Professional Documents
Culture Documents
Cap 03
Cap 03
Cap 03
CAPÍTULO 3
Teoria Elementar
da Probabilidade
• Introdução
• Experiências aleatórias, espaços amostrais
e acontecimentos
• Probabilidade
• Probabilidade condicional
• Acontecimentos independentes
• Teorema de Bayes
• Apêndice: Análise combinatória
• Problemas
C3/2
EXEMPLOS
EXEMPLO (CONT.)
ACONT. SIMPLES - SAÍDA DE TRÊS C’s
ACONT. COMPOSTO - SAÍDA DE DOIS E SÓ DOIS E’s
AOS ACONTECIMENTOS
PODEM SER APLICADAS AS
OPERAÇÕES DE:
REUNIÃO,
INTERSECÇÃO E
COMPLEMENTARIDADE
C3/7
• DEFINIÇÃO CLÁSSICA
P ( A) =
NA
N
EXEMPLO
A PROBABILIDADE DE OBTER UM RESULTADO NÃO INFERIOR A TRÊS NO
LANÇAMENTO DE UM DADO É 4/6=0.667 (O N.º DE CASOS FAVORÁVEIS É 4,
SENDO 6 O N.º DE CASOS POSSÍVEIS)
C3/8
• DEFINIÇÃO GEOMÉTRICA
P ( A) =
med A
med S
EXEMPLO
A PROBABILIDADE DE QUE UM PONTO
SELECCIONADO AO ACASO A PARTIR DE UM
QUADRADO SE LOCALIZE NO CÍRCULO NELE
INSCRITO É π.r2/(2.r)2= π /4
C3/9
• DEFINIÇÃO FREQUENCISTA
P( A) = lim
NA
N →∞ N
EXEMPLO
NO LANÇAMENTO AO AR DE UMA MOEDA E-C QUE, POR TER SIDO
DEFORMADA, SE SABE QUE SE ENCONTRA DESIQUILIBRADA, QUAL A
PROBABILIDADE DE SAIR E?
• DEFINIÇÃO SUBJECTIVA
EXEMPLO
QUAL A PROBABILIDADE DE O ACTUAL GOVERNO SE MANTER INALTERADO
NOS PRÓXIMOS SEIS MESES?
C3/11
• DEFINIÇÃO AXIOMÁTICA
AXIOMA 1 0 ≤ P( A) ≤ 1
AXIOMA 2 P (S ) = 1
AXIOMA 3 P ( A ∪ B ) = P ( A) + P ( B )
P ( A) + P ( A ) = 1
P(φ ) = 0
P ( A ∪ B ) = P ( A) + P ( B ) − P ( A ∩ B )
EXEMPLO
DE UM LOTE CONSTITUÍDO POR 1 PEÇA BOA (b) E 3 PEÇAS DEFEITUOSAS
(d1, d2 E d3), RETIRARAM-SE DUAS PEÇAS AO ACASO, EM SEQUÊNCIA E SEM
REPOSIÇÃO
P ( A) =
#A 9
=
# S 12
# (A ∩ B) 6
P( A B ) = =
#B 9
# (A ∩ B)
#S P( A ∩ B )
= =
#B P(B )
#S
C3/14
LOGO
P( A ∩ B )
P( A B ) = (com P ( B ) > 0)
P(B )
P( A ∩ B ) = P( A B )⋅ P(B )
EXEMPLO:
TRÊS LÂMPADAS DEFEITUOSAS FORAM MISTURADAS COM SEIS LÂMPADAS
BOAS. CALCULE A PROBABILIDADE DE DUAS LÂMPADAS SELECCIONADAS AO
ACASO SEREM BOAS.
6 5 30 5
P( A1 ∩ A2 ) = P( A1 ) ⋅ P( A2 | A1 ) = ⋅ = =
9 8 72 12
C3/15
P ( A B ) = P ( A) (com P( B) > 0)
OU
OU
EXEMPLO
18 1 6 1
P( A=
) = P( B=
) =
36 2 36 6
3 1
P( A ∩ B) = = = P( A) ⋅ P( B)
36 12
18 1 6 1
P ( A=
) = P(C=
) =
36 2 36 6
6 1
P ( A ∩ C ) = = ≠ P ( A) ⋅ P (C )
36 6
C3/17
P (Ai ∩ A j ) = P( Ai ) ⋅ P (A j ) para i ≠ j
P (Ai ∩ A j ∩ Ak ) = P( Ai ) ⋅ P (A j )⋅ P( Ak ) para i ≠ j , i ≠ k , j ≠ k
()
N N
P An = ∏ P( An )
n =1 n =1
C3/18
TEOREMA DE BAYES
P( An ∩ B ) P(B ∩ An )
P ( An B ) = =
P(B ) P[(B ∩ A1 ) ∪ (B ∩ A2 ) ∪ ∪ (B ∩ AN )]
P (B An )⋅ P( An )
=
P(B ∩ A1 ) + P(B ∩ A2 ) + + P(B ∩ AN )
P (B An )⋅ P( An )
=
P (B A1 )⋅ P( A1 ) + + P (B AN )⋅ P( AN )
C3/19
EXEMPLO
P(T ) = 1% P( NT ) = 99%
P (⊕ T ) = 95% P (⊕ NT ) = 0.5%
ANÁLISE COMBINATÓRIA
Pn = n! números 1, 2 e 3.
11 12 13 21 22 23 31 32 33
Resolução:
Produção I = 0.5 e P(D | I) = 0.01
Produção II = 0.3 e P(D | II) = 0.015
Produção III = 0.2 e P(D | III) = 0.02
P( I ) ⋅ P( D | I )
P( I | D ) = =
P( I ) ⋅ P( D | I ) + P( II ) ⋅ P ( D | II ) + P ( III ) ⋅ P ( D | III )
0.5 ⋅ 0.01
= = 37%
0.5 ⋅ 0.01 + 0.3 ⋅ 0.015 + 0.2 ⋅ 0.02
C3/23
2. Para o exame da disciplina de estatística, o professor resolveu preparar
exames de quatro tipos, nas quantidades seguintes:
Resolução:
i ) P( F ) = P( A) ⋅ P( F | A) + P( B) ⋅ P( F | B)
1 1 1 7
= ⋅ + ⋅ = 0.6
2 2 2 10
C3/25
3. (cont.)
ii)
P(2º F ) = P( A) ⋅ P(2º F | A) + P( B) ⋅ P(2º F | B)
P ( A) ⋅ P( F | A)
P=
(1º FA) P=
(A | F) = 0.417
P( F )
P( B) ⋅ P( F | B)
P=
(1º FB) P=
(B | F ) = 0.583
P( F )
4 5
=
P(2º FA |1º FA) = P(2º FA |1º FB)
9 10
7 6
P(2º F ) = 0.5787
=
P(2º FB |1º FA) = P(2º FB |1º FB)
10 9
C3/26
3. (cont.)
5 5 5 5 50
P (Y = 1) = ⋅ + ⋅ =
10 9 10 9 90
5 4 20
P(Y = 2) = ⋅ =
10 9 90
P( F ) ==P(Y 0) ⋅ P( F | Y =
0) + P(Y =
1) ⋅ P( F | Y =
1) + P(Y =
2) ⋅ P( F | Y =
2) =
20 7 50 8 20 9
= ⋅ + ⋅ + ⋅ = 0.6667
90 12 90 12 90 12