1 / 28

Probabilidade

Probabilidade. Modelo matemático para incerteza Desenvolvimento relativamente recente Cardano (século XVI) Pascal (século XVII) Peter Bernstein, Against the Gods. Primeira Tentativa . Espaço amostral ( W ): resultados possíveis para um experimento aleatório.

elinor
Download Presentation

Probabilidade

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Probabilidade • Modelo matemático para incerteza • Desenvolvimento relativamente recente • Cardano (século XVI) • Pascal (século XVII) • Peter Bernstein, Against the Gods

  2. Primeira Tentativa • Espaço amostral (W): resultados possíveis para um experimento aleatório. • Probabilidade: número não negativo atribuído a cada um destes resultados, de modo que a soma seja 1 (intuição: frequência a longo prazo)

  3. Primeira Tentativa • Adequado para o caso discreto • = {w1, w2, ...} p1 +p2 + ... = 1 Para cada A W , P(A) = wi  A P(wi)

  4. Como atribuir probabilidades? • Estatística: estimar através de frequência observada • Explorar simetria: modelos equiprováveis W = {w1, w2, ..., wn } p1 = p2 = ... = pn = 1/n • Moedas, bolas em urnas, cartas, dados, etc

  5. Exemplo • Uma moeda “honesta” é lançada 3 vezes. Qual é a probabilidade de sair 2 caras? • Espaço amostral: W = {0, 1, 2, 3} (número de caras) • Probabilidade de sair 2 caras = P({2}) = ¼.

  6. Exemplo • Uma moeda “honesta” é lançada 3 vezes. Qual é a probabilidade de sair 2 caras? • Espaço amostral: W = {0, 1, 2, 3} (número de caras) • Probabilidade de sair 2 caras = P({2}) = ¼.

  7. Exemplo • Uma moeda “honesta” é lançada 3 vezes. Qual é a probabilidade de sair 2 caras? • Espaço amostral: • W = {ccc, cck, ckc, kcc, ckk, kck, kkc, kkk} • Probabilidade de sair 2 caras = P({cck, ckc, kcc}) = 3/8.

  8. Observação • É óbvio que kkk e ckc têm a mesma chance de ocorrer? • E kkkkkkkkkk e ckkckckckk? • Mega-sena: 1-2-3-4-5-6 e 7-16-24-28-41-52? • Nassim Taleb, Fooled by Randomness

  9. Caso contínuo • Roleta “real”, com números de 0 a 360. • Qual é a probabilidade de tirar resultado igual a 316,43? • Qual é a probabilidade de tirar resultado igual a maior que 300?

  10. Caso contínuo • Roleta “real”, com números de 0 a 360. • Qual é a probabilidade de tirar resultado igual a 316,43? zero • Qual é a probabilidade de tirar resultado igual a maior que 300? 1/6

  11. Caso contínuo • Probabilidade de eventos não pode ser calculada simplesmente somando as probabilidades associadas a pontos de W. • Necessidade de atribuir probabilidades diretamente aos subconjuntos de W. • Mas não a todos os subconjuntos (Teoria da Medida)

  12. Modelo Probabilístico Revisado • Espaço amostral (W): conjunto de resultados possíveis para um experimento aleatório. • s-álgebra de eventos (A): subconjuntos de W aos quais se atribui probabilidade. W  A, A A  Ac A , Ai A   Ai A • Probabilidade (P): função definida em A P(A)  0, P(W) =1, P( Ai ) = i P(Ai)(Aidisjuntos 2 a 2)

  13. Consequências • P(Ac) = 1 – P(A) • P() = 0 • An A  P(An)  P(A) • An A  P(An)  P(A)

  14. Caso discreto • A = todos os subconjuntos de W. • Probabilidades pi atribuídas aos eventos unitários {wi}(como antes)

  15. Caso contínuo • W = R • A = menor s-álgebra que contém todos os intervalos (s-álgebra de Borel) • Probabilidades atribuídas aos intervalos (ou aos intervalos da forma (–, x]) (tipicamente através da integral de uma função de densidade) • Por exemplo, no caso da roleta:

  16. Probabilidade Condicional • Probabilidade condicional do evento A na certeza do evento B • Tudo se passa como se, na certeza de B, B fosse o novo espaço amostral.

  17. Exemplo • Um dado é lançado 2 vezes. Dado que a soma é 4, qual é a probabilidade condicional de ter saído 1 no primeiro lançamento? W = {(1,1), …, (6, 6)} A = [1 no 1o] = {(1, 1), …, (1, 6)} B = [soma 4] = {(1, 3), (2, 2), (3, 1)} AB = {(1, 3)}

  18. Observação • De , resulta: P(AB) = P(B). P(A | B) = P(A) . P(B | A) • A e B são independentes quando P(AB) = P(A). P(B)

  19. Exemplo • Em uma urna há 6 bolas brancas e 4 pretas. As bolas são retiradas sequencialmente, sem reposição.

  20. Exemplo 1) Probabilidade de a 1a bola retirada ser branca?

  21. Exemplo 2) Probabilidade de a 1a bola retirada ser branca e a 2a preta?

  22. Exemplo 3) Probabilidade de a 2a bola retirada ser preta?

  23. Exemplo 4) Probabilidade de a 1a bola retirada ter sido preta sabendo que a 2a foi branca?

  24. Teoremas • Sejam B1, B2, … disjuntos 2 a 2 tais que Bi= W • Probabilidade Total • Bayes

  25. Exemplo • Em uma população, 1% das pessoas têm uma certa doença. Um exame para esta doença tem probabilidade de falso-positivo igual a 2% e de falso negativo igual a 1%. Se uma pessoa escolhida ao acaso é examinada e o exame dá positivo, qual é a probabilidade de que ela tenha a doença?

  26. Solução • Dados: P(Doente) = 0.01 P(Positivo|Doente) = 0.99 P(Positivo|Doentec)= 0.02 • Pede-se: P(Doente|Positivo)

  27. Solução P 0,99 D 0,01 0,01 P 0,99 0,02 Dc 0,98

  28. Solução P 0,99 D 0,01 0,01 P 0,99 0,02 Dc 0,98

More Related