04 Probabilidade

Universidade Federal de Santa Catarina
Centro Tecnológico de Joinville – CTJ

Dep. de Engenharias da Mobilidade – EMB
EMB 5010
Estatística e probabilidade para engenharia
Probabilidade
APRESENTAÇÃO
Prof. Luís Fernando Peres Calil

fernando.calil@ufsc.br
Probabilidade
Probabilidade
Mensuração da chance de ocorrência de fenômenos

aleatórios, mostrando como poderão ocorrer os fatos.
Base teórica para a análise inferencial.
Fonte: Barbetta, Reis e Bornia (2009)

Centro Tecnológico de Joinville EMB 5010 – Estatística e probabilidade para engenharia
Probabilidade
Modelos probabilísticos

Probabilidade
Demônio de Laplace
“Para esta inteligência nada seria incerto, e o
futuro, assim como o passado, estaria presente diante
dos seus olhos.”
“Todos os esforços na busca pela verdade tendem a
levar a mente humana cada vez mais próxima da
inteligência que acabamos de mencionar, entretanto
sempre restará uma distância infinita dela.”
(LAPLACE, 1995, p. 2)
Probabilidade
Modelos determinísticos: modelos que não contém

nenhuma variável aleatória, ou seja, para um conjunto
conhecido de dados de entrada teremos um único conjunto de
resultados de saída.
Modelos probabilísticos: modelos que possuem uma

ou mais variáveis aleatórias como entrada, que levam a
saídas aleatórias.

Probabilidade
Modelos determinísticos: modelos que não contém

nenhuma variável aleatória, ou seja, para um conjunto
conhecido de dados de entrada teremos um único conjunto de
resultados de saída.
Modelos probabilísticos: modelos que possuem uma

ou mais variáveis aleatórias como entrada, que levam a
saídas aleatórias.
Erro epistemológico
(ou meta-incerteza)
Probabilidade
Construção de modelos de probabilidade para

entender melhor os fenômenos aleatórios
São aplicados em situações que envolvem algum tipo de

incerteza; mais especificamente, algum experimento
aleatório como princípio para a construção dos modelos.

Probabilidade
Exemplos de experimentos aleatórios (exemplo 4.1):
a) o lançamento de dados e a observação da face voltada

para cima;
b) a observação dos diâmetros (em mm) de eixos

produzidos em uma metalúrgica;
c) o número de mensagens que são transmitidas

corretamente por dia em uma rede de computadores.
Probabilidade
Modelos probabilísticos (caso discreto)
Definição do
experimento
Definição dos Primeiro

resultados possíveis do elabora-se o
experimento
modelos
probabilístico,
Definição de uma regra que depois é feita a
obtenha a probabilidade de análise
cada resultado ocorrer.

Probabilidade
Espaço amostral
&
eventos

Probabilidade
Espaço amostral e eventos
ESPAÇO AMOSTRAL
 O conjunto de todos os possíveis resultados do
experimento é chamado de espaço amostral e é
denotado pela letra grega Ω.
 Um espaço amostral é dito discreto quando ele for
finito ou infinito enumerável; é dito contínuo quando
for infinito, formado por intervalos de números reais.
 Exemplo 4.2:
 Lançamento de dados → Ω =
 Diâmetros de um eixo → Ω =
Probabilidade
ESPAÇO AMOSTRAL
 O conjunto de todos os possíveis resultados do
experimento é chamado de espaço amostral e é
denotado pela letra grega Ω.
 Um espaço amostral é dito discreto quando ele for
finito ou infinito enumerável; é dito contínuo quando
for infinito, formado por intervalos de números reais.
 Exemplo 4.2:
 Lançamento de dados → Ω = {1, 2, 3, 4, 5, 6}.
 Diâmetros de um eixo → Ω = {d, tal que d > 0}
Probabilidade
EVENTOS
 Chamamos de evento a qualquer subconjunto do
espaço amostral:
 A é um evento ⇔ A ⊆ Ω
 Exemplo 4.3:
 Lançamento de dados → Ω = {1, 2, 3, 4, 5, 6}
Sejam os eventos:
A = número par do dado = {2, 4, 6}
B = número maior que 2 do dado = {3, 4, 5, 6}
C = número 6 = {6}
Probabilidade
 Operação entre eventos
complementar:
União: A ∪ B Interseção: A ∩ B A

Probabilidade
 Operação entre eventos

Probabilidade
 Exemplo 4.3, lançamento de dados → Ω = {1, 2, 3, 4, 5, 6}
 Sejam os eventos:
C = número 6 = {6}
 Eventos complementares
A = número impar do dado = {1, 3, 5}
B = número do dado menores e iguais a 2 = {1, 2}
C = não 6 = {1, 2, 3, 4, 5}
 Algumas uniões
A U B = {2, 3, 4, 5, 6}; AUĀ=Ω
 Algumas interseções
A ∩ B = {4, 6}; A ∩ Ā = {} = Ø
Probabilidade
C = número 6 = {6}
 Eventos complementares
A = número impar do dado = {1, 3, 5}
B = número do dado menores e iguais a 2 = {1, 2}
C = não 6 = {1, 2, 3, 4, 5}
 Algumas uniões
A U B = {2, 3, 4, 5, 6}; AUĀ=Ω
 Algumas interseções
A ∩ B = {4, 6}; A ∩ Ā = {} = Ø
Probabilidade
 Eventos mutuamente exclusivos
 Eventos são ditos mutuamente exclusivos se e só se
eles não puderem ocorrer simultaneamente.
 A e B são mutuamente exclusivos ⇔ A ∩ B = ∅

Probabilidade
C = número 6 = {6}
 Ā ∩ C = {} = Ø; portanto, são mutualmente exclusivos.

Probabilidade
Probabilidade de eventos

Probabilidade
 Exemplo 4.4
Suponha um lançamento de uma moeda; intuitivamente
diz-se que a probabilidade de ocorrer “cara” é de 50%.
 Escolhendo uma carta de um baralho comum; a
probabilidade é de 25% que ela seja de “espadas”.

 Como se obteve estes valores?
 Lançamento da moeda: Ω = {cara; coroa}
Então: 1 chance em 2, ou ½ = 50%
 Seleção de uma carta: Ω = {ouros; espadas; copas; paus}
Então: 1 chance em 4, ou ¼ = 25%
Probabilidade
 Espaços amostrais discretos equiprováveis
nA
P  A=
n
sendo:
 “n” resultados igualmente prováveis,
 “nA” destes resultados pertencem a um certo evento “A”
 Espaços amostrais discretos
 Se A ⊆ Ω = {ω1, ω2, ω3, ... }, então:
P  A= ∑ P i 
i : i ∈ A
Probabilidade
 Exemplo, lançamento de dados → Ω = {1, 2, 3, 4, 5, 6}:
 Se A ⊆ Ω = {ω1, ω2, ω3, ... }, então:

P  A= ∑ P i 
i : i ∈ A
 P(números pares) = P({2, 4, 6})

= P(2) + P(4) + P(6)
= 1/6 + 1/6 + 1/6 = 1/2

Probabilidade
 Definição experimental de probabilidade

Seja:
 n(A) o número de vezes que ocorreu um evento
 n o número de repetições do experimento aleatório
n  A
f  A=
n
 Note-se que no limite de n → ∞

n A
P  A=lim f  A=lim
n∞ n∞ n

Probabilidade
 Exemplo 4.5:
Na especificação do período de garantia de lampadas, estima-
se um tempo médio de vida de 5.000 horas. Optou-se, então,
por fazer experimento para registrar a duração das lampadas.
Assim:
 Ω = {t, tal que t > 0}
 A = a lambada funcionar até o tempo t

t
Pode-se registrar os tempos de funcionamento e definir:
 f(A ) = n(A ) / n
t t
Aproximando-se P(At) = f(At), pode-se definir um período de
garantia. Fonte: Barbetta, Reis e Bornia (2009)
Probabilidade
 Propriedades
 0 ≤ P(A) ≤ 1
 P(∅) = 0
 P(Ω) = 1
 Probabilidade do evento complementar
P  A=1−P  A
Exemplo, lançamento de dados:
P ocorrer seis= P {6}=1/6
P não ocorrer seis=1−1/6=5/6
Probabilidade
 Propriedades (continuação)
 Regra da soma das probabilidades
P  A∪B=P  AP  B− P  A∩B
Se “A” e “B” forem

mutualmente exclusivos, então:
P  A∪B=P  AP  B
Probabilidade
 Exemplo, lançamento de dados:
Ω = {1, 2, 3, 4, 5, 6}
P(Ω) = 1
Ei = i (i = 1, 2, 3, 4, 5, 6)
Para um dado honesto → Ei = 1/6 (i = 1, 2, 3, 4, 5, 6)
Como os eventos são mutualmente exclusivos:

3 1
P  E 1∪ E 2∪ E 3 = P {1, 2, 3}= =
6 2

Probabilidade
 Exemplo, lançamento de dados:
Ω = {1, 2, 3, 4, 5, 6}
P(Ω) = 1
Ei = i (i = 1, 2, 3, 4, 5, 6)
Para um dado honesto → Ei = 1/6 (i = 1, 2, 3, 4, 5, 6)
Como os eventos são mutualmente exclusivos:

3 1
P  E 1∪ E 2∪ E 3 = P {1, 2, 3}= =
6 2

Probabilidade
 Exemplo, lançamento de dados (continuação):
Sejam os eventos:
 A = {2, 4, 6}; B = {3, 4, 5, 6}
Assim:
 P(A ∩ B) = {4, 6}
 P(A) = 1/2 ; P(B) = 2/3 ; P(A ∩ B) = 1/3
P(A U B) = P(A) + P(B) – P(A ∩ B)

= 1/2 + 2/3 – 1/3 = 5/6
Probabilidade
 Exemplo, lançamento de dados (continuação):
Sejam os eventos:
 A = {2, 4, 6}; B = {3, 4, 5, 6}
Assim:
 A ∩ B = {4, 6}
 P(A) = 1/2 ; P(B) = 2/3 ; P(A ∩ B) = 1/3
P(A U B) = P(A) + P(B) – P(A ∩ B)

= 1/2 + 2/3 – 1/3 = 5/6
Probabilidade
 Exemplo extra, Mega-Sena.
Qual a probabilidade de acertar 6 números da Mega-Sena apostando
6 dezenas, por exemplo: S6 = {sena}

Probabilidade
6 números marcados dividido por 60 números possíveis
6 5 4 3 2 1 1
P S 6 = . . . . . =
60 59 58 57 56 55 50.063.860
No segundo sorteio, restam 59 possíveis números e existem

mais 5 números marcados (um dos 6 marcados foi “utilizado”
para acertar o primeiro número).

Probabilidade
6 dezenas, por exemplo: Q6 = {quadra}

Probabilidade
6 dezenas, por exemplo: Q6 = {quadra}
P Q 6 = {
6 5 4 3 54 53
. . . . .
60 59 58 57 56 55
. {15 }= }{ }
1
2.332,84
Acertar 4 número Errar 2 número Combinações possíveis
Q Q Q Q E E Q Q Q E E Q Q E Q E Q Q
Q Q Q E Q E Q Q E Q E Q E Q Q E Q Q 15
Q Q E Q Q E Q E Q Q E Q Q E E Q Q Q combinações
Q E Q Q Q E E Q Q Q E Q E Q E Q Q Q
E Q Q Q Q E Q Q E E Q Q E E Q Q Q Q
possíveis
Onde: “Q” é um número da quadra e “E” é um número não sorteado.

Probabilidade
Probabilidade condicional

Probabilidade
 Exemplo 4.7
a) Se retirarmos, ao acaso, um dos 6.850 itens, qual a

probabilidade dele estar fora de especificação (F)?
b) Qual a probabilidade dele estar fora de especificação
(F), sabendo que ele é do tipo UHT?
Probabilidade
 Exemplo 4.7
a)
O espaço amostral é de 6.850 itens e o número de itens

defeituosos é 350, então:
350
P  F = =0,051
6.850

Probabilidade
 Exemplo 4.7
b)
O espaço amostral, neste caso, é de 1.150 itens e o número

de itens defeituosos é 50 (coluna UHT), então:
50
P  F∣U = =0,032
1550
Note que: 50
50 6850 P  F ∩U 
P  F∣U = = =
1550 1550 P U 
6850
Probabilidade
 Exemplo 4.7
Note-se que P(F) ≠ P(F|U). Isto significa que a ocorrência
do evento U influencia na ocorrência do evento F.
350 50
P  F = =0,051 P  F∣U = =0,032
6.850 1550

Probabilidade
EVENTOS INDEPENDENTES
Dois ou mais eventos são independentes quando a

ocorrência de um dos eventos não influencia a
probabilidade da ocorrência dos outros. Nesse caso:
P  A∣B= P  A e P  B∣A= P  B
A e B são independentes P  A∩ B= P  A. P  B

Probabilidade
DEFINIÇÃO DE PROBABILIDADE CONDICIONAL
Sejam A e B eventos quaisquer, sendo P(B) > 0.

Definimos a probabilidade condicional de A dado B por:
P  A∩B
P  A∣B=
P  B

Probabilidade
 Exemplo 4.8
 Seja o lançamento de 2 dados não viciados e a
observação das faces voltadas para cima.
{ }
1,1 1,2 1,3 1,4 1,5 1,6
2,1 2,2 2,3 2,4  2,5 2,6
3,1 3,2 3,3 3,4 3,5 3,6
=
4,1 4,2 4,3 4,4 4,5 4,6
5,1 5,2 5,3 5,4 5,5 5,6
6,1 6,2 6,3 6,4 6,5 6,6
a) Calcule a probabilidade de ocorrer faces iguais,

sabendo-se que a soma é menor ou igual a 5
Probabilidade
 Exemplo 4.8
E1 = faces iguais:
{(1, 1), (2, 2), (3, 3), (4, 4), (5, 5), (6, 6)}
E2 = soma das faces é menor ou igual a 5:
{(1, 1), (1, 2), (1, 3), (1, 4), (2, 1),
(2, 2), (2, 3), (3, 1), (3, 2), (4, 1)}.

Probabilidade
 Exemplo 4.8
2
P  E 1∩E 2  36 2
P  E 1∣E 2 = = = =0,2
P  E 2 10 10
36

Probabilidade
 Exemplo 4.8
b) Calcule a probabilidade da soma é menor ou igual
a 5, sabendo que as faces iguais.
P  E 2∣E 1 =

Probabilidade
 Exemplo 4.8
b) Calcule a probabilidade da soma é menor ou igual
a 5, sabendo que as faces iguais.
2
P  E 1∩E 2  36 2
P  E 2∣E 1 = = = =0,3333
P  E 1 6 6
36

Probabilidade
Regra do produto

Probabilidade
 Regra do produto
P  A∩B
P  A∣B= P  A∩B=P  B. P  A∣B
P  B
P  B∩ A
P  B∣A= P  A∩B=P  A. P  B∣A
P  A
Para 3 eventos:
P  A∩B∩C =P  A. P  B∣A. P C∣A∩B

Probabilidade
 Exemplo 4.9
Retira-se 2 cartões, ao acaso, de uma caixa com 4

cartões amarelos e 8 vermelhos (SEM reposição).
a) Qual a probabilidade de 2 amarelos?
Ω = {(A1, A2), (A1, V2), (V1, A2), (V1, V2)}

Probabilidade
 Exemplo 4.9
a) Ω = {(A1, A2), (A1, V2), (V1, A2), (V1, V2)}
4 pois são 4 amarelos em 12 cartões
P  A1 =
12
3 pois restaram 3 amarelos em 11 cartões
P  A2∣A1 =
11
Então:
4 3 1
P ( A1∩ A2 )=P ( A1). P ( A2∣A1 )= . =
12 11 11
Probabilidade
 Exemplo 4.9
b) Encontre a probabilidade de todos os eventos do
espaço amostral.

Probabilidade
 Exemplo 4.9
b) Encontre a probabilidade de todos os eventos do
espaço amostral. 3
P  A 2∣A1 = 1
11 A P  A1 ∩A 2 =
4 11
P  A1 = 8
12 A P V 2∣A1 =
11 8
V P  A1 ∩V 2 =
8 4 33
P V 1 = P  A 2∣V 1 =
12 11 A 8
P V 1 ∩A 2 =
33
V 7
P V 2∣V 1 =
11 14
V P V 1 ∩V 2 =
33
Probabilidade
 Exemplo 4.9
c) Qual a probabilidade de ter exatamente 1 amarelo?

Probabilidade
 Exemplo 4.9
c) Qual a probabilidade de ter exatamente 1 amarelo?
8 8 16
P { A1, V 2  ,V 1, A2 }= P  A1, V 2  P V 1, A2 =  =
33 33 33
d) Considere a retirada de 3 cartões, qual a probabili-
dade dos dois primeiros serem vermelhos e o terceiro
ser amarelo?

Probabilidade
 Exemplo 4.9
d)
???
P V 1∩V 2 ∩ A3 = P V 1 . P V 2∣V 1 . P  A3∣V 1∩V 2 
4 pois restaram 4 amarelos em 10 cartões

P  A3∣V 1 ∩V 2 =
10
8 7 4 28
P V 1∩V 2 ∩ A3 = . . =
12 11 10 165
Probabilidade
 Exemplo 4.10
Retira-se 2 cartões, ao acaso, de uma caixa com 4

cartões amarelos e 8 vermelhos (COM reposição).
Encontre a probabilidade de todos os eventos do

espaço amostral.
Ω = {(A1, A2), (A1, V2), (V1, A2), (V1, V2)}

Probabilidade
 Exemplo 4.10
4
P  A 2∣A1 = 1
12
A P  A1 ∩A 2 =
9
4
P  A1 =
12 A P V 2∣A1 =
8
12 2
V P  A1 ∩V 2 =
9
4
8 P  A 2∣V 1 =
P V 1 = 12 2
12 A P V 1 ∩A 2 =
9
V P V 2∣V 1 =
8
12 4
V P V 1 ∩V 2 =
9
Probabilidade
 Exemplo extra
Você encontrou uma pessoa conhecida na rua com uma

menina. A pessoa de informou que tem dois filhos e que a
menina é um deles.
Qual a probabilidade dessa pessoa ter duas filhas?

Probabilidade
 Exemplo extra
1
P ( A2∣A1 )= 1
2
A P ( A1∩ A2 )=
4
1
P ( A1 )=
2 A P (O 2∣A1)=
1
2 1
O P ( A1∩O 2 )=
4
1
1 P ( A2∣O 1)=
P (O1 )= 2 1
2 A P (O1 ∩ A2 )=
4
O P (O 2∣O1 )=
1
2 1
O P (O1 ∩O 2 )=
4

Probabilidade
 Exemplo extra
1
P ( A2∣A1 )= 1
2
A P ( A1∩ A2 )=
4
1
P ( A1 )=
2 A P (O 2∣A1)=
1
2 1
O P ( A1∩O 2 )=
4
1
1 P ( A2∣O 1)=
P (O1 )= 2 1
2 A P (O1 ∩ A2 )=
4
O P (O 2∣O1 )=
1
2 1
O P (O1 ∩O 2 )=
4

Probabilidade
 Exemplo extra
P ( A1 ∩ A2 )
P ( A1∩ A2∣Ai ) =
P( A1 ∩ A2 )+ P ( A1 ∩O 2 )+ P (O1 ∩A 2 )
1
1 4 1
A P( A1∩ A 2)= = =
4 1 1 1 3
+ +
A 4 4 4
1
O P( A1∩O 2)=
4
1
A P(O1∩ A2 )=
4
O
Probabilidade
Teorema da probabilidade total

Probabilidade
 Exemplo 4.12
Ilustração da formação de um lote de peças provindas de
4 fornecedores E1, E2, … Ek
a) Ei ∩ Ej = Ø para todo i ≠ j (mutualmente exclusivos)

b) E1 U E2 U ... U Ek = Ω (eventos exaustivos)
c) P(Ei) > 0 para i = 1, 2, ..., n
Probabilidade
 Exemplo 4.12
F = F ∩ E 1  ∪  F ∩ E 2 ∪ ⋯ ∪ F ∩E k 
P  F = P [ F ∩ E 1  ∪  F ∩ E 2 ∪ ⋯ ∪ F ∩E k  ]
= P  F ∩ E 1   P  F ∩ E 2  ⋯  P  F ∩ E k 
k
P  F =∑ P  E i . P  F∣E i 
i=1 Fonte: Barbetta, Reis e Bornia (2009)
Probabilidade
 Exemplo 4.12 (continuação)
 Os eventos E representam
i
4 empresas fornecedoras
 O evento F representa peças não conformes
 Suponha:
 P(E1) = P(E2) = P(E3) = P(E4) = 0,25

 P(F | E1) = 0,1 P(F | E2) = 0,1
P(F | E3) = 0,2 P(F | E4) = 0,4
Então:
P(F) =
Probabilidade
 Os eventos E representam
i
4 empresas fornecedoras
 O evento F representa peças não conformes
 Suponha:
 P(E1) = P(E2) = P(E3) = P(E4) = 0,25

 P(F | E1) = 0,1 P(F | E2) = 0,1
P(F | E3) = 0,2 P(F | E4) = 0,4
Então:
P(F) = (0,25).(0,1)+(0,25).(0,1)+(0,25).(0,2)+(0,25).(0,4) = 0,2
Probabilidade
Teorema de Bayes

Probabilidade
Teorema de Bayes
 Lembrando: Então:
P  E i ∩ F = P  E i∣F . P  F  P  E i . P  F∣E i 
P  E i∣F =
P  E i ∩ F = P  F∣E i . P  E i  PF
 Note-se que se Ei forem mutualmente excludentes:

k
P  F =∑ P  E i . P  F∣E i  Teorema da probabilidade total
i=1
P  E i . P  F∣E i 
 Então: P  E i∣F = k
∑ P E i . P  F∣E i 
i=1
Probabilidade
Teorema de Bayes
Sabendo que uma peça é não conforme (F), qual a
probabilidade dela ter sido fornecida pela Empresa 4 (E4)
 Já calculamos P(F):
k
P  F =∑ P  E i . P  F∣E i =0,2
i=1
 Então P(E4 | F)
P  E 4 ∩ F  0,25.0,40
P  E 4∣F = = =0,50
PF  0,20
Probabilidade
Teorema de Bayes
Sabendo que uma peça é não conforme (F), qual a
probabilidade dela ter sido fornecida pela Empresa 4 (E4)
 Já calculamos P(F):
k
P  F =∑ P  E i . P  F∣E i =0,2
i=1
 Então P(E4 | F)
P  E 4 . P  F∣E 4  0,25.0,40
P  E 4∣F = = =0,50
PF 0,20
Probabilidade
Teorema de Bayes
 Exemplo extra
Coloque-se no programa de televisão comandado por Monty Hall, no qual o
participante deve escolher uma de três portas disponíveis. Atrás de uma
delas tem um carro e das outras pequenos prêmios de consolação.
Assim, a probabilidade do carro estar em uma determinada porta é de 1/3, i.e.

1 1 1
p A= , p B= e pC =
3 3 3
Após escolher uma das portas, Monty Hall – que sabe onde está o carro –
diz que lhe dará mais uma oportunidade. Neste momento, ele abre uma
das outras duas portas (que tem um prêmio de consolação) e permite que
o participante reveja sua opção inicial.
Fonte: Gill (2002)
Probabilidade
Teorema de Bayes
 Exemplo extra
Por exemplo: suponha que se tenha escolhido a Porta A e que Monty Hall
tenha aberto a Porta B. Neste caso, poderia-se permanecer com a opção
pela Porta A ou trocar para a Porta C.
O que deveria ser feito?
Fonte: Gill (2002)

Probabilidade
Teorema de Bayes
 Exemplo extra
Por exemplo: suponha que se tenha escolhido a Porta A e que Monty Hall
tenha aberto a Porta B. Neste caso, poderia-se permanecer com a opção
pela Porta A ou trocar para a Porta C. O que deveria ser feito?
Se não for feita uma análise mais cuidadosa da situação, pode-se ter a
impressão de que foi escolhida a porta correta e o apresentador está querendo
te induzir ao erro. Pois poderia-se pensar que, ao abrir a Porta B, a chance do
carro estar em uma das duas portas seria de 50%.
Mas, é possível demonstrar que é estatisticamente mais interessante alterar a

opção para a Porta C – o que será apresentado à seguir.
Fonte: Gill (2002)
Probabilidade
Teorema de Bayes
 Exemplo extra
Para ilustrar, imagine que o
carro está na Porta A.
Existem 2 cenários em 3 do
jogador ganhar o carro, se
ele trocar a porta
selecionada.
No caso do jogador não

alterar, a chance permanece
1 em 3.
Fonte: The Economist (1999) apud Wikipedia (2012)

Probabilidade
Teorema de Bayes
 Exemplo extra
Outra maneira de ver o problema:
Porta B
Porta A Porta B Porta C

O apresentador abre a
Porta B
Porta A Porta C
1 2
P ( A)= P ( B∪C )=
3 3
Probabilidade
Teorema de Bayes
 Exemplo extra
A probabilidade do apresentador abrir a Porta B pode ser analisada por meio
de três probabilidades condicionais:
 A probabilidade dele abrir a Porta B, se o carro está na Porta A:
P  B Monty∣A=1/2
 A probabilidade dele abrir a Porta B, se o carro está na Porta B:
P  B Monty∣B=0
 A probabilidade dele abrir a Porta B, se o carro está na Porta C:
P  B Monty∣C =1
Pode-se, então, calcular a probabilidade do carro estar em cada porta, após o

apresentador ter aberto a Porta B:
Fonte: Gill (2002)
Probabilidade
Teorema de Bayes
 Exemplo extra
P  B Monty∣A . P  A
P  A∣B Monty =
P  B Monty∣A. P  AP  B Monty∣B. P  B P  B Monty∣C . P C 
P  B Monty∣C . P C 
P C∣B Monty =
P  B Monty∣A. P  AP  B Monty∣B . P  BP B Monty∣C . P C 
1 1
.
2 3 1
P  A∣B Monty = = Note que a
1 1 1 1 3
0 . 1. probabilidade do carro
2. 3 3 3
Assim: 1 estar na Porta C é o
1. dobro de estar na
3 2
P C∣B Monty = = Porta A
1 1 1 1 3
0 . 1 .
2. 3 3 3 Fonte: Gill (2002)
Probabilidade
Referências

Probabilidade
Referências
BARBETTA, P. A., REIS, M. M. & BORNIA, A. C. Estatística para Cursos de Engenharia e

Informática. 2ª ed., Editora Atlas, São Paulo, 2009.
GILL, Jeff. Bayesian Methods: A Social and Behavioral Sciences Approach. London:
Chapman & Hall/CRC, 2002
NASSAR, Silvia Modesto. Exercícios de Probabilidade: Lista 1. In: Apostila da Disciplina
INE 710700: Sistemas Especialistas Probabilísticos. Florianópolis: Universidade Federal de
Santa Catarina, 2003.
THE ECONOMIST (The Economist Newspaper). Getting the goat: When it comes to weighing
risks and probabilities, keep in mind this golden rule: never trust your guesses". The Economist
(The Economist Newspaper) 350: p. 110. 18 February 1999. Disponível em:
<http://www.economist.com/node/187166> Acesso em: 20 de dezembro de 2012.
WIKIPEDIA. Problema de Monty Hall. 2012. Disponível em:
<http://pt.wikipedia.org/wiki/Problema_de_Monty_Hall>. Acesso em: 20 de dezembro de 2012.

04 Probabilidade

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

04 Probabilidade

Enviado por

Direitos autorais:

Formatos disponíveis

Universidade Federal de Santa Catarina

Centro Tecnológico de Joinville – CTJ

Prof. Luís Fernando Peres Calil

Mensuração da chance de ocorrência de fenômenos

Base teórica para a análise inferencial.

Fonte: Barbetta, Reis e Bornia (2009)

Centro Tecnológico de Joinville EMB 5010 – Estatística e probabilidade para engenharia

Modelos determinísticos: modelos que não contém

Modelos probabilísticos: modelos que possuem uma

Centro Tecnológico de Joinville EMB 5010 – Estatística e probabilidade para engenharia

Modelos determinísticos: modelos que não contém

Modelos probabilísticos: modelos que possuem uma

Construção de modelos de probabilidade para

São aplicados em situações que envolvem algum tipo de

Fonte: Barbetta, Reis e Bornia (2009)

Exemplos de experimentos aleatórios (exemplo 4.1):

a) o lançamento de dados e a observação da face voltada

b) a observação dos diâmetros (em mm) de eixos

c) o número de mensagens que são transmitidas

Definição dos Primeiro

Fonte: Barbetta, Reis e Bornia (2009)

Centro Tecnológico de Joinville EMB 5010 – Estatística e probabilidade para engenharia

Fonte: Barbetta, Reis e Bornia (2009)

Fonte: Barbetta, Reis e Bornia (2009)

Fonte: Barbetta, Reis e Bornia (2009)

 Ā ∩ C = {} = Ø; portanto, são mutualmente exclusivos.

Fonte: Barbetta, Reis e Bornia (2009)

Centro Tecnológico de Joinville EMB 5010 – Estatística e probabilidade para engenharia

probabilidade é de 25% que ela seja de “espadas”.

 Se A ⊆ Ω = {ω1, ω2, ω3, ... }, então:

 P(números pares) = P({2, 4, 6})

Fonte: Barbetta, Reis e Bornia (2009)

 Definição experimental de probabilidade

 Note-se que no limite de n → ∞

Fonte: Barbetta, Reis e Bornia (2009)

 A = a lambada funcionar até o tempo t

P  A∪B=P  AP  B− P  A∩B

Se “A” e “B” forem

Como os eventos são mutualmente exclusivos:

Fonte: Barbetta, Reis e Bornia (2009)

Como os eventos são mutualmente exclusivos:

Fonte: Barbetta, Reis e Bornia (2009)

 P(A) = 1/2 ; P(B) = 2/3 ; P(A ∩ B) = 1/3

P(A U B) = P(A) + P(B) – P(A ∩ B)

 P(A) = 1/2 ; P(B) = 2/3 ; P(A ∩ B) = 1/3

P(A U B) = P(A) + P(B) – P(A ∩ B)

Centro Tecnológico de Joinville EMB 5010 – Estatística e probabilidade para engenharia

No segundo sorteio, restam 59 possíveis números e existem

Centro Tecnológico de Joinville EMB 5010 – Estatística e probabilidade para engenharia

Centro Tecnológico de Joinville EMB 5010 – Estatística e probabilidade para engenharia

Acertar 4 número Errar 2 número Combinações possíveis

Onde: “Q” é um número da quadra e “E” é um número não sorteado.

Centro Tecnológico de Joinville EMB 5010 – Estatística e probabilidade para engenharia

Centro Tecnológico de Joinville EMB 5010 – Estatística e probabilidade para engenharia

a) Se retirarmos, ao acaso, um dos 6.850 itens, qual a

O espaço amostral é de 6.850 itens e o número de itens

Fonte: Barbetta, Reis e Bornia (2009)

O espaço amostral, neste caso, é de 1.150 itens e o número

Note-se que P(F) ≠ P(F|U). Isto significa que a ocorrência

do evento U influencia na ocorrência do evento F.

Centro Tecnológico de Joinville EMB 5010 – Estatística e probabilidade para engenharia

Dois ou mais eventos são independentes quando a