Escolar Documentos
Profissional Documentos
Cultura Documentos
Probabilidade - Estatistica
Probabilidade - Estatistica
1. INTRODUO
O clculo das probabilidades pertence ao campo da Matemtica. Sua incluso, neste
curso, cujo objetivo essencialmente a Estatstica, encontra explicao no fato de que a
maioria dos fenmenos de que trata a Estatstica de natureza aleatria ou nodeterminstica. Consequentemente, o conhecimento dos aspectos mais fundamentais do
clculo da probabilidades uma necessidade essencial para o estudo da Estatstica
Inferencial ou Indutiva.
Vamos examinar, inicialmente, o que se pode adequadamente denominar modelo
determinstico. Por essa expresso pretendemos nos referir a um modelo que estipule as
condies sob as quais um experimento executado determinem exatamente, ou com um
erro que pode ser considerado desprezvel, o seu resultado. Por exemplo, se introduzirmos
uma bateria em um circuito simples, o modelo matemtico que descreveria o fluxo de
corrente eltrica seria I = E/R, isto , a Lei de Ohm. O modelo determina com exatido o
valor de I ao fornecermos os valores de E e R, diferena de potencial e resistncia,
respectivamente.
Para um grande nmero de situaes, o modelo matemtico determinstico
apresentado acima suficiente. Contudo, existem tambm muitos fenmenos que requerem
um modelo matemtico diferente para sua investigao.
Existem experimentos em que, mesmo considerando todos os fatores que
influenciam no resultado, existe algum fator casual que no consegue-se controlar. Tais
experimentos so, frequentemente, denominados no-determinsticos ou aleatrios. De fato,
estamos falando de um modelo no-determinstico para um experimento.
As principais caractersticas de um experimento aleatrio so:
a) Pode-se repetir indefinidamente sob as mesmas condies.
b) Pode-se descrever todos os possveis resultados do experimento.
c) Depois de um grande nmero de repeties do experimento, surge uma configurao
definida ou uma regularidade. esta regularidade que torna possvel construir um modelo
matemtico preciso, com o qual se analisar o experimento.
EXEMPLOS:
1.
2.
3.
4.
28
Definio 2.1: Definiremos espao amostral, para cada experimento aleatrio E, como o
conjunto de todos os possveis resultados do experimento, e o denotaremos
por .
EXEMPLO 2.1: Determine os espaos amostrais associados aos experimentos dos
exemplos anteriores.
SOLUO:
E1 1 = {1,2,3,4,5,6}
E2 2 = {(Ca,Ca), (Ca,Co), (Co,Ca), (Co,Co)}, onde Ca e Co representam a ocorrncia de
cara e coroa, respectivamente.
E3 3 = {0,1,2}
E4 4 = {10,11,12,....}
E5 5 = {t / t 0}
A fim de descrever um espao amostral associado a um experimento, devemos ter
bastante claro o que estamos mensurando ou observando. Por isso, devemos falar de um
espao amostral e no de o espao amostral. Veja a diferena entre 2 e 3.
Saliente-se, tambm, que o resultado de um experimento no necessariamente, um
nmero. Por exemplo, em E2, cada resultado um sequncia de Caras (Ca) e Coroas (Co).
Definio 2.2: Um evento A (relativo a um particular espao amostral , associado a um
experimento E) um conjunto de resultados do experimento, isto , qualquer
subconjunto do espao amostral um evento.
Diz-se que ocorre o evento A, quando o resultado do experimeno aleatrio for um
elemento de A.
Em particular, o conjunto universo, , e o conjunto vazio, , so tambm eventos,
onde denominado de evento certo e evento impossvel. Se A contm apenas um
elemento, dizemos que A um evento elementar ou simples.
A partir das operaes entre conjuntos (Apndice A) podemos formar novos eventos,
tais como:
A B o evento que ocorrer se e somente se A ou B ou ambos ocorrerem.
A B o evento que ocorrer se e somente se A e B ocorrerem simultaneamente.
A ocorrer se e somente se no ocorrer A.
A B ocorrer se e somente se ocorrer A e no ocorrer B.
Definio 2.3: Dois eventos A e B, so ditos mutuamente excludentes (M.E.), se eles no
puderem ocorrer simultaneamente, isto , A B = .
29
EXEMPLO 2.2: Lanar um dado e observar a face voltada para cima. Considere os
seguintes eventos:
A: o nmero par.
B: o nmero impar.
C: o nmero maior que 4.
D: o nmero menor ou igual a 2.
Determine os eventos:
a)
b)
c)
d)
, A, B, C e D.
A B, A B, A B , A B
A, B , A B, A B
Quais os eventos mutuamente excludentes?
SOLUO:
a) = {1,2,3,4,5,6}, A = {2,4,6}, B = {1,3,5}, C = {5,6}, D = {1,2}
b) A B = {1,2,3,4,5,6} = : o evento certo
A B = : o evento impossvel
AB =
AB =
c) A = {1,3,5}
B = {2,4,6}
A B = {1,2,3,4,5,6} = = A B
A B = = AB
d) A C = {6} : evento elementar
A D = {2}
B C = {5}
B D = {1}
CD=
Os eventos A e B, assim como os eventos C e D, so mutuamente excludentes.
Obs: Note que o item c) exemplifica as leis de De Morgan. (ver Apndice A)
30
P ( i = 1 Ai ) = P ( A1 ) + P ( A2 )+ ...+ P ( An )+ ... = P ( Ai )
i =1
A =
= A A
= A A
31
De 2. Temos
1 = P(A) + P( A ) .
Logo, P( A ) = 1- P(A).
Propriedade 3.3:Se A e B forem eventos quaisquer tais que A B ento P(A) P(B).
Demonstrao: Sabemos que
B = A (B A ) , onde A e (B A ) so eventos mutuamente excludentes.
Consequentemente, P(B) = P(A) + P(B A ) P(A), porque P(B A ) 0, pelo axioma 1.
Propriedade 3.4: Se A e B so dois eventos quaisquer, ento
P(A B) = P(A) + P(B) - P(A B)
Demonstrao: Podemos escrever
A B = A (B A ) , onde A e (B A ) so eventos mutuamente excludentes e
B = (A B) (B A ), onde (A B) e (B A ) so eventos mutuamente excludentes
Do axioma 3. temos,
P(A B) = P(A) + P(B A )
e
P(B) = P(A B) + P(B A ). Assim, P(B A ) = P(B) - P(A B)
Ento, P(A B) = P(A) + P(B) - P(A B)
Como exerccio pode-se facilmente provar a propriedade acima para trs eventos.
Se A, B e C so trs eventos quaisquer , ento
P(A B C) = P(A) + P(B) + P(C) - P(A B) - P(A C) - P(B C) + P(A BC)
32
1. pi 0, i = 1, 2, ..., n.
2. p1 + p2 + ... + pn =1
Como {ai} um evento, essas condies so coerentes com aquelas postuladas para
as probabilidades dos eventos em geral, isto , com os axiomas da definio 3.1.
Suponha, agora, que um evento B seja constitudo de k resultados, 1 k n, a saber,
B={a1,a2,...,ak},
onde 1,2,...,k representam qualquer dos k ndices, de 1 at n. Consequentemente, conclui-se
do axioma 3 da definio de probabilidade (3.1) que
P(B) = p1 + p2 + ... + pk
EXEMPLO 4.1: Trs cavalos, A, B e C, esto numa corrida; A duas vezes mais provvel
de ganhar que B e B duas vezes mais do que C. Quais so as
probabilidades de vitria de cada um, isto , P(A), P(B) e P(C) ?
SOLUO: Seja P(C) = p; como B duas vezes mais provvel de ganhar do que C,
P(B)=2p; e como A duas vezes mais provvel do que B, P(A) = 2P(B) =
2(2p) = 4p. Como a soma das probabilidades tem que ser 1; ento
p + 2p + 4p = 1 ou 7p = 1 ou
Logo, P(A) = 4/7 ; P(B) = 2/7
p = 1/7.
e
P(C) = 1/7
33
P(B) =
k
n(B ) n de casos favoraveis
, ou seja, P(B) =
= o.
n
n( )
n de casos possiveis
n o. de espadas 13 1
=
=
52 4
n o. de cartas
P( B ) =
n o. de figuras 12 3
=
=
n o . de cartas 52 13
P( A B) =
n o . de figuras de espadas 3
=
52
n o . de cartas
5. PROBABILIDADE CONDICIONADA
34
, ),(1,2),L , (1,6),
(11
( 2,1),( 2,2),L ,(2,6),
=
, n()=36,
MLLLLLLM
( 6,1),(6,2),L ,( 6,6)
A={(5,5),(4,6),(6,4)},
B={(2,1),(3,1),(3,2),...,(6,5)}
n(A) = 3
Portanto, P ( A) =
n(B) = 15
A B={(6,4)}
n(A B) = 1
3
15
1
, P (B ) =
, P( A B) =
,
36
36
36
1
, uma vez que o espao amostral , agora, formado por A.
3
1
De modo equivalente, temos P( A / B ) = .
15
P (B / A) =
P( A B)
P ( A)
P( A / B) =
P( A B)
P (B )
35
P ( )
= 0.
P (B )
n( A B)
3. No espao amostral finito equiprovvel, P( A / B ) =
n( B)
n()
n()
n( A B)
n( B)
Tempo de uso
N
U
Total
Mquinas
M
E Total
4
3
7
2
1
3
6
4
10
P( M / N ) =
P ( M N ) 4 / 10 4
=
=
P(N )
7 / 10 7
ou
P( A B ) = P( A) P( B / A)
36
EXEMPLO 5.4: Uma caixa contm 4 lmpadas boas e 2 queimadas. Retira-se ao acaso 3
lmpadas, sem reposio. Calcule a probabilidade dessas 3 lmpadas
serem boas.
SOLUO: Seja Ai: a i-sima lmpada boa, ento
4 3 2 1
* * = .
6 5 4 5
P ( A / B ) P (B )
i
i =1
19
, porque se A tiver ocorrido, ento na segunda extrao
99
restaro somente 99 peas, das quais 19 delas sero defeituosas. De modo
20
similar, temos que P (B / A) =
. Pelo teorema da probabilidade total, temos
99
Agora, P (B / A) =
P (B ) = P (B / A) P ( A) + P ( B / A) P ( A ) =
37
19 1 20 4 1
+
= .
99 5 99 5 5
EXEMPLO 5.6: Uma determinada pea manufatura por trs fbricas, digamos A, B e C.
Sabe-se que A produz o dobro de peas que B, e que B e C produzem o
mesmo nmero de peas. Sabe-se tambm que 2% de peas produzidas por
A assim como por B so defeituosas, enquanto que 4% daquelas
produzidas por C so defeituosas. Todas as peas so colocadas em um
depsito, e depois uma pea extrada ao acaso. Qual a probabilidade de
que essa pea seja defeituosa ?
SOLUO: Seja os eventos A={a pea provm da fbrica A}, B={a pea provm da
fbrica B}, C={a pea provm da fbrica C} e D={a pea defeituosa}.
1
1
1
+ 0,02 + 0,04 = 0,025
2
4
4
6. TEOREMA DE BAYES
P( Bi / A) =
P( A / Bi ) P( Bi )
k
j =1
P( A / B j ) P ( B j )
, i = 1,2 ,..., k
38
Demonstrao: P (Bi / A) =
P ( Bi A ) P ( A / Bi ) P (Bi )
, i = 1,2 ,..., k
=
P ( A)
P ( A)
P (Bi / A ) =
P ( A / Bi ) P (Bi )
j =1 P ( A / B j ) P (B j )
k
, i = 1,2 ,..., k
P ( A / D) =
(0,02 ) (1 / 2 )
= 0,40
(0,02 ) (1 / 2 ) + (0,02 ) (1 / 4 ) + (0,04 ) (1 / 4)
EXEMPLO 6.2: Numa certa turma, 1% dos homens e 4% das mulheres tm menos que
1,60m. de altura. Alm disso, 60% dos estudantes so homens. Ora, se um
estudante selecionado aleatoriamente e tem menos que 1,60m. de altura,
qual a probabilidade do estudante ser um homem ?
SOLUO: Sejam A={estudantes de menos de 1,60m. de altura}
P( A / H )P(H )
(0,01) (0,60)
3
=
= .
P ( A / H ) P ( H ) + P ( A / M ) P ( M ) (0,01) (0,60) + (0,04 ) (0,40) 11
7. EVENTOS INDEPENDENTES
39
Definio
7.1:
Dois eventos A e
P ( A B ) = P ( A ) P ( B )
so
independentes
se
somente
se
=
,
MLLLLLLM
Ento, P ( A) =
18 1
12 1
6 1
= , P (B ) =
= , enquanto P ( A B ) =
= .
36 2
36 3
36 6
Consequentemente,
P( A / B) =
P( A B) 1 / 6 1
=
= = P ( A) ,
P (B )
1/ 3 2
P (B / A) =
P( A B) 1 / 6 1
=
= = P (B )
P ( A)
1/ 2 3
P ( Ai A j ) = P ( Ai ) P ( A j ),
i j = 1,2,L , n
P( Ai A j Ak ) = P( Ai ) P( A j ) P( Ak ) , i j k = 1,2,K , n
M
n
P ( Ai A j L An ) = P ( Ai )
i =1
40
EXEMPLO 7.2: Suponha que um par de moedas no viciadas seja jogada. Definamos os
eventos:
A={cara na primeira moeda},
B={cara na segunda moeda} e
C={cara em exatamente uma moeda}.
Determine P(A), P(B), P(C), P(A B), P(A C), P(B C) e P(A B C).
SOLUO: Temos o seguinte espao amostral, = {(Ca,Ca),(Ca,Co),(Co,Ca),(Co,Co)},
onde Ca cara e Co coroa, ento
A={(Ca,Ca),(Ca,Co)},
B={(Ca,Ca),(Co,Ca)}
Logo, P ( A) = P (B ) = P (C ) =
P ( A C ) = P ({Ca , Co}) =
2 1
=
4 2
1
,
4
C={(Ca,Co),(Co,Ca)}
P ( A B ) = P ({Ca , Ca}) =
P (B C ) = P ({Co, Ca}) =
1
,
4
1
4
P ( A B C ) = P ( ) = 0 P ( A) P (B ) P (C )
Este exemplo mostra que os eventos so dois a dois independentes, mas os trs
eventos no so independentes.
8. REFERNCIAS BIBLIOGRFICAS
41
Este apndice apresenta alguns conceitos elementares da Teoria dos Conjuntos que
so fundamentais Teoria das Probabilidades.
Um conjunto uma coleo de objetos. Geralmente os conjuntos so representados
por letras maiscula: A, B, .... Os objetos que formam o conjunto A so denominados
elementos de A. Quando a for um elemento de A denotaremos a A e quando a no for um
elemento de A escrevemos a A.
Definiremos o conjunto vazio como sendo o conjunto que no contenha qualquer
elemento e o conjunto universal como aquele que formado por todos os objetos que
estejam em estudo.
A partir do conjunto vazio () e do conjunto universal (U), podemos enumerar as
duas seguintes propriedades:
1. A, para qualquer A.
2. A U, desde que j se tenha definido o conjunto universal.
Consideremos, agora, a importncia de combinar conjuntos a fim de formar novos
conjuntos. No que segue, consideramos A e B dois conjuntos arbitrrios.
1. Unio: A B ={x: x A ou x B}.
o conjunto dos elementos que pertencem a A ou a B ou a ambos.
2. Interseo: A B = {x: x A e x B}
o conjunto dos elementos que pertencem simultaneamente a A e a B.
42
Idempotncia: A A = A ;
A A = A.
Comutativa: A B = B A ; A B = B A.
Associativa: A (B C) = (A B) C ;
A (B C) = (A B) C.
Distributiva: A (B C) = (A B) (A C) ; A (B C) = (A B) (A C).
Absoro: A (A B) = A ;
A (A B) = A.
Identidade: A U = A; A = ; A U = U; A = A.
Complementar: U = ;
=U ;
A A=; A A=U .
( A B) = ( A B) .
1. Ai , i = 1,2 ,L , n
2. Ai A j = , i j
43
3.
UA
=A
i =1
Nem sempre possvel enumerar de forma simples o espao amostral e o evento. Por
esta razo, so necessrios alguns procedimentos de contagem que so estudados pela
anlise combinatria.
Existem vrias maneiras de dispor os objetos de uma coleo em grupos. Esses
grupos denominam-se agrupamentos e os objetos que os constituem chama-se de elementos.
Em qualquer das maneiras de disposio dos elementos, existem dois casos:
1. Em cada agrupamento todos os elementos so distintos - agrupamento simples.
2. Em cada agrupamento pode haver repeties dos elementos - agrupamento com repetio.
Os agrupamentos, quanto ao modo de formao, podem ser classificados em :
Arranjos, Permutaes e Combinaes.
Os agrupamentos simples diferem pela ordem ou pela natureza de seus elementos.
Diferem pela natureza quando pelo menos, um dos elementos de um dos agrupamentos no
for elemento do outro.
Definio B.1: Sendo n um inteiro positivo, definimos n! = (n)(n-1)(n-2)....1 e o
denominamos de fatorial de n. Tambm definimos 0! = 1.
1. PERMUTAES
A. PERMUTAES SIMPLES DE OBJETOS DISTINTOS
44
n!
n1 ! n 2 !L n r !
7!
= 210 anagramas diferentes.
2 ! 3! 2 !
2. ARRANJOS
A. ARRANJOS SIMPLES DE OBJETOS DISTINTOS
n!
( n r )!
{ab, ac, ad, ba, bc, bd, ca, cb, cd, da, db, dc}.
B. ARRANJOS COM REPOSIO DO OBJETO SELECIONADO
A(*n ,r ) = n r
EXEMPLO B.4: Com as quatro primeiras letras do alfabeto, quantos agrupamentos de 2
elementos podemos formar se a escolha for feita sucessivamente e com
reposio do elemento escolhido ?
45
{aa, ab, ac, ad, ba, bb, bc, bd, ca, cb, cc, cd, da, db, dc, dd}
3. COMBINAES
A. COMBINAES SIMPLES DE OBJETOS DISTINTOS
n!
r !(n r )!
EXEMPLO B.5: Com as quatro primeiras letras do alfabeto, quantas combinaes de dois
elementos podemos formar ?
SOLUO: Teremos C42 =
4!
= 6 agrupamentos, a saber, teremos,
2! 2!
n!
n!
= = n ! = Pn
( n n)! 0!
n!
n!
2. Anr =
= r !
= r !* Cnr
( n r )!
r !( n r )!
n!
3. Cnr =
= Cnn r
( n r )! r !
( n 1)!
( n 1)!
r ( n 1)!+ ( n r )( n 1)! ( n 1)!(r + n r )
+
=
=
Cnr11 + Cnr1 =
( r 1)!(n r )! r !( n r 1)!
r !( n r )!
r !(n r )!
4.
n!
=
= Cnr
r !( n r )!
1. Ann =
46