Escolar Documentos
Profissional Documentos
Cultura Documentos
Introdução à
Probabilidade
Teste de
Estimação
Hipóteses
Pontual Intervalar
Lógica
Não há um número a partir do qual uma população seja
caracterizada como finita ou infinita, mas consideramos a
população como finita caso a razão n/N > 0,05, onde n é o
tamanho da amostra e N o da população.
Exemplo
Caso a característica a ser investigada seja renda, a
população é dita como simples.
Caso, além da renda, outra(s) característica(s) entrem no
escopo do estudo, a população passa a ser considerada
composta.
Exemplo
A distribuição das idades dos alunos desta turma tem
coeficiente de variação de 12% (homogênea), enquanto a do
ano passado tinha uma dispersão relativa de 49%
(heterogênea).
Exemplos
– Os alunos desta turma constituem uma amostra de
todos os alunos da faculdade.
– João, Marcela, Ricardo e Sandra são unidades da
amostra dos alunos desta turma.
Lógica
Há que se hierarquizar as prioridades entre esses
elementos. Maior precisão aumenta o custo de coleta e o
tempo para a obtenção dos dados.
N
Amostras sem reposição
n
n
N Amostras com reposição
N 10 10!
= = = 45
n 2 2! (10 − 2)!
Jogar duas moedas {(Ca Ca), (Ca Co), (Co Ca), (Co Co)}
Consumo de energia [0 ; )
A = {2, 4, 6}
O 5 S
o2
O 3 A O 1
o6 o4
Resultado
Evento A Eventual
2) Intersecção ( ): A B = B A
Operações
entre eventos
O 5
o2
O 3 O 1 AA=Ω
o6 o4
P(A)= 1 – P(A)
Evento A
ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE
Axiomas de Probabilidade
Conseqüência:
0 P ( A) 1 para todo evento A, A ⊂ Ω
Teoremas de Probabilidade
Demonstração:
𝑃(𝐴) = 𝑃(𝐴 ∪ ϕ)
⇒ 𝑃(𝐴) = P A + P 𝜙
⇒ P 𝜙 = 0.
Demonstração:
A = − A
C
P ( AC ) = P ( ) − P ( A)
P ( AC ) = 1 − P ( A)
A B A B
A 𝐵 ∩ 𝐴𝐶
A B A B
A 𝐵 ∩ 𝐴𝐶
P A ∪ 𝐵 = P A + 𝑃 𝐵 ∩ 𝐴𝐶 (1)
A B A B
A∩𝐵 𝐵 ∩ 𝐴𝐶
(𝐴 ∩ 𝐵) ∩ 𝐵 ∩ 𝐴𝐶 = 𝜙
P 𝐵 ∩ 𝐴𝐶 = P B − P 𝐴 ∩ 𝐵 (2)
B C A B
A∩𝐵 𝐵 ∩ 𝐴𝐶
(𝐴 ∩ 𝐵) ∩ 𝐵 ∩ 𝐴𝐶 = 𝜙
P 𝐵 ∩ 𝐴𝐶 = P B − P 𝐴 ∩ 𝐵 (2)
P A ∪ 𝐵 = P A + 𝑃 𝐵 ∩ 𝐴𝐶
P A∪𝐵 =P A +P B −P 𝐴∩𝐵
Probabilidade
[0,1]
1 2 3 4 5 6
1 (1,1) (1,2) (1,3) (1,4) (1,5) (1,6)
2 (2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
3 (3,1) (3,2) (3,3) (3,4) (3,5) (3,6)
4 (4,1) (4,2) (4,3) (4,4) (4,5) (4,6)
5 (5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
6 (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
Portanto,
𝑃 𝐴 ∩ 𝐵 = 𝑃 𝐴 × 𝑃 𝐵 = 1/6 × 1/6 = 1/36
O espaço amostral é:
Ω: {1, 2, 3, 4, 5, 6}
Os eventos favoráveis aos eventos A e B são
𝐴: 3 ; 𝐵: 5 e 𝐴 ∪ 𝐵: {3,5}
1
𝑃 𝐴 = 1 1 2 1
6 2 1
𝑃 𝐴 +𝑃 𝐵 = + = =
6 6 6 3
e 𝑃 𝐴∪𝐵 = =
1 6 3
𝑃 𝐵 =
6
1 1 1
Consequentemente 𝑃 𝐴 ∪ 𝐵 = 𝑃 𝐴 + 𝑃 𝐵 = + =
6 6 3
P( A e B)
P( A | B) =
P (B )
A
Ω
P ( A B )
P ( A |B ) =
P (B )
AB
Casos Favoráveis
P ( A B)
P ( A | B) = , P ( B) 0
P ( B)
P( A) =
n( A) 3 1
= =
n() 6 2 P ( A B) 1 3 1 . 2 2
P ( B | A ) =
P ( A)
= = =
n( A B) 2 1 1 2 3 1 3
P ( A B) = = =
n() 6 3
ADRIELE GIARETTA BIASE - PROBABILIDADE
Probabilidade Condicional
Exemplo 2: Em uma urna tem-se 40 bolas, sendo10 pretas e 30 vermelhas (20 com
manchas brancas e 10 sem manchas). Qual a probabilidade de se ter uma bola
vermelha com mancha branca, sabendo que o evento bola vermelha já ocorreu.
Probabilidades
P 1
4
1/4
VB 3 2 6 1
3/4 2/3 × = =
4 3 12 2
V 3 1 3 1
1/3 × = =
4 3 12 4
V
𝑃 𝐵 = 𝑃(𝐴𝑖 ) × 𝑃(𝐵/𝐴𝑖 )
𝑖=1
𝑃 𝑉 = 𝑃 V 𝐶1 × 𝑃 𝐶1 + 𝑃 V 𝐶2 × 𝑃 𝐵2
2 1 3 1 7
= × + × =
5 2 10 2 10
ADRIELE - INTRODUÇÃO À PROBABILIDADE
DISTRIBUIÇÕES CONJUNTAS
Quando investigamos dois eventos, ambos com número
finito de resultados eventuais, como fizemos no cálculo de
probabilidades condicionais, os resultados eventuais podem
ser organizados segundo uma tabela de dupla entrada.
1 (1 1 1) (0,2)(0,2)(0,2) = 0,008
1 0
(1 1 0) (0,2)(0,2)(0,8) = 0,032
1 0 1 (1 0 1) (0,2)(0,8)(0,2) = 0,032
0
(1 0 0) (0,2)(0,8)(0,8) = 0,128
0 1 (0 1 1) (0,8)(0,2)(0,2) = 0,032
1 0
(0 1 0) (0,8)(0,2)(0,8) = 0,128
0 1 (0 0 1) (0,8)(0,8)(0,2) = 0,128
0
(0 0 0) (0,8)(0,8)(0,8) = 0,512
Total 1,000
PROFº GILMAR JÚNIOR E JULIANO BORTOLINI - DISCIPLINA DE INFERÊNCIA ESTATÍSTICA - ESPECIALIZAÇÃO EM ESTATÍSTICA APLICADA
ÁRVORE DE EVENTOS
Se você precisasse acertar pelo Questão Questões
menos 2 questões para passar,
Certas
qual seria a sua probabilidade de 1 2 3
passar? Erra Acerta Acerta 2
Acerta Erra Acerta 2
Acerta Acerta Erra 2
Acerta Acerta Acerta 3
P(X2)=P(X=2)+P(X=3)=0,104
P(X=2) = P{(1,1,0) (1,0,1) (0,1,1)} = 0,096
P(X=3) = P{(1,1,1) =0,008
PROFº GILMAR JÚNIOR E JULIANO BORTOLINI - DISCIPLINA DE INFERÊNCIA ESTATÍSTICA - ESPECIALIZAÇÃO EM ESTATÍSTICA APLICADA
REGRA DE BAYES
Aumenta a precisão do cálculo de probabilidade de um
evento com o uso de informação adicional.
P( A )P(B | A )
i =1
i i
P( E | B) P( B)
P( B | E ) =
P ( E | A) P ( A) + P ( E | B ) P ( B )
0,05 0,40
P( B | E ) = = 0,625
0,02 0,60 + 0,05 0,40
P(E A) = P(A).P(E | A)
P(E B) = P(B).P(E | B)
B
95% (0,4)(0,95)=0,38
Acerto
P( E | B) P( B)
P( B | E ) =
P ( E | A) P ( A) + P ( E | B ) P ( B )
0,05 0,40
P( B | E ) = = 0,625
0,02 0,60 + 0,05 0,40
P ( F1 ) .P ( def | F1 )
P ( F1 | def ) =
P ( F1 ) .P ( def | F1 ) + P ( F2 ) .P ( def | F2 ) + P ( F3 ) .P ( def | F3 )
0, 40 * 0,01
P ( F1 | def ) = = 0,16
0, 40 * 0,01 + 0,30 * 0,04 + 0,30 * 0,03
ADRIELE GIARETTA BIASE - PROBABILIDADE
Fim do módulo