Baixe o app para aproveitar ainda mais
Prévia do material em texto
Probabilidade básica Prof. D.Sc. Igor Lima Universidade do Estado do Rio de Janeiro Instituto de Química – Depto. de Química Analítica Objetivos de aprendizagem Ao final do capítulo, o aluno deverá ser capaz de: Entender conceitos de probabilidade básica; Entender probabilidade condicional; Entender o teorema de Bayes e utilizá-lo para analisar probabilidades. 2 Introdução 3 Histórico: 1654: Blaise Pascal e Pierre de Fermat: iniciaram o tratamento científico da incerteza de ocorrência através da descrição matemática do conceito de probabilidade. Indissociável do conceito de experiência aleatória e espaço de resultados. Experiência aleatória: todo processo cujo resultado não é conhecido antecipadamente, embora sejam conhecidos seus resultados possíveis. Espaço de resultados: conjunto de todos os resultados possíveis para uma determinada experiência aleatória. Eventos aleatórios 4 Experimento aleatório: Pode-se repetir indefinidamente, sempre nas mesmas condições; Antes de realizá-lo, não se pode predizer o resultado que será obtido; O resultado obtido pertence a um conjunto de possíveis resultados (ou espaço amostral). Os elementos do espaço amostral são os eventos elementares. Eventos aleatórios 5 Operações básicas: União: Dados dois eventos A e B, a união é o evento formado por todos os eventos elementares que pertencem a ambos: A ∩ B = Ø p(A U B) = p(A) + p(B) A ∩ B ≠ Ø p(A U B) = p(A) + p(B) – p(A ∩ B) Exemplo 6 No lançamento de um dado, qual a probabilidade de o número obtido ser múltiplo de 2 ou de 3? Múltiplos de 2: A = {2, 4, 6} Múltiplos de 3: B = {3, 6} Podemos notar que A∩B≠Ø, então: p(A U B) = p(A) + p(B) – p(A ∩ B) p(A) = 3/6 p(B) = 2/6 p(A) ∩ p(B) = 1/6 p(A U B) = p(A) + p(B) – p(A ∩ B)= Eventos aleatórios 7 Operações básicas: Intersecção: Dados dois eventos aleatórios, A e B, intersecção é o evento formado por todos os elementos que pertencem a A e a B simultaneamente: xAB, se e somente se, x A e xB Eventos aleatórios 8 Operações básicas: Complementar: O evento complementar ao evento A é o conjunto dos elementos do espaço amostral que não pertencem a A Exemplo 9 Consideremos os seguinte eventos, associados ao lançamento de um dado: A = {sair número par} = {2, 4, 6}, B = {sair número ímpar} = {1, 3, 5} e C = {sair número maior que 3} = {4, 5, 6}. Com isso temos que a) A U B = {1, 2, 3, 4, 5, 6} b) AB = Ø c) A U C = {2, 4, 5, 6} e AC = {4, 6} d) Cc = {1, 2, 3} Eventos aleatórios 10 Operações básicas: Diferença: Dados dois eventos aleatórios, A e B, diferença é o evento formado por todos os eventos elementares que pertencem a A, mas não a B: A\B=A – B = ABc Eventos aleatórios 11 Operações básicas: Diferença simétrica: Evento aleatório formado por todos os eventos elementares que pertencem a A e não a B, e os que estão em B e não estão em A: AB=(A\B)(B\A)=(AB)\(AB) O conjunto em vermelho representa a diferença simétrica (A B ). Definições 12 Definição Clássica (ou de Laplace): Théorie analytique des probabilités, 1812. “A probabilidade de um acontecimento é o quociente entre o número de casos favoráveis a este e o número de casos possíveis, quando nada nos leva a esperar que algum dos casos ocorrerá mais vezes do que os restantes, o que os torna, para nós, igualmente provável”. Probabilidade de ocorrência: onde nA: número de casos favoráveis a A #: número de casos possíveis Definições 13 Definição Frequencista: A probabilidade de um dado ocorrer é o valor para o qual tende a frequência relativa deste à medida que o número de vezes que a experiência aleatória é repetida. Probabilidade de ocorrência: onde nA: número de vezes que se verificou o acontecimento A n: número de vezes que a experiência aleatória foi repetida. OBS.: Requer a realização de um experimento um infinito número de vezes e não permite obter valores exatos de probabilidade. Definições 14 Definição Axiomática (ou de Kolmogorov): Foundations of the theory of probability, (1933). Estabelecimento de axiomas. Probabilidade: a função P que, a cada acontecimento A do espaço de resultados de uma experiência aleatória, faz corresponder um número real P(A) que verifica os seguintes axiomas: Axiomas são verdades inquestionáveis universalmente válidas, muitas vezes utilizadas como princípios na construção de uma teoria ou como base para uma argumentação. Definição Axiomática 15 1º axioma: A probabilidade de qualquer acontecimento A é um número real não negativo. P(A) > 0, A 2º axioma: A probabilidade do acontecimento certo é 1. P() = 1 3º axioma: Se A e B são acontecimentos incompatíveis (AB=), a probabilidade de ocorrer A ou B é a soma das probabilidades de A e de B. Se AB= P(AB)=P(A)+P(B) Probabilidade 16 Probabilidade: A chance de um evento incerto que irá ocorrer (sempre entre 0 – evento impossível, e 1 – evento certo): Evento Cada tipo possível de ocorrência ou resultado. 0 ≤ P(A) ≤ 1, para qualquer evento A. Evento simples Um evento que pode ser descrito por uma única característica. Espaço amostral A coletânea de todos os eventos possíveis. No caso do lançamento de uma moeda: S={cara, coroa} Probabilidade 17 Existem três tipos de abordagens para se avaliar a probabilidade de um evento incerto: Probabilidade clássica a priori: A probabilidade de um evento é baseado no conhecimento prévio do processo envolvido. Probabilidade clássica empírica: A probabilidade de um evento é baseado em dados observados. Probabilidade subjetiva: A probabilidade de um evento é determinada por um analista, com base na experiência do passado deste, opinião pessoal e/ou análise de uma situação particular. Probabilidade clássica a priori: exemplo 18 Determine a probabilidade de selecionar uma carta com figura (Valete, Dama ou Rei) a partir de um baralho de 52 cartas. cartas de total número figura com cartas de número T X Figura com Carta de adeProbabilid = = 13 3 cartas de total 52 figura com cartas 12 T X == Probabilidade clássica empírica: exemplo 19 Determine a probabilidade de selecionar homem que estuda estatística a partir da população descrita na tabela abaixo: Estudam Estatística Não estudam Estatística Total Homem 84 145 229 Mulher 76 134 210 Total 160 279 439 Tabela 01) Dados da pesquisa. 191,0 439 84 pesquisada população da total número aestatístic estudam que homens de número aEstatístic Estudam que Homens de Probab. == = Espaço amostral: exemplo 20 É a coleção de todos os eventos possíveis. Dado (6 faces): 52 cartas de um baralho Todos os resultados possíveis quando se tem uma criança (menino ou menina). Espaço amostral: eventos 21 Evento simples: Um resultado de um espaço amostral com uma característica. Ex.: uma carta vermelha do baralho. Complemento (A′) de um evento A Todos os resultados que não fazem parte do evento A. Ex: todos os cartões que não são diamante. Evento Combinado Envolve duas ou mais características simultaneamente. Ex.: Um ás que é ao mesmo tempo uma carta vermelho do baralho. Probabilidade 22 Tabelas de contingência Apresentao resultado de duas variáveis categóricas. Espaço amostral: visualização de eventos 23 Tabela de contingência Diagrama de Árvore: Baralho com 52 Cartas Espaço Amostral 2 24 2 24 Ás ≠ do Ás Total Preto 2 24 26 Vermelho 2 24 26 Total 4 48 52 Probabilidade: Simples x Combinada 24 Probabilidade Simples (Marginal) Refere-se a probabilidade de um evento simples. Ex.: P(Rei). Probabilidade Combinada Refere-se a probabilidade da ocorrência de dois ou mais eventos. Ex.: P(Rei e Espada). Eventos mutuamente excludentes 25 São eventos que não podem ocorrer simultaneamente. Dados os eventos A (dama de ouro) e B (dama de paus), os eventos A e B são mutuamente excludentes se somente uma carta for retirada do baralho. Dados os eventos Y (menino) e X (menina), os eventos Y e X são mutuamente excludentes se nascer somente uma criança. Eventos coletivamente exaustivos 26 Um dos eventos deve obrigatoriamente ocorrer. O conjunto de eventos abrange o espaço amostral inteiro. Exemplo Dados os eventos A (ás), B (cartas pretas), C (ouro) e D (copas): Eventos A, B, C e D são coletivamente exaustivos (mas, não mutuamente exclusivos, pois um ás selecionado pode ser de copas). Eventos B, C e D são coletivamente exaustivos e também podem ser mutuamente excludentes. Cálculo de probabilidades 27 Probabilidade marginal (ou simples): Onde B1, B2, ..., Bn são n eventos mutuamente excludentes e coletivamente exaustivos. Probabilidade combinada: )BeP(A)BeP(A)BeP(AP(A) n21 +++= resultadosdetotalnúmero BeAsatisfazemqueresultadosdenúmero B)eP(A = Probabilidade marginal 28 P(ás) 52 4 52 2 52 2 Preta)eP(ÁsVermelha)eP(Ás =+=+= Ás ≠ do Ás Total Preto 2 24 26 Vermelho 2 24 26 Total 4 48 52 Exemplo 29 Um experimento foi conduzido visando estudar as escolhas feitas na seleção de fundos mútuos. Foram apresentados a alunos de graduação e alunos de MBA diferentes fundos constantes do Índice S&P 500 que eram idênticos, exceto em função das tarifas cobradas. Suponha que 100 alunos da graduação e 100 alunos de MBA tenham sido selecionados. Resultados parciais são mostrados na tabela a seguir: Exemplo 30 Fundo Grupo de alunos Total Graduação MBA Fundos com custo mais elevado 27 18 45 Fundos com custo menos elevado 73 82 155 Total 100 100 200 Caso um aluno seja selecionado ao acaso, qual é a probabilidade de que esse aluno a) Tenha selecionado o fundo com o custo mais elevado b) Tenha selecionado o fundo com o custo mais elevado e seja um aluno da graduação c) Tenha selecionado o fundo com o custo mais elevado ou seja um aluno da graduação Resolução a) P = 45/200 = 0,225 b) P = 27/200 = 0,135 c) P = (45 + 100 – 73)/200 = 0,59 Probabilidade combinada 31 Exemplo Dado um baralho com 52 cartas, qual é P(vermelho e ás)? 52 2 cartas de total número ás e vermelha são que cartas de número ás) e P(vermelho == Ás ≠ do Ás Total Preto 2 24 26 Vermelho 2 24 26 Total 4 48 52 Probabilidade Combinada: Tabela de contingência. 32 Evento Evento Total B1 B2 A1 P(A1 e B1) P(A1 e B2) P(A1) A2 P(A2 e B1) P(A2 e B2) P(A2) Total P(B1) P(B2) 1 Probabilidade Combinada Probabilidade Marginal Probabilidade: Regra geral de adição 33 A soma das probabilidades de todos os eventos mutuamente excludentes e coletivamente exaustivos é 1. P(A) + P(B) + P(C) = 1 A, B, e C são eventos mutuamente excludentes e coletivamente exaustivo. Probabilidade: Regra geral de adição 34 Regra geral de adição: P(A ou B) = P(AB) = P(A) + P(B) – P(A e B) Se A e B são eventos mutuamente excludentes, então P(A e B) = 0, portanto a regra pode ser simplificada. P(A ou B) = P(A) + P(B) para os eventos A e B mutuamente excludentes. Regra geral de adição 35 Determine a probabilidade de selecionar um homem ou um estudante de estatística da população descrita na tabela seguinte: Estudam Estatística (S) Não estudam Estatística (ÑS) Total Homem (H) 84 145 229 Mulher (M) 76 134 210 Total 160 279 439 P(Homem ou Estudam Estatística) = P(H) + P(S) – P(M ou S) = 229/439 + 160/439 – 84/439 = 305/439 Probabilidade Condicional 36 Refere-se à probabilidade do evento B, sendo conhecido informações sobre a ocorrência de um outro evento A. ( ) ( ) P(A|B) P BP(A e B) P(B|A) P(A) P A = = Onde: P(A e B) = probabilidade combinada de A e B P(A) = probabilidade marginal de A P(B) = probabilidade marginal de B Probabilidade condicional: Exemplo 37 Considere um lote de carros usados, 70% têm ar condicionado (AC) e 40% têm leitor de CD (CD), mas 20% dos carros têm ambos. Qual é a probabilidade de achar um carro que tem um leitor de CD, e ar condicionado AC? Deseja-se encontrar a P(CD | AC). Probabilidade condicional: Exemplo 38 Leitor de CD Sem leitor de CD Total AC 0,2 0,5 0,7 Sem AC 0,2 0,1 0,3 Total 0,4 0,6 1,0 2857,0 0,7 0,2 P(AC) AC)eP(CD AC)|P(CD === Logo: Considere AC, ou seja somente a linha superior (70% dos carros). Destes 20% têm leitor de CD. Logo, 20% de 70% equivale a 28,57% do total. Probabilidade Condicional: árvore de decisão – exemplo. 39 P(CD e AC) = 0,2 P(CD e AC/) = 0,2 P(CD/ e AC/) = 0,1 P(CD/ e AC) = 0,5 4,0 2,0 6,0 5,0 6,0 1,0 Todos os Carros 4,0 2,0 Dado CD ou sem CD: Probabilidade Condicional: árvore de decisão – exemplo 40 P(AC e CD) = 0,2 P(AC e CD/) = 0,5 P(AC/ e CD/) = 0,1 P(AC/ e CD) = 0,2 7,0 5,0 3,0 2,0 3,0 1,0 Todos os Carros 7,0 2,0 Dado AC ou sem AC: Exemplo 41 Uma amostra de 500 respondentes foi selecionada em uma grande área metropolitana para estudo do comportamento do consumidor. Entre as questões indagadas estava: “Você gosta de comprar roupas?” De 240 homens, 136 responderam que sim. De 260 mulheres, 224 responderam que sim. Construa uma tabela de contingência para avaliar as probabilidades. Qual é a probabilidade de que um respondente escolhido de modo aleatório a) Goste de comprar roupas? b) Seja uma mulher e goste de comprar roupas? c) Seja uma mulher ou goste de comprar roupas? d) Seja um homem ou uma mulher? Exemplo: resolução 42 Gênero Gosta de roupa Total Sim Não Homem 136 104 240 Mulher 224 36 260 Total 360 140 500 a) P = 360/500 = 0,72 b) P = 224/500 = 0,448 c) P = (260+360-224)/500 = 396/500 = 0,792 d) P = 500/500 = 1,00 Independência Estatística 43 Dois eventos são independentes se e somente se: P(A|B) = P(A) Eventos A e B são independentes quando a probabilidade de um evento não é afetada pela probabilidade do outro evento. Exemplo 44 Um levantamento feito junto aos 300 domicílios que efetivamente compraram aparelhos de TV de tela grande, foi perguntado se estavam satisfeitos com a compra. Determine se estar satisfeito com a compra e o tipo de aparelho de TV comprado são estatisticamente independentes. 𝑃 𝑆𝑎𝑡𝑖𝑠𝑓𝑒𝑖𝑡𝑜|𝑇𝑒𝑙𝑎 𝑑𝑒 𝑝𝑙𝑎𝑠𝑚𝑎 = Τ64 300 Τ80 300 = 64 80 = 0,80 𝑃 𝑆𝑎𝑡𝑖𝑠𝑓𝑒𝑖𝑡𝑜 = 240 300 = 0,80 Tipo de aparelho de TV Satisfeito com a compra? Sim Não Total Com tela de plasma 64 16 80 Sem tela de plasma 176 44 220 Total 240 60 300 Regra da Multiplicação 45 Regra da multiplicação para dois eventos, A e B: P(A e B) = P(A|B)P(B) P(A|B)=P(A) Se A e B são eventos independentes, logo a regra da multiplicaçãotorna-se: P(A e B) = P(A)P(B) Regra da Multiplicação: exemplo 46 Considere os 80 domicílios que compraram aparelhos de TV com tela de plasma. Observe que 64 ficaram satisfeitos com a compra e 16 domicílios ficaram insatisfeitos. Suponha que dois domicílios sejam aleatoriamente selecionados do conjunto de 80 clientes. Encontre a probabilidade de que ambos os domicílios estejam satisfeitos com a compra. Use a regra da multiplicação, do seguinte modo. Se A = segundo domicílio selecionado está satisfeito B =primeiro domicílio selecionado está satisfeito P(A e B) = P(A|B)P(B)=(63/79) (64/80) = 0,6380 Probabilidade marginal com a regra da multiplicação 47 Probabilidade marginal para o evento A: P(A) = P(A|B1)P(B1)+P(A|B2)P(B2)+...+ P(A|Bn)P(Bn) Onde, B1, B2, ..., Bn são n eventos mutuamente excludentes e coletivamente exaustivos. Exemplo 48 A tabela abaixo mostra o comportamento dos clientes na compra de aparelhos de TV com tela grande para uma amostra de 1000 domicílios. P(A) = P(A|B1)P(B1)+P(A|B2)P(B2) P(A) = (200/300) (300/1000) + (50/700) (700/1000) = 0,25 Planejou a compra Efetivamente comprou Sim Não Total Sim 200 50 250 Não 100 650 750 Total 300 700 1000 Teorema de Bayes 49 É usado para rever probabilidades previamente calculadas com base em novas informações. Foi desenvolvida por Thomas Bayes no Século 18. É uma extensão da probabilidade condicional. Teorema de Bayes 50 ))P(BB|P(A))P(BB|P(A))P(BB|P(A ))P(BB|P(A A)|P(B nn2211 ii i +++ = Onde: Bi = i ésimo evento dentre os n eventos mutuamente excludentes e coletivamente exaustivos A = novo evento que pode impactar P(Bi) Teorema de Bayes: exemplo 51 A empresa de perfuração estimou em 40% como a chance de encontrar óleo no novo poço. Um teste detalhado foi agendada para se obter mais informações. Historicamente, 60% dos poços de sucesso tiveram testes detalhados, e 20% dos poços sem sucesso também tiveram testes detalhados. Tendo em conta que para este poço foi programado um teste detalhado, qual é a probabilidade de que o poço bem será bem sucedido. Teorema de Bayes: exemplo 52 Seja S = poço com sucesso e I = poço sem sucesso P(S)=0,4 e P(I)=0,6 → probabilidade anterior Defina o evento do teste detalhado como D Probabilidades condicionais: P(D|S)=0,6 e P(D|I)=0,2 Objetivo: Determinar P(S|D)!! Teorema de Bayes: exemplo 53 Assim, a probabilidade de revista de sucesso, dado que este poço foi programado para um teste detalhado é 0,667. 667,0 12,024,0 24,0 )6,0)(2,0()4,0)(6,0( )4,0)(6,0( I)P(I)|P(DS)P(S)|P(D S)P(S)|P(D D)|P(S = + = + = + = Teorema de Bayes: exemplo 54 Evento Probabilidade anterior Probabilidade Condicional Probabilidade Combinada Probabilidade Revisada Sucesso (S) 0,4 0,6 0,4x0,6=0,24 0,24/0,36 = = 0,667 Insucesso (I) 0,6 0,2 0,6x0,2=0,12 0,24/0,36 = = 0,333 Exemplo 55 A probabilidade de que uma pessoa seja portadora de uma determinada enfermidade é de 0,03. Testes para diagnósticos médicos encontram-se disponíveis para determinar se a pessoa efetivamente é portadora da enfermidade. Se a enfermidade estiver presente, a probabilidade de que o teste de diagnóstico médico venha a apresentar um resultado positivo (indicando que a enfermidade está presente) é de 0,90. Se a enfermidade não estiver presente, a probabilidade de um resultado positivo é 0,02. Suponha que o teste para diagnóstico médico tenha apresentado um resultado positivo. Qual é a probabilidade de que a enfermidade esteja efetivamente presente? Qual é a probabilidade de um resultado positivo para o teste? Exemplo: resolução 56 Evento D = é portador da enfermidade Evento D´= não é portador da enfermidade Evento T = o teste é positivo Evento T´= o teste é negativo P(D) = 0,03 P(D´) = 0,97 P(T│D) = 0,90 P(T│D´) = 0,02 P(D│T)=P(T│D)P(D) / (P(T│D)P(D)+P(T│D´)P(D´)) P(D│T) =(0,90)(0,03) /((0,90)(0,03)+(0,02)(0,97))=0,582 Sumário do Capítulo A Discussão dos conceitos de probabilidade básica. Espaço amostral e eventos, tabelas de contingência, probabilidade simples (marginal) e probabilidade combinada Examinada as regras de probabilidade básica. Regra geral de adição, regra de adição para eventos mutualmente excludentes, regra para eventos coletivamente exaustivos. Definido probabilidade condicional. Independência estatística, probabilidade marginal, árvore de decisão e regra de multiplicação. Discussão do teorema Bayes. 57
Compartilhar