ L) = 0,021 = P(C) P(L), Mas, P(C)P(L)= (0,185)(0,296)=0,055 ≠ P(C ∩ L)! Como essas probabilidades não preservam a igualdade podemos concluir que os eventos NÃO são INDEPENDENTES, ou seja, existe uma relação entre eles ou equivalentemente, eles estão associados. A tabela de probabilidades observadas acima é chamada de distribuição de probabilidade conjunta e ela apresenta a distribuição de probabilidades das variáveis: Capacete e Lesão. As probabilidades da linha e da coluna “Total” são chamadas de probabilidades marginais. Se as variáveis: Capacete e Lesão fossem independentes, então as probabilidades das caselas (das interseções) seriam o produto de suas respectivas probabilidades marginais (total da linha e total da coluna). Considerando independência a tabela de probabilidades seria: Tabela 9.3: Distribuindo das probabilidades considerando independência entre os eventos Lesão na cabeça Uso do capacete Sim (L) Não ( L ) Total Sim (C) 0,055 0,130 0,185 Não ( C ) 0,241 0,573 0,815 Total 0,296 0,704 1,000 Fazendo a comparação entre as tabelas 9.2 e 9.3, observa-se que as probabilidades de todas as caselas são diferentes!! – conclui-se então que os eventos estão associados. Resta saber se essa associação é estatisticamente significativa, a qual pode ser medida por meio do teste qui-quadrado de Pearson: 0,055=(0,296)(0,185) 0,573=(0,704)(0,815) © Tânia F Bogutchi – PUC Minas - 2009 14 Probabilidade e Estatística I Unidade 1: Introdução à Probabilidade 10) Teste Qui-quadrado ( 2χ ) A tabela 10.1 apresenta dados genéricos de uma situação envolvendo a comparação de dois grupos em que a resposta de interesse é dicotômica: a ocorrência ou não de um evento. Tabela 10.1: Classificação do sucesso ou fracasso para a variável resposta de interesse Grupo Resposta Total Sucesso Fracasso Grupo I a b n1= a+b Grupo II c d n2=c+d Total m1=a+c m2=b+d N Se não existir nenhuma diferença entre as proporções de “Sucesso” nos dois grupos, então a n c n1 2 = Se as igualdades acima forem verdadeiras, então também valem: a n c n a c n n m N1 2 1 2 1 = = + + = , ou seja: a m x n N m x n N = = 1 1 1 2 e c (1) e analogamente, b m x n N m x n N = = 2 1 2 2 e c (2) Obtemos, portanto, dois conjuntos de valores: os observados (Oij), que são denotados por a, b, c e d na tabela 10.1 e os esperados (Eij), calculados sob a hipótese de igualdade das proporções de sucesso entre os grupos e obtidos pelas expressões (1) e (2). Vamos voltar ao exemplo 9.1. Os dados da tabela 9.1 são os valores observados na pesquisa. Calculando os valores que seriam esperados, caso não haja diferença entre os dois grupos (uso ou não do capacete) obtemos: Tabela 10.1: Valores esperados para os dados da tabela 9.1. Lesão na cabeça Uso do capacete Sim (L) Não ( L ) Total Sim (C) 43,56 103,44 147 Não ( C ) 191,44 454,56 646 Total 235 558 793 Em que, para a primeira casela os cálculos foram: 793 )147)(235(56,43 = . As demais foram obtidas analogamente. Se as proporções de sucesso são iguais nos dois grupos, então a discrepância entre os dois conjuntos de números acima não deve ser grande. Pearson, importante estatístico do início do século, propôs medir a discrepância entre os valores observados e esperados por meio da expressão: © Tânia F Bogutchi – PUC Minas - 2009 15 Probabilidade e Estatística I Unidade 1: Introdução à Probabilidade ∑∑ = = − = 2 1i 2 1j ij 2 ijij2 E )EO( X ≅2 N ad bc m m n n ( )− 2 1 2 1 2 (3) Em nosso exemplo, entre os estudantes que usavam capacete a proporção que teve lesão na cabeça foi 17/147 = 0,116 e entre os que não faziam uso do capacete de 218/646 = 0,337. A diferença entre essas proporções, 0,221, parece indicar que a lesão na cabeça é mais freqüente entre os estudantes que não faziam uso do capacete. Mas será que este resultado não ocorreu por mero acaso? Utilizando a expressão (3) acima podemos efetuando os cálculos obtemos: X2 = ( ) ( ) ( ) ( ) 56,454 256,454428 44,103 244,103130 54,191 254,191218 56,43 256,43172 −+−+−+−=X X2 = 16,197 + 3,686 +6,821 + 1,552 ≅ 28,26 Precisamos decidir então se este é ou não um valor “grande”. Devido ao efeito amostral, mesmo se na realidade as proporções forem iguais, é possível obter qualquer valor para X2. Entretanto valendoa hipótese de igualdade entre as duas proporções, valores “grandes” ocorrerão pouco frequentemente, ou seja, para se tomar uma decisão sobre a igualdade ou não de duas proporções, é preciso conhecer o comportamento - distribuição estatística3 - dos valores de X2, quando as proporções são iguais. Esta distribuição foi obtida e recebeu o nome de Distribuição do χ 12 (qui-quadrado com 1 grau de liberdade), hoje sintetizada em tabelas de fácil utilização. Rejeita-se a hipótese de igualdade entre as proporções, a um determinado nível de significância, α , se o valor observado de X2 for maior que χ 12, o percentil de ordem (1 - α ) da distribuição do Qui-quadrado com 1 grau de liberdade. Considerando α= 5%, o ponto crítico desta distribuição, o percentil de ordem 0,95, é 3,84, ou seja, P (χ 12 ≥ 3,84) = 0,05. Nesse exemplo, a probabilidade de encontrar valores maiores que 28,26, isto é, P (χ 12 ≥ 28,26) sendo verdadeira a hipótese de igualdade das proporções, é aproximadamente zero. Podemos, portanto, dizer com uma confiança de 95%, que existe evidência de associação entre o uso de capacete e lesão na cabeça. Ma pergunta pertinente é quantas vezes a lesão na cabeça é mais freqüente nos que não usam capacete em relação aos que usam? Esse cálculo pode ser efetuado por meio da razão das chances: 11) Razão das Chances (OR) A chance de um evento é definida pelo quociente entre a probabilidade de ocorrência ( p ) e a probabilidade de não ocorrência (1 - p ). Nesse exemplo: A chance dos que fazem uso do capacete ter lesão na cabeça é: 1308,0 130 17 = A chance dos que não fazem uso do capacete ter lesão na cabeça é: 5093,0 428 218 = A Razão das Chances (OR) é definida pelo quociente entre as chances dos dois eventos. Nesse exemplo, vamos verificar a chance de ter lesão na cabeça entre o grupo que não fazia uso do capacete em relação ao grupo que o usava. ou seja, 9,3 1308,0 5093,0 ≅=OR 2 Somente para tabelas 2 x 2 3 As distribuições de probabilidade serão abordadas e estudadas na próxima unidade. © Tânia F Bogutchi – PUC Minas - 2009 16 Probabilidade e Estatística I Unidade 1: Introdução à Probabilidade Isso significa que a chance de ter lesão na cabeça entre os estudantes que não usam capacete é aproximadamente quatro vezes mais freqüente em relação aos que usam capacete. Observação importante: As chances são muito utilizadas em cassinos, loterias e corridas de cavalo, por apresentarem facilidade nas transferências de dinheiro. São comumente expressas na forma “a:b” – a para b – em que, os valores a e b são primos entre si. Em termos de probabilidade de um evento A, a chance “a favor” é definida por: )( )( AP AP ; e a chance “contra” por: )( )( AP AP . Suponha, por exemplo, que a probabilidade de um evento A seja, 5 2)( =AP , logo 5 3)( =AP . Então a chance “a favor” é “ 2:3” – dois para três e a chance “contra” é de “ 3:2” – três para dois. Nas apostas, a chance contra um evento representa a razão do ganho líquido para a quantia apostada. Quando a chance não é especificada, ela é sempre “contra” a ocorrência do evento, ou seja, numa aposta 50:1, significa R$50,00 para cada R$1,00 apostado! 12) Regra ou Teorema de Bayes Seja um espaço amostral, S, particionado por eventos mutuamente exclusivos, Bi´s, tal que ou seja, Seja considerado o evento A desse espaço amostral o qual poderá ser escrito por: mesmo que algumas das interseções iBA ∩ seja vazia, esse fato não irá interferir no cálculo de sua probabilidade. Podemos representar esse espaço amostral, as partições Bi´s e o evento A pela figura: A probabilidade do evento A é obtida por: Observe que: 1) se 0)( =∩⇒=∩ iBAPiBA φ , não afetando, portanto, o resultado da P(A); 2) . - é chamada de PROBABILIDADE TOTAL. A B1 B2 B3 B4 B5 Bn .. .. .. .. B6 A B1 B2 B3 B4 B5 Bn .. .. .. .. B6 ji ; 0 ≠∀/=∩ jBiB U n i iBS 1= = ( )nBABABAA ∩∪∪∩∪∩= ....)2()1( ( )nBAPBAPBAPAP ∩++∩+∩= ....)2()1()( = U n i iBP 1 © Tânia F Bogutchi – PUC Minas - 2009 17 Probabilidade e Estatística I Unidade 1: Introdução à Probabilidade O teorema de Bayes é uma generalização da probabilidade condicional definida no item 7. Essa regra calcula a probabilidade de uma partição Bi condicionada à ocorrência do evento A, ou seja, Exemplo 12.1: (Morettin) Num mercado, três corretoras A, B e C são responsáveis por 20%, 50% e 30% do volume total de contratos negociados, respectivamente. Do volume de cada corretora, 20%, 5% e 2% respectivamente, são contratos futuros em dólares. Um contrato é escolhido ao acaso e este é futuro em dólares. Qual a probabilidade de ele ter sido negociado pela corretora A? Solução: Considere os eventos: A, B e C: Corretoras F: contrato futuro em dólares Deseja-se saber: P(A | F). Por definição: , precisamos então calcular a P(F). O evento F pode ser escrito como: Dessa maneira, O problema nos fornece as informações: P(A)=0,2; P(F|A)=0,2 P(B)=0,5; P(F|B) = 0,05 P(C)=0,3; P(F|C) = 0,02 Para facilitar, podemos utilizar um esquema em árvore: Logo, A probabilidade de o contrato ter sido negociado pela corretora A é de 56,3% O teorema de Bayes pode ser ilustrado para esse problema em especial pela figura: )|()(...)2|()2()1|()1( )|()( )( )()|( nBAPnBPBAPBPBAPBP iBAPiBP AP iBAPAiBP +++ = ∩ = )( )()|( FP FAPFAP ∩= ( )FCFBFAF ∩∪∩∪∩= )()( ( )FCPFBPFAPFP ∩+∩+∩= )()()( F F F F F F A B C 040 , 0250 , 0060 , 20 , 50 , 30 , 20 , 050 , 020 , )FA(P ∩ )FB(P ∩ )FC(P ∩ + 0710 ,)F(P = )A|F(P F F F F F F A B C 040 , 0250 , 0060 , 20 , 50 , 30 , 20 , 050 , 020 , )FA(P ∩ )FB(P ∩ )FC(P ∩ + 0710 ,)F(P = )A|F(P )A|F(P 563,0 071,0 04,0 )( )()|( ==∩= FP FAPFAP © Tânia F Bogutchi – PUC Minas - 2009 18 Probabilidade e Estatística I Unidade 1: Introdução à Probabilidade 3B 2A I 4B 2A II Logo, 13) Resolução de alguns exercícios de Probabilidade Exercício 13.1 – Uma urna contém três bolas brancas e duas amarelas. Uma segunda urna contém quatro bolas brancas e duas amarelas. Escolhe-se, ao acaso, uma urna e dela retira-se, também ao acaso, uma bola. Qual a probabilidade de que seja branca? Solução: Sejam os eventos: A: bola amarela B: Bola branca I: primeira urna II: segunda urna O evento B: sair bola branca pode ser escrito por: ( ) ( )BIIBIB ∩∪∩= Os eventos I e II são mutuamente exclusivos, logo (I ∩ B) e (II ∩ B) também o serão. Então, ( ) ( ) ( ) ( ) ( ) ( ) ( ) 633,0333,030,0 6 4 2 1 5 3 2 1 =+= =+= =+= =∩+∩= xx IIBPIIPIBPIP BIIPBIPBP ( ) %3,63=BP Exercício 13.2 – Ricardo tem dois automóveis velhos. Nas manhãs frias, há 20% de probabilidade de um deles não “pegar” e 30% de o outro não “pegar”. Qual a probabilidade de: a) Nenhum “pegar”? b) Apenas um “pegar”. B A C FB A C F CBAS ∪∪= ( )FCFBFAF ∩∪∩∪∩= )()( )|()()|()()|()( )|()( )( )()|( CFPCPBFPBPAFPAP AFPAP FP FAPFAP ++ = ∩ = © Tânia F Bogutchi– PUC Minas - 2008 19 Probabilidade e Estatística I Unidade 1: Introdução à Probabilidade Solução: Sejam os eventos: C1: carro 1 “pega” C2: carro 2 “ pega” E sua negação: 1C : carro 1 não “pega” 2C : carro 2 não “pega” Dados do problema: 1) C1 e C2 são independentes 2) ( ) 20,01 =CP e ( ) 30,02 =CP 3) De (2) e pela propriedade de negação de evento: ( ) ( ) 80,0111 =−= CPCP e ( ) 70,02 =CP . Então, a) O evento: nenhum “pegar” = 21 CC ∩ ⇒ ( ) ( ) ( ) ( )( ) 06,030,020,02121 ===∩ CPCPCCP Logo, P(nenhum “pegar”) = 6,0% b) Apenas um “pegar” ⇒ ( ) ( )2121 CCCC ∩∪∩ Como C1 e C2 são independentes e ( )21 CC ∩ e ∩ 21 CC são mutuamente exclusivos, tem-se que: P(apenas um “pegar”) é: ( ) ( )[ ] ( ) ( ) 38,0)70,0)(20,0()30,0)(80,0(2()12)1(2121 =+=+=∩∪∩ CPCPCPCPCCCCP Logo, P(apenas um “pegar”) = 38,0% Exercício 13.3 – (Montgomery) O circuito a seguir opera se, e somente se, houver um caminho de equipamentos funcionais, da esquerda para a direita. Considere que equipamentos falhem independentemente, sendo a probabilidade de falha de cada equipamento mostrada no figura. Qual a probabilidade de que o circuito opere? 0,01 0,01 0,1 0,1 0,10,01 0,01 0,1 0,1 0,1 © Tânia F Bogutchi – PUC Minas - 2008 20 Probabilidade e Estatística I Unidade 1: Introdução à Probabilidade Solução: Sejam: Da esquerda para a direita e considerando a independência dos equipamentos: a) 1º circuito opera se: ( ) CBAI ∪∩= Logo, a probabilidade de I operar é: ( ) ( ) ( ) ( )[ ]CBAPCPBAPIP ∩∩−+∩= ( ) ( )( ) ( ) ( )( )( ) 998,090,099,099,090,099,099,0 =−+=IP b) 2º circuito opera se: ( )EDII ∪= ( ) ( ) ( ) ( ) ( )( ) 99,090,090,090,090,0)()( =−+=∩−+= EDPEPDPIIP O circuito em paralelo irá operar se I e II operarem simultaneamente: III ∩ Dos resultados obtidos em (a) e (b) e considerando que I e II são independentes (pela independência dos equipamentos), a probabilidade de o circuito operar será: 988,0)99,0)(998,0()()()( === IIPIPIIIP I Conclusão: A probabilidade de o circuito acima operar é de 98,8%. Exercício 13.4 – A probabilidade de que um homem esteja vivo daqui a 30 anos é 40%; a de sua mulher é 65%. Determinar a probabilidade de que daqui a 30 anos: a) Ambos estejam vivos; b) Somente o homem esteja vivo; c) Somente a mulher esteja viva; d) Nenhum esteja vivo; e) Pelo menos um esteja vivo. Solução: Sejam os eventos: H – homem está vivo daqui a 30 anos; M – mulher está viva daqui a 30 anos a) Ambos estejam vivos? b) Somente o homem esteja vivo c) Somente a mulher esteja viva d) Nenhum esteja vivo 26,0)65,0)(40,0()()()( ===∩ MPHPMHP 14,0)35,0)(40,0()65,01)(40,0()( ==−=∩ MHP 39,0)65,0)(60,0()65,0)(40,01()( ==−=∩ MHP 0,01 0,01 0,1 0,1 0,1 A B C D E I II 0,01 0,01 0,1 0,1 0,1 A B C D E 0,01 0,01 0,1 0,1 0,1 A B C D E I II © Tânia F Bogutchi – PUC Minas - 2008 21 Probabilidade e Estatística I Unidade 1: Introdução à Probabilidade e) Pelo menos um esteja vivo: Exercício 13.5 - As preferências de homens e mulheres por cada gênero de filme alugado em uma locadora de vídeos, estão apresentados na próxima tabela: Sorteando-se, ao acaso, uma dessas locações de vídeo, pergunta-se a probabilidade de: a) O filme alugado ser uma comédia? b) Uma mulher ter alugado um filme policial? c) Um homem ter alugado ou o filme ser um romance? d) O filme ser policial dado que foi alugado por um homem? e) Os eventos: filme romance e sexo mulher são independentes? Solução: Primeiramente precisamos calcular os totais marginais e o geral: Filme Sexo Comédia (C) Romance (R) Policial (P) Total Homens (H) 136 92 248 476 Mulheres (M) 102 195 62 359 Total 238 287 310 835 a) O filme alugado ser uma comédia: b) Uma mulher ter alugado um filme policial: c) Um homem ter alugado ou o filme ser um romance: d) O filme ser policial dado que foi alugado por um homem: e) Os eventos: filme romance e sexo mulher são independentes? Os eventos: filme romance e sexo mulher NÃO são independentes, pois Ou, 21,0)35,0)(60,0()65,01)(40,01()( ==−−=∩ MHP 79,026,065,040,0)( =−+=∪ MHP 62195102Mulheres (M) 24892136Homens (H) Policial (P)Romance (R) Comédia (C) Filme Sexo 62195102Mulheres (M) 24892136Homens (H) Policial (P)Romance (R) Comédia (C) Filme Sexo 0743,0 835 62)( ==∩ PMP 2850,0 835 238)( ==CP 8036,0 835 92 835 287 835 476)()()()( =−+=∩−+=∪ RHPRPHPRHP 5210,0 476 248)|( ==HPP )(5432,0 359 195)|( 3437,0 835 287)( RPMRP RP ≠== == 1959,0)5701,0)(3437,0()()(2335,0 835 195)( ==≠==∩ HPRPMRP © Tânia F Bogutchi – PUC Minas - 2008 22 Probabilidade e Estatística I Unidade 1: Introdução à Probabilidade Exercício 13.6 - Uma companhia que fabrica caixas de papelão percebe que: • A probabilidade de se produzir uma caixa com um furo é de 0,05; • A probabilidade de uma caixa ter um canto esmagado é de 0,08; • A probabilidade de uma caixa ter um furo e um canto esmagado é de 0,004. a) Os eventos “selecionar uma caixa com furo” e “selecionar uma caixa com o canto esmagado” são mutuamente exclusivos? Explique. b) Se um inspetor de qualidade escolher ao acaso uma caixa determine a probabilidade de a caixa ter um furo ou um canto esmagado. Solução: a) Os eventos “selecionar uma caixa com furo” e “selecionar uma caixa com o canto esmagado” NÃO são mutuamente exclusivos, pois o evento interseção entre eles é não vazio (probabilidade maior que zero) b) Sejam os eventos: A : a caixa tem um furo B: a caixa tem um canto esmagado. Do enunciado tem-se: Queremos: Pela regra geral: Logo, Exercício 13.7 - Em um banco, a experiência indica que há uma probabilidade de 85% de um funcionário novo, que tenha feito um curso prévio de treinamento, cumprir sua quota de tarefas; e que essa probabilidade, para um novato que não tenha feito o curso prévio, é de 40%. Se 80% de todos os operários novos freqüentaram o curso prévio de treinamento, qual a probabilidade de um funcionário novo cumprir sua quota de tarefas? Solução: Sejam os eventos: Q: o funcionário novo cumpre sua quota de tarefas C : o funcionário novo fez o curso prévio de treinamento Tem-se que: P(C) = 0,80; P(Q|C) = 0,85 e Ou, pelo diagrama em árvore: Exercício 13.8 - Um time de futebol ganha com probabilidade 0,7 se chove e com 0,8 se não chove. Em setembro a probabilidade de chuva é de 0,3. O time de futebol ganhou uma partida em setembro, qual a probabilidade de ter chovido nesse dia? . Solução: Sejam os eventos: G: time de futebol ganha A : chuva em setembro )()()()( BAPBPAPBAP ∩−+=∪ (12,6%) 126,0004,008,005,0)( =−+=∪ BAP (76,0%) 76,008,068,0)40,0)(20,0()85,0)(80,0()( )|()()|()()( )()( =+=+= += ∩∪∩= QP CQPCPCQPCPQP QCQCQ Q Q Q Q C 68,0 08,0 80,0 20,0 85,0 40,0 )QC(P ∩ )QC(P ∩ + 76,0)Q(P = C novo .Func )C|Q(P Q Q Q Q C 68,0 08,0 80,0 20,0 85,0 40,0 )QC(P ∩ )QC(P ∩ + 76,0)Q(P = C novo .Func )C|Q(P )C|Q(P © Tânia F Bogutchi – PUC Minas - 2008 23 Probabilidade e Estatística I Unidade 1: Introdução à Probabilidade Queremos: P(A|G) Temos: Por definição de probabilidade condicional temos que: Precisamos então calcular P(G).Utilizando o diagrama em árvore, para um dia de setembro: Utilizando a definição, temos: Conclusão: Se o time de futebol ganhou a partida, a probabilidade de ter chovido nesse dia é de 27,3%. Exercício 13.9 - A porcentagem de carros com defeito entregue no mercado por certa montadora é historicamente estimada em 6%. A produção da montadora vem de três fabricas distintas, da matriz A e das filiais B e C, nas seguintes proporções: 60%, 30% e 10%, respectivamente. Sabe-se que a proporção de defeitos da matriz A é o dobro da filial B e, da filial B é o quádruplo da filial C. Determinar a porcentagem de defeito de cada fábrica. Solução: Seja o evento, D: carros com defeitos; P(D) = 6% = 0,06 P(A) = 60% = 0,60 e P(D|A) = 2 P(D|B) P(B) = 30%= 0,30 e P(D|B) = 4 P(D|C) P(C) = 10% = 0,10 e P(D|C) Podemos escrever o evento D como: D = (A e D) ou (B e D) ou (C e D) Então, P(D) = P(A)P(D|A) + P(B)P(D|B) + P(C)P(D|C) P(D) = 8 P(A)P(D|C) + 4 P(B)P(D|C) + P(C)P(D|C) 0,06 = (8)(0,60)P(D|C) + (4)(0,30)P(D|C)+0,10P(D|C) 0,06 = 6,1 P(D|C) => P(D|C)= 0,00984 (0,98%) ⇒ P(D|B)=0,0393 (3,93%) ⇒ e P(D|A)= 0,0787 (7,87%) 3,0)( 8,0)|( 7,0)|( = = = AP AGP AGP )( )()|( GP GAPGAP ∩= A A G G G G GA ∩ GA ∩ 21,0)7,0)(3,0( = 56,0)8,0)(7,0( =8,0 7,0 7,0 3,0 Um dia em setembro + 77,0)G(P = A A G G G G GA ∩ GA ∩ 21,0)7,0)(3,0( = 56,0)8,0)(7,0( =8,0 7,0 7,0 3,0 Um dia em setembro + 77,0)G(P = (27,3%) 273,0 77,0 21,0 )( )()|( ==∩= GP GAPGAP © Tânia F Bogutchi – PUC Minas - 2008 24 Probabilidade e Estatística I Unidade 1: Introdução à Probabilidade Referências bibliográficas: 1. BUSSAB, W. O., MORETTIN, P. A. Estatística básica. 5. ed. rev. São Paulo: Saraiva, 2003. 2. MONTGOMERY, D.C, RUNGER, G.C. Estatística Aplicada e Probabilidade para Engenheiros. 4ª ed. Rio de Janeiro: LTC, 2009. 3. MORETTIN, P.A. Estatística básica – Probabilidade. 7ª. ed. São Paulo: Makron Books, 2000, vol. 1. 4. MEYER, Paul L. Introdução à probabilidade – aplicações à Estatística. RJ: LTC, 2ª. ed, 1995. 5. SOARES, José Francisco, FARIAS, Alfredo A., CESAR, Cibele Comini. Introdução à Estatística. RJ: LTC, 2003. 6. TRIOLA, M. F. Introdução à estatística. 10ª ed. Rio de Janeiro: LTC, 2007.
Compartilhar