Baixe o app para aproveitar ainda mais
Prévia do material em texto
Universidade Federal da Bahia Instituto de Matemática Departamento de Estatística NOTAS DE AULA MAT194 - ESTATÍSTICA ECONÔMICA Professora: Lia Terezinha L. P. Moraes Março de 2011 UFBA – Instituto de Matemática - Departamento de Estatística Março de 2011 Disciplina: MAT194 – Estatística Econômica Lia Terezinha L. P. Moraes 1 UFBA – Departamento de Estatística MAT194 – Estatística Econômica Notas de aula Lia Terezinha L. P. de Moraes Março de 2011 I – INTRODUÇÃO À TEORIA DAS PROBABILIDADES 1. UM POUCO DA HISTÓRIA DO CÁLCULO DAS PROBABILIDADES “Paralelamente ao desenvolvimento da Estatística como disciplina científica, mas de forma independente, desenvolveu-se, a partir do século XVII, o Cálculo das Probabilidades. Seus iniciadores são os matemáticos italianos e franceses desse século, particularmente FERMAT e PASCAL, que iniciaram os estudos do cálculo das probabilidades tratando de resolver problemas de jogos de azar propostos pelo cavaleiro de MÉRÉ. Pouco a pouco outros matemáticos, e posteriormente os do século XVIII, foram interessando-se por este tipo de estudo e ampliando os resultados, até que Tiago BERNOULLI (1654 –1705) obteve o teorema que se conhece com seu nome e que permitiu estruturar o cálculo das probabilidades como disciplina orgânica. Pelos fins do século XVIII e princípios do século XIX, os trabalhos de LAPLACE permitiram dar sua estruturação definitiva ao Cálculo das Probabilidades; em suas obras Teoria analítica da probabilidade (1818) e Ensaio filosófico sobre as probabilidades (1814) completou a obra de BERNOULLI e seus continuadores, provendo o Cálculo das Probabilidades de recursos matemáticos que haveriam de levá-lo mediante a obra do próprio LAPLACE e de outros matemáticos como POISSON, GAUSS, etc., ao grau de aperfeiçoamento que o tornou apto para as aplicações a diversos campos da ciência e muito especialmente à Estatística. “A partir de LAPLACE, as duas disciplinas, Cálculo das Probabilidades e Estatística, que até então haviam permanecido separadas, fundiram-se de maneira que o Cálculo das Probabilidades constitui a andaimaria matemática da estatística, pela qual esta pôde tomar o impulso teórico que haveria de levá-la ao extraordinário desenvolvimento e aperfeiçoamento que alcançou no século passado e no presente1. O impulso que levou ao atual estado de desenvolvimento do Cálculos das Probabilidades, produzido entre fins do século passado e princípios do presente, deve-se principalmente a franceses, russos e norte americanos, com a colaboração de alemães, escandinavos, ingleses, italianos, etc..”2 1 Diz respeito aos séculos XIX e XX (Nota do professor). 2 TORANZOS, Fausto. Estatística. Ed. Mestre Jou, 1969. p.2-3. UFBA – Instituto de Matemática - Departamento de Estatística Março de 2011 Disciplina: MAT194 – Estatística Econômica Lia Terezinha L. P. Moraes 2 2. MODELOS MATEMÁTICOS Os modelos matemáticos consistem em uma simplificação da realidade. São uma idealização das características do fenômeno observado. Eles podem ser: a) Determinísticos: quando dadas as condições de experimentação pode-se determinar ou predizer o resultado final do experimento. b) Não-determinísticos (ou probabilísticos ou estocásticos): quando não é possível predizer, com certeza, o resultado antes da realização do experimento. Exemplos: i) Um médico investigando o efeito de uma droga administrada em pacientes; ii) O estudo do efeito de um fertilizante químico em uma parcela de solo; iii) A análise dos preços mensais de três bens de consumo; iv) A soma dos pontos de dois dados; etc. 3. OBJETIVO GERAL DA TEORIA DAS PROBABILIDADES De uma forma bem geral, a Teoria das Probabilidades visa definir um modelo matemático não-determinístico (probabilístico ou estocástico) que seja conveniente à descrição e interpretação de fenômenos aleatórios. Fenômenos aleatórios ou experimentos aleatórios são aqueles onde o processo de experimentação está sujeito a influências de fatores casuais e conduz a resultados incertos. NOTAÇÃO: E = experimento aleatório 4. CARACTERIZAÇÃO DE UM EXPERIMENTO ALEATÓRIO 1º) Cada experimento poderá ser repetido um grande número de vezes sob as mesmas condições iniciais; 2º) Em cada repetição do experimento, não podemos afirmar que resultado particular ocorrerá, porém podemos descrever o conjunto de todos os resultados possíveis do experimento - as possibilidades de resultado. 3º) Quando o experimento é repetido um grande número de vezes, surgirá uma regularidade nos resultados. Esta regularidade, chamada de regularidade estatística, é que torna possível construir um modelo matemático preciso com o qual se analisará o experimento. 5. ESPAÇO AMOSTRAL OU ESPAÇO-AMOSTRA NOTAÇÃO: S = espaço amostral UFBA – Instituto de Matemática - Departamento de Estatística Março de 2011 Disciplina: MAT194 – Estatística Econômica Lia Terezinha L. P. Moraes 3 DEFINIÇÃO: Para cada experimento aleatório E definimos um espaço amostral que consiste no conjunto de todos os resultados possíveis de E. Exemplos: E1: Lançamento de uma moeda e observar a face voltada para cima ⇒ S = {Cara, Coroa}; E2: Lançamento de um dado e observar o lado voltado para cima ⇒ S = {1, 2, 3, 4, 5, 6}; E3: Retirar ao acaso uma carta de um baralho completo de 52 cartas ⇒ S = {A♣; 2♣; ...; K♣; A♦; 2♦; ... ; K♦; A♥; ... ; K♥; A♠; ... ; K♠}; E4: Determinação da vida útil de um componente eletrônico ⇒ S = {t ∈ R | t ≥ 0}. Observações: i) O espaço amostral pode ser finito ou infinito. No nosso curso trabalharemos apenas com espaços amostrais finitos. ii) O espaço amostral pode ser representado por: • Um número; • Grupo de números; • Atributos; • Grupo de atributos; ou • Combinações de aspectos quantitativos e qualitativos. 6. EVENTOS Ao realizarmos um experimento podemos estar interessados em observar informações diferentes. Por exemplo: Experimento aleatório E: lançar um dado e observar o lado voltado para cima. Espaço amostral S: {1, 2, 3, 4, 5, 6} Com respeito ao resultado que ocorrerá, poderá ser um número maior ou igual a 3, um número par, o número 3, etc. DEFINIÇÃO: Dado um espaço amostral S, associado a um experimento E, definimos como evento qualquer subconjunto desse espaço amostral. Como estamos tratando com conjuntos são válidas, portanto, todas as operações indicadas na Teoria dos Conjuntos e, a partir dessas operações, podemos gerar novos eventos. Exemplo: Seja o experimento aleatório anterior: E: Lançar um dado e observar o lado voltado para cima S = {1, 2, 3, 4, 5, 6} Sejam os seguintes eventos: A: sair o número 3 ⇒ A = {3}. Ao evento que tem apenas um elemento chamamos de evento simples ou elementar. B: sair o número 10 ⇒ B = { } = φ. O conjunto correspondente ao conjunto vazio chamamos de evento impossível. UFBA – Instituto de Matemática - Departamento de Estatística Março de 2011 Disciplina: MAT194 – Estatística Econômica Lia Terezinha L. P. Moraes 4 C: sair um número menor ou igual a 6 ⇒ C = S = espaço amostral. Ao conjunto que se identifica com o espaço amostral chamamos de evento certo. A ou AC:não sair o número 3 ⇒ A = {1, 2, 4, 5, 6}. A esse conjunto damos o nome de evento complementar de A. DEFINIÇÃO: Dois eventos são chamados mutuamente exclusivos ou mutuamente excludentes se esses eventos não ocorrem simultaneamente. Ou seja, a intersecção entre os dois eventos é o conjunto vazio. Exemplo: Com base no mesmo experimento do exemplo anterior, definimos os seguintes eventos: F: sair um número par ⇒ F = {2, 4, 6} G: sair um número ímpar ⇒ G = {1, 3, 5} H: sair número primo ⇒ H = {2, 3, 5} I: sair o número 1 ⇒ I = {1} Os eventos mutuamente exclusivos são aqueles onde não existe intersecção entre os dois eventos. Neste exemplo são: • F e G, pois F ∩ G = φ; • F e I, pois F ∩ I = φ; • H e I, pois H ∩ I = φ. Observação: A partir de um espaço amostral finito de n elementos podemos construir 2n eventos. Seja S = {s1, s2, s3, … , sn}. Fazendo todas as combinações possíveis , para i = 0, 1, 2, …, n, com os n elementos desse espaço amostral. Temos: ⎟⎟⎠ ⎞ ⎜⎜⎝ ⎛ i n 1 0 =⎟⎟⎠ ⎞ ⎜⎜⎝ ⎛n ⇒ φ = evento impossível; 1 1 =⎟⎟⎠ ⎞ ⎜⎜⎝ ⎛n ⇒ {s1}, {s2}, {s3}, … , {sn}; ⎟⎟⎠ ⎞ ⎜⎜⎝ ⎛ 2 n ⇒ {s1, s2}, { s1,, s3}, ... ,{sn-1, sn}; ………………………………………….. 1=⎟⎟⎠ ⎞ ⎜⎜⎝ ⎛ n n ⇒ {s1, s2, s3, … , sn}. O resultado final fica para a = 1 e b = 1 (Binômio de Newton). ( ) nnba n n n nnnn 2 1 ... 210 =+=⎟⎟⎠ ⎞ ⎜⎜⎝ ⎛+⎟⎟⎠ ⎞ ⎜⎜⎝ ⎛ −++⎟⎟⎠ ⎞ ⎜⎜⎝ ⎛+⎟⎟⎠ ⎞ ⎜⎜⎝ ⎛+⎟⎟⎠ ⎞ ⎜⎜⎝ ⎛ 7. CONCEITO DE PROBABILIDADE A terceira característica enunciada do experimento aleatório apresenta o conceito de regularidade estatística quando repetimos o experimento um grande número de vezes. UFBA – Instituto de Matemática - Departamento de Estatística Março de 2011 Disciplina: MAT194 – Estatística Econômica Lia Terezinha L. P. Moraes 5 Vejamos, através de um exemplo, como podemos entender essa regularidade nos resultados. Exemplo: Seja o seguinte experimento aleatório: E: Lançamento de uma moeda ⇒ S = {Cara, Coroa} Desejamos estudar o evento A: sair cara ⇒ A = {Cara} Vamos repetir o experimento de lançar a moeda 20 vezes ⇒ n = 20. Vamos definir: nA = n o de vezes que ocorreu o evento A nas n repetições do experimento aleatório E; f A = freqüência relativa do evento A nas n repetições de E. O resultado referente aos 20 lançamentos da moeda encontra-se na tabela a seguir: n nA f A n nA f A 1 1 1 11 6 6/11 2 1 1/2 12 7 7/12 3 2 2/3 13 7 7/13 4 3 3/4 14 8 8/14 5 3 3/5 15 8 8/15 6 3 3/6 16 8 8/16 7 3 3/7 17 8 8/17 8 4 4/8 18 8 8/18 9 5 5/9 19 9 9/19 10 5 5/10 20 9 9/20 O gráfico a seguir corresponde ao número de repetições do experimento versus freqüência relativa: Número de ocorrências da face "cara" em 20 lances de uma moeda n Freq. relativa 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Podemos observar que a medida que aumentamos o número de lances da moeda a freqüência relativa de caras aproxima-se de 0,5. UFBA – Instituto de Matemática - Departamento de Estatística Março de 2011 Disciplina: MAT194 – Estatística Econômica Lia Terezinha L. P. Moraes 6 DEFINIÇÃO: A freqüência relativa do evento A, denotada por f A, é definida pela divisão do número de vezes que ocorreu o evento A pelo número de repetições do experimento. n nf AA = 7.1. PROBABILIDADE DE UM EVENTO ELEMENTAR A cada evento elementar do espaço amostral S de um experimento aleatório E podemos associar um número real que expresse a regularidade estatística mostrada acima. Exemplo: No caso do lançamento de uma moeda: S = {cara; cora} Podemos associar a cada evento elementar o valor real 0,5 para expressar a chance de ocorrer cada um desses resultados num grande número de lançamentos da moeda, como foi visto no exemplo anterior. Podemos escrever, então: P(cara) = 0,5 e, conseqüentemente, P(coroa) = 0,5. Exemplo: Em um dado defeituoso não aparece face alguma com 3 pontos, ao passo que há duas faces com 5 pontos. S = { 1; 2; 4; 5; 6} É razoável admitir que, num grande número de lançamentos, a face 5 ocorra duas vezes mais que cada uma das demais faces. Se atribuirmos números para indicar as chances de ocorrência de cada face, deveremos adotar: ; 6 1)1( =P ; 6 1)2( =P ; 6 1)4( =P ; 6 2)5( =P e 6 1)6( =P . Probabilidade de um evento elementar Generalizando, sendo S = { e1; e2; e3; ... ; en} um espaço amostral finito, a cada evento elementar {ei} associamos um número real P(ei), chamado probabilidade do evento elementar {ei}, que satisfaz as seguintes condições: a) P(ei) ≥ 0 para todo i; b) P(e1) + P(e2) + ... + P(en) = 1. Conseqüentemente, para qualquer evento elementar {ei} temos: 0 ≤ P(ei) ≤ 1 UFBA – Instituto de Matemática - Departamento de Estatística Março de 2011 Disciplina: MAT194 – Estatística Econômica Lia Terezinha L. P. Moraes 7 7.2. PROBABILIDADE DE UM EVENTO QUALQUER Seja A um evento qualquer composto por ek eventos elementares: A = {e1; e2; e3; ... ; ek}. Então: P(A) = P(e1) + P(e2) + ... + P(ek) Propriedades: a) Se A = S ⇒ P(A) = P(S) = 1 b) Se A = φ ⇒ P(A) = 0 c) 0 ≤ P(A) ≤ 1 Exemplo: Seja o lançamento de um dado não viciado. Calcule a probabilidade dos seguintes eventos: a) Sair o número 3; b) Sair um número par; c) Sair um número primo; d) Sair um número menor ou igual a 8. Resolução: S = { 1; 2; 3; 4; 5; 6} a) P(1) = P(2) = P(3) = ... = P(6) = 1/6 b) A = { 2; 4; 6} ⇒ P(A) = P(2) + P(4) + P(6) = 3/6 = 1/2 c) B = { 2; 3; 5} ⇒ P(B) = P(2) + P(3) + P(5) = 3/6 = 1/2 d) C = { 1; 2; 3; 4; 5; 6} = S ⇒ P(C) = P(S) =1 7.3. PROBABILIDADE EM UM ESPAÇO AMOSTRAL EQUIPROVÁVEL DEFINIÇÃO: Um espaço amostral é chamado equiprovável quando seus eventos elementares têm iguais probabilidades de ocorrência. Sendo S = { e1; e2; e3; ... ; en} ⇒ neP i 1)( = . Exemplo: No lançamento de um dado não viciado observamos a face superior. Resolução: Como o dado é não viciado, facilmente percebe-se que cada face tem uma chance em seis de ocorrer. Logo, se atribuirmos probabilidades aos eventos elementares teremos: Espaço amostral - S 1 2 3 4 5 6 Probabilidade 1/6 1/6 1/6 1/6 1/6 1/6 UFBA – Instituto de Matemática - Departamento de Estatística Março de 2011 Disciplina: MAT194 – Estatística Econômica Lia Terezinha L. P. Moraes 8 Consideremos, agora, o seguinte evento: A = sair um número par no lançamento de um dado = { 2, 4, 6,} Como o espaço amostral é equiprovável, existem três chances em seis de ocorrer o evento A. Assim a probabilidade de ocorrer o evento A, denotado por P(A), é igual a 3/6. Estas considerações motivam a definição de probabilidade de um evento A, associado a um espaço amostral equiprovável, da seguinte forma: )S(# )A(# possíveis casos de número favoráveis casos de número Sde elementos de número A evento do elementos de número)A(P === Pela definição acima perceber-se que, no caso de espaços amostrais equiprováveis, não é necessário descrever o espaço amostral e os eventos para calcular as probabilidades. Basta que seja determinadoo número de elementos do evento em estudo e do espaço amostral ao qual ele está associado. Para tanto, são utilizadas técnicas de contagem (análise combinatória). Exemplos: i) Duas moedas são jogadas simultaneamente. a) Qual é a probabilidade de obtermos uma cara? b) Qual a probabilidade de obtermos pelo menos uma cara? Resolução: Vamos utilizar as seguintes notações: C = sair “cara” K = sair “coroa” S = { (C, C); (C, K); (K, C); (K, K)} ⇒ espaço amostral equiprovável # (S) = 4 = casos possíveis de S a) Seja A = obter uma cara, então A = {(C, K); (K, C)} logo # (A) = 2 = casos favoráveis do evento A ⇒ P(A) = 2/4 = 1/2. b) Seja B = obter pelos menos uma cara, então B = {(C, K); (K, C); (C, C)} # (B) = 3 = casos favoráveis de B ⇒ P(B) = 3/4. ii) Consideremos o jogo Mega Sena da Loteria Federal. Este jogo consiste em escolher apenas seis números entre os sessenta existentes (01, 02, 03, ..., 60). Qual a probabilidade de você ganhar o prêmio marcando apenas seis números? Resolução: Seja A o evento “acertar os seis números sorteados”. Como a descrição precisa do espaço amostral é inviável, apenas definiremos o seu número de elementos: # (S) = ( ) !6 555657585960 )!660(!6 !6060 6 6 60 ×××××=−==C = 50.063.860 UFBA – Instituto de Matemática - Departamento de Estatística Março de 2011 Disciplina: MAT194 – Estatística Econômica Lia Terezinha L. P. Moraes 9 Como só existe um conjunto de seis números que permite ganhar o prêmio, temos: 860.063.50 1)( =AP . iii) Uma caixa contém 100 peças, com 5 defeituosas. Qual a probabilidade de duas peças escolhidas ao acaso serem ambas perfeitas? Resolução: Existem ( )1002 maneiras de escolhermos duas peças quaisquer. Então: # (S) = ( )1002 elementos. Seja o evento A = “escolher duas peças perfeitas”. Então # (A) = ( )952 elementos. Logo, P(A) = 95 94 100 99 0 902×× = , . Propriedades: 1º) P S( ) = 1; 2º) P( )φ = 0; 3º) Se A e B são dois eventos mutuamente exclusivos, então P A B P A P B( ) ( ) (∪ = + ). 4º) Se A é o evento complementar de A, então )(1)( APAP −= . 5º) Se A e B são dois eventos quaisquer, então P B A P B P A B( ) ( ) ( )− = − ∩ . 6º) Se A e B são dois eventos quaisquer, então P A B P A P B P A B( ) ( ) ( ) ( )∪ = + − ∩ . Observações: i) Dizemos que o evento A ∪ B ocorre se, e somente se, A ocorre ou B ocorre ou ambos ocorrem. ii) O evento A ∩ B ocorre se, e somente se, A e B ocorrem. iii) O evento A ocorre se, e somente se, não ocorre A. Exemplos: i) Uma urna contém quatro bolas azuis, três vermelhas e duas brancas. Se retirarmos uma bola ao acaso, calcule a probabilidade de: a) ser vermelha; b) não ser vermelha; c) ser vermelha ou branca; d) ser azul. UFBA – Instituto de Matemática - Departamento de Estatística Março de 2011 Disciplina: MAT194 – Estatística Econômica Lia Terezinha L. P. Moraes 10 Resolução: Sejam os seguintes eventos: V = sair bola vermelha A = sair bola azul B = sair bola branca a) P(V) = número de bolas vermelhas número total de bolas = 3 9 b) P V P V( ) ( )= − = − =1 1 3 9 6 9 c) P V B P V P B( ) ( ) ( )∪ = + = + =3 9 2 9 5 9 d) P A( ) = 4 9 ii) Dados P(A) = 1/2; P(B) = 3/8 e P(A ∩ B) = 1/8, calcule: a) P(A ∪ B); b) P A B( )∩ ; c) P A B( )∩ . Resolução: a) P(A ∪ B) = P(A) + P(B) - P(A ∩ B) = 1/2 + 3/8 - 1/8 = 6/8 = 3/4 b) P A B P A B P A B( ) ( ) ( ) ( / )∩ = ∪ = − ∪ = − =1 1 3 4 /1 4 c) P A B P A B P A P A B( ) ( ) ( ) ( ) / /∩ = − = − ∩ = − =1 2 1 8 3 8/ iii) Para a Copa do Mundo 24 países são divididos em seis grupos, com 4 países cada um. Supondo que a escolha do grupo de cada país é feita ao acaso, calcular a probabilidade de que dois determinados países A e B se encontrem no mesmo grupo. (Na realidade a escolha não é feita de forma completamente aleatória). Resolução: Primeiro vamos considerar apenas um grupo. Existem ( )244 maneiras de sortearmos 4 países. Agora, fixando os países A e B dentro do grupo, existem ( )222 maneiras de ocupar os dois lugares restantes. Portanto, a probabilidade de A e B pertencerem ao mesmo grupo é de ( )( )244 22 2 . Considerando que são 6 grupos, para calcularmos a probabilidade de que dois determinados países A e B se encontrem no mesmo grupo basta multiplicarmos a probabilidade acima por 6. Isto é: ( )( ) 2336244 22 2 =. . 8. PROBABILIDADE CONDICIONAL Exemplo: Suponha que o quadro a seguir resuma as informações de um levantamento das empresas industriais e comerciais de certo município em certo ano, discriminado segundo o porte: UFBA – Instituto de Matemática - Departamento de Estatística Março de 2011 Disciplina: MAT194 – Estatística Econômica Lia Terezinha L. P. Moraes 11 ATIVIDADE PORTE INDÚSTRIA (I) COMÉRCIO (C) TOTAL MICRO (M) 40 50 90 PEQUENA (P) 20 40 60 MÉDIA (D) 15 20 35 GRANDE (G) 5 10 15 TOTAL 80 120 200 Qual a probabilidade de selecionarmos ao acaso uma empresa comercial, sabendo que a empresa escolhida é uma pequena empresa? Resolução: E: selecionar uma empresa entre as 200 pesquisadas ⇒ # (S) = 200 Sejam os seguintes eventos: P: a empresa é de pequeno porte ⇒ # (P) = 60 C : a empresa é comercial ⇒ # (C) = 120 C P∩ : a empresa é comercial e de pequeno porte ⇒ # (C ∩ P) = 40 Sabemos, a priori, que a empresa selecionada é uma pequena empresa. Assim nossa observação fica reduzida apenas ao evento P. A probabilidade de selecionarmos uma empresa comercial sabendo que ela é uma pequena empresa é a relação entre o número de empresas que são simultaneamente comerciais e pequenas e o número de empresas pequenas. Isto é, 40/60. Este resultado pode ser obtido também da seguinte maneira: P C P P P ( ) ( ) ∩ = = 40 200 60 200 40 60 Ou seja, podemos ver que a probabilidade de selecionarmos uma empresa comercial ao acaso sabendo, a priori, que é uma pequena empresa é o mesmo que calcularmos a probabilidade da ocorrência simultânea dos eventos comercial e pequena dividido pela probabilidade de ser uma empresa pequena. DEFINIÇÃO: Dados dois eventos A e B associados a um mesmo espaço amostral S, se P(A) > 0, a probabilidade de ocorrência do evento B condicionado à ocorrência do evento A (ou probabilidade de B dado A), é definida por: )( )()|( AP BAPABP ∩= . Exemplo: Com os dados do exemplo anterior, calcular a probabilidade da empresa selecionada ser pequena, dado que é uma empresa comercial? Resolução: 3 1 120 40 200 120 200 40 )( )()|( ===∩= CP CPPCPP UFBA – Instituto de Matemática - Departamento de Estatística Março de 2011 Disciplina: MAT194 – Estatística Econômica Lia Terezinha L. P. Moraes 12 9. ALGUMAS CONSEQÜÊNCIAS DA DEFINIÇÃO DE PROBABILIDADE CONDICIONAL 9.1. TEOREMA DO PRODUTO (OU DA MULTIPLICAÇÃO) Se A e B são dois eventos quaisquer associados ao mesmo espaço amostral, com probabilidades positivas, então a probabilidade da ocorrência simultânea de A e B, P A B( ∩ ), é dada por: )|().()|().()( BAPBPABPAPBAP ==∩ . Exemplo: Uma caixa contém cinco bolas brancas, três vermelhas e duas azuis. Seescolhermos três bolas ao acaso, sucessivamente e sem reposição, qual a probabilidade de sair uma vermelha, depois uma branca e depois uma azul? Resolução: Sejam os seguintes eventos: B = “bola branca”; V = “bola vermelha”; e A = “bola azul”. A probabilidade pedida é a ocorrência simultânea de bola vermelha na primeira extração, bola branca na segunda extração e bola azul na terceira. Usaremos a seguinte notação para o cálculo da probabilidade solicitada: P V B A( ).1 2 3∩ ∩ Como a extração das bolas é sem reposição, após cada extração efetuada o espaço amostral diminui em uma unidade. Assim, )|().|().()( 213121321 BVAPVBPVPABVP ∩=∩∩ . As probabilidades do segundo membro da expressão são: P V( )1 3 10 = =número de bolas vermelhas número total de bolas 9 5 1-bolasde totalnúmero brancas bolas de totalnúmero)|( 12 ==VBP 8 2 2-bolasdetotalnúmero azuis bolas de número)|( 213 ==∩ BVAP Portanto, P V B A( ) . .1 2 3 3 10 5 9 2 8 1 24 ∩ ∩ = = . UFBA – Instituto de Matemática - Departamento de Estatística Março de 2011 Disciplina: MAT194 – Estatística Econômica Lia Terezinha L. P. Moraes 13 9.2. INDEPENDÊNCIA ESTATÍSTICA DEFINIÇÃO : Se A e B são eventos independentes, então: P A B P A P B( ) ( ). ( )∩ = . Uma explicação intuitiva para a definição acima é: se B independe de A, então tanto a ocorrência quanto a não ocorrência de A não afetam a probabilidade de B ocorrer, isto é: )()|( e )()|( BPABPBPABP == e pelo Teorema do Produto temos que: )().()|().()( BPAPABPAPBAP ==∩ Observação: Se A ∩ B = φ (mutuamente exclusivos), então A e B não são independentes, isto é, , a menos que um deles tenha a probabilidade zero. 0)().( ≠BPAP Exemplos: i) Com os mesmos dados do exemplo anterior, vamos supor que a extração das bolas seja feita com reposição. Calcular P V B A( )1 2 3∩ ∩ . Resolução: Como a extração das bolas é realizada com reposição, a cada extração temos o mesmo espaço amostral. Então: )().().()|().|().()( 321213121321 APBPVPBVAPVBPVPABVP =∩=∩∩ P V B A P V P B P A( ) ( ). ( ). ( ) . .1 2 3 1 2 3 3 10 5 10 2 10 3 100 ∩ ∩ = = = ii) A probabilidade de que A resolva um problema é de 1/3 e a probabilidade de que B resolva é 3/4. Se ambos tentarem independentemente, qual a probabilidade do problema ser resolvido? Resolução: O problema será solucionado se A resolve ou B resolve ou ambos resolvem. Então P A B P A P B P A B( ) ( ) ( ) ( )∪ = + − ∩ . Se ambos tentarem independentemente ⇒ P A B P A P B( ) ( ). ( )∩ = ⇒ P A B( ) .∩ = =1 3 3 4 1 4 . Logo P A B( )∪ = + − =1 3 3 4 1 4 5 6 . UFBA – Instituto de Matemática - Departamento de Estatística Março de 2011 Disciplina: MAT194 – Estatística Econômica Lia Terezinha L. P. Moraes 14 10. TEOREMA DE BAYES Exemplo: Em uma fábrica de parafusos as máquinas M1, M2 e M3 são responsáveis, respectivamente, por 25%, 35% e 40% do total produzido. Da produção de cada máquina, 5%, 4% e 2%, respectivamente, são parafusos defeituosos. Escolhe-se um parafuso ao acaso e verifica-se que é defeituoso. Qual a probabilidade que o parafuso escolhido seja originário da máquina M1? Resolução: O enunciado do exemplo definiu os seguintes eventos e probabilidades: ? M1: o parafuso foi produzido pela máquina 1 ⇒ P(M1) = 0,25 ? M2: o parafuso foi produzido pela máquina 2 ⇒ P(M2) = 0,35 ? M3: o parafuso foi produzido pela máquina 3 ⇒ P(M3) = 0,40 M1 ∪ M2 ∪ M3 = S ? D = o parafuso é defeituoso ? P = o parafuso é perfeito D ∪ P = S ? P(D/M1) = 0,05 ? P(D/M2) = 0,04 ? P(D/M3) = 0,02 Na Árvore de Probabilidades: Sabemos que P(M1 ∪ M2 ∪ M3) = P(M1) + P(M2) + P(M3) = 1, pois M1, M2 e M3 são eventos mutuamente exclusivos e, pelo mesmo motivo, P(D ∪ P) = P(D) + P(P) = 1. P(D/M1) P(P/M1) P(M1) P(D/M2) P(M2) P(P/M2) P(M3) P(D/M3) P(P/M3) UFBA – Instituto de Matemática - Departamento de Estatística Março de 2011 Disciplina: MAT194 – Estatística Econômica Lia Terezinha L. P. Moraes 15 A probabilidade que desejamos calcular é P(M1|D), probabilidade do parafuso ser originário da máquina 1 sabendo-se que é um parafuso defeituoso. Utilizando a definição de probabilidade condicional, temos: . )( )( )|( 11 DP DMP DMP ∩= Vamos iniciar o cálculo pelo denominador da expressão. Podemos observar que os parafusos defeituosos estão distribuídos pela produção das três máquinas. Assim, para calcularmos a probabilidade de sair um parafuso defeituoso – P(D) – temos que considerar a ocorrência simultânea de parafuso defeituoso nas três máquinas. Ou seja, P(D) = P(M1 ∩ D) + P(M2 ∩ D) + P(M3 ∩ D) P(M1 ∩ D) = P(M1).P(D | M1) = 0,25 × 0,05 = 0,0125 P(M2 ∩ D) = P(M2).P(D | M2) = 0,35 × 0,04 = 0,0140 P(M3 ∩ D) = P(M3).P(D | M3) = 0,40 × 0,02 = 0,0080 Assim, P(D) = 0,0125 + 0,0140 + 0,0080 = 0,0345. O resultado final fica: .3623,0 0345,0 0125,0 )( )( )|( 11 ==∩= DP DMP DMP Teorema de Bayes Sejam A1 A2,...,An , n eventos mutuamente exclusivos tais que A1∪A2∪ ... ∪ An = S. Sejam P(Aj) as probabilidades conhecidas dos vários eventos (chamadas de probabilidade a priori) e B um evento qualquer de S, tal que são conhecidas todas as probabilidades condicionais do tipo P(B | Aj) (chamadas probabilidades a posteriori). Então para cada j teremos: ∑∑ == = ∩ ∩= n i ii jj n i i j j ABPAP ABPAP BAP BAP BAP 11 )|().( )|().( )( )( )|( Universidade Federal da Bahia Instituto de Matemática Professora: Lia Terezinha L. P. Moraes Março de 2011 Probabilidade de um evento elementar Teorema de Bayes
Compartilhar