PROBABILIDADE E
ESTATÍSTICA
PROFESSOR: Heleno Pontes Bezerra Neto Eng. Civil, M.Sc.
helenopontes@lccv.ufal.br
Maceió-AL 2014.2
SUMÁRIO DA AULA
AMOSTRAS ALEATÓRIAS E PROBABILIDADE CONDICIONAL
TEOREMA DA PROBABILIDADE TOTAL
TEOREMA DE BAYES
AMOSTRAS ALEATÓRIAS E PROBABILIDADE CONDICIONAL
Amostras Aleatórias
Selecionar aleatoriamente implica que, em cada etapa da amostragem, os itens que permanecem na batelada são igualmente prováveis de serem selecionados.
EXEMPLO:
Suponha que existem 10 itens da ferramenta 1 e 40 itens da ferramenta 2.
Se dois itens forem selecionados aleatoriamente, sem reposição, qual é a probabilidade condicional de que 1 item da ferramenta 2 seja selecionado na segunda retirada, dado que 1 item da ferramenta 1 tenha sido selecionado primeiro?
• Existem 50 itens possíveis para selecionar na primeira retirada e 49 para selecionar na segunda. Logo, o espaço amostral tem 50x49 = 2450 resultados
𝑃 𝐸1 𝐸2 = 𝑃(𝐸𝑃(𝐸1 ∩ 𝐸2)
1)
AMOSTRAS ALEATÓRIAS E PROBABILIDADE CONDICIONAL
EXEMPLO:
• Se 1 item da ferramenta 1 fosse selecionado na primeira retirada, 49 itens restariam: 9 da ferramenta 1 e 40 da ferramenta 2. Eles teriam a mesma probabilidade de ser escolhidos. Consequentemente, a probabilidade de um item da ferramenta 2 ser selecionado na segunda retirada, dada a primeira retirada, é:
AMOSTRAS ALEATÓRIAS E PROBABILIDADE CONDICIONAL
EXEMPLO:
Um armário contém 11 garrafas de vários tipos de óleo cru, que são numeradas de 1 a 11. Retirando-se uma delas ao acaso (para começar um determinado experimento), observa-se que a mesma traz um número ímpar. Determinar a probabilidade de que este número seja menor que 5.
B = { 1, 3, 5, 7, 9, 11}
A = {1, 2, 3, 4}
A∩B = {1, 3}
Já ocorreu
TEORIA DA PROBABILIDADE TOTAL
A probabilidade de um evento pode ser dada sob várias condições;
A partir dessa informação podemos recuperar a probabilidade do evento;
Esse resultado é conhecido como regra da probabilidade total.
Um conjunto de eventos {Ei}, i = 1,..., n constitui uma partição do espaço amostral 𝐵 quando satisfaz as duas condições a seguir:
Os eventos que compõem uma partição são
- mutuamente exclusivos e,
- quando unidos, englobam todo o espaço amostral
𝐸
𝑖∩ 𝐸
𝑗= ∅, ∀𝑖, 𝑗 = 1, … , 𝑛(𝑖 ≠ 𝑗)
𝐸
𝑖𝑛
𝑖=1
B
PARTIÇÃO DO ESPAÇO AMOSTRAL
𝐸𝑖 ∩ 𝐸𝑗 = ∅, ∀𝑖, 𝑗 = 1, … , 𝑛(𝑖 ≠ 𝑗)
𝐸𝑖
𝑛
𝑖=1
= 𝐵
𝑬
𝟏𝑬
𝟐𝑬
𝟑𝑬
𝟒𝑬
𝟓𝑬
𝟔 Considere um evento B e uma partição do espaço amostral {Ei}, i = 1,..., m.
Para essa partição e esse evento, tem-se que:
ou ainda:
TEOREMA DA PROBABILIDADE TOTAL
𝑃 𝐵 = 𝑃(𝐵 ∩ 𝐸
𝑗)
𝑚
𝑗=1
𝑃 𝐵 = 𝑃 𝐵 𝐸
𝑗𝑃(𝐸
𝑗)
𝑚
TEOREMA DE BAYES
Considere uma partição do espaço amostral {Ej}, j = 1,..., m, com
P(Ej) > 0 para todo j. Seja ainda B um evento com P(B) > 0
Utilizando a definição de probabilidade condicional:
Pelo teorema da probabilidade total:
Thomas Bayes (1702-1761)
𝑃 𝐸
𝑗𝐵 =
𝑃(𝐸
𝑃(𝐵)
𝑗∩ 𝐵)
𝑃 𝐵 𝐸
𝑗=
𝑃(𝐵 ∩ 𝐸
𝑃(𝐸
𝑗)
𝑗
)
𝑃 𝐵 ∩ 𝐸
𝑗= 𝑃 𝐵 𝐸
𝑗𝑃(𝐸
𝑗)
𝑃 𝐵 = 𝑃 𝐵 𝐸
𝑗𝑃(𝐸
𝑗)
𝑚
Substituindo (2) e (3) em (1) :
TEOREMA DE BAYES
𝑃 𝐸
𝑗𝐵 =
𝑃(𝐸
𝑃(𝐵)
𝑗∩ 𝐵)
𝑃 𝐸
𝑗∩ 𝐵 = 𝑃 𝐵 𝐸
𝑗𝑃(𝐸
𝑗)
𝑃 𝐵 = 𝑃 𝐵 𝐸
𝑗𝑃(𝐸
𝑗)
𝑚
𝑗=1
𝑃 𝐸
𝑗𝐵 =
𝑃 𝐵 𝐸
𝑃 𝐵 𝐸
𝑗𝑃(𝐸
𝑗)
𝑗
𝑃(𝐸
𝑗)
𝑚 As probabilidades P(Ej) são conhecidas como probabilidades a priori
As probabilidades P(Ej|B) são conhecidas como probabilidades a posteriori
A expressão acima é conhecida como Teorema de de Bayes
TEOREMA DE BAYES
𝑃 𝐸
𝑗𝐵 =
𝑃 𝐵 𝐸
𝑃 𝐵 𝐸
𝑗𝑃(𝐸
𝑗)
𝑗
𝑃(𝐸
𝑗)
𝑚Exemplo:
Uma fábrica tem três máquinas, A, B e C, que respondem, respectivamente, por 40%, 35% e 25% de sua produção.
A proporção de peças defeituosas na máquina A é de 2%, essa proporção é de 1% para a máquina B e de 3% para a máquina C.
Toma-se uma peça ao acaso. É defeituosa. Qual a probabilidade de ela ter sido produzida pela máquina B?
• Chamemos de B o evento fabricado pela máquina B, e de d o evento defeituosa
• Queremos, dessa forma, a probabilidade P(B|d):
• Mas a peça defeituosa pode provir de qualquer uma das três máquinas (e só
de uma). Logo:
)
(
)
|
(
).
(
)
(
)
(
)
|
(
d
P
B
d
P
B
P
d
P
d
B
P
d
B
P
%
4
,
18
184
,
0
)
03
,
0
)(
25
,
0
(
)
01
,
0
)(
35
,
0
(
)
02
,
0
)(
40
,
0
(
)
01
,
0
)(
35
,
0
(
)
|
(
019
,
0
)
03
,
0
)(
25
,
0
(
)
01
,
0
)(
35
,
0
(
)
02
,
0
)(
40
,
0
(
)
(
)
|
(
)
(
)
|
(
)
(
)
|
(
)
(
)
(
d
B
P
d
P
C
d
P
C
P
B
d
P
B
P
A
d
P
A
P
d
P
A visualização do problema é facilitada pela utilização do seu correspondente diagrama em árvore
d A B C 0,40 0,35 0,25 d’ d’ d’ d d 0,02 0,98 0,01 0,99 0,03 0,97 ) 03 , 0 )( 25 , 0 ( ) 01 , 0 )( 35 , 0 ( ) 02 , 0 )( 40 , 0 ( ) 01 , 0 )( 35 , 0 ( ) | ( ) 03 , 0 )( 25 , 0 ( ) 01 , 0 )( 35 , 0 ( ) 02 , 0 )( 40 , 0 ( ) ( ) | ( ) ( ) | ( ) ( ) | ( ) ( ) ( d B P d P C d P C P B d P B P A d P A P d P
TEOREMA DE BAYES
•
Seja
M=doença
meningite
S= dor de cabeça
•
Um Doutor sabe:
P(S/M)=0.5
P(M)=1/50000
P(S)=1/20
P
(M/S)=
P
(S/M)
P
(M)
P
(S)
=0,5*(1/50000)=0,002
1/20
Um experimento é aleatório se não for possível antecipar seu resultado,
apesar de conhecermos todos os resultados possíveis que definem o espaço amostral do experimento
Cada vez que o experimento for repetido, seu resultado pertencerá a esse
espaço amostral, sendo cada resultado denominando ponto amostral
Em vez de operar com o espaço amostral, agora utilizaremos um conceito
mais amplo denominado variável aleatória, que adota valores de acordo com os resultados de um experimento aleatório
S
característica
qualitativa
quantitativa
discreta
contínua
A variável aleatória (v.a) associa cada elemento do espaço amostral S a um número real.
v.a.
Ponto amostral
Variável que assume um valor dado por uma medida em uma escala
contínua, isto é, todos os valores possíveis em um intervalo real
Variável aleatória contínua
Exemplos: Pressão, comprimento, peso, tempo
Variável aleatória discreta
Variável que assume um número finito ou infinito contável de
valores numéricos
Exemplos: Número de peças defeituosas entre 1000 testadas, número de filhos, ...
jogar dados
X: ponto obtido no dado X = {1, 2, 3, 4, 5, 6} X: = 1 se ponto for igual a 6 X: = 0 caso contrário
X = {0, 1}
jogar 5 moedas (ou uma moeda 5 vezes)
X: número de caras em 5 lances X = {0, 1, 2, 3, 4, 5}
jogar uma moeda até tirar uma cara
X: número de jogadas até tirar uma cara (incluindo-se a cara) X = {1, 2, 3, ...}
X: número de coroas até tirar uma cara X = {0, 1, 2, ...}
Exemplos:
X: tamanho de uma peça X = [0,+[
X: diferença na produção de grãos entre duas safras (peso) X = ]-,+[
X: resistência à tração do concreto X = [0,1000]
Exemplos
:
S
KK
KC
CK
CC
X: número de caras em 2 lances de moeda
0 1 2
X = 0 CC
X = 1 KC CK X = 2 KK
(imagem)
Experimento: jogar 2 moedas e observar o resultado (K = cara e C = coroa)
O passo fundamental para entendermos uma v.a. é associar a cada valor a
sua probabilidade, obtendo o que se chama de uma distribuição de probabilidades
A distribuição de probabilidades fica caracterizada pelos valores da v.a. X
e pela regra, ou função, que associa a cada valor uma probabilidade
Essa função, chamada de função de probabilidade, é representada por
f(x). No exemplo anterior, temos:
Valores de X
Probabilidade
0 1 2
1/4 1/2 1/4
VARIÁVEIS ALEATÓRIAS
X = 0 CC
Para estudar situações em que está presente a incerteza, e tomar decisões, temos basicamente que:
Identificar a v.a. de interesse
Obter sua distribuição de probabilidade
Tirar os elementos necessários à tomada de decisão
PROBABILIDADE
PRÓXIMA AULA
Referências: