Beruflich Dokumente
Kultur Dokumente
1
Timóteo, 2018-1
Conceitos Básicos
Experimento: sentido muito específico, diferente do sentido usual em diversas
ciências naturais.
Um experimento é um processo qualquer de observação de algum fenômeno.
• Verificar quais livros (quais títulos)foram comprados por pessoas que saem de
uma livraria;
• Verificar quantos carros passam por um pedágio, em um intervalo de tempo
determinado;
• Verificar quantas pessoas passam pela portaria de um prédio em um certo dia
da semana;
• Verificar quantos pães foram produzidos por uma padaria em uma dada manhã.
𝑆 = 𝑒𝑠𝑝𝑎ç𝑜 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑙
3
Conceitos Básicos
Espaço Amostral: dado um experimento, espaço amostral é o conjunto de todos os
possíveis resultados do experimento.
4
Eventos e Conceitos Associados
Vamos supor que uma corretora esteja considerando a variação futura de duas
ações, Alfa e Beta. Cada uma das ações pode ter seu preço aumentado (resultado
A), diminuído (resultado D) ou mantido constante (resultado C), dependendo das
oscilações do mercado.
𝑆 𝑝𝑟𝑒ç𝑜 𝑑𝑎𝑠 𝑎çõ𝑒𝑠 𝐴 𝑒 𝐵 = (𝐴𝐴, 𝐴𝐷, 𝐴𝐶, 𝐷𝐴, 𝐷𝐷, 𝐷𝐶, 𝐶𝐴. 𝐶𝐷, 𝐶𝐶)
5
Eventos e Conceitos Associados
Evento: qualquer combinação de resultados tomados de um espaço amostral.
6
Eventos e Conceitos Associados
a) Evento (aumentar o preço da ação Alfa)
𝑋 = 𝑒𝑣𝑒𝑛𝑡𝑜 𝑎𝑢𝑚𝑒𝑛𝑡𝑎𝑟 𝑜 𝑝𝑟𝑒ç𝑜 𝑑𝑎 𝑎çã𝑜 𝐴 = (𝐴𝐴, 𝐴𝐷, 𝐴𝐶)
7
Eventos e Conceitos Associados
Exemplo:
𝑋 = 𝑒𝑣𝑒𝑛𝑡𝑜 𝑎𝑢𝑚𝑒𝑛𝑡𝑎𝑟 𝑜 𝑝𝑟𝑒ç𝑜 𝑑𝑎 𝑎çã𝑜 𝐴 = (𝐴𝐴, 𝐴𝐷, 𝐴𝐶)
𝑇 = 𝑒𝑣𝑒𝑛𝑡𝑜 𝑎𝑢𝑚𝑒𝑛𝑡𝑎𝑟 𝑜 𝑝𝑟𝑒ç𝑜 𝑑𝑎 𝑎çã𝑜 𝐵 = (𝐴𝐴, 𝐷𝐴, 𝐶𝐴)
8
Eventos e Conceitos Associados
De outra forma, não estão ligados por causa e efeito ou qualquer outro tipo de
ligação, pelo menos para efeitos práticos, quando é impossível, estabelecer tal
relação.
9
Eventos e Conceitos Associados
10
Eventos e Conceitos Associados
11
Eventos e Conceitos Associados
12
Diagramas de Venn
Um Diagrama de Venn usa círculos sobrepostos ou outras formas para ilustrar as
relações lógicas entre dois ou mais conjuntos de itens. Muitas vezes, eles servem
para organizar graficamente as coisas, destacando como os itens são semelhantes e
diferentes. Os Diagramas de Venn, também chamados de Diagramas de Conjuntos
ou Diagramas Lógicos, são amplamente usados em matemática, estatística, lógica,
ensino, idiomas, ciência da computação e negócios.
13
Diagramas de Venn
14
Conceitos Fundamentais de Probabilidade
Probabilidade frequencialista (forma objetiva): diz-se, nesse caso, que a
probabilidade de um evento é a frequência relativa com que esse evento acontece
ao longo do tempo ou após um número suficientemente grande de observações.
100
𝑃 𝐴 = = 0,2 𝑜𝑢 20%
500
15
Conceitos Fundamentais de Probabilidade
De forma geral:
16
Conceitos Fundamentais de Probabilidade
Probabilidade subjetiva: existem eventos dos quais não sabemos a história prévia
ou, então, que irão acontecer uma única vez ou poucas vezes, invalidando a forma
frequencial de cálculo da probabilidade. Nesse caso não há outra alternativa que
não seja a de estimar a probabilidade do evento, com base no julgamento de uma
ou mais pessoas. A base para tal julgamento é a experiência e intuição.
17
Conceitos Fundamentais de Probabilidade
Probabilidade lógica (caso especial da probabilidade frequencialista): é obtida por
considerações sobre a natureza do evento, sem auxilio da experiência, intuição ou
frequências.
18
Postulados da Probabilidade
19
Conceitos Fundamentais de Probabilidade
Lei da Adição: diz respeito a regras para calculo da probabilidade da união de dois
ou mais eventos.
𝑃 𝐴 ∪ 𝐵 = 𝑃 𝐴 + 𝑃(𝐵)
20
Conceitos Fundamentais de Probabilidade
• Lei da adição para eventos mutuamente exclusivos.
1
𝑃 1 =𝑃 2 =𝑃 3 =𝑃 4 =𝑃 5 =𝑃 6 =
6
No lançamento só uma face fica pra cima. Então aparecer a face 3 e 5 não pode
acontecer simultaneamente, então temos eventos mutuamente exclusivos.
2 1
𝑃 𝑓𝑎𝑐𝑒 3 ∪ 𝑓𝑎𝑐𝑒 5 = 𝑃 𝑓𝑎𝑐𝑒 3 + 𝑃 𝑓𝑎𝑐𝑒 5 = =
6 3
21
Conceitos Fundamentais de Probabilidade
• Lei da adição para eventos não mutuamente exclusivos.
𝑃 𝐴 ∪ 𝐵 = 𝑃 𝐴 + 𝑃 𝐵 − 𝑃(𝐴 ∩ 𝐵)
Nota-se que a somarmos P(A) e P(B), estamos contando duas vezes os resultados
comuns, devendo subtrair uma delas.
22
Conceitos Fundamentais de Probabilidade
• Lei da adição para eventos não mutuamente exclusivos.
3 1
A: existem 3 números pares. 𝑃 𝐴 = =
6 2
2 1
B: existem 2 números maiores que 4. 𝑃 𝐴 = =
6 3
1
Entre A e B existe um resultado em comum: 6. 𝑃 𝐴 ∩ 𝐵 =
6
2
𝑃 𝐴∪𝐵 =𝑃 𝐴 +𝑃 𝐵 −𝑃 𝐴∩𝐵 = 23
3
Conceitos Fundamentais de Probabilidade
Probabilidade condicional e o Teorema de Bayes.
24
Conceitos Fundamentais de Probabilidade
Probabilidade condicional e o Teorema de Bayes.
𝑃(𝑁 ∩ 𝐴)
𝑃 𝑁 𝐴 =
𝑃(𝐴)
25
Conceitos Fundamentais de Probabilidade
Teorema de Bayes para eventos independentes.
𝑃(𝑁 ∩ 𝐴)
𝑃 𝑁 𝐴 = = 𝑃(𝑁)
𝑃(𝐴)
𝑃 𝑁 ∩ 𝐴 = 𝑃 𝑁 .𝑃 𝐴
26
Conceitos Fundamentais de Probabilidade
Teorema de Bayes para eventos independentes.
Exemplo: Uma urna contém 7 bolas brancas e 3 bolas azuis, todas idênticas em
tamanho e características. É retirada uma bola e imediatamente reposta na urna. É
retirada então, uma segunda bola. Qual a probabilidade de serem retiradas duas
bolas brancas?
7
• Probabilidade de retirar a primeira bola branca:
10
7
• Probabilidade de retirar a segunda bola branca:
10
27
Conceitos Fundamentais de Probabilidade
Teorema de Bayes para eventos independentes.
Exemplo: Observações.
1. Se não voltássemos com a bola branca: probabilidade da segunda ser branca =
6
. Os eventos seriam dependentes.
9
2. Ao voltarmos com a bola na primeira retirada, os eventos tornam-se
independentes.
7 7 49
𝑃 1𝑎 𝑏𝑜𝑙𝑎 𝑏𝑟𝑎𝑛𝑐𝑎 ∩ 2𝑎 𝑏𝑜𝑙𝑎 𝑏𝑟𝑎𝑛𝑐𝑎 = = = 49%
10 10 100
28
Conceitos Fundamentais de Probabilidade
Teorema de Bayes para eventos independentes.
𝑃 𝐴 ∩ 𝐵 ∩ 𝐶 = 𝑃 𝐴 . 𝑃 𝐵 . 𝑃 𝐶 = 0,168
29
Variáveis aleatórias
A variável que é definida pelo experimento recebe o nome de variável aleatória.
• Verificar quais livros (quais títulos)foram comprados por pessoas que saem de
uma livraria; variável: títulos comprados.
• Verificar quantos carros passam por um pedágio, em um intervalo de tempo
determinado; variável: número de carros.
• Verificar quantas pessoas passam pela portaria de um prédio em um certo dia
da semana; variável: número de pessoas.
• Verificar quantos pães foram produzidos por uma padaria em uma dada
manhã; variável: número de pães.
31
Variáveis aleatórias
32
Distribuição de probabilidade de uma variável aleatória discreta
Vamos supor que um lote de peças, quando inspecionado, pode apresentar 0, 1 , 2
3, 4 ou 5 defeitos não sendo possível nenhum outro número de defeitos, ou seja,
esses valores esgotam o espaço amostral. Imaginemos ainda que possamos atribuir
a esses valores as seguintes probabilidades:
Número de Defeitos Probabilidade
0 0,10
1 0,25
2 0,15
3 0,20
4 0,20
5 0,10
Total 1,00
33
Distribuição de probabilidade de uma variável aleatória discreta
Ao conjunto de valores de uma variável aleatória discreta e suas respectivas
probabilidades, damos o nome de distribuição discreta de probabilidade.
34
Distribuição de probabilidade de uma variável aleatória discreta
Percebe-se que deve haver um valor médio para o número de defeitos, além de
existir uma certa dispersão dos valores em relação a esse valor médio. Como
calcular tais valores???
35
Distribuição de probabilidade de uma variável aleatória discreta
Valor esperado de uma distribuição discreta de probabilidade.
𝐸 𝑥 = 𝑥1 𝑃 𝑥1 + 𝑥2 𝑃 𝑥2 + 𝑥3 𝑃 𝑥3 + ⋯ + 𝑥𝑛 𝑃 𝑥𝑛 = 𝑥𝑖 𝑃(𝑥𝑖 )
𝑖=1
36
Distribuição de probabilidade de uma variável aleatória discreta
Variância de uma distribuição discreta de probabilidade.
37
Distribuição de probabilidade de uma variável aleatória discreta
Variância de uma distribuição discreta de probabilidade.
• Variância:
𝑛
38
Distribuição de probabilidade de uma variável aleatória contínua
Se uma variável aleatória X for contínua, haverá infinitos valores da variável.
Assim é impossível ter um histograma de variável aleatória.
Na representação gráfica de uma variável contínua, temos:
• Nas abscissas a faixa de valores que a variável pode assumir.
• Nas Ordenadas uma função denominada densidade de probabilidade.
Observação:
𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑜𝑐𝑜𝑟𝑟ê𝑛𝑐𝑖𝑎𝑠 𝑟𝑒𝑎𝑖𝑠 𝑑𝑜 𝑒𝑣𝑒𝑛𝑡𝑜
𝑃 𝑜𝑐𝑜𝑟𝑟ê𝑛𝑐𝑖𝑎 𝑑𝑒 𝑢𝑚 𝑒𝑣𝑒𝑛𝑡𝑜 =
𝑛ú𝑚𝑒𝑟𝑜 𝑝𝑜𝑡𝑒𝑛𝑐𝑖𝑎𝑙 𝑑𝑒 𝑜𝑐𝑜𝑟𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑑𝑜 𝑒𝑣𝑒𝑛𝑡𝑜
𝐴 = 𝑃(𝑥𝑖 ≤ 𝑥 ≤ 𝑥𝑗 )
40
A Distribuição de Poisson
Distribuição discreta.
𝜇𝑘 𝑒 −𝜇
𝑃(𝑘) =
𝑘!
𝑃 𝑘 = 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒𝑑𝑒 𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑎𝑠𝑠𝑢𝑚𝑖𝑟 𝑜 𝑣𝑎𝑙𝑜𝑟 𝑘 𝑝𝑜𝑟 𝑢𝑛𝑖𝑑𝑎𝑑𝑒 𝑑𝑒 𝑒𝑥𝑝𝑜𝑠𝑖çã𝑜;
𝜇 = 𝑣𝑎𝑙𝑜𝑟 𝑚é𝑑𝑖𝑜 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑝𝑜𝑟 𝑢𝑛𝑖𝑑𝑎𝑑𝑒 𝑑𝑒 𝑒𝑥𝑝𝑜𝑠𝑖çã𝑜;
𝑒 = 𝑏𝑎𝑠𝑒 𝑑𝑜 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑑𝑒 𝑙𝑜𝑔𝑎𝑟𝑖𝑡𝑚𝑜𝑠 𝑛𝑎𝑡𝑢𝑟𝑎𝑖𝑠.
41
A Distribuição de Poisson
Vamos supor que em um posto de pedágio, chegam em média 3 carros a cada 10
segundos. Trata-se de um número médio. Podem chegar 0, 3, 5 ou mas a cada 10
segundos. A informação importante para trabalharmos, é saber qual a
probabilidade de chegar 0, 1 ,2, n carros em 10 segundos, dado essa média.
Admitindo-se que a distribuição de probabilidade de chegada dos carros seja dada
pela distribuição de Poisson:
𝑐𝑎𝑟𝑟𝑜𝑠
𝜇 = 𝑣𝑎𝑙𝑜𝑟 𝑚é𝑑𝑖𝑜 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑝𝑜𝑟 𝑢𝑛𝑖𝑑𝑎𝑑𝑒 𝑑𝑒 𝑒𝑥𝑝𝑜𝑠𝑖çã𝑜 = 3 ( );
10𝑠𝑒𝑔𝑢𝑛𝑑𝑜𝑠
42
A Distribuição de Poisson
43
A Distribuição Normal
Também conhecida como distribuição de Gauss.
• É em forma de sino;
• É simétrica em relação à média(μ);
• É assintótica ao eixo da variável.
44
A Distribuição Normal
45
A Distribuição Normal
Em princípio para calcular 𝑃(𝑎 ≤ 𝑥 ≤ 𝑏), necessita calcular a área abaixo da curva.
Para facilitar, transforma-se qualquer curva normal. Em normal padronizada.
𝑥−𝜇
𝑍=
𝜎
46
A Distribuição Normal
Calculando-se z1 e z2, a área pode ser calculada de acordo com uma tabela
existente.
47
A Distribuição Exponencial
1 −𝑋 ∗
𝑓(𝑋) = ∗ 𝑒 𝜇
𝜇
48
A Distribuição Exponencial
Normalmente, a área sob a curva delimitada por dois pontos quaisquer representa
a probabilidade que a variável aleatória tome valores entre os pontos.
−𝑏
𝑃 𝑋 ≤𝑏 =1−𝑒 𝜇∗
49
A Distribuição Exponencial
50
FIM
51