princípios de probabilidade
TRANSCRIPT
![Page 1: Princípios de Probabilidade](https://reader033.vdocuments.pub/reader033/viewer/2022041903/6254b61be60b5768f20cc4a5/html5/thumbnails/1.jpg)
Princípios de Probabilidade
• Pode ser entendida como uma medida da chance de algum
evento vir a acontecer.
• Ela permite a quantificação da incerteza.
• É um valor entre 0 e 1, sendo zero, a probabilidade de um
evento impossível e um, a probabilidade de um evento
certo.
![Page 2: Princípios de Probabilidade](https://reader033.vdocuments.pub/reader033/viewer/2022041903/6254b61be60b5768f20cc4a5/html5/thumbnails/2.jpg)
Conceitos Iniciais
• Espaço amostral (Ω): é o conjunto de todos os resultadospossíveis de um experimento.
• Evento: são resultados em particular. São subconjuntos doespaço amostral.
• Obs.: o que desejamos é atribuir probabilidades aosdiferentes eventos.
![Page 3: Princípios de Probabilidade](https://reader033.vdocuments.pub/reader033/viewer/2022041903/6254b61be60b5768f20cc4a5/html5/thumbnails/3.jpg)
Diferentes Definições
• Definição clássica: pode-se usá-la quando os eventos têma mesma chance de ocorrer.
• Definição frequentista: pode ser usada quando nãosabemos se todos os eventos têm a mesma chance deocorrer. Se baseia na frequência relativa.
• Definição axiomática: é a definição matemática deprobabilidade através de três axiomas.
![Page 4: Princípios de Probabilidade](https://reader033.vdocuments.pub/reader033/viewer/2022041903/6254b61be60b5768f20cc4a5/html5/thumbnails/4.jpg)
Eventos Excludentes
• Dois ou mais eventos são ditos excludentes quando nãopodem ocorrer ao mesmo tempo.
• Exemplo: no lançamento de uma moeda, os eventos
A = sair cara e
B = sair coroa
A e B são excludentes.
![Page 5: Princípios de Probabilidade](https://reader033.vdocuments.pub/reader033/viewer/2022041903/6254b61be60b5768f20cc4a5/html5/thumbnails/5.jpg)
Regra da Adição
• A probabilidade de ocorrer um evento ou outro é dada pela soma das probabilidades, quando os eventos forem excludentes.
• Caso os eventos não sejam excludentes, deve-se subtrair a probabilidade de ambos ocorrerem simultaneamente.
• Assim: P(A ou B) = P(A) + P(B) – P(A e B)
![Page 6: Princípios de Probabilidade](https://reader033.vdocuments.pub/reader033/viewer/2022041903/6254b61be60b5768f20cc4a5/html5/thumbnails/6.jpg)
Regra do Produto
• A probabilidade de ocorrência de um evento A e de umevento B está associada ao produto das probabilidadesdestes eventos.
• Deve-se observar a probabilidade condicional, que é aprobabilidade de um evento ocorrer quando sabemos queoutro evento já ocorreu.
• Assim: P(A e B) = P(A) × P(B|A)
![Page 7: Princípios de Probabilidade](https://reader033.vdocuments.pub/reader033/viewer/2022041903/6254b61be60b5768f20cc4a5/html5/thumbnails/7.jpg)
Teorema de Bayes
• Refere-se ao cálculo da probabilidade de um eventoquando temos algum conhecimento a priori que pode estarrelacionado ao evento.
• Ele fornece a possibilidade de aprimorarmos aprobabilidade de um evento levando em consideração oconhecimento que temos sobre o fenômeno.
![Page 8: Princípios de Probabilidade](https://reader033.vdocuments.pub/reader033/viewer/2022041903/6254b61be60b5768f20cc4a5/html5/thumbnails/8.jpg)
Distribuições de Probabilidade
• Pode ser entendida como uma função que associa umaprobabilidade a cada resultado de uma variável aleatória.
• Variável aleatória é uma variável cujos valores sãoinfluenciados pelo acaso, ou seja, os valores assumidospor uma variável aleatória são imprevisíveis.
![Page 9: Princípios de Probabilidade](https://reader033.vdocuments.pub/reader033/viewer/2022041903/6254b61be60b5768f20cc4a5/html5/thumbnails/9.jpg)
Distribuição binomial
• É usada para modelar aqueles experimentos que sãorepetidos um certo número de vezes e que possuemsomente dois resultados possíveis (sucesso e fracasso).
• Além disso, durante o experimento, a probabilidade desucesso (p) e a probabilidade de fracasso (1 – p) devempermanecer constantes.
![Page 10: Princípios de Probabilidade](https://reader033.vdocuments.pub/reader033/viewer/2022041903/6254b61be60b5768f20cc4a5/html5/thumbnails/10.jpg)
• Assim, a probabilidade de um evento ocorrer “x” vezes em“n” realizações de um experimento é dada por:
𝑷 𝒙 =𝒏!
𝒙! 𝒏 − 𝒙 !∙ 𝒑𝒙 ∙ (𝟏 − 𝒑)𝒏−𝒙
• Aqui, “p” é a probabilidade de sucesso, ou seja, do eventoocorrer e (𝟏 − 𝒑) é a probabilidade de fracasso (do eventonão ocorrer).
![Page 11: Princípios de Probabilidade](https://reader033.vdocuments.pub/reader033/viewer/2022041903/6254b61be60b5768f20cc4a5/html5/thumbnails/11.jpg)
• Exemplo: se a probabilidade de uma pessoa que tenhacomprado uma passagem aérea não se apresentar para oembarque é igual a 15%, qual é a probabilidade de 4 dos 10passageiros de um voo não se apresentarem?
• Neste caso temos:
n = 10
x = 4
p = 0,15
Então: 𝑷 𝒙 =𝟏𝟎!
𝟒! 𝟏𝟎−𝟒 !∙ (𝟎, 𝟏𝟓)𝟒∙ (𝟏 − 𝟎, 𝟏𝟓)𝟏𝟎−𝟒
𝑷 𝒙 = 𝟐𝟏𝟎 ∙ 𝟎, 𝟎𝟎𝟎𝟓 ∙ 𝟎, 𝟑𝟕𝟕𝟏 = 0,039 ou 3,9%
![Page 12: Princípios de Probabilidade](https://reader033.vdocuments.pub/reader033/viewer/2022041903/6254b61be60b5768f20cc4a5/html5/thumbnails/12.jpg)
Distribuição Normal
• Também chamada de Gaussiana, é uma das maisimportantes distribuições de probabilidade.
• Além de sua grande importância teórica, ela pode serusada para modelar uma grande quantidade de fenômenos.
![Page 13: Princípios de Probabilidade](https://reader033.vdocuments.pub/reader033/viewer/2022041903/6254b61be60b5768f20cc4a5/html5/thumbnails/13.jpg)
• Seu gráfico é simétrico em relação à média e tem a formade um sino.
μ
![Page 14: Princípios de Probabilidade](https://reader033.vdocuments.pub/reader033/viewer/2022041903/6254b61be60b5768f20cc4a5/html5/thumbnails/14.jpg)
As principais características são:
1. A curva é simétrica em torno da média (os dois lados são
idênticos);
2. A área total abaixo da curva é igual a 1;
3. Como consequência, a área de cada lado da média é
igual a 0,5;
4. As áreas abaixo da curva nos fornecem a probabilidade
da variável assumir determinados conjuntos de valores.
![Page 15: Princípios de Probabilidade](https://reader033.vdocuments.pub/reader033/viewer/2022041903/6254b61be60b5768f20cc4a5/html5/thumbnails/15.jpg)
• Uma distribuição normal é definida por dois parâmetros:
I. a média (μ);
II. a variância (𝝈𝟐)
• Assim, se “X” é uma variável aleatória que segue umadistribuição normal, então podemos escrever da seguinteforma: 𝑿 ~𝑵(𝝁; 𝝈𝟐)
![Page 16: Princípios de Probabilidade](https://reader033.vdocuments.pub/reader033/viewer/2022041903/6254b61be60b5768f20cc4a5/html5/thumbnails/16.jpg)
Outras Características
100%
μ
50% 50%
![Page 17: Princípios de Probabilidade](https://reader033.vdocuments.pub/reader033/viewer/2022041903/6254b61be60b5768f20cc4a5/html5/thumbnails/17.jpg)
μμ - σ μ + σ
34,13% 34,13%
μμ - 2σ μ + 2σ
47,72% 47,72%
![Page 18: Princípios de Probabilidade](https://reader033.vdocuments.pub/reader033/viewer/2022041903/6254b61be60b5768f20cc4a5/html5/thumbnails/18.jpg)
μμ - 3σ μ + 3σ
49,87% 49,87%
![Page 19: Princípios de Probabilidade](https://reader033.vdocuments.pub/reader033/viewer/2022041903/6254b61be60b5768f20cc4a5/html5/thumbnails/19.jpg)
Distribuição Normal Padrão
• Geralmente simbolizada por Z, é uma distribuição normalcuja média é igual a zero e cujo desvio-padrão é igual aum. Assim 𝒁~𝑵(𝟎; 𝟏).
• Podemos transformar uma distribuição normal qualquer(com qualquer média e desvio-padrão) em distribuiçãonorma padrão. A isso chamamos padronização dadistribuição.
![Page 20: Princípios de Probabilidade](https://reader033.vdocuments.pub/reader033/viewer/2022041903/6254b61be60b5768f20cc4a5/html5/thumbnails/20.jpg)
• Para convertermos uma distribuição normal qualquer emuma distribuição normal padrão, usamos a seguintefórmula:
𝒛 =𝒙 − 𝝁
𝝈
• Exemplo: suponha que o tempo necessário para concluiruma prova siga uma distribuição normal com média igual a60min e desvio padrão igual a 15min. Se um aluno forselecionado ao acaso, qual a probabilidade de que demoremais de 40min para concluir a prova?
![Page 21: Princípios de Probabilidade](https://reader033.vdocuments.pub/reader033/viewer/2022041903/6254b61be60b5768f20cc4a5/html5/thumbnails/21.jpg)
• O gráfico abaixo ilustra esta situação.
6040 X
![Page 22: Princípios de Probabilidade](https://reader033.vdocuments.pub/reader033/viewer/2022041903/6254b61be60b5768f20cc4a5/html5/thumbnails/22.jpg)
Padronizando a distribuição, temos:
𝒛 =𝒙 − 𝝁
𝝈
𝒛 =𝟒𝟎 − 𝟔𝟎
𝟏𝟓
𝒛 = −𝟏, 𝟑𝟑
Assim, a probabilidade de x > 40 é igual à probabilidade de z > -1,33.
![Page 23: Princípios de Probabilidade](https://reader033.vdocuments.pub/reader033/viewer/2022041903/6254b61be60b5768f20cc4a5/html5/thumbnails/23.jpg)
Consultando a tabela, vemos que a probabilidade da variávelZ assumir algum valor entre -1,33 e 0 é igual a 0,40824, ouseja:
𝑷 −𝟏, 𝟑𝟑 ≤ 𝒛 ≤ 𝟎 = 𝟎, 𝟒𝟎𝟖𝟐𝟒
• Precisamos, agora, acrescentar a probabilidade de Zassumir um valor maior que zero. Essa probabilidade éigual a 0,5.
• Então, 𝑷 𝒛 ≥ −𝟏, 𝟑𝟑 = 𝟎, 𝟒𝟎𝟖𝟐𝟒 + 𝟎, 𝟓
𝑷 𝒛 ≥ −𝟏, 𝟑𝟑 = 𝟎, 𝟗𝟎𝟖𝟐𝟒 𝒐𝒖 𝟗𝟎, 𝟖𝟐%
![Page 24: Princípios de Probabilidade](https://reader033.vdocuments.pub/reader033/viewer/2022041903/6254b61be60b5768f20cc4a5/html5/thumbnails/24.jpg)
Parte inteira e
1ª decimalSegunda Decimal
0 1 2 3 4 5 6 7 8 9
0,0 0,00000 0,00399 0,00798 0,01197 0,01595 0,01994 0,02392 0,02790 0,03188 0,03586
0,1 0,03983 0,04380 0,04776 0,05172 0,05567 0,05962 0,06356 0,06749 0,07142 0,07535
0,2 0,07926 0,08317 0,08706 0,09095 0,09483 0,09871 0,10257 0,10642 0,11026 0,11409
0,3 0,11791 0,12172 0,12552 0,12930 0,13307 0,13683 0,14058 0,14431 0,14803 0,15173
0,4 0,15542 0,15910 0,16276 0,16640 0,17003 0,17364 0,17724 0,18082 0,18439 0,18793
0,5 0,19146 0,19497 0,19847 0,20194 0,20540 0,20884 0,21226 0,21566 0,21904 0,22240
0,6 0,22575 0,22907 0,23237 0,23565 0,23891 0,24215 0,24537 0,24857 0,25175 0,25490
0,7 0,25804 0,26115 0,26424 0,26730 0,27035 0,27337 0,27637 0,27935 0,28230 0,28524
0,8 0,28814 0,29103 0,29389 0,29673 0,29955 0,30234 0,30511 0,30785 0,31057 0,31327
0,9 0,31594 0,31859 0,32121 0,32381 0,32639 0,32894 0,33147 0,33398 0,33646 0,33891
1,0 0,34134 0,34375 0,34614 0,34849 0,35083 0,35314 0,35543 0,35769 0,35993 0,36214
1,1 0,36433 0,36650 0,36864 0,37076 0,37286 0,37493 0,37698 0,37900 0,38100 0,38298
1,2 0,38493 0,38686 0,38877 0,39065 0,39251 0,39435 0,39617 0,39796 0,39973 0,40147
1,3 0,40320 0,40490 0,40658 0,40824 0,40988 0,41149 0,41309 0,41466 0,41621 0,41774
1,4 0,41924 0,42073 0,42220 0,42364 0,42507 0,42647 0,42785 0,42922 0,43056 0,43189
1,5 0,43319 0,43448 0,43574 0,43699 0,43822 0,43943 0,44062 0,44179 0,44295 0,44408