Baixe o app para aproveitar ainda mais
Prévia do material em texto
Estatística Prof Paulo Renato A. Firmino praf62@gmail.com Aulas 07-08 EstatEstatíísticastica -- Paulo Renato A. FirminoPaulo Renato A. Firmino 2 Probabilidade – Apanhado Geral • Seguimos nossas discussões sobre a Incerteza • Decidir usualmente envolve incerteza Uma presa decide qual direção tomar ao se desviar de um predador, que por sua vez decide qual direção seguir para alcançar a presa... • Considerar as incertezas é ser racional Como medir a capacidade de produção sem a consideração das incertezas sobre a confiabilidade de máquinas e de pessoas? Como firmar e cumprir contratos sem o conhecimento das incertezas envolvidas no processo? Como decidir sobre a melhor estratégia a adotar? EstatEstatíísticastica -- Paulo Renato A. FirminoPaulo Renato A. Firmino 3 Probabilidade – Apanhado Geral • Ela busca medir matematicamente incertezas Por isso é um tema desenvolvido nas ciências exatas • Ela envolve muito mais do que dados formais Envolve conhecimento, epistemologia • Por isso embasa discussões filosóficas • Dados formais dão indícios sobre a incerteza Distribuições de frequências, gráficos e medidas estatísticas são obtidos • A probabilidade vai além, muito além dos conjuntos de dados 4 Probabilidade – Apanhado Geral • Com suposições adequadas e sem observar diretamente o fenômeno, podemos criar os modelos teóricos subjacentes a distribuições de frequências São os chamados modelos probabilísticos (distrib. de probabilidade) • Exemplo 1: De um grupo de três mulheres e dois homens, uma pessoa será sorteada para presidir a reunião. Supondo que o sorteio seja aleatório, cada uma das 5 pessoas terá a mesma chance de ser sorteada Se desejamos estudar as probabilidades de que o presidente seja do sexo feminino (1) ou masculino (2), o modelo probabilístico será (sem recorrer a experimentação): Sexo Probabilidade (pi) 1 (F) 3/5 2 (M) 2/5 Total 100% 5 Probabilidade – Conceitos Básicos • Especificamente, modelos probabilísticos relacionam-se a experimentos aleatórios Do exemplo 1, o experimento aleatório tratava do sorteio de uma pessoa do grupo • Experimento aleatório (ε) – Qualquer processo (fenômeno) cujos resultados não são certamente conhecidos previamente • Todo ε terá seu modelo probabilístico especificado quando estabelecermos 1. Seu espaço amostral (Ω) – Conjunto de todos os possíveis resultados de ε: Ω = {ω1, ω2, ...} • Cada elemento ωi de Ω é chamado de ponto (elemento) amostral 2. Uma regra que associe probabilidades a subconjuntos de Ω • Quando Ω é um conjunto enumerável (discreto), temos uma probabilidade associada a cada ponto amostral, P(ωi) • A soma de todas as probabilidades deverá equivaler a 1 6 Probabilidade – Conceitos Básicos • Do exemplo 1, como desejava-se estudar as incertezas quanto ao sexo da pessoa a presidir a reunião, Espaço amostral: Ω = {F, M} • Ou Ω = {1, 2}, onde 1 representa o sexo feminino e 2 o masculino Probabilidades • P(F) = 3/5 e P(M) = 2/5 • Experimentos aleatórios podem envolver uma ou várias variáveis 7 Probabilidade – Conceitos Básicos • Exemplo 2: Um aluno é convidado a responder duas questões de múltipla escolha sobre as quais ele não tem qualquer conhecimento. Cada questão possui 2 alternativas: a e b. Deseja-se estudar seu desempenho em ambas as questões ε: Ele sorteará aleatoriamente uma alternativa para cada questão Ω = {ω1=(a, a), ω2=(a, b), ω3=(b, a), ω4=(b, b)} • O 1º e 2º elementos de cada ωi implicam nas opções sorteadas pelo aluno para a 1ª e 2ª questões, respectivamente Probabilidades • A ignorância do aluno o levará a sortear aleatoriamente a resposta de cada questão – Assim, todos os elementos de Ω têm a mesma chance de ocorrer (1/4 para cada) • P(ωi) = ¼, i = 1, 2, 3, 4 8 Probabilidade – Conceitos Básicos • Exemplo 3: Quatro pessoas são convidadas a participar de um jogo, duas do sexo masculino (M1 e M2) e duas do feminino (F1 e F2). Um dado é lançado e cada pessoa escolhe previamente dois números. Quem acertar o resultado ganha o jogo. As escolhas foram: M1 = {2, 4}, M2 = {2, 5}, F1 = {1, 4}, F2 = {4, 6}. ε: O lançamento do dado Ω = {ωi =(i), i = 1, 2, 3, 4, 5, 6} • Probabilidades – Supõe-se que o dado seja honesto (não-viciado) » Assim, todos os elementos de Ω têm a mesma chance de ocorrer (1/6 para cada) – P(ωi) = 1/6, i = 1, 2, ..., 6 Qual é a probabilidade de uma mulher ganhar? Qual é a probabilidade de M1 e F1 ganharem? EstatEstatíísticastica -- Paulo Renato A. FirminoPaulo Renato A. Firmino 10 Probabilidade – Conceitos Básicos • Conjunto – Coleção de objetos (elementos) Exemplos: A = {1, 2, 3}; B = {2, 5, 6}; C = {“Adequado”, “Inadequado”}; D = {x é real| 3 ≤ x ≤ 20} Diz-se que um conjunto ocorre se ao menos um dos seus elementos ocorre • Se 2 ocorre então A e B ocorrem; se 3 ocorre então A e D ocorrem • Experimento (ε) – Qualquer processo (fenômeno) cujos resultados não são certamente conhecidos experimento aleatório: As realizações são executadas sob as mesmas condições • Sem reposição: Apenas o espaço amostral se altera entre as realizações de ε. As demais condições de ε mantém-se inalteradas • Espaço amostral (Ω) – Conjunto de todos os possíveis resultados de dado ε 11 Probabilidade – Conceitos Básicos • Probabilidades associam-se a eventos • Evento (E): Subconjunto de dado Ω Definido a partir de operações de união e/ou interseção sobre os elementos de Ω ou seus complementares Simbologia e regras: • Interseção de A com B: A ∩ B → Ocorrem todos os eventos, A “e” B – Do exemplo 3, Seja Y ≡ “M1 e F1 ganharem”. Então, Y = M1 ∩ F1 = {4} – P(Y) = P(ω4) = 1/6 • União de A com B: A U B → Ocorre ao menos um dos eventos, A “ou” B – Do exemplo 3, Seja X ≡ “mulher ganhar”. Então, X = F1 U F2 = {1, 4, 6} – P(X) = 3/6 ≠ P(F1) + P(F2). De fato, P(X) = P(F1) + P(F2) – P(F1∩F2) M1Ω 2 5 M2 4 1 F1 F26 3 Diagrama de Venn intersect(A, B) union(A, B) 12 Probabilidade – Conceitos Básicos • Eventos (Simbologia a regras) Regra da adição de probabilidades: • P(A U B) = P(A) + P(B) – P(A∩B) • P(A U B U C) = P(A) + P(B) + P(C) – - P(A∩B) – P(A∩C) – P(B∩C) + + P(A∩B ∩C) Ω A B Ω A B C ( ) ( ) ( ) ( ) ( )∑∑ ∑∑∑∑ = += − +== +== ∩∩∩⋅−+−∩∩+∩− =∪∪∪ r 1i r 1ij r21 1k r 1jk kji r 1i r 1ij ji r 1i i r21 E...EEP)1(...EEEPEEPEP E...EEP 13 Probabilidade – Conceitos Básicos • Eventos (Simbologia a regras) Complementar de A: Ac → Não ocorre A • Do exemplo 3, Seja Z ≡ “M1 não ganhar”. Então, Z = M1c = {1, 3, 5, 6} • P(M1c) = 4/6 = 1 – P(M1) = 1 – 2/6 Conjunto vazio: Ø→ Não ocorre qualquer evento de Ω • Do exemplo 3, Seja Y ≡ “M2 e F1 ganharem”. Então, Y = M2 ∩ F1 = {Ø} Leis de Morgan: (A U B)c = Ac ∩ Bc; (A ∩ B)c = Ac U Bc • Do exemplo 3, Seja Xc ≡ “mulher não ganhar”. Então, Xc = (F1 U F2)c = F1c ∩ F2c = {2, 3, 5} M1Ω 2 5 M2 4 1 F1 F26 3 Z=setdiff(Ω, M1) 14 Probabilidade – Conceitos Básicos • Eventos (Simbologia a regras) Se A e B são eventos mutuamente exclusivos (disjuntos): A∩B= Ø • Do exemplo 3, Seja Y ≡ “M2 e F1 ganharem”. Então, Y = M2 ∩ F1 = {Ø} Se A e B são eventos exaustivos: A U B = Ω • Do exemplo 3, Seja T ≡ “ocorre Y ou não ocorre Y”. Então, T = Y U Yc = {1, 2, 3, 4, 5, 6} = Ω Partição de Ω : um conjunto de r eventos C = {E1, E2, ..., Er} é dito uma partição de Ω se seus eventos são mutuamente exclusivos (Ei∩Ej = Ø, i≠j = 1, 2, ..., r) e exaustivos em relação a Ω (E1 U E2 U ... U Er = Ω) M1Ω 2 5 M2 4 1 F1 F26 3 EstatEstatíísticastica -- Paulo Renato A. FirminoPaulo Renato A. Firmino 15 Probabilidade – ConceitosBásicos • Espaços amostrais e eventos: Exemplos 1. ε1 = “Fabricar peças em série e contar o número de defeituosas durante 24 horas”: • Ω = {x é inteiro| 0 ≤ x ≤ N}; N – nº máximo de peças fabricadas • E1 = {x ≤ 3}; E2 = {x é par}; E3 = E1c = {x > 3}; E4 = E1 U E1c = Ω 2. ε2 = “Implementar um software e simular o seu uso de maneira a medir o tempo até a ocorrência de um bug (em horas)”: • Ω = {t é real | t > 0} • E1 = {t ≤ 100}; E2 = {200 ≤ t ≤ 700}; E3 = E1 ∩ E2=Ø; E5 = {t=3.42} 3. ε3 = “De um lote com N peças, selecionar 2 e registrar a sequência de resultados em relação à (não-)conformidade destas”: • Ω = {(B1 ∩ B2), (B1 ∩ B2c), (B1c ∩ B2), (B1c ∩ B2c)} Bi – Conformidade da i- ésima peça extraída • E1 = “Ambas as peças são igualmente classificadas”={(B1 ∩ B2) U (B1c ∩ B2c)}; E2 = “Ao menos uma peça está conforme”={(B1 ∩ B2) U (B1 ∩ B2c) U (B1c ∩ B2)} EstatEstatíísticastica -- Paulo Renato A. FirminoPaulo Renato A. Firmino 16 Probabilidade – Conceitos Básicos • Exercício 2: Elabore o espaço amostral e eventos de interesse sobre os seguintes experimentos 1. ε1 = “Contar o nº de peças retiradas de um lote de tamanho N até que alguma não-conformidade seja encontrada ou todo o lote seja inspecionado” 2. ε2 = “Simular o uso de um componente que opera sob demanda até que este falhe e contar o nº de demandas efetuadas” 3. ε3 = “Medir o tempo necessário que duas equipes de manutenção sob treinamento levam para consertar determinado equipamento” 4. ε4 = “Medir o tempo necessário para a implementação de um projeto de pesquisa & desenvolvimento de um novo componente” EstatEstatíísticastica -- Paulo Renato A. FirminoPaulo Renato A. Firmino 17 Probabilidade – Definição Matemática • Probabilidade: Função matemática, P(•), que associa a cada particular evento Ei relacionado a Ω um nº real tal que: 1. 0 ≤ P(Ei) ≤ 1 2. P(Ω) = 1 3. Se Ei e Ej são eventos mutuamente exclusivos de Ω, i≠j = 1, 2, ...r: • Pode-se ter r→∞ • Embora não seja possível afirmar com certeza qual evento (Ei) do espaço amostral (Ω) ocorrerá ao se realizar o experimento (ε), pode-se quantificar as incertezas sobre a ocorrência de cada Ei através de P(Ei) ( )∑ == =⎟⎟⎠ ⎞⎜⎜⎝ ⎛ r 1i i r 1i i EPEP U EstatEstatíísticastica -- Paulo Renato A. FirminoPaulo Renato A. Firmino 18 Probabilidade – Modelagem de P(•) • Exercício 3: Calcule a probabilidade para os seguintes eventos 1. ε1 = “lançar um dado e registrar número da face” E1={“resultado superior a 3”}; E2={“resultado par”} 2. ε2 = “Simular o uso de um componente que opera sob demanda até que este falhe e contar o nº de demandas efetuadas” Sabe-se que a probabilidade de o componente falhar até a 10ª demanda é igual a 30%. Qual é a probabilidade de a falha ocorrer após a 10ª demanda? 3. ε3 = “Medir o tempo de vida de um componente” Qual é a probabilidade de o equipamento falhar em qualquer instante após ser posto em operação? 19 Probabilidade – Modelagem de P(•) • Abordagem clássica: Supondo simetria entre todos os elementos de um dado Ω (equiprobabilidade): P(Ei) = ni /nΩ ni – nº de casos de Ω favoráveis à ocorrência de Ei ao se realizar ε nΩ – número total de elementos de Ω. Exemplos: • ε1 – “Registrar o resultado do lançamento de um dado” • Ω1 = {x é inteiro| 1 ≤ x ≤6} • E1 = {x é par} → P(E1) = 3/6 • E2 = {x ≥ 5} → P(E2) = 2/6 • ε2 – “Registrar a origem de uma peça extraída de um lote do qual sabe-se apenas que as peças provém de 10 origens distintas” • Ω2 = {O1, O2, ..., O10} • E1 = O1 U O2→ P(E1) = 2/10 • E2 = O10c→ P(E2) = 9/10 Embora seja necessário total conhecimento acerca dos elementos de Ω, ignora-se qualquer diferença entre tais elementos em termos probabilísticos EstatEstatíísticastica -- Paulo Renato A. FirminoPaulo Renato A. Firmino 20 Probabilidade – Modelagem de P(•) • Abordagem frequentista: Via um experimento aleatório: P(Ei) = freq(Ei) / n n – número de realizações do experimento freq(Ei) – freqüência da ocorrência de Ei nas n realizações do experimento Exemplos: • ε1 – “Registrar o resultado do lançamento de um dado em 1000 realizações” • E1 = {x é par} → P(E1) = 487/1000 (observou-se E1 487 vezes) • E2 = {x ≥ 5} → P(E2) = 350/1000 (observou-se E2 350 vezes) • ε2 – “Registrar a origem de peças extraídas com reposição de um lote em 1000 realizações” • E1 = {O1 U O2} → P(E1) = 195/1000 (observou-se E1 195 vezes) • E2 = {O10c} → P(E2) = 905/1000 (observou-se E2 905 vezes) A definição do espaço amostral (Ω) pode ser dada após a realização do experimento, o que pode levar a equívocos para n razoavelmente pequeno Quando n →∞, P(Ei) tenderá a se estabilizar em torno da “verdadeira”probabilidade de ocorrência de Ei. Está e a conhecida Lei dos Grandes Números EstatEstatíísticastica -- Paulo Renato A. FirminoPaulo Renato A. Firmino 21 Probabilidade – Modelagem de P(•) • Abordagem Subjetiva: Considerando determinada pessoa classificada como especialista (com conhecimento teórico e/ou prático sobre os elementos de um dado Ω): P(Ei) – Nível de credibilidade (verossimilhança) em termos númericos que o especialista atribui à ocorrência de Ei Exemplos: • ε1 – “Entrevistar um fabricante de dados sobre o resultado do lançamento de um deles”. • E1 = {x é par} → P(E1) = 2/6 • E2 = {x ≥ 5} → P(E2) = 3/6 • ε2 – “Entrevistar um empacotador sobre a origem de uma peça extraída de um lote por ele empacotado” • E1 = {O1 U O2} → P(E1) = 30% • E2 = {O10c} → P(E2) = 85% O especialista é tratado como um banco de dados inerentemente ruidoso, devido a fenômenos heurísticos e limitações humanas EstatEstatíísticastica -- Paulo Renato A. FirminoPaulo Renato A. Firmino 22 Probabilidade – Conceitos Básicos • Exercício 4: Solucione os seguintes casos 1. Dois dados são lançados simultaneamente e registram-se as faces voltadas para cima. Qual é o espaço amostral? Qual é a distribuição de probabilidades da soma dos resultados? Em um jogo que ganha quem acertar o valor da soma, qual seria a sua aposta? 2. Em uma partida de futebol, inicia o jogo quem vencer no “par ou impar”. Os capitães lançam as mãos direitas simultaneamente, expondo 0, 1 ou 2 dedos. Se a soma dos dedos expostos for par, ganha aquele que optou por par. O mesmo ocorre para o que optou por ímpar. Qual seria o espaço amostral? Qual é a distribuição de probabilidades associada? Qual seria sua opção, par ou ímpar? 3. Lança-se uma moeda três vezes e registra-se o nº de caras. Qual é o espaço amostral? Qual é a distribuição de probabilidades associada? Qual é a probabilidade de dar ao menos 2 caras?
Compartilhar