Mat194 01 Unid1 IntrProbab - Mar2011

Universidade Federal da Bahia
Instituto de Matemtica
Departamento de Estatstica

NOTAS DE AULA

MAT194 - ESTATSTICA ECONMICA

Professora: Lia Terezinha L. P. Moraes

Maro de 2011

UFBA Instituto de Matemtica - Departamento de Estatstica Maro de 2011
Disciplina: MAT194 Estatstica Econmica Lia Terezinha L. P. Moraes
1
UFBA Departamento de Estatstica
MAT194 Estatstica Econmica
Notas de aula

Lia Terezinha L. P. de Moraes
Maro de 2011

I INTRODUO TEORIA DAS PROBABILIDADES

1. UM POUCO DA HISTRIA DO CLCULO DAS PROBABILIDADES

Paralelamente ao desenvolvimento da Estatstica como disciplina cientfica, mas
de forma independente, desenvolveu-se, a partir do sculo XVII, o Clculo das
Probabilidades. Seus iniciadores so os matemticos italianos e franceses desse sculo,
particularmente FERMAT e PASCAL, que iniciaram os estudos do clculo das
probabilidades tratando de resolver problemas de jogos de azar propostos pelo cavaleiro
de MR. Pouco a pouco outros matemticos, e posteriormente os do sculo XVIII, foram
interessando-se por este tipo de estudo e ampliando os resultados, at que Tiago
BERNOULLI (1654 1705) obteve o teorema que se conhece com seu nome e que
permitiu estruturar o clculo das probabilidades como disciplina orgnica. Pelos fins do
sculo XVIII e princpios do sculo XIX, os trabalhos de LAPLACE permitiram dar sua
estruturao definitiva ao Clculo das Probabilidades; em suas obras Teoria analtica da
probabilidade (1818) e Ensaio filosfico sobre as probabilidades (1814) completou a obra
de BERNOULLI e seus continuadores, provendo o Clculo das Probabilidades de recursos
matemticos que haveriam de lev-lo mediante a obra do prprio LAPLACE e de outros
matemticos como POISSON, GAUSS, etc., ao grau de aperfeioamento que o tornou
apto para as aplicaes a diversos campos da cincia e muito especialmente Estatstica.

A partir de LAPLACE, as duas disciplinas, Clculo das Probabilidades e
Estatstica, que at ento haviam permanecido separadas, fundiram-se de maneira que o
Clculo das Probabilidades constitui a andaimaria matemtica da estatstica, pela qual esta
pde tomar o impulso terico que haveria de lev-la ao extraordinrio desenvolvimento e
aperfeioamento que alcanou no sculo passado e no presente
1
. O impulso que levou ao
atual estado de desenvolvimento do Clculos das Probabilidades, produzido entre fins do
sculo passado e princpios do presente, deve-se principalmente a franceses, russos e norte
americanos, com a colaborao de alemes, escandinavos, ingleses, italianos, etc..
2

1
Diz respeito aos sculos XIX e XX (Nota do professor).
2
TORANZOS, Fausto. Estatstica. Ed. Mestre J ou, 1969. p.2-3.

2
2. MODELOS MATEMTICOS

Os modelos matemticos consistem em uma simplificao da realidade. So uma
idealizao das caractersticas do fenmeno observado. Eles podem ser:

a) Determinsticos: quando dadas as condies de experimentao pode-se determinar ou
predizer o resultado final do experimento.

b) No-determinsticos (ou probabilsticos ou estocsticos): quando no possvel
predizer, com certeza, o resultado antes da realizao do experimento.

Exemplos:
i) Um mdico investigando o efeito de uma droga administrada em pacientes;
ii) O estudo do efeito de um fertilizante qumico em uma parcela de solo;
iii) A anlise dos preos mensais de trs bens de consumo;
iv) A soma dos pontos de dois dados; etc.

3. OBJETIVO GERAL DA TEORIA DAS PROBABILIDADES

De uma forma bem geral, a Teoria das Probabilidades visa definir um modelo
matemtico no-determinstico (probabilstico ou estocstico) que seja conveniente
descrio e interpretao de fenmenos aleatrios.

Fenmenos aleatrios ou experimentos aleatrios so aqueles onde o processo
de experimentao est sujeito a influncias de fatores casuais e conduz a resultados
incertos.

NOTAO: E =experimento aleatrio

4. CARACTERIZAO DE UM EXPERIMENTO ALEATRIO

1) Cada experimento poder ser repetido um grande nmero de vezes sob as mesmas
condies iniciais;

2) Em cada repetio do experimento, no podemos afirmar que resultado particular
ocorrer, porm podemos descrever o conjunto de todos os resultados possveis do
experimento - as possibilidades de resultado.

3) Quando o experimento repetido um grande nmero de vezes, surgir uma
regularidade nos resultados. Esta regularidade, chamada de regularidade estatstica,
que torna possvel construir um modelo matemtico preciso com o qual se analisar o
experimento.

5. ESPAO AMOSTRAL OU ESPAO-AMOSTRA

NOTAO: S =espao amostral

3
DEFINIO: Para cada experimento aleatrio E definimos um espao amostral que
consiste no conjunto de todos os resultados possveis de E.

Exemplos:
E
1
: Lanamento de uma moeda e observar a face voltada para cima S ={Cara, Coroa};
E
2
: Lanamento de um dado e observar o lado voltado para cima S ={1, 2, 3, 4, 5, 6};
E
3
: Retirar ao acaso uma carta de um baralho completo de 52 cartas
S ={A; 2; ...; K; A; 2; ... ; K; A; ... ; K; A; ... ; K};
E
4
: Determinao da vida til de um componente eletrnico S ={t R | t 0}.

Observaes:
i) O espao amostral pode ser finito ou infinito. No nosso curso trabalharemos
apenas com espaos amostrais finitos.
ii) O espao amostral pode ser representado por:
Um nmero;
Grupo de nmeros;
Atributos;
Grupo de atributos; ou
Combinaes de aspectos quantitativos e qualitativos.

6. EVENTOS

Ao realizarmos um experimento podemos estar interessados em observar
informaes diferentes. Por exemplo:
Experimento aleatrio E: lanar um dado e observar o lado voltado para cima.
Espao amostral S: {1, 2, 3, 4, 5, 6}
Com respeito ao resultado que ocorrer, poder ser um nmero maior ou igual a 3,
um nmero par, o nmero 3, etc.

DEFINIO: Dado um espao amostral S, associado a um experimento E, definimos
como evento qualquer subconjunto desse espao amostral.

Como estamos tratando com conjuntos so vlidas, portanto, todas as operaes
indicadas na Teoria dos Conjuntos e, a partir dessas operaes, podemos gerar novos
eventos.

Exemplo: Seja o experimento aleatrio anterior:
E: Lanar um dado e observar o lado voltado para cima
S ={1, 2, 3, 4, 5, 6}

Sejam os seguintes eventos:

A: sair o nmero 3 A ={3}. Ao evento que tem apenas um elemento chamamos de
evento simples ou elementar.
B: sair o nmero 10 B ={ } =. O conjunto correspondente ao conjunto vazio
chamamos de evento impossvel.

4
C: sair um nmero menor ou igual a 6 C =S =espao amostral. Ao conjunto que se
identifica com o espao amostral chamamos de evento certo.

Aou A
C
: no sair o nmero 3 A ={1, 2, 4, 5, 6}. A esse conjunto damos o nome de
evento complementar de A.

DEFINIO: Dois eventos so chamados mutuamente exclusivos ou mutuamente
excludentes se esses eventos no ocorrem simultaneamente. Ou seja, a interseco entre
os dois eventos o conjunto vazio.

Exemplo: Com base no mesmo experimento do exemplo anterior, definimos os seguintes
eventos:
F: sair um nmero par F ={2, 4, 6}
G: sair um nmero mpar G ={1, 3, 5}
H: sair nmero primo H ={2, 3, 5}
I: sair o nmero 1 I ={1}

Os eventos mutuamente exclusivos so aqueles onde no existe interseco
entre os dois eventos. Neste exemplo so:
F e G, pois F G =;
F e I, pois F I =;
H e I, pois H I =.

Observao:
A partir de um espao amostral finito de n elementos podemos construir 2
n

eventos. Seja S ={s
1
, s
2
, s
3
, , s
n
}. Fazendo todas as combinaes possveis , para
i =0, 1, 2, , n, com os n elementos desse espao amostral. Temos:
i
n

1
0
=
n
=evento impossvel;
1
1
=
n
{s
1
}, {s
2
}, {s
3
}, , {s
n
};
2
n
{s
1
, s
2
}, { s
1
,, s
3
}, ... ,{s
n-1
, s
n
};
..
1 =
n
n
{s
1
, s
2
, s
3
, , s
n
}.
O resultado final fica para a =1 e
b =1 (Binmio de Newton).
( )
n n
b a
n
n
n
n n n n
2
1

...
2 1 0
= + =
+ +

7. CONCEITO DE PROBABILIDADE

A terceira caracterstica enunciada do experimento aleatrio apresenta o conceito
de regularidade estatstica quando repetimos o experimento um grande nmero de vezes.

5

Vejamos, atravs de um exemplo, como podemos entender essa regularidade nos
resultados.

Exemplo: Seja o seguinte experimento aleatrio:
E: Lanamento de uma moeda S ={Cara, Coroa}
Desejamos estudar o evento A: sair cara A ={Cara}
Vamos repetir o experimento de lanar a moeda 20 vezes n =20.
Vamos definir:
n
A
=n
o
de vezes que ocorreu o evento A nas n repeties do experimento aleatrio E;
f
A
=freqncia relativa do evento A nas n repeties de E.

O resultado referente aos 20 lanamentos da moeda encontra-se na tabela a
seguir:

n n
A
f
A

n
n
A
f
A

1 1 1 11 6 6/11
2 1 1/2 12 7 7/12
3 2 2/3 13 7 7/13
4 3 3/4 14 8 8/14
5 3 3/5 15 8 8/15
6 3 3/6 16 8 8/16
7 3 3/7 17 8 8/17
8 4 4/8 18 8 8/18
9 5 5/9 19 9 9/19
10 5 5/10 20 9 9/20

O grfico a seguir corresponde ao nmero de repeties do experimento versus
freqncia relativa:

Nmero de ocorrnci as da face " cara" em 20 l ances de uma
moeda
n
Freq.
rel ati va
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Podemos observar que a medida que aumentamos o nmero de lances da moeda a
freqncia relativa de caras aproxima-se de 0,5.

6

DEFINIO: A freqncia relativa do evento A, denotada por f
A
, definida pela diviso
do nmero de vezes que ocorreu o evento A pelo nmero de repeties do experimento.
n
n
f
A
A
=

7.1. PROBABILIDADE DE UM EVENTO ELEMENTAR

A cada evento elementar do espao amostral S de um experimento aleatrio E
podemos associar um nmero real que expresse a regularidade estatstica mostrada acima.

Exemplo: No caso do lanamento de uma moeda: S ={cara; cora}

Podemos associar a cada evento elementar o valor real 0,5 para expressar a chance
de ocorrer cada um desses resultados num grande nmero de lanamentos da moeda, como
foi visto no exemplo anterior. Podemos escrever, ento:

P(cara) =0,5 e, conseqentemente, P(coroa) =0,5.

Exemplo: Em um dado defeituoso no aparece face alguma com 3 pontos, ao passo que h
duas faces com 5 pontos.
S ={ 1; 2; 4; 5; 6}

razovel admitir que, num grande nmero de lanamentos, a face 5 ocorra duas vezes
mais que cada uma das demais faces. Se atribuirmos nmeros para indicar as chances de
ocorrncia de cada face, deveremos adotar:
;
6
1
) 1 ( = P ;
6
1
) 2 ( = P ;
6
1
) 4 ( = P ;
6
2
) 5 ( = P e
6
1
) 6 ( = P .

Probabilidade de um evento elementar

Generalizando, sendo S ={ e
1
; e
2
; e
3
; ... ; e
n
} um espao amostral finito, a cada
evento elementar {e
i
} associamos um nmero real P(e
i
), chamado probabilidade do evento
elementar {e
i
}, que satisfaz as seguintes condies:

a) P(e
i
) 0 para todo i;

b) P(e
1
) + P(e
2
) + ... + P(e
n
) = 1.

Conseqentemente, para qualquer evento elementar {e
i
} temos:

0 P(e
i
) 1

7
7.2. PROBABILIDADE DE UM EVENTO QUALQUER

Seja A um evento qualquer composto por e
k
eventos elementares:
A ={e
1
; e
2
; e
3
; ... ; e
k
}. Ento:
P(A) = P(e
1
) + P(e
2
) + ... + P(e
k
)

Propriedades:

a) Se A =S P(A) =P(S) =1

b) Se A = P(A) =0

c) 0 P(A) 1

Exemplo: Seja o lanamento de um dado no viciado. Calcule a probabilidade dos
seguintes eventos:
a) Sair o nmero 3;
b) Sair um nmero par;
c) Sair um nmero primo;
d) Sair um nmero menor ou igual a 8.

Resoluo: S ={ 1; 2; 3; 4; 5; 6}

a) P(1) = P(2) =P(3) =... =P(6) =1/6

b) A ={ 2; 4; 6} P(A) =P(2) +P(4) +P(6) =3/6 =1/2

c) B ={ 2; 3; 5} P(B) = P(2) +P(3) +P(5) =3/6 =1/2

d) C ={ 1; 2; 3; 4; 5; 6} =S P(C) =P(S) =1

7.3. PROBABILIDADE EM UM ESPAO AMOSTRAL EQUIPROVVEL

DEFINIO: Um espao amostral chamado equiprovvel quando seus eventos
elementares tm iguais probabilidades de ocorrncia.
Sendo S ={ e
1
; e
2
; e
3
; ... ; e
n
}
n
e P
i
1
) ( = .

Exemplo: No lanamento de um dado no viciado observamos a face superior.

Resoluo: Como o dado no viciado, facilmente percebe-se que cada face tem uma
chance em seis de ocorrer. Logo, se atribuirmos probabilidades aos eventos elementares
teremos:
Espao amostral - S 1 2 3 4 5 6
Probabilidade 1/6 1/6 1/6 1/6 1/6 1/6

8
Consideremos, agora, o seguinte evento:

A =sair um nmero par no lanamento de um dado ={ 2, 4, 6,}

Como o espao amostral equiprovvel, existem trs chances em seis de ocorrer o
evento A. Assim a probabilidade de ocorrer o evento A, denotado por P(A), igual a 3/6.

Estas consideraes motivam a definio de probabilidade de um evento A,
associado a um espao amostral equiprovvel, da seguinte forma:

) S ( #
) A ( #
possveis casos de nmero
favorveis casos de nmero
S de elementos de nmero
A evento do elementos de nmero
) A ( P = = =

Pela definio acima perceber-se que, no caso de espaos amostrais equiprovveis,
no necessrio descrever o espao amostral e os eventos para calcular as probabilidades.
Basta que seja determinado o nmero de elementos do evento em estudo e do espao
amostral ao qual ele est associado. Para tanto, so utilizadas tcnicas de contagem
(anlise combinatria).

Exemplos:

i) Duas moedas so jogadas simultaneamente.
a) Qual a probabilidade de obtermos uma cara?
b) Qual a probabilidade de obtermos pelo menos uma cara?

Resoluo: Vamos utilizar as seguintes notaes:
C =sair cara
K =sair coroa
S = { (C, C); (C, K); (K, C); (K, K)} espao amostral equiprovvel
# (S) = 4 = casos possveis de S

a) Seja A =obter uma cara, ento A ={(C, K); (K, C)} logo
# (A) = 2 =casos favorveis do evento A P(A) =2/4 =1/2.

b) Seja B =obter pelos menos uma cara, ento B ={(C, K); (K, C); (C, C)}
# (B) =3 =casos favorveis de B P(B) =3/4.

ii) Consideremos o jogo Mega Sena da Loteria Federal. Este jogo consiste em escolher
apenas seis nmeros entre os sessenta existentes (01, 02, 03, ..., 60). Qual a probabilidade
de voc ganhar o prmio marcando apenas seis nmeros?

Resoluo: Seja A o evento acertar os seis nmeros sorteados. Como a descrio precisa
do espao amostral invivel, apenas definiremos o seu nmero de elementos:

# (S) = ( )
! 6
55 56 57 58 59 60
)! 6 60 ( ! 6
! 60
60
6
6
60

=
= = C =50.063.860

9

Como s existe um conjunto de seis nmeros que permite ganhar o prmio, temos:

860 . 063 . 50
1
) ( = A P .

iii) Uma caixa contm 100 peas, com 5 defeituosas. Qual a probabilidade de duas peas
escolhidas ao acaso serem ambas perfeitas?

Resoluo: Existem ( )
100
2
maneiras de escolhermos duas peas quaisquer. Ento:
# (S) =( )
100
2
elementos.
Seja o evento A =escolher duas peas perfeitas. Ento # (A) =( )
95
2
elementos.
Logo, P(A) =
95 94
100 99
0 902
= , .

Propriedades:

1) P S ( ) = 1;

2) P( ) = 0;

3) Se A e B so dois eventos mutuamente exclusivos, ento P A B P A P B ( ) ( ) ( = + ).

4) Se A o evento complementar de A, ento ) ( 1 ) ( A P A P = .

5) Se A e B so dois eventos quaisquer, ento P B A P B P A B ( ) ( ) ( ) = .

6) Se A e B so dois eventos quaisquer, ento P A B P A P B P A B ( ) ( ) ( ) ( ) = + .

Observaes:

i) Dizemos que o evento A B ocorre se, e somente se, A ocorre ou B ocorre ou ambos
ocorrem.

ii) O evento A B ocorre se, e somente se, A e B ocorrem.

iii) O evento A ocorre se, e somente se, no ocorre A.

Exemplos:

i) Uma urna contm quatro bolas azuis, trs vermelhas e duas brancas. Se retirarmos uma
bola ao acaso, calcule a probabilidade de:
a) ser vermelha;
b) no ser vermelha;
c) ser vermelha ou branca;
d) ser azul.

10
Resoluo: Sejam os seguintes eventos:
V =sair bola vermelha
A =sair bola azul
B =sair bola branca

a) P(V) =
nmero de bolas vermelhas
nmero total de bolas
=
3
9

b) P V P V ( ) ( ) = = = 1 1
3
9
6
9

c) P V B P V P B ( ) ( ) ( ) = + = + =
3
9
2
9
5
9

d) P A ( ) =
4
9

ii) Dados P(A) =1/2; P(B) =3/8 e P(A B) =1/8, calcule:
a) P(A B);
b) P A B ( ) ;
c) P A B ( ) .

Resoluo:
a) P(A B) =P(A) +P(B) - P(A B) =1/2 +3/8 - 1/8 =6/8 =3/4
b) P A B P A B P A B ( ) ( ) ( ) ( / ) = = = = 1 1 3 4 / 1 4
c) P A B P A B P A P A B ( ) ( ) ( ) ( ) / / = = = = 1 2 1 8 3 8 /

iii) Para a Copa do Mundo 24 pases so divididos em seis grupos, com 4 pases cada um.
Supondo que a escolha do grupo de cada pas feita ao acaso, calcular a probabilidade de
que dois determinados pases A e B se encontrem no mesmo grupo. (Na realidade a
escolha no feita de forma completamente aleatria).

Resoluo: Primeiro vamos considerar apenas um grupo. Existem ( )
24
4
maneiras de
sortearmos 4 pases. Agora, fixando os pases A e B dentro do grupo, existem ( )
22
2

maneiras de ocupar os dois lugares restantes. Portanto, a probabilidade de A e B
pertencerem ao mesmo grupo de
( )
( )
24
4
22
2
.
Considerando que so 6 grupos, para calcularmos a probabilidade de que dois
determinados pases A e B se encontrem no mesmo grupo basta multiplicarmos a
probabilidade acima por 6. Isto :
( )
( ) 23
3
6
24
4
22
2
= .
.

8. PROBABILIDADE CONDICIONAL

Exemplo: Suponha que o quadro a seguir resuma as informaes de um levantamento das
empresas industriais e comerciais de certo municpio em certo ano, discriminado segundo
o porte:

11

ATIVIDADE
PORTE
INDSTRIA (I) COMRCIO (C)
TOTAL
MICRO (M) 40 50 90
PEQUENA (P) 20 40 60
MDIA (D) 15 20 35
GRANDE (G) 5 10 15
TOTAL 80 120 200

Qual a probabilidade de selecionarmos ao acaso uma empresa comercial, sabendo
que a empresa escolhida uma pequena empresa?

Resoluo: E: selecionar uma empresa entre as 200 pesquisadas #(S) =200

Sejam os seguintes eventos:
P: a empresa de pequeno porte # (P) =60
C: a empresa comercial # (C) =120
C P : a empresa comercial e de pequeno porte # (C P) =40

Sabemos, a priori, que a empresa selecionada uma pequena empresa. Assim
nossa observao fica reduzida apenas ao evento P. A probabilidade de selecionarmos
uma empresa comercial sabendo que ela uma pequena empresa a relao entre o
nmero de empresas que so simultaneamente comerciais e pequenas e o nmero de
empresas pequenas. Isto , 40/60.

Este resultado pode ser obtido tambm da seguinte maneira:
P C P
P P
( )
( )
= =
40
200
60
200
40
60

Ou seja, podemos ver que a probabilidade de selecionarmos uma empresa
comercial ao acaso sabendo, a priori, que uma pequena empresa o mesmo que
calcularmos a probabilidade da ocorrncia simultnea dos eventos comercial e pequena
dividido pela probabilidade de ser uma empresa pequena.

DEFINIO: Dados dois eventos A e B associados a um mesmo espao amostral S, se
P(A) >0, a probabilidade de ocorrncia do evento B condicionado ocorrncia do
evento A (ou probabilidade de B dado A), definida por:

) (
) (
) | (
A P
B A P
A B P

= .

Exemplo: Com os dados do exemplo anterior, calcular a probabilidade da empresa
selecionada ser pequena, dado que uma empresa comercial?
Resoluo:
3
1
120
40
200
120
200
40
) (
) (
) | ( = = =
=
C P
C P P
C P P

12
9. ALGUMAS CONSEQNCIAS DA DEFINIO DE PROBABILIDADE
CONDICIONAL

9.1. TEOREMA DO PRODUTO (OU DA MULTIPLICAO)

Se A e B so dois eventos quaisquer associados ao mesmo espao amostral, com
probabilidades positivas, ento a probabilidade da ocorrncia simultnea de A e B,
P A B ( ), dada por:

) | ( ). ( ) | ( ). ( ) ( B A P B P A B P A P B A P = = .

Exemplo: Uma caixa contm cinco bolas brancas, trs vermelhas e duas azuis. Se
escolhermos trs bolas ao acaso, sucessivamente e sem reposio, qual a probabilidade de
sair uma vermelha, depois uma branca e depois uma azul?

Resoluo:
Sejam os seguintes eventos: B =bola branca; V =bola vermelha; e A =bola
azul. A probabilidade pedida a ocorrncia simultnea de bola vermelha na primeira
extrao, bola branca na segunda extrao e bola azul na terceira. Usaremos a seguinte
notao para o clculo da probabilidade solicitada: P V B A ( ).
1 2 3

Como a extrao das bolas sem reposio, aps cada extrao efetuada o espao
amostral diminui em uma unidade. Assim,

) | ( ). | ( ). ( ) (
2 1 3 1 2 1 3 2 1
B V A P V B P V P A B V P = .

As probabilidades do segundo membro da expresso so:

P V ( )
1
3
10
= =
nmero de bolas vermelhas
nmero total de bolas

9
5
1 - bolas de total nmero
brancas bolas de total nmero
) | (
1 2
= = V B P

8
2
2 - bolas de total nmero
azuis bolas de nmero
) | (
2 1 3
= = B V A P

Portanto, P V B A ( ) . .
1 2 3
3
10
5
9
2
8
1
24
= = .

13
9.2. INDEPENDNCIA ESTATSTICA

DEFINIO : Se A e B so eventos independentes, ento:

P A B P A P B ( ) ( ). ( ) = .

Uma explicao intuitiva para a definio acima : se B independe de A, ento
tanto a ocorrncia quanto a no ocorrncia de A no afetam a probabilidade de B ocorrer,
isto :
) ( ) | ( e ) ( ) | ( B P A B P B P A B P = =

e pelo Teorema do Produto temos que:
) ( ). ( ) | ( ). ( ) ( B P A P A B P A P B A P = =

Observao:
Se A B = (mutuamente exclusivos), ento A e B no so independentes, isto ,
, a menos que um deles tenha a probabilidade zero. 0 ) ( ). ( B P A P

Exemplos:

i) Com os mesmos dados do exemplo anterior, vamos supor que a extrao das bolas seja
feita com reposio. Calcular P V B A ( )
1 2 3
.

Resoluo:
Como a extrao das bolas realizada com reposio, a cada extrao temos o
mesmo espao amostral. Ento:

) ( ). ( ). ( ) | ( ). | ( ). ( ) (
3 2 1 2 1 3 1 2 1 3 2 1
A P B P V P B V A P V B P V P A B V P = =
P V B A P V P B P A ( ) ( ). ( ). ( ) . .
1 2 3 1 2 3
3
10
5
10
2
10
3
100
= = =

ii) A probabilidade de que A resolva um problema de 1/3 e a probabilidade de que B
resolva 3/4. Se ambos tentarem independentemente, qual a probabilidade do problema
ser resolvido?

Resoluo:
O problema ser solucionado se A resolve ou B resolve ou ambos resolvem. Ento
P A B P A P B P A B ( ) ( ) ( ) ( ) = + .

Se ambos tentarem independentemente P A B P A P B ( ) ( ). ( ) =
P A B ( ) . = =
1
3
3
4
1
4
.
Logo P A B ( ) = + =
1
3
3
4
1
4
5
6
.

14
10. TEOREMA DE BAYES

Exemplo:
Em uma fbrica de parafusos as mquinas M
1
, M
2
e M
3
so responsveis,
respectivamente, por 25%, 35% e 40% do total produzido. Da produo de cada mquina,
5%, 4% e 2%, respectivamente, so parafusos defeituosos. Escolhe-se um parafuso ao
acaso e verifica-se que defeituoso. Qual a probabilidade que o parafuso escolhido seja
originrio da mquina M
1
?

Resoluo: O enunciado do exemplo definiu os seguintes eventos e probabilidades:

M
1
: o parafuso foi produzido pela mquina 1 P(M
1
) =0,25
M
2
2
) =0,35
M
3
3
) =0,40
M
1
M
2
M
3
=S

D =o parafuso defeituoso
P =o parafuso perfeito
D P =S

P(D/M
1
) =0,05
P(D/M
2
) =0,04
P(D/M
3
) =0,02

Na rvore de Probabilidades:

Sabemos que P(M
1
M
2
M
3
) =P(M
1
) +P(M
2
) +P(M
3
) =1, pois M
1
, M
2
e M
3

so eventos mutuamente exclusivos e, pelo mesmo motivo, P(D P) =P(D) +P(P) =1.
P(D/M
1
)
P(P/M
1
)
P(M
1
)
P(D/M
2
)
P(M
2
)
P(P/M
2
)
P(M
3
)
P(D/M
3
)
P(P/M
3
)

15

A probabilidade que desejamos calcular P(M
1
|D), probabilidade do parafuso ser
originrio da mquina 1 sabendo-se que um parafuso defeituoso. Utilizando a definio
de probabilidade condicional, temos: .
) (
) (
) | (
1
1
D P
D M P
D M P

=
Vamos iniciar o clculo pelo denominador da expresso. Podemos observar que os
parafusos defeituosos esto distribudos pela produo das trs mquinas. Assim, para
calcularmos a probabilidade de sair um parafuso defeituoso P(D) temos que considerar
a ocorrncia simultnea de parafuso defeituoso nas trs mquinas. Ou seja,
P(D) =P(M
1
D) +P(M
2
D) +P(M
3
D)
P(M
1
D) =P(M
1
).P(D | M
1
) =0,25 0,05 =0,0125
P(M
2
D) =P(M
2
).P(D | M
2
) =0,35 0,04 =0,0140
P(M
3
D) =P(M
3
).P(D | M
3
) =0,40 0,02 =0,0080

Assim, P(D) =0,0125 +0,0140 +0,0080 =0,0345. O resultado final fica:
. 3623 , 0
0345 , 0
0125 , 0
) (
) (
) | (
1
1
= =
=
D P
D M P
D M P

Teorema de Bayes

Sejam A
1
A
2
,...,A
n
, n eventos mutuamente exclusivos tais que A
1
A
2
... A
n
=S.
Sejam P(A
j
) as probabilidades conhecidas dos vrios eventos (chamadas de probabilidade
a priori) e B um evento qualquer de S, tal que so conhecidas todas as probabilidades
condicionais do tipo P(B | A
j
) (chamadas probabilidades a posteriori). Ento para cada j
teremos:

= =
=
=
n
i
i i
j j
n
i
i
j
j
A B P A P
A B P A P
B A P
B A P
B A P
1 1
) | ( ). (
) | ( ). (
) (
) (
) | (

Mat194 01 Unid1 IntrProbab - Mar2011

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Mat194 01 Unid1 IntrProbab - Mar2011

Transféré par

Droits d'auteur :

Formats disponibles

Universidade Federal da Bahia

Vous aimerez peut-être aussi