Estatstica

Prof Paulo Renato A. Firmino

praf62@gmail.com

Aulas 07-08
 Probabilidade Apanhado Geral

Seguimos nossas discusses sobre a Incerteza

Decidir usualmente envolve incerteza

Uma presa decide qual direo tomar ao se desviar de um predador,
que por sua vez decide qual direo seguir para alcanar a presa...

Considerar as incertezas ser racional

Como medir a capacidade de produo sem a considerao das
incertezas sobre a confiabilidade de mquinas e de pessoas?

Como firmar e cumprir contratos sem o conhecimento das incertezas

envolvidas no processo?

Como decidir sobre a melhor estratgia a adotar?

Estat
Estatstica - Paulo Renato A. Firmino 2
 Probabilidade Apanhado Geral

Ela busca medir matematicamente incertezas

Por isso um tema desenvolvido nas cincias exatas

Ela envolve muito mais do que dados formais

Envolve conhecimento, epistemologia
Por isso embasa discusses filosficas

Dados formais do indcios sobre a incerteza

Distribuies de frequncias, grficos e medidas estatsticas so
obtidos

A probabilidade vai alm, muito alm dos conjuntos de dados

Estat
Estatstica - Paulo Renato A. Firmino 3
 Probabilidade Apanhado Geral

Com suposies adequadas e sem observar diretamente o

fenmeno, podemos criar os modelos tericos subjacentes a
distribuies de frequncias
So os chamados modelos probabilsticos (distrib. de probabilidade)
Exemplo 1: De um grupo de trs mulheres e dois homens, uma
pessoa ser sorteada para presidir a reunio.
Supondo que o sorteio seja aleatrio, cada uma das 5 pessoas ter 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 probabilstico ser (sem
recorrer a experimentao):
Sexo Probabilidade (pi)
1 (F) 3/5
2 (M) 2/5
Total 100%
4
 Probabilidade Conceitos Bsicos

Especificamente, modelos probabilsticos relacionam-se a experimentos

aleatrios
Do exemplo 1, o experimento aleatrio tratava do sorteio de uma
pessoa do grupo
Experimento aleatrio () Qualquer processo (fenmeno) cujos
resultados no so certamente conhecidos previamente
Todo ter seu modelo probabilstico especificado quando
estabelecermos
1. Seu espao amostral () Conjunto de todos os possveis resultados
de : = {1, 2, ...}
Cada elemento i de chamado de ponto (elemento) amostral
2. Uma regra que associe probabilidades a subconjuntos de
Quando um conjunto enumervel (discreto), temos uma
probabilidade associada a cada ponto amostral, P(i)
A soma de todas as probabilidades dever equivaler a 1
5
 Probabilidade Conceitos Bsicos

Do exemplo 1, como desejava-se estudar as incertezas quanto ao sexo da pessoa

a presidir a reunio,
Espao amostral: = {F, M}
Ou = {1, 2}, onde 1 representa o sexo feminino e 2 o masculino
Probabilidades
P(F) = 3/5 e P(M) = 2/5
Experimentos aleatrios podem envolver uma ou vrias variveis

6
 Probabilidade Conceitos Bsicos

Exemplo 2: Um aluno convidado a responder duas questes de

mltipla escolha sobre as quais ele no tem qualquer conhecimento.
Cada questo possui 2 alternativas: a e b.
Deseja-se estudar seu desempenho em ambas as questes
: Ele sortear aleatoriamente uma alternativa para cada questo
= {1=(a, a), 2=(a, b), 3=(b, a), 4=(b, b)}
O 1 e 2 elementos de cada i implicam nas opes sorteadas pelo aluno
para a 1 e 2 questes, respectivamente
Probabilidades
A ignorncia do aluno o levar a sortear aleatoriamente a
resposta de cada questo
Assim, todos os elementos de tm a mesma chance de ocorrer (1/4
para cada)
P(i) = , i = 1, 2, 3, 4
7
 Probabilidade Conceitos Bsicos

Exemplo 3: Quatro pessoas so convidadas a participar de um jogo,

duas do sexo masculino (M1 e M2) e duas do feminino (F1 e F2).
Um dado lanado e cada pessoa escolhe previamente dois
nmeros. Quem acertar o resultado ganha o jogo. As escolhas
foram: M1 = {2, 4}, M2 = {2, 5}, F1 = {1, 4}, F2 = {4, 6}.
: O lanamento do dado
= {i =(i), i = 1, 2, 3, 4, 5, 6}
Probabilidades
Supe-se que o dado seja honesto (no-viciado)
Assim, todos os elementos de tm a mesma chance de ocorrer (1/6
para cada)
P(i) = 1/6, i = 1, 2, ..., 6
Qual a probabilidade de uma mulher ganhar?
Qual a probabilidade de M1 e F1 ganharem?
8
 Probabilidade Conceitos Bsicos

Conjunto Coleo de objetos (elementos)

Exemplos: A = {1, 2, 3}; B = {2, 5, 6}; C = {Adequado, Inadequado};
D = {x real| 3 x 20}
Diz-se que um conjunto ocorre se ao menos um dos seus elementos
ocorre
Se 2 ocorre ento A e B ocorrem; se 3 ocorre ento A e D ocorrem
Experimento () Qualquer processo (fenmeno) cujos resultados no so
certamente conhecidos
experimento aleatrio: As realizaes so executadas sob as mesmas
condies
Sem reposio: Apenas o espao amostral se altera entre as realizaes de . As
demais condies de mantm-se inalteradas
Espao amostral () Conjunto de todos os possveis resultados de dado

Estat
Estatstica - Paulo Renato A. Firmino 10
 Probabilidade Conceitos Bsicos

Probabilidades associam-se a eventos

Evento (E): Subconjunto de dado
Definido a partir de operaes de unio e/ou interseo sobre os elementos de ou
seus complementares
Simbologia e regras:
Interseo de A com B: A B Ocorrem todos os eventos, A e B
Do exemplo 3, Seja Y M1 e F1 ganharem. Ento, Y = M1 F1 = {4}
P(Y) = P(4) = 1/6 intersect(A, B)
Unio de A com B: A U B Ocorre ao menos um dos eventos, A ou B
Do exemplo 3, Seja X mulher ganhar. Ento, X = F1 U F2 = {1, 4, 6}
P(X) = 3/6 P(F1) + P(F2). De fato, P(X) = P(F1) + P(F2) P(F1F2)
union(A, B)
M1
2 4 6 F2 Diagrama de Venn
5 1
3
M2 F1 11
 Probabilidade Conceitos Bsicos

Eventos (Simbologia a regras)

Regra da adio de probabilidades: A B
P(A U B) = P(A) + P(B) P(AB)

P(A U B U C) = P(A) + P(B) + P(C)

A B
- P(AB) P(AC) P(BC) +
+ P(AB C)

P(E1 E 2 ... E r ) =

P(E ) P(E E j )+ P(E E j E k ) ... + (1) r 1 P(E1 E 2 ... E r )

r r r r r r

i i i
i =1 i =1 j=i +1 i =1 j=i +1k = j+1

12
 Probabilidade Conceitos Bsicos

Eventos (Simbologia a regras)

Complementar de A: Ac No ocorre A
Do exemplo 3, Seja Z M1 no ganhar. Ento, Z = M1c = {1, 3, 5, 6}
P(M1c) = 4/6 = 1 P(M1) = 1 2/6 Z=setdiff(, M1)
Conjunto vazio: No ocorre qualquer evento de
Do exemplo 3, Seja Y M2 e F1 ganharem. Ento, Y = M2 F1 =
{}
Leis de Morgan: (A U B)c = Ac Bc; (A B)c = Ac U Bc
Do exemplo 3, Seja Xc mulher no ganhar. Ento, Xc = (F1 U F2)c =
F1c F2c = {2, 3, 5}

M1
2 4 6 F2
5 1
3
M2 F1
13
 Probabilidade Conceitos Bsicos

Eventos (Simbologia a regras)

Se A e B so eventos mutuamente exclusivos (disjuntos): AB=
Do exemplo 3, Seja Y M2 e F1 ganharem. Ento, Y = M2 F1 =
{}
Se A e B so eventos exaustivos: A U B =
Do exemplo 3, Seja T ocorre Y ou no ocorre Y. Ento, T = Y U Yc =
{1, 2, 3, 4, 5, 6} =
Partio de : um conjunto de r eventos C = {E1, E2, ..., Er} dito uma
partio de se seus eventos so mutuamente exclusivos (EiEj = , ij = 1,
2, ..., r) e exaustivos em relao a (E1 U E2 U ... U Er = )

M1
2 4 6 F2
5 1
3
M2 F1
14
 Probabilidade Conceitos Bsicos

Espaos amostrais e eventos: Exemplos

1. 1 = Fabricar peas em srie e contar o nmero de defeituosas durante 24
horas:
= {x inteiro| 0 x N}; N n mximo de peas fabricadas
E1 = {x 3}; E2 = {x par}; E3 = E1c = {x > 3}; E4 = E1 U E1c =

2. 2 = Implementar um software e simular o seu uso de maneira a medir o tempo

at a ocorrncia de um bug (em horas):
= {t real | t > 0}
E1 = {t 100}; E2 = {200 t 700}; E3 = E1 E2=; E5 = {t=3.42}

3. 3 = De um lote com N peas, selecionar 2 e registrar a sequncia de resultados

em relao (no-)conformidade destas:
= {(B1 B2), (B1 B2c), (B1c B2), (B1c B2c)} Bi Conformidade da i-
sima pea extrada
E1 = Ambas as peas so igualmente classificadas={(B1 B2) U (B1c
B2c)}; E2 = Ao menos uma pea est conforme={(B1 B2) U (B1 B2c) U
(B1c B2)}
Estat
Estatstica - Paulo Renato A. Firmino 15
 Probabilidade Conceitos Bsicos

Exerccio 2: Elabore o espao amostral e eventos de interesse sobre os

seguintes experimentos
1. 1 = Contar o n de peas retiradas de um lote de tamanho N at
que alguma no-conformidade seja encontrada ou todo o lote seja
inspecionado
2. 2 = Simular o uso de um componente que opera sob demanda at
que este falhe e contar o n de demandas efetuadas
3. 3 = Medir o tempo necessrio que duas equipes de manuteno
sob treinamento levam para consertar determinado equipamento
4. 4 = Medir o tempo necessrio para a implementao de um
projeto de pesquisa & desenvolvimento de um novo componente

Estat
Estatstica - Paulo Renato A. Firmino 16
 Probabilidade Definio Matemtica

Probabilidade: Funo matemtica, P(), que associa a cada particular

evento Ei relacionado a um n real tal que:
1. 0 P(Ei) 1
2. P() = 1
3. Se Ei e Ej so eventos mutuamente exclusivos de , ij = 1, 2, ...r:

r r
P Ei = P(Ei )
i =1 i =1
Pode-se ter r
Embora no seja possvel afirmar com certeza qual evento (Ei) do espao
amostral () ocorrer ao se realizar o experimento (), pode-se
quantificar as incertezas sobre a ocorrncia de cada Ei atravs de P(Ei)

Estat
Estatstica - Paulo Renato A. Firmino 17
 Probabilidade Modelagem de P()

Exerccio 3: Calcule a probabilidade para os seguintes eventos

1. 1 = lanar um dado e registrar nmero da face
E1={resultado superior a 3}; E2={resultado par}
2. 2 = Simular o uso de um componente que opera sob demanda at
que este falhe e contar o n de demandas efetuadas
Sabe-se que a probabilidade de o componente falhar at a 10
demanda igual a 30%. Qual a probabilidade de a falha ocorrer
aps a 10 demanda?
3. 3 = Medir o tempo de vida de um componente
Qual a probabilidade de o equipamento falhar em qualquer instante
aps ser posto em operao?

Estat
Estatstica - Paulo Renato A. Firmino 18
 Probabilidade Modelagem de P()

Abordagem clssica: Supondo simetria entre todos os elementos de um dado

(equiprobabilidade):
P(Ei) = ni /n
ni n de casos de favorveis ocorrncia de Ei ao se realizar
n nmero total de elementos de .
Exemplos:
1 Registrar o resultado do lanamento de um dado
1 = {x inteiro| 1 x 6}
E1 = {x par} P(E1) = 3/6
E2 = {x 5} P(E2) = 2/6

2 Registrar a origem de uma pea extrada de um lote do qual sabe-se

apenas que as peas provm de 10 origens distintas
2 = {O1, O2, ..., O10}
E1 = O1 U O2 P(E1) = 2/10
E2 = O10c P(E2) = 9/10
Embora seja necessrio total conhecimento acerca dos elementos de ,
ignora-se qualquer diferena entre tais elementos em termos probabilsticos
19
 Probabilidade Modelagem de P()
Abordagem frequentista: Via um experimento aleatrio:
P(Ei) = freq(Ei) / n
n nmero de realizaes do experimento
freq(Ei) freqncia da ocorrncia de Ei nas n realizaes do experimento
Exemplos:
1 Registrar o resultado do lanamento de um dado em 1000 realizaes
E1 = {x par} P(E1) = 487/1000 (observou-se E1 487 vezes)
E2 = {x 5} P(E2) = 350/1000 (observou-se E2 350 vezes)

2 Registrar a origem de peas extradas com reposio de um lote em

1000 realizaes
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 definio do espao amostral () pode ser dada aps a realizao do

experimento, o que pode levar a equvocos para n razoavelmente pequeno

Quando n , P(Ei) tender a se estabilizar em torno da verdadeira

probabilidade de ocorrncia de Ei. Est e a conhecida Lei dos Grandes Nmeros

Estat
Estatstica - Paulo Renato A. Firmino 20
 Probabilidade Modelagem de P()

Abordagem Subjetiva: Considerando determinada pessoa classificada

como especialista (com conhecimento terico e/ou prtico sobre os
elementos de um dado ):
P(Ei) Nvel de credibilidade (verossimilhana) em termos nmericos que o
especialista atribui ocorrncia de Ei
Exemplos:
1 Entrevistar um fabricante de dados sobre o resultado do lanamento de um
deles.
E1 = {x par} P(E1) = 2/6
E2 = {x 5} P(E2) = 3/6

2 Entrevistar um empacotador sobre a origem de uma pea extrada de um

lote por ele empacotado
E1 = {O1 U O2} P(E1) = 30%
E2 = {O10c} P(E2) = 85%
O especialista tratado como um banco de dados inerentemente ruidoso,
devido a fenmenos heursticos e limitaes humanas

Estat
Estatstica - Paulo Renato A. Firmino 21
 Probabilidade Conceitos Bsicos

Exerccio 4: Solucione os seguintes casos

1. Dois dados so lanados simultaneamente e registram-se as faces
voltadas para cima. Qual o espao amostral? Qual a distribuio
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 capites lanam as mos 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 mpar. Qual seria o espao amostral? Qual a distribuio de
probabilidades associada? Qual seria sua opo, par ou mpar?
3. Lana-se uma moeda trs vezes e registra-se o n de caras. Qual o
espao amostral? Qual a distribuio de probabilidades
associada? Qual a probabilidade de dar ao menos 2 caras?
Estat
Estatstica - Paulo Renato A. Firmino 22