PROBABILIDADES 1) DEFINIÇÕES BÁSICAS Um experimento aleatório é uma situação cujo resultado é incerto, mas que deve ser um de uma coleção de resultados possíveis. O resultado preciso de um experimento aleatório não pode ser determinado ou previsto a priori, mas o cjt de resultados possíveis (resultados elementares) pode ser indicada com antecedência. A coleção de resultados elementares para um dado experimento aleatório é chamada de espaço amostral. Exemplo: Considere o experimento (medição) de selecionar um endereço ao acaso de uma lista contendo todos os endereços numa cidade, e verificar quantas pessoas moram no endereço selecionado. 0 , 1 , 2 , 3 , ... são resultados elementares. { 0 , 1 , 2 , 3 , ... } é o espaço amostral. 1) DEFINIÇÕES BÁSICAS Denote por E1, E2, ..., Ei, ... os resultados elementares de um experimento aleatório. Um evento é qualquer conjunto formado de resultados elementares. No último exemplo: Evento A = morar menos que 3 pessoas no endereço selecionado. PROBABILIDADE é uma função utilizada para atribuir um valor numérico para cada resultado elementar (ou de fato, para cada evento) que mede a chance de que este seja o resultado observado do experimento. Denota-se por P(Ei) a probabilidade de que Ei seja o resultado observado do experimento Exemplo: lançamento de uma moeda • pode-se atribuir a cada um dos resultados elementares - Cara (A) e Coroa (O) - a probabilidade ½=0,5. • formalmente: P(A)=P(O)=0,5. 2) AXIOMAS • 0 ≤ P(Ei) ≤ 1 (...é uma fração) • P(E1) + P(E2) + ... + P(En) = 1 (a soma das probabilidades para todos os resultados elementares é 1). Exemplo: P(Cara)=0.5 P(Coroa)=0.5, logo P(Cara) + P(Coroa) = 0.5 + 0.5=1 Atribuir probabilidades apenas a resultados elementares não é suficiente. Na prática, se atribui probabilidades a eventos. Como vimos, um evento é qualquer conjunto de resultados elementares. Então, se a probabilidade de cada resultado elementar (que define o evento) for conhecida, então a probabilidade do evento será a soma dessas probabilidades. Exemplo: Evento=obter até 2 num dado (de 6) P(face=1) + P(face=2) = 1/6 + 1/6 =2/6 = 1/3 3) PROBABILIDADES EM TABELAS Probabilidade composta de um evento cjt A e B: P (Carta Vermelha e Ás): Probabilidade condicional de um evento cjt A e B: P (Carta Vermelha dado que é Ás) Î 4) DISTRIBUIÇÕES DE PROBABILIDADE Uma distribuição de probabilidades é uma representação do conjunto de probabilidades de todos os eventos associados a um espaço amostral (universo) Ω. Se Ω é finito, a distribuição de probabilidades pode ser descrita enumerando-se todos os eventos de Ω e suas probabilidades. Evento: Lançar duas moedas e CONTAR nº de Coroas... Variável aleatória discreta => X = nº de coroas Distribuição de probabilidades Valores (x) 0 Probabilidades P(X = x) 1/4= 0,25 1 2/4 = 0,5 2 1/4=0,25 Neste caso, como antes, valem os axiomas: 0 ≤ P(X=x) ≤ 1; P(X=0)+P(X=1)+P(X=2) = 1 4.1) DISTRIBUIÇÃO de PROBABILIDADES DISCRETAS: Bernoulli Variável de interesse assume só dois valores Situações dicotômicas : fracasso - sucesso Utilização de variáveis indicadoras ( {0,1} ) 4.2) DISTRIBUIÇÃO de PROBABILIDADES DISCRETAS: Binomial P(X=x) = probabilidade de x sucessos dado que se conhece “n” e “p”. X = número de ‘sucessos’ na amostra, (x = 0, 1, 2, ..., n) p = probabilidade de ‘sucesso’ n = tamanho da amostra • ‘n’ Ensaios Idênticos – 15 lançamentos de uma mesma moeda – 10 lâmpadas retiradas de um depósito • Resultados Mutuamente Exclusivos – Cara ou Coroa em cada lance de uma moeda – Lâmpada defeituosa ou não • Probabilidade Constante para cada Ensaio – Probabilidade de sair uma Coroa é a mesma cada vez que lança a moeda. Distribuição BINOMIAL 4.3) DISTRIBUIÇÃO de PROBABILIDADES Variáveis aleatórias Contínuas Como dito antes, uma distribuição de probabilidades é uma representação do conjunto de probabilidades de todos os eventos associados a um espaço amostral Ω. Se Ω é infinito a distribuição de probab. é descrita por meio de uma função matemática f( ω) para todos os valores de ω. Em ambos os casos (Ω finito ou infinito), as distribuições de probabilidades tem representação gráfica em duas dimensões. No eixo das abscissas marcam-se os valores de ω e no eixo das ordenadas marca-se os valores de P(ω) no caso discreto, ou f( ω), no caso contínuo. Para Ω discreto (finito ou infinito enumerável) este gráfico é parecido com um gráfico de barras ou um histograma enquanto que para Ω contínuo (infinito não enumerável) as distribuições de probab. serão representadas por curvas. DISTRIBUIÇÃO de PROBABILIDADES Contínua: Normal (Gaussiana) Este é o modelo probabilístico mais utilizado em estatística não só pela sua adequação em modelagem de muitos fenômenos mas também pela sua importância na teoria assintótica. Sua distribuição de probabilidades é simétrica e é determinada por dois parâmetros, µ e σ2, respectivamente a média e a variância. A variável aleatória Normal é denotada como X ~ N (µ, σ2). A figura mostra a distribuição de uma variável aleatória Gaussiana com parâmetros µ=0 e σ2=1, conhecida como distribuição Normal padrão. IMPORTANTE!!!! As seguintes probabilidades associadas aos intervalos são, em geral, muito utilizadas... µ ± σ Î contém cerca de 68% das observações µ ± 2σ Î contém cerca de 95% das observações µ ± 3σ Î contém cerca de 99% das observações Transformando para NORMAL PADRÃO N(0,1) Transformando para NORMAL PADRÃO N(0,1) Exemplo: Tempo (X) que os trabalhadores de uma firma de automóvel levam para montar uma peça, dado o treino individual. Com média de 75 segundo e desvio de 6 segundos. Transformando para NORMAL PADRÃO N(0,1) Qual a probabilidade de uma pessoa com treino individual levar de 62 a 69 segundos? Qual a probabilidade de uma pessoa com treino individual levar de 75 a 81 segundos?