Escolar Documentos
Profissional Documentos
Cultura Documentos
FENÓMENOS DETERMINÍSTICOS
São aqueles que produzem sempre os mesmos resultados qualquer que seja o número
de ocorrências verificadas dos mesmos.
EXEMPLOS:
Determinado sólido que submetido à uma certa temperatura, passará para o estado
líquido.
FENÓMENOS ALEATÓRIOS
Como não se pode predizer que tipo de resultados iremos ter quando se trata de
fenómenos ou experimentos aleatórios, pode-se ao menos calcular a probabilidade
de ocorrência de determinados resultados.
1
EXEMPLOS DE EXPERIMENTOS ALEATÓRIOS:
Lançamento de um dado
Não se pode afirmar a classificação exacta que ele irá obter, antes da realização
do exame.
2
CARACTERÍSTICAS DE UM EXPERIMENTO OU EXPERIÊNCIA ALEATÓRIA
Importante: É com base nesta última característica que se desenvolve toda uma
teoria e um conjunto de modelos probabilísticos que tendem a explicar os
fenómenos aleatórios e dar uma indicação da sua maior ou menor probabilidade de
ocorrência.
Quantitativo
1, 2, 3, 4, 5, 6
Pela descrição abreviada desses elementos – Definição por compreesão.
t R:t 0
3
EVENTO OU ACONTECIMENTO ALEATÓRIO
1, 2, 3, 4, 5, 6
Sendo o (espaço de resultados) um conjunto, é possível formar subconjuntos dos seus
elementos, como por exemplo:
A 2 ; B 1, 3, 5 ; C 3, 6
Cujo significado é respectivamente:
A: Saída de face 2
RESULTADO – Indica algo que a experiência aleatória produziu efectivamente. Só tem sentido
depois de realizada a experiência.
EVENTO – O conceito de evento tem pleno sentido mesmo antes da experiência aleatória se
realizar.
Sendo o evento um conjunto de resultados possíveis de um experimento, ele pode ser formado por:
O evento a EVENTO ELEMENTAR – Para que este evento se realize, basta que ocorra
somente um resultado específico da experiência aleatória. Ex: A 2 ;
4
Ex: B 1, 3, 5 .
Portanto, na teoria das probabilidades, um evento não é um conceito referente ao passado, nem
um conceito com ocorrência assegurada no futuro, é apenas uma eventualidade (acontecimento
elementar) ou um conjunto de eventualidades (acontecimeno complexo) cuja ocorrência depende
do acaso.
IMPOSSÍVEIS: Ø – não existe qualquer resultado que torne viável a sua realização; O conjunto que o
define é o vazio.
5
DETERMINAÇÃO DO ESPAÇO AMOSTRAL
O diagrama de venn pode ser também utilizado para representar de forma simplificada e
sugestiva as operações que se definem sobre os eventos:
DIFERENÇA.
6
= e1 , e2 , e3 , , en e sendo A e B dois eventos, são definidas as seguintes operações:
✔ REUNIÃO DE EVENTOS
Com esta operação define-se um novo evento, união de A com B, ou soma lógica de A com B,
simbolicamente representado por A B , traduzido por:
A B e : e A e B, i 1,2,...,n.
i i i
Esse novo evento terá como elementos, pontos amostrais que pertencem à pelo menos um
dos eventos, isto é A B , consiste na realização de pelo menos um dos
contecimentos.
Para que se realize o evento reunião basta que ocorra pelo menos um dos eventos: ou A ou B
ou ambos.
OBS. A operação reunião de eventos pode ser generalizada à mais de dois eventos.
Dada uma sucessão infinita de acontecimentos A1, A2,---, An,----, define-se a sua união A
i1 i
como sendo o evento que ocorrerá se e somente se ocorrer pelo menos um dos eventos Ai.
✔INTERSECCAO DE EVENTOS
Com esta operação define-se um novo evento, intersecção ou produto lógico de A com B,
simbolicamente representado por A B , traduzido por:
A B e : e A e B, i 1,2,...,n.
i i i
Esse novo evento terá como elementos, pontos amostrais que pertencem simultâneamente
aos eventos A e B. Isto é A B é o evento que ocorre se e somente se, ocorrerem A
e B(em simultaneidade ou em sequência);
7
OBS. Também esta operação pode ser generalizada a um conjunto finito ou infinito de eventos.
Dada uma sucessão infinita de eventos, A1, A2,---, An,----, define-se a sua intersecção Ai
i 1
como sendo o evento que se realiza sse, ocorrerem todos os eventos Ai.
✔DIFERENCA DE EVENTOS
Será o evento constituido por todos os elementos de A que simultâneamente não pertencem à B,
traduzido por:
A B A \ B ei : ei A ei B .
DIAGRAMATICAMENTE:
CASO PARTICULAR:
8
No caso particular da diferença de dois eventos em que um dos eventos é o próprio espaço de
resultados( → evento certo ou seguro), o evento diferença denomina-se COMPLEMENTAÇÃO;
O complementar de qualquer evento A, representa-se por A e é o evento que ocorre quando não
ocorre A:
A A ei : ei A .
DIAGRAMATICAMENTE:
; ; A A .
9
Definição: dizemos que os eventos A1 , A2 ,..., An formam uma partição do espaço amostral se:
a) Ai Ø, i 1,... n
Os eventos não podem ser impossíveis.
b) Ai Aj , para i j
Ou seja os eventos são dois à dois mutuamente exclusivos (não podem ocorrer
simultaneamente numa mesma realização de um experimento aleatório.
c) Ai
i 1
A união de “n” eventos mutuamente exclusivos é o próprio espaço amostral . Diz-se que os
eventos são mutuamente exclusivos e exaustivos ou que formam uma partição de .
DEFINIÇÃO CLÁSSICA
Exemplo:
10
O nº de casos possíveis desse experimento é 6 → Faces de um dado 1, 2, 3, 4, 5, 6 .
E o nº de casos favoráveis à ocorrência de um resultado não inferior à 3 é 4 A 3,4,5,6 .
4
Pelo que a probabilidade do evento em causa é 0,667 .
6
OBS. Essa definição de probabilidade tem a limitação de se aplicar exclusivamente aos casos em
que os eventos elementares são igualmente prováveis ou seja os resultados que compõem esses
eventos terão que ter a mesma probabilidade de ocorrer.
1
Nesse experimento, 3, 4, 5 e 6 têm a mesma probabilidade de ocorrer que é de .
6
DEFINIÇÃO FREQUENCISTA
Ao número para o qual tende a frequência relativa f A , quando se aumenta o número de provas,
chama-se probabilidade do evento A:
P A lim f A .
n
Isto equivale a aceitar que numa sucessão numerosa de experimentos é praticamente certo que a
frequência relativa de A seja aproximadamente igual a P A .
EXEMPLO:
N° de Lançamentos 20 30 40 50 60 70 80 90 100
N° de vezes que saiu a face “cara” 14 12 25 19 30 39 48 42 49
Frequência relativa do evento: sair a face 0,7 0,4 0,62 0,38 0,5 0,56 0,6 0,47 0,46
“cara”
OBS. Embora esta definição seja útil, por exemplo no controle de qualidade, ela só se aplica aos
casos em que o experimento pode ser repetido um grande nº de vezes exactamente nas mesmas
11
condições. Por outro lado existem experiências e fenómenos que pela sua própria natureza, nunca
se repetirão. Por exemplo não se poderia fazer qualquer afirmativa probabilista à respeito do
evento: “chover amanhã”, usando a via frequêncista, já que o dia de amanhã jamais se repetira.
Aos meteorologistas estaria vedado o uso do cálculo das probabilidades. Sendo assim a via
frequêncista não é seguramente útil para estimar as probabilidades associadas à diferentes
eventos.
A probabilidade de um evento é dada pelo grau de credibilidade ou de confiança que cada pessoa
dá à realização de um evento.
Baseia-se na:
DEFINIÇÃO AXIOMÁTICA
Modernamente, adopta-se uma definição axiomática para a probabilidade. Isto significa que as
probabilidades dos eventos podem ser perfeitamente arbitrárias, excepto que devem satisfazer
certos axiomas. Portanto as probabilidades serão definidas com base num conjunto de regras ou
axiomas.
Função de Probabilidade
Definição → é a função “P” que associa à cada evento de F (conjunto formado por todos os
eventos, subconjuntos do ), um n° real pertencente ao intervalo 0, 1 , satisfazendo aos axiomas:
AXIOMA 1
AXIOMA 2
AXIOMA 3
P Ai i
i 1 i 1
12
TEOREMA 1
P A 1
n
i
i 1
TEOREMA 2
Se é o evento impossível, então P 0 .
Obs. A recíproca não é verdadeira, pois o facto de P A 0 , não implica que A seja impossível.
TEOREMA 3
TEOREMA 4
Teorema da soma
Sejam A e B . Então P A B P A P B P A B
Se A B então P A B 0 porque P 0 , e neste caso é valido o axioma 2.
13
CÁLCULO DE PROBABILIDADES EM ESPAÇOS AMOSTRAIS FINITOS → EVENTOS EQUIPROVÁVEIS.
P ei Pi , i 1,2,..., n.
Igualdade 1
n n
Temos : P ei Pi 1
i 1 i 1
P n * P 1 P n
n
1
A igualdade1 fica:
i 1
Logo, se os “n” pontos amostrais (eventos) são equiprováveis, a probabilidade de cada um dos
1
pontos amostrais é .
n
A e1 , e2 , e3 , , ek ; 1 k n
P e P k * P k * n .
k k
1
P A i
i 1 i 1
k
P A ; Sendo:
n
K= nº de elementos de A;
n = nº de elementos do ;
14
PROBABILIDADE CONDICIONAL
Na resolução de problemas práticos encontram-se com frequência situações nas quais se pretende
conhecer a probabilidade de ocorrência de um evento A quando se admite que ocorreu (ou
ocorrerá) um outro acontecimento B.
Sejam A e B
Por definição: A probabilidade condicional (ou probabilidade condicionada) de A dado que B
ocorre, (A/B) é dada por:
P A B
P A / B , Se P B 0
P B
P A B
P B / A , Se P A 0 .
P A
P A B P A / B * P B ou P A B P B / A * P A
15
EVENTOS INDEPENDENTES
P A / B P A ou se P B / A P B
P A B P A * P B
Isto é se a probabilidade da sua intersecção for igual ao produto das probabilidades de cada um
deles.
P Ai Aj P Ai * P Aj i, j 1,2,... n, com i j
P Ai Aj Ak P Ai * P Aj * P Ak
i, j , k 1,2,..., n, com i j , i k , j k
...
P A
n n
P Ai i
i 1 i 1
OBS. Se A e B são mutuamente exclusivos, então A e B são dependentes, pois se A ocorre, B não
ocorre, isto é, a ocorrência de um evento condiciona a não ocorrência do outro.
16
TEOREMA DA PROBABILIDADE TOTAL E FORMULA DE BAYES
n
A .
i 1 i
Ai Aj i j, i, j 1,2,..., n.
P Ai 0 i 1,2,..., n
Se os eventos A1 , A2 ,..., An definem uma partição sobre então para qualquer evento B definido
em tem-se que:
P B / A P A P B / A P A P B / A P A ... P B / A P A .
n
P B i i 1 1 2 2 n n
i 1
Demonstração:
B B
B B ( A1 A2 ... An )
n
B B A
i 1 i
n
B
i 1
( B Ai )
17
Dado que os eventos Ai são mutuamente exclusivos, então os eventos ( B Ai ) , i = 1,2, …, n, também
o são logo: Axioma III da probabilidade
P( B A )
n
P( B) P
n
( B A )
i 1 i
i
i 1
P( A ) P( B / A )
n
i i
i 1 Teorema do produto
DIAGRAMATICAMENTE: n=5
P (B) vem igual a soma das probabilidades dos
acontecimentos sombreados no diagrama, isto
e, dos acontecimentos ( Ai B) , com i =
1,2,3,4,5.
FORMULA DE BAYES
Sejam A1, A2, A3, …, An, eventos mutuamente exclusivos, tais que A1 A2 A3 ... An .
P Ai * P B / Ai
P Ai / B , i 1, 2,..., n.
P A1 * P B / A1 P A2 * P B / A2 ... P An * P B / An
Demonstração:
P Ai B P Ai * P B / Ai
P Ai / B ;
P B
P A * PB / A
n
i i
i 1
Por definição do teorema do produto (no numerador) e pelo teorema da probabilidade total (no
denominador).
18
Exemplo: Suponhamos a seguinte configuração:
U1 U2 U3
PRETAS 3 4 2
BRANCAS 1 3 3
VERMELHAS 5 2 3
Escolheu-se uma urna ao acaso e dela extraiu-se uma bola ao acaso, verificando-se que a bola é
branca. Qual é a probabilidade da bola ter vindo da urna 2? E da urna 3?
19
DISTRIBUIÇÕES TEÓRICAS DE PROBABILIDADES DE VARIÁVEIS ALEATÓRIAS DISCRETAS.
Neste capítulo iremos estudar os modelos de distribuições discretas de probabilidade que mais
frequentemente aparecem nas aplicações estatísticas e de maior importância na teoria da
probabilidade:
Distribuição Uniforme
Distribuição de “Bernoulli”
Distribuição Hipergeométrica
Distribuição Binomial
Distribuição de Poisson
DISTRIBUIÇÃO UNIFORME
Essa distribuição assume que os valores que uma variável aleatória discreta pode assumir, ocorrem
com igual probabilidade.
Vejamos um exemplo:
1
P / X 1, 2, 3, 4, 5, 6.
P X x 6
0 P / Outros valores.
Diz-se que a variável aleatória discreta X tem distribuição uniforme se a sua função de
probabilidade for dada por:
1
P / X 1, 2, 3, ......, n
P X x n
0 P / Outros valores.
A V.A. X assume um conjunto finito de valores, estando associado à cada um, uma probabilidade
1
constante K .
n
O parâmetro caracterizador desta distribuição é “n”, um valor inteiro positivo qualquer e que, em
geral, corresponde ao valor mais elevado assumido pela variável X.
Esse experimento é chamado de tentativa de Bernoulli em homenagem à James Bernoulli que foi a
primeira pessoa a estudar essas provas no fim do séc. 17.
X assume o valor “0” que corresponde ao fracasso, com probabilidade “q” ou o valor “1” que
corresponde ao sucesso, com probabilidade “p”. Sendo que p+q = 1.
X 0 Fracasso
X 1 com P X 0 q e P X 1 p .
2
X 1 Sucesso
DEFINIÇÃO
Nessas condições dizemos que a V.A. X tem distribuição de Bernoulli, e sua função de
probabilidade é dada por:
D P X x p x q1 x
MÉDIA E VARIÂNCIA
E X p
Var X p p 2 p1 p p * q .
E X p
Logo:
Var X pq
RESUMO:
0 q
X p X x p x * q1 x E X p e Var X pq
1 p
21
DISTRIBUIÇÃO BINOMIAL
Cada tentativa admite apenas dois resultados: fracasso com probabilidade q e sucesso
com probabilidade p, sendo que p+q = 1.
Logo:
P(X = 0) = q*q*q*q*…..q = qn
P X 1 n * p * q n1
n
p X k p k q n k
k
n
Que é a expressão geral da distribuição binomial. O nome bonomial é porque * p k * q n k nada
k
mais é que o termo de grau k em p no desenvolvimento do binômio de newton q p .
n
Então:
X : Bn, p ;
n
A sua função de probabilidade é dada por: p X k * p k * q n k
k
22
OBS.
Para determinar a probabilidade de se obter um dado número de sucessos, na distribuição
binomial, três valores são necessários:
O n°de sucessos X
MÉDIA E VARIÂNCIA
E X np
Var X npq .
DISTRIBUIÇÃO HIPERGEOMÉTRICA
Utilizada quando a amostragem se faz sem reposição de cada elemento de uma população finita.
Nesse caso não se pode aplicar o processo de bernuolli, uma vez que existe uma mudança
sistemática na probabilidade de sucesso, a medida que os elementos são retirados da população
(redução do espaço amostral), ao contrário do que acontece na distribuição binomial em que o
processo é estacionario.
r N r
*
k n k
P X k 0k n e k r.
N
n
23
N
Podemos tirar amostras diferentes sem reposição.
n
r
Os sucessos na amostra podem ocorrer de maneiras diferentes e os fracassos de
k
N r
modos.
n k
MÉDIA E VARIÂNCIA
E X np e Var X np1 p
N n
N 1
r
onde p
N
RESUMO:
r N r
*
k n k
P X k 0k n e k r
N
n
E X np e Var X np1 p
N n
N 1
r
onde p
N
EXEMPLO:
Suponha que de um lote de 20 peças das quais duas são defeituosas, se extrai uma amostra de 5
peças sem reposição.
Qual a probabilidade de, nas 5 peças extraidas, nenhuma ser defeituosa?
Se se defenir a variavel aleatoria X: n° de peças defeituosas extraidas sem reposição duma amostra
de 5 peças, a probabilidade pretendida será dada por:
2 18
P X 0 0,5526 .
0 5
20
5
20
O denominador , corresponde ao n° de casos possiveis, isto é, ao n° de maneiras diferentes de
5
extrair 5 peças de um total de 20 peças que constituem o lote.
24
2
O termo corresponde ao n° de maneiras diferentes de seleccionar “0” peças defeituosas num
0
18
total de duas defeituosas e o termo ao n° de maneiras diferentes de seleccionar 5 peças não
5
defeituosas de um total de 18 peças também não defeituosas.
2 18
, que corresponde ao n° de maneiras diferentes de seleccionar 5 peças não defeituosas de
0 5
um lote de 20 das quais 2 são defeituosas e 18 o não são.
DISTRIBUIÇÃO DE POISSON
A distribuição de poisson pode ser usada para determinar a pobabilidade de um dado número de
sucessos quando os eventos ocorrem em um intervalo. Esse processo chamado de processo de
poisson é similar ao processo da binomial, excepto que os eventos ocorrem em um intervalo, ao
invés de ocorrerem em tentativas ou observações fixadas. Tal como na binomial, o processo é
estacionário.
HIPÓTESES DO MODELO
* k
P X k .
k!
25
APLICAÇÃO
Carros que passam por um cruzamento por minuto, durante uma certa hora do dia;
MÉDIA E VARIÂNCIA
E X .
Var X .
26
PROPRIEDADES DA VARIANCIA
1. A variancia de uma constante é zero.
Var (k ) 0 ; k: Constante.
2. Multiplicando-se uma variavel aleatoria por uma constante, sua variancia fica multiplicada
pelo quadrado da constante.
Var (kx) k 2 *Var ( x) .
4. Somando-se ou subtraindo-se uma constante à uma variavel aleatoria, sua variancia não se
altera.
Var ( x k ) Var ( x) Var (k ) Var ( x), pois Var (k ) 0.
27