Tpico: Probabilidade o

Profa. Vernica Gonzlez-Lpez, IMECC / UNICAMP () o a o

24 de fevereiro de 2012

1 / 20

Introduo ca

Probabilidades

Distribuio de Frequncias ca e
Observadas: estudado at o momento e Modelo terico: proposto pelo pesquisador para representar a distribuio de o ca frequncia dos dados antes de ser observada e

Profa. Vernica Gonzlez-Lpez, IMECC / UNICAMP () o a o

24 de fevereiro de 2012

2 / 20

Introduo ca

Probabilidades

Exemplo: estudar as propores de ocorrncia das faces de um dado. co e

Procedimento emp rico: lanar o dado um certo nmero n de vezes e contar o c u nmero de ni de vezes que a face i = 1, 2, 3, 4, 5, 6 ocorre u fi =
ni n

a distribuio emp e ca rica das frequncias. e

Para diferentes oportunidades que esse experimento for realizado, a distribuio de frequncia ter resultados diferentes, no entanto, espera-se que ca e a esses resultados veriquem certas condioes de regularidade. c Procedimento terico: construir a distribuio de frequncias atravs de o ca e e suposioes tericas. c o

Profa. Vernica Gonzlez-Lpez, IMECC / UNICAMP () o a o

24 de fevereiro de 2012

3 / 20

Introduo ca

Probabilidades

Suposies: co
s podem ocorrer 6 faces {1, 2, 3, 4, 5, 6} o o dado perfeitamente equilibrado e ento, cada face deve ocorrer o mesmo nmero de vezes, ou seja fi = a u
1 6

Face Freq. Terica o

1
1 6

2
1 6

3
1 6

4
1 6

5
1 6

6
1 6

Total 1

Profa. Vernica Gonzlez-Lpez, IMECC / UNICAMP () o a o

24 de fevereiro de 2012

4 / 20

Introduo ca

Probabilidades

Todo fenmeno aleatrio ter seu modelo probabil o o a stico especicado no momento que estabelecemos: Espao Amostral: todos os resultados poss c veis do experimento, denotado por = {1 , 2 , ...} ( ter essa forma quando for poss enumerar os a vel poss veis resultados) Probabilidade: P(), para cada ponto amostraldenotado por

Profa. Vernica Gonzlez-Lpez, IMECC / UNICAMP () o a o

24 de fevereiro de 2012

5 / 20

Introduo ca

Probabilidades

Exemplo: lanar uma moeda duas vezes. c C = cara X = coroa

= {1 , 2 , 3 , 4 } 1 = (C , C ); 2 = (C , X ); 3 = (X , C ); 4 = (X , X )
1 considerando que a moeda honesta: P(i ) = 4 , i = 1, 2, 3, 4 e

seja o evento A = {1 , 4 } = obter duas faces iguais P(A) = P({1 , 4 }) = P(1 ) + P(4 ) =
1 4

1 4

2 4

1 2

Profa. Vernica Gonzlez-Lpez, IMECC / UNICAMP () o a o

24 de fevereiro de 2012

6 / 20

Introduo ca

Probabilidades

Como pode-se observar, atravs das probabilidades pontuais, poss calcular a e e vel probabilidade de ocorrncia de eventos (como o evento A exemplicado) que e incluem a ocorrncia de vrios pontos amostrais. e a Retomando o exemplo do dado:
= {1 , 2 , 3 , 4 , 5 , 6 } em que i = face i, i = 1, 2, 3, 4, 5, 6 P(i ) =
1 6

seja o evento A = {a face um nmero par} = {2 , 4 , 6 } = {2, 4, 6} e u P(A) = P({2}, {4}, {6}) = P(2) + P(4) + P(6) =
3 6

1 2

Profa. Vernica Gonzlez-Lpez, IMECC / UNICAMP () o a o

24 de fevereiro de 2012

7 / 20

Introduo ca

Probabilidades
Exemplo: uma lmpada retirada de um lote e medido seu tempo de vida a e e antes de queimar.
= {t : t 0}, ou seja, o espao amostral so todos os nmeros reais c a u positivos A = {t : 0 t 20}, o evento A ilustra uma limitao no tempo de vida, o ca tempo de vida menor ou igual a 20 horas e A um evento (ou conjunto) que pode ser considerado como subconjunto de e Esse tipo de espao amostral chamado de espao amostral cont c e c nuo Os espaos amostrais apresentados nos exemplos anteriores so chamados de c a espao amostral discreto c
Profa. Vernica Gonzlez-Lpez, IMECC / UNICAMP () o a o 24 de fevereiro de 2012 8 / 20

Propriedades

Propriedades: Modelo Terico o

(, P):
o espao amostral e c P probabilidade em e Seja A um evento em e um conjunto vazio ou evento imposs e vel

Propriedades:
0 P(A) 1, evento A em P() = 1 P() = 0

Profa. Vernica Gonzlez-Lpez, IMECC / UNICAMP () o a o

24 de fevereiro de 2012

9 / 20

Propriedades

Propriedades: Modelo Terico o

Exemplo: representando uma poss diviso de alunos matriculados em vel a determinado instituto de matemtica, num certo ano: a Masculino (Ma) Mat. Pura (M) Mat. Aplicada (A) Estat stica (E) Computao (C) ca Total 70 15 10 20 115 Feminino (Fe) 40 15 20 10 85 Total 110 30 30 30 200

Profa. Vernica Gonzlez-Lpez, IMECC / UNICAMP () o a o

24 de fevereiro de 2012

10 / 20

Propriedades

Propriedades: Modelo Terico o

Escolhendo um aluno ao acaso, denem-se os seguintes eventos:

M: estudante da Matemtica Pura a A: estudante da Matemtica Aplicada a E: estudante da Estat stica C: estudante da Computao ca Ma: sexo Masculino Fe: sexo Feminino

Profa. Vernica Gonzlez-Lpez, IMECC / UNICAMP () o a o

24 de fevereiro de 2012

11 / 20

Propriedades

Propriedades: Modelo Terico o

Assim,
P(M) = P(A) = P(E ) = P(C ) =
110 200 30 200 30 200 30 200

= 0.550 = 0.150 = 0.150 = 0.150 = 0.575 = 0.425

P(Ma) = P(Fe) =

115 200 85 200

Profa. Vernica Gonzlez-Lpez, IMECC / UNICAMP () o a o

24 de fevereiro de 2012

12 / 20

Interseo ca

Interseo de Eventos ca

Utilizando o ultimo exemplo, vamos denir como evento (I ), escolher ao acaso um aluno e ele ser estudante de estat stica do sexo masculino, simultneamente. a I = E Ma, o evento I uma interseo dos eventos E e Ma. e ca P(E Ma) =
10 200

= 0.05

Profa. Vernica Gonzlez-Lpez, IMECC / UNICAMP () o a o

24 de fevereiro de 2012

13 / 20

Unio a

Unio de Eventos a

Denimos agora como evento (U), escolher ao acaso um aluno e ele ser estudante de estat stica ou sexo masculino. U = E Ma, o evento U uma unio dos eventos E e Ma. e a P(E Ma) = P(E ) + P(Ma) P(E Ma) P(E ) =
10+20 200

= 0.150 = 0.575

P(Ma) =

70+15+10+20 200 10 200

P(E MA) =

= 0.050

Ento: P(E Ma) = 0.150 + 0.575 0.050 = 0.675 a

Profa. Vernica Gonzlez-Lpez, IMECC / UNICAMP () o a o

24 de fevereiro de 2012

14 / 20

Unio a

Unio de Eventos a

No caso de eventos mutuamente exclusivos ou disjuntos, a interseo vazia ca e (). P(M C ) = P() = 0 Assim: P(M C ) = P(M) + P(C ) P(M C ) = P(M) + P(C ) =
140 200

= 0.700

Profa. Vernica Gonzlez-Lpez, IMECC / UNICAMP () o a o

24 de fevereiro de 2012

15 / 20

Complemento

Evento Complementar

Vamos considerar agora apenas o curso em que o aluno est matriculado. a Ento, os eventos M e {A E C } so chamados eventos complementares: a a {M {A E C }} = {M {A E C }} =

Profa. Vernica Gonzlez-Lpez, IMECC / UNICAMP () o a o

24 de fevereiro de 2012

16 / 20

Complemento

Evento Complementar

No caso geral, sejam A e B subconjuntos de : A B = evento em que A e B ocorrem simultneamente a A B = evento em que A ou B ocorrem P(A B) = P(A) + P(B) P(A B) se {A B} = , ento P(A B) = P(A) + P(B) a A e B so complementares se A B = e A B = a
como P(A) + P(B) = 1, ento P(B) = 1 P(A) a B denotado por B = AC e

Profa. Vernica Gonzlez-Lpez, IMECC / UNICAMP () o a o

24 de fevereiro de 2012

17 / 20

Equiprobabilidade

Equiprobabilidade

= {1 , ..., n } nito
1 P(i ) = n , i = 1, 2, ..., n

A = {A1 , ..., Am } evento em com m n pontos amostrais ento P(A) = a

m n

Profa. Vernica Gonzlez-Lpez, IMECC / UNICAMP () o a o

24 de fevereiro de 2012

18 / 20

Equiprobabilidade

Equiprobabilidade

Exemplo: uma moeda honesta lanada uma vez. e c

= {C , X } P(C ) = P(X ) = A = {C } ento P(A) = a
1 2 1 2

Profa. Vernica Gonzlez-Lpez, IMECC / UNICAMP () o a o

24 de fevereiro de 2012

19 / 20

Equiprobabilidade

Equiprobabilidade

Exemplo: uma moeda honesta lanada duas vezes. e c

= {(C , C ), (X , C ), (C , X ), (X , X )} P(C , C ) = P(X , C ) = P(C , X ) = P(X , X ) = A = {(X , X ), (C , C )} ento P(A) = a
2 4 1 4

1 2

Profa. Vernica Gonzlez-Lpez, IMECC / UNICAMP () o a o

24 de fevereiro de 2012

20 / 20