Escolar Documentos
Profissional Documentos
Cultura Documentos
PROBABILIDADE
2.1 Introdução
1
Exemplos de experiências aleatórias: lançamento de uma moeda ao ar e
observação da face que fica voltada para cima; lançamento de um dado e
observação do nº de pontos obtidos; anotação do sexo de um recém-nascido
numa série de nascimentos; observação da duração de componentes
electrónicas de determinado tipo; observação das taxas de inflação em anos
sucessivos; registo do número de sinistros por apólice do ramo automóvel
durante uma anuidade.
Ω = {F , C}
2) Lançamento de um dado
Ω = { 1, 2, 3, 4, 5, 6}
2
Tendo em conta a natureza do conjunto Ω, os espaços de resultados podem
ser discretos (finitos ou infinitos numeráveis) ou contínuos (infinitos não
numeráveis). Os 3 exemplos dados anteriormente são espaços discretos
finitos. Um exemplo de um espaço discreto (infinito numerável) é aquele que
está associado à experiência aleatória que consiste na observação do nº de
telefonemas recebidos por hora em determinada central telefónica:
Ω = { 0,1, 2, ...}
Exercícios
3
2.3 Acontecimentos. Operações sobre acontecimentos.
Exemplos de acontecimentos:
4
Atendendo a que os acontecimentos são subconjuntos do espaço de
resultados, podem estabelecer-se entre estes as operações que podem
estabelecer-se entre os conjuntos. Existe um paralelismo perfeito entre a
álgebra dos conjuntos e a álgebra dos acontecimentos. Apenas a
terminologia é ligeiramente diferente da utilizada na álgebra dos conjuntos.
Os principais conceitos da álgebra dos acontecimentos são os seguintes:
5
5) Dois acontecimentos, A e B, dizem-se mutuamente exclusivos ou
incompatíveis se e só se a realização de um deles implica a não
realização do outro. Isto ocorre quando qualquer elemento de A não é
elemento de B.
6
As propriedades das operações definidas sobre acontecimentos são as
mesmas que as propriedades das operações definidas sobre conjuntos:
associatividade, comutatividade, distributividade e leis de De Morgan.
Tarefa: rever estas propriedades em Murteira et al [2007].
2.4.1 Clássica
Ω = {ω1 , ω 2 , ..., ω n }
A = {ω i1 , ω i 2 , ..., ω im } = {ω i1 } ∪ {ω i 2 } ∪ ... ∪ {ω im }
7
Assumindo que os acontecimentos elementares são igualmente possíveis,
então
1
P({ωi }) = , i = 1, 2,..., n
n
e, portanto,
m
P( A) =
n
Uma das críticas que é feita a esta interpretação é que é circular pois o
conceito de probabilidade é referido na própria definição (“acontecimentos
elementares igualmente prováveis”). Outra das críticas tem a ver com o facto
de esta fórmula não se poder aplicar aos casos em que o Ω não é finito e/ou
os acontecimentos elementares não são igualmente possíveis.
8
2.4.2 Frequencista
1) f N ( A) ≥ 0 , ∀ A
2) f N (Ω ) = 1
9
No ponto 2.5 verificaremos que os axiomas de Kolmogorov são adaptações
destas propriedades.
Uma das críticas que é feita a esta interpretação é que nem todas as
experiências são passíveis de se poderem repetir um grande número de vezes
em condições semelhantes. Por exemplo, a experiência que consiste em
observar se o actual governo se vai manter inalterado nos próximos 6 meses
não se pode repetir. A observação da taxa de inflação em anos sucessivos
não pode ser repetida em condições semelhantes.
2.4.3 Subjectiva
10
Apesar desta interpretação ultrapassar o problema da obrigatoriedade de se
poder repetir a experiência um grande número de vezes em condições
semelhantes, inerente à interpretação frequencista, também está sujeita a
críticas. Uma das críticas que lhe é feita é o facto dos processos segundo os
quais os indivíduos exprimem os graus de credibilidade poderem ser
diferentes. Além disso, mesmo que o processo utilizado seja o mesmo,
devido às diferentes características, formações e níveis de conhecimento dos
assuntos, as probabilidades atribuídas a um determinado acontecimento por
diferentes pessoas podem ser diferentes.
11
A medida de probabilidade é uma função P que a cada acontecimento
A , A ⊂ Ω , faz corresponder um número real, P( A) , probabilidade do
acontecimento A, que verifica os três axiomas seguintes:
P1) P ( A) ≥ 0
P2) P(Ω) = 1
P3) Se A e B forem acontecimentos incompatíveis, A ∩ B = ∅ , então
P ( A ∪ B) = P ( A) + P ( B )
P (B − A) = P (B ) − P ( A ∩ B )
P ( A ∪ B ) = P ( A) + P (B ) − P ( A ∩ B )
12
Teorema 5 – Sendo A e B acontecimentos quaisquer, se A ⊂ B , então
P ( A) ≤ P (B )
Exercícios
P[( A ∩ B ) ∪ ( A ∩ B )] = P( A) + P( B) − 2 P( A ∩ B)
2. Numa população, 20% das famílias têm máquina de lavar louça, 30% têm
máquina de lavar roupa e 10% têm ambos os tipos de máquinas.
Escolhida uma família ao acaso, calcule a probabilidade de:
13
3. Para cada um dos casos seguintes indique, justificando, qual a
interpretação do conceito de probabilidade (clássica, frequencista ou
subjectiva) que julga mais adequada:
4. Numa cidade são publicados três semanários: S1, S2 e S3. Sabe-se que:
14
2.7 Probabilidades condicionadas. Teorema de Bayes.
P( A ∩ B )
P( A | B ) = se P(B) > 0
P( B )
1) P( A | B) = 1 − P( A | B)
2) P(( A ∪ C ) | B) = P( A | B) + P(C | B) − P(( A ∩ C ) | B)
P( A ∩ B ) = P( B ) P( A | B ) = P ( A) P( B | A)
15
Exemplo – Suponhamos que um dado é lançado duas vezes sucessivamente
e que são observados os números de pontos obtidos nos dois lançamentos.
Sabendo que os números de pontos obtidos não são iguais, qual a
probabilidade de que a sua soma seja 4?
Ai ∩ A j = ∅ , (i ≠ j ) e i Ai =Ω
P( A
i i
)= i =1 P ( Ai ) =1
P( B ) = i =1
P ( Ai ) P( B | Ai )
16
Teorema de Bayes - Se {A1 , A2 ,..., Am ,...} é uma partição de Ω e se
P( Ai ) > 0 (i = 1,2,..., m,...) , vem, para qualquer acontecimento B a verificar
P( B ) > 0 ,
P( Ai ) P ( B | Ai )
P( Ai | B ) =
i =1
P( Ai ) P ( B | Ai )
2.8 Independência
P( A | B ) = P( A) se P(B) > 0
P( B | A) = P( B ) se P(A) > 0
17
Teorema – Se os acontecimentos A e B são independentes, também o são A
e B , A e B, A e B .
P( A ∩ ∅ ) = P ( A) P (∅) = 0
P( A ∩ Ω ) = P ( A) P (Ω) = P ( A)
Exercício
18
Clássica Pop/Rock Jazz Outros
Homens 60% 35% 70% 40%
Mulheres 40% 65% 30% 60%
3. VARIÁVEIS ALEATÓRIAS
Por agora, para realçar que uma v.a. X é uma função de elementos de Ω,
vamos utilizar a notação X (ω ) . Tem-se pois que, com ω ∈ Ω , X (ω ) : Ω → ℜ,
ou seja, X (ω ) tem por domínio Ω e por contradomínio RX ⊂ ℜ .
19
Exemplos:
ω X (ω)
Ω = {C , F } → {0,1} = RX
; X (ω )
C 0
F 1
20
Por outro lado, a cada subconjunto, E ⊂ ℜ , pode fazer-se corresponder o
subconjunto, X −1 (E ) , formado por todos os elementos
ω ∈ Ω tais que X (ω ) ∈ E :
X −1 (E ) = {ω ∈ Ω : X (ω ) ∈ E}
X (ω ) ∈ E ⇔ ω ∈ X −1 ( E )
21
3.2.2 Função de probabilidade, função de distribuição e suas propriedades
[ ]
f ( x) = P[X = x ] = P X −1 ({x }) , x ∈ RX
1) f ( x ) ≥ 0 , ∀x ∈ ℜ
2) f ( x ) = 1 com R X = { x : f ( x ) > 0}
x∈ R x
3) P[X ∈ E ] = f ( x) , E ⊂ ℜ
x ∈E ∩ R X
22
Exemplo – Calcule a função de probabilidade da variável aleatória
X [( x1, x2 )] = x1 + x2 definida no caso da experiência que consiste em lançar um
F ( x) = f (t )
t ≤ x ; t ∈R X
x 1 2 3 4
1 1 1 1
f (x)
4 4 4 4
23
A função de distribuição, F (x) , verifica as seguintes propriedades (quer
X seja uma v.a. discreta, quer seja uma v.a. contínua):
1) 0 ≤ F ( x) ≤ 1
2) F (x) é não decrescente, ou seja,
∆x > 0 F ( x) ≤ F ( x + ∆ x)
3) lim F ( x) = 0 ; lim F ( x ) = 1
x → −∞ x → +∞
Note-se que, no caso de X ser uma v.a. discreta, a propriedade 6 diz-nos que
f ( x) = P[ X = x ] com x ∈ R X é igual ao salto que F ( x) dá nesse ponto.
3) P[X ≥ x ] = 1 − P[ X < x ] = 1 − F ( x − 0)
24
4) P[x1 < X < x2 ] = P[x1 < X ≤ x2 ] − P[X = x2 ] =
F ( x2 ) − F ( x1) − [F ( x2 ) − F ( x2 − 0)] = F ( x2 − 0) − F ( x1)
fY ( y ) = f X ( x) , y ∈ RY com B y = {x : x ∈ R X ; g ( x ) = y}
x∈B y
25
Exemplo – Considere uma v.a. X com a seguinte função de distribuição:
0 , x < −10
14 , − 10 ≤ x < 0
F ( x) =
3/ 4 , 0 ≤ x < 10
1 , x ≥ 10
Exercícios
x: 0 1 2 3 4
f(x) : 0.3 0.3 0.2 0.1 0.1
26
2 – Numa loja da especialidade a procura diária de rádios para automóvel
(de certo modelo) é uma v.a. X com função de probabilidade:
x: 0 1 2 3 4
f(x) : 0.2 p1 p2 0.2 0.1
a) Calcule p1 e p2 , justificando.
b) No início de certo dia existem apenas 2 rádios do modelo referido.
Calcule a probabilidade de serem vendidos (admita que a procura
coincide com a venda sempre que existe o produto procurado).
c) Em relação à alínea anterior, obtenha a distribuição da v.a.: “número
de rádios vendidos”.
27
E [X ] = x f ( x)
x∈R X
quando
| x | f ( x) < ∞
x∈R X
Note-se que neste caso E[X ] é a média ponderada dos valores x ∈ RX . Cada
valor x é ponderado pela probabilidade de X assumir esse valor, ou seja, por
f (x ) .
E [G ( X )] = G( x) f ( x)
x ∈R X
c) E [H ( X ) + J ( X )] = E [H ( X )] + E [J ( X )]
28
Em particular, verifica-se (com Y uma outra v.a.):
a) E [c X ] = c E [X ]
b) E [X + Y ] = E [X ] + E [Y ]
[
V [X ] = E ( X − µ X ) 2 ]
V [X ] = ( x − µ X ) 2 f ( x)
x∈R X
[ ]
V [X ] = E X 2 − {E [X ] }
2
29
Tarefa: provar que V [X ] também se pode calcular usando a fórmula
alternativa.
Exercícios
x: 0 1 2 3 4 5 6
f(x) : 0.1 0.15 0.2 0.25 0.15 0.1 0.05
Calcule:
a) A função de distribuição de X.
b) A probabilidade da procura diária exceder 4.
c) A probabilidade da procura diária ser inferior a 2.
d) P[2 ≤ X ≤ 5] .
e) O conjunto A = {x ∈ ℜ : P[ X < x ] = 0.7}.
30
2 – Uma v.a. X, discreta, tem função de probabilidade
x: 0 1 2 3 4
f(x) : 0.2 0.2 0.1 0.3 0.2
a) Calcule E[X ] e V [X ] .
b) Sendo Y = X − 2 , determine E[Y ] e V [Y ] .
1
c) Faça Z = e calcule a média e a variância de Z.
X +1
Exemplos:
0 , x<0
1) F ( x) = x , 0 ≤ x ≤ 1
1 , x >1
0 , x<0
2) G ( x) = −x
1− e , x≥0
31
Note-se que nas v.a. contínuas, uma vez que F (x) é uma função contínua em
∀a ∈ ℜ , tem-se que:
F (a ) = F (a − 0) com F (a − 0) = lim F ( x)
x →a −
P[X = a] = 0 , ∀ a ∈ ℜ .
Sendo assim, ao contrário do que acontece com as v.a. discretas, tem-se que:
dF ( x )
f ( x) = = F ′( x )
dx
32
A função de distribuição de uma v.a. contínua verifica:
x
F ( x ) = P[ X ≤ x ] = f (t ) dt , − ∞ < x < +∞
−∞
Note-se que, tendo f (x) é possível obter F (x) , como se acabou de ver. Por
33
A função densidade de probabilidade (f.d.p.) , f (x) , verifica as seguintes
propriedades:
1) f ( x ) ≥ 0 , ∀x ∈ ℜ
+∞
2) f ( x ) dx = 1
−∞
x2
3) f ( x ) dx = F ( x2 ) − F ( x1 ) = P[x1 < X ≤ x2 ], com x2 > x1
x1
34
Teorema – Seja X uma v.a. contínua e seja g(x) uma função contínua,
diferenciável e monótona crescente ou decrescente. Então se Y = g ( X ) , a
função de distribuição da v.a. Y vem
(
FY ( y ) = FX g −1 ( y ) ) se g ( x ) é monótona crescente
(
= 1 − FX g −1 ( y ) ) se g ( x ) é monótona decrescent e
e a f.d.p. de Y vem
d g −1 ( y )
fY ( y ) = f X ( −1
g ( y) )dy
No caso de X ser uma v.a. contínua com f.d.p. f(x), o valor esperado ou
média de X é dada por
+∞
E [X ] = x f ( x ) dx
−∞
35
Seja G ( X ) uma função da v.a. X contínua referida acima. O valor esperado
de G ( X ) é dado por
+∞
E [G ( X )] = G ( x ) f ( x ) dx
−∞
[ ]
mk = E X k , k = 1, 2 , ...
desde que o valor esperado exista.
m1 = E [ X ] = µ X
[ ]
m2 = E X 2 = V [X ] + {E [ X ]}2 = σ X2 + µ X2
36
O conhecimento de m1 e m2 de uma v.a. X permite-nos calcular a média e a
[ ]
E X k , k = 1, 2 , ... (ou seja, de todos os momentos de X) é suficiente para
especificar completamente a distribuição de probabilidade de X.
37
O 25º, 50º e 75º quantis de uma v.a. X também são designados por quartis
da v.a. X. Têm esta designação porque dividem a área abaixo da f.d.p. de X
em 4 partes, cada uma com área igual a 0.25.
Exercícios
38
2 – Seja X uma v.a. com função densidade de probabilidade:
f ( x) = 2 (1 − x) , 0 < x < 1
d) Calcule E[X ] e V [ X ] .
e) Calcule a mediana e a amplitude interquartis de X.
k−x
f ( x) = , 0≤ x≤k
5000
39
c) Calcule a média e a mediana da distância entre o ponto de impacto
da bomba e a linha férrea. Calcule ainda a probabilidade de cada
um destes valores ser excedido.
f (1) = p ; f ( 0) = 1 − p = q ; p + q =1
f ( x ) = p x q1− x , x = 0,1 ; p + q =1
40
Mostra-se facilmente que
E [X ] = p ; V [X ] = p q
{
Ω= (x1, x2,..., xN ) : xj = s, i , j =1, 2,...,N }
Pj [{s}] = p ; Pj [{}
i ]= q =1− p
e assim sucessivamente.
41
A v.a. X que representa o nº de sucessos obtidos numa experiência
Binomial com N provas e parâmetro p é designada por v.a. Binomial com
parâmetros N e p. Simbolicamente escreve-se X ∼ B ( N ; p ) .
N
f ( x) = p x q N − x , x = 0, 1, 2, ..., N
x
Mostra-se que:
E [X ] = N p ; V [X ] = N p q
42
Teorema (Aditividade da Binomial) – Se as v.a. X i , i = 1, 2, ..., m , são
m m
independentes e X i ∼ B ( N i ; p ) então Xi ∼ B Ni ; p .
i =1 i =1
Note-se que
X ∼ B( N ; p) N − X ∼ B( N ; 1 − p)
Exercícios
2 – Sabe-se que 10% dos vidros produzidos por uma máquina são
defeituosos. Se escolhermos aleatoriamente 10 vidros produzidos por esta
máquina, qual a probabilidade de nenhum deles ser defeituoso? Quantos
vidros podemos esperar que sejam defeituosos no conjunto dos 10?
43
3 – Da produção diária duma máquina retiram-se, para efeito de controlo, 10
peças. Da experiência conclui-se que 80% das peças podem considerar-se
“boas”. Calcule a probabilidade de, nas 10 peças, haver mais de 8 peças
“boas”.
44
As hipóteses segundo as quais são gerados os eventos associados à
distribuição de Poisson são as hipóteses do processo de Poisson aproximado.
e −λ λ x
f ( x) = , x = 0, 1, 2, ... (λ > 0)
x!
45
Mostra-se que
E [X ] = V [X ] = λ
e − λ t (λ t ) x
f ( x) = P[ X (t ) = x ] = , x = 0, 1, 2, ... (λ > 0)
x!
46
4.3 Aproximação da Binomial pela Poisson
Exercícios
1 – Observou-se que num certo ponto de uma estrada rural os carros passam
a uma taxa média de 3 por hora. Suponha-se que os momentos em que os
carros passam são independentes e seja X o nº de carros que passam neste
ponto num intervalo de 20 minutos. Calcule P[X = 0] e P[X ≥ 2] .
47
3 – O número de pessoas que acorrem diariamente a certo serviço de
atendimento ao público é uma v.a. com distribuição de Poisson de média
15. O serviço funciona das 10 às 16 horas e atende no máximo 25 pessoas
por dia.
48
5. ESTUDO DAS DISTRIBUIÇÕES DE PROBABILIDADE
CONTÍNUAS MAIS UTILIZADAS EM ECONOMIA E EM
GESTÃO
1
, a< x<b
b−a
f ( x) =
0 , x ≤ a ou x ≥ b
a+b (b − a ) 2 b−a
E[X ] = ; V [X ] = ; σX =
2 12 12
49
A função de distribuição de X ∼ U (a, b) vem
0 , x≤a
x−a
F ( x) = , a< x<b
b−a
1 , x≥b
Exercícios
50
5.2 Distribuição Normal
−( x − µ ) 2
1 2σ 2
f ( x) = e , − ∞ < x < +∞ , − ∞ < µ < +∞ , σ > 0
σ 2π
E[X ] = µ ; V [X ] = σ 2 ; σ X = σ
Z −µ
Se Z ∼ N ( µ , σ ) então a v.a. X = tem distribuição N (0, 1) , ou seja, X
σ
tem distribuição Normal estandardizada.
x2
1 − 2
φ ( x) = e
2π
51
Só a Normal estandardizada está tabelada. Há tabelas para φ (x ) e Φ (x) ,
mas usa-se quase sempre a tabela de Φ (x) .
x1 − µ x0 − µ
P [x0 < X < x1 ] = Φ −Φ
σ σ
x−µ
P[ X < x ] = Φ
σ
x−µ
P[ X > x ] = 1 − Φ
σ
52
Exercícios
53
5.3 Aproximações da Binomial e da Poisson pela Normal. Teorema do
Limite Central.
N
X i − Nµ
i =1
ZN =
Nσ
Z N ∼ N ( 0 ,1 )
N
Xi − N p
i =1
∼ N(0,1)
N p (1 − p)
54
N
Note-se que no teorema anterior X = X i ∼ B( N ; p ) . Assim, quando N é
i =1
X −λ
lim P λ ≤ x = Φ( x) .
λ → +∞
X −λ
∼ N ( 0 ,1 )
λ
55
Exercícios
2 – O número de acessos, por dia, a um certo site da internet é uma v.a. com
distribuição de Poisson de parâmetro =30.
56