Escolar Documentos
Profissional Documentos
Cultura Documentos
Aula 2
1
Teoria das Probabilidade
2
Probabilidades – Introdução
5
(1) Experiência Aleatória
Experiência aleatória
DEFINIÇÃO: É um fenômeno aleatório a ser estudado cujos
resultados não podem ser preditos, com 100% de certeza.
Exemplos:
• Ω : “Nomes da lista telefônica do Rio de Janeiro”;
• Ω : “ Valores entre R$ 1.50 e R$ 150 (cotação do dólar em
02/03/2007)”;
• Se uma moeda é jogada 3 vezes e observamos a
seqüência de caras (H) e coroas (T), então o espaço
amostral Ω é tal que Ω = { HHH, THH, HTH, HHT, TTH, THT,
HTT, TTT}; e
• Se uma lâmpada é fabricada e testada até queimar, então
registra-se o tempo de ocorrência deste evento. Ou seja,8
o
espaço amostral Ω é tal que Ω = { x : x > 0 }.
(3) Eventos Aleatórios
Exemplos:
Nomes na lista telefônica que comecem com P e tenham
5 letras;
Cotação do dólar entre R$ 3.50 e R$ 8.50 em 02/03/2007;
O evento “sair 1 cara em 3 jogadas” é dado pelo
conjunto: { HTT, THT, TTH};
O evento “lâmpada durar menos de 1000 horas” pode
ser expresso como: { x : 0 < x < 1000}.
9
(3) Eventos Aleatórios
Espaço Amostral Ω
Evento A Evento B
11
Operações com Eventos – União.
Espaço Amostral Ω
Evento A Evento B
12
Operações com Eventos – Complementação.
Espaço Amostral
Ac
13
Eventos mutuamente exclusivos
A B
14
Definição axiomática de probabilidade
15
Definição axiomática de
probabilidade
Assuma que P(.) seja uma probabilidade. Se A Ω,
então P(A) é a probabilidade de que o resultado da
experiência aleatória seja um ponto amostral de um
evento aletório A.
A
[0,1]
probabilidade
S
16
Definição axiomática de
probabilidade
Seja Ω um espaço amostral e Ai, um i-ésimo
evento. Uma probabilidade P(.) é um função real
em Ω que satisfaz aos 4 axiomas abaixo:
i) P()=0;
ii) P(Ω) = 1;
iii) P(Ai)≥0, para todo i;
iv) P(A1 A2 A3 ... An) = P(A1) + P(A2) +
P(A3) + ...+ P(An), onde Ai (i=1,...,n) são
disjuntos 2 a 2.
Atenção:
Os quatro “axiomas de probabilidade” promovem uma função
real sobre Ω para (função de) "probabilidade".
P(Ac) = 1 - P(A);
0 P(A) 1;
20
Propriedades das
Probabilidades
Para quaisquer A1 e A2 em Ω:
Pr(A1 A2) = Pr(A1) + Pr(A2) - Pr(A1 A2).
A
B
C D
monica@ele.puc-rio.br 22
Casos particulares da lei da adição
23
Exemplo utilizando as propriedades das
probabilidades
Um banco possui 10 fundos de investimento. Desses,
6 são de renda fixa, 4 são corporativos e 2 são de
renda fixa e corporativos. Se escolhermos um fundo
ao acaso, qual é a probabilidade dele ser de renda
fixa ou corporativo?
25
Probabilidade Condicional
Ilustração:
Um grupo de pessoas inclui 40 com diploma de curso
superior, 20 microempresários e 10 que são, ao mesmo
tempo, portadores de diploma do curso superior e
microempresários.
26
Probabilidade Condicional
27
Probabilidade Condicional
28
Probabilidade Condicional
Exemplo:
Em uma amostra de 100 funcionários de
uma empresa:
• 35 são homens e fumantes;
• 28 são homens e não fumantes;
• 17 são mulheres fumantes; e
• 20 são mulheres e não fumantes.
29
Probabilidade Condicional
Não
Fumantes Homens Fumantes Total
fumantes
Homens 35 28 63
Mulheres 17 20 37
Total 52 48 100
Não
Mulheres fumantes
30
Probabilidade Condicional
Note que, quando definirmos que o evento B
ocorreu (“funcionário ser homem”), restringimos
o espaço amostral à ocorrência do evento A (ou
seja, “funcionário é fumante”).
O novo universo passa a ser o próprio evento B
Não
Fumantes Total
fumantes
Fumantes Homens Homens 35 28 63
Mulheres 17 20 37
Total 52 48 100
32
Probabilidade Condicional
35
Probabilidade Condicional
Para eventos independentes,
P(A | B) = (P(A). P(B))/P(B) = P(A).
36
Independência e Dependência
Exemplo
Tomou-se uma amostra com 1000 pessoas num
shopping-center com o objetivo de investigar a
relação entre renda familiar e posse de cartões de
crédito.
37
Independência e Dependência
Renda Familiar < R$ 500 R$ 501 a R$1000 R$ 1001 a R$ 2000 > R$ 2001
Núm. Cartões
0 260 170 80 20 530
1 50 100 110 60 320
2 ou mais 20 25 45 60 150
330 295 235 140 1000
Mas:
Pr(“renda abaixo de R$ 500”) = 330/1000 = 0.33
Pr( “0 cartões de crédito”) = 530/1000 = 0.53
Solução:
Sejam A e B os seguintes eventos:
A: “1º bola é vermelha”;
B: “2º bola é azul”.
Pr B | A
B
R B 1
O evento aleatório ( A B ) é definido por “primeira bola
é vermelha e a segunda bola é azul”, e a sua
probabilidade é:
P( A B) p P A .P B | A
R
.
B
R B R B 1
41
Probabilidade Condicional
42
Probabilidade Condicional
43
Exemplo
Solução
• Pr ( H ) = 0.4 = probabilidade de selecionar um homem
• Pr ( M ) = 0.6 = probabilidade de selecionar uma mulher
• Seja S o evento: "uma pessoa é fumante". Então: Pr (S |
H ) = 0.5 e Pr ( S | M ) = 0.3.
Desejamos encontrar Pr ( H |S ). 44
Exemplo
Pela definição de probabilidade condicional:
Pr H S Pr S | H Pr H
Pr H | S
Pr S Pr S
Mas Pr (H) e Pr (S | H) são conhecidas e, então,
só é preciso calcular Pr (S) (a probabilidade de
um fumante na população). Mas, note que:
S = (S M) (S H) e os conjuntos (S M) e (S H) são
disjuntos:
Pr ( S ) = Pr ( S M ) + Pr ( S H ) =
= Pr ( S | H ).Pr ( H ) + Pr ( S | M ).Pr ( M ) =
= ( 0.5 ) ( 0.4 ) + ( 0.3 ) ( 0.6 ) = 0.38.
45
Exemplo
Finalmente:
PrH S PrS | H PrH 0.50.4 20 10
PrH | S 0.5263
PrS PrS 0.38 38 19
46
Independência
47
Independência para mais de
dois eventos
Considere uma coleção de n eventos A1,
A2, ..., An. Estes eventos são mutuamente
independentes se, e somente se:
Pr ( A1 A2 ... An ) = Pr(A1) . Pr(A2) ... Pr(An).
48
Independência para mais de
dois eventos
Em particular, no caso de 3 eventos A, B e
C, a independência mutua ocorre se
TODAS as condições abaixo são
satisfeitas:
1) Pr( A B) = Pr(A).Pr(B)
2) Pr( A C) = Pr(A).Pr(C)
3) Pr( B C) = Pr(B).Pr(C)
4) Pr( A B C) = Pr(A).Pr(B).Pr(C)
49
Partição do Espaço Amostral
B1 B2
B3
A
B6 B
B4
B7
C D
B8
B5
50
Partição do Espaço Amostral
51
Partição do Espaço Amostral
52
Partição do Espaço Amostral
53
Teorema da Probabilidade
Total
É um resultado que decorre diretamente
das propriedades de uma partição, como
mostrado nas transparências anteriores.
Note que:
Pr(A) = Pr (A B1) + Pr (A B2) +... + Pr (A Bk).
E que:
Pr (A Bi ) = Pr( Bi ). Pr(ABi), para i =1, 2, ...., k.
55
Teorema de Bayes
j j j j
j 1 j 1
59
Exemplo - Bayes
Solução
a) Considere os eventos aleatórios:
A1: “ser economistas”; A2: “ ser engenheiros”; A3: “ser
analistas de sistemas”, G: “ter cargo de gerência”.
Sabemos que:
Pr(A1) = 0.40, Pr(A2) = 0.30, Pr (A3) = 0.30.
Também:
Pr(GA1) = 0.30, Pr(GA2) = 0.40 e Pr(GA3) = 0.10.
60
Exemplo - Bayes
61
Exemplo - Bayes
62
Exemplo - Bayes
Solução:
Aqui a partição “natural” da população já existe - os clientes
estão divididos em classes de consumo. Se soubermos que
alguém usa um telefone pré-pago, como isso afeta a
probabilidade da pessoa estar em cada uma das classes de
consumo?
64
Exemplo - Bayes
65
Exemplo - Bayes
66
Exemplo - Bayes
68
Exemplo - Bayes
69
Teorema de Bayes – para casa...
70
Teorema de Bayes – para casa...
71
Teorema de Bayes – para
casa...
Dentre os compradores de Volkswagen, 16% retornam à loja
com alguma reclamação sobre o carro adquirido.
72
Teorema de Bayes – para casa...
73
Teorema de Bayes – para casa...
74
Teorema de Bayes – para
casa...
Dentre os clientes que usam internet
menos de 10 horas por semana, 25%
estão interessados no acesso rápido
(banda larga).
77
Teorema de Bayes – para casa...
78