Chantal A Trabalhar
Chantal A Trabalhar
Chantal A Trabalhar
2º Lei da Probabilidade.
Se A1 e A2 são dois eventos que não têm nenhum elemento em comum dizemos que A1 e
A2 são disjuntos (A1 ∩ A2 = ø). Se dois eventos A1 e A2 são disjuntos, então
P (Ac) = 1 – P (A)
4º Lei da Probabilidade.
Se A1 e A2 são dois eventos quaisquer, então,
Distribuição Binomial: é aplicável nos casos onde os resultados que uma variável assume
podem ser agrupados em duas categorias. Estas por sua vez devem ser mutuamente
excludentes (sem dúvidas para classificação) e coletivamente exaustivas (não pode ser
classificada em uma terceira categoria);
Distribuição de Poisson: pode ser aplicada nos casos onde existe a probabilidade de
ocorrência em um espaço, área ou intervalo contínuo;
Distribuição Exponencial: descreve a possibilidade de uma variável aleatória discreta
expressar a probabilidade de uma série de eventos ocorrerem em um certo período de
tempo, sendo esses independentes do último evento ocorrido;
Distribuição de Weibull: trata-se de uma distribuição extremamente flexível e pode
assumir formas variadas. É usada nas áreas de PCP para modelar tempos de processo,
setup e tempos de falha de diversos componentes mecânicos e elétricos;
Distribuição Normal: muitos autores a classificam como a mais importante das
distribuições pois representa a distribuição de frequência de grande parte dos fenômenos
naturais e serve como aproximação da distribuição binomial para grandes valores de “n”.
Definições
Experimento ou Fenômeno Aleatório
São aqueles que, mesmo repetidos várias vezes sob condições
semelhantes, apresentam resultados imprevisíveis.
Espaço Amostral
É o conjunto de possíveis resultados de um experimento ou fenômeno
aleatório, representado por S.
Evento
É qualquer subconjunto do espaço amostral S de um evento aleatório.
Probabilidade: Dado um experimento aleatório, sendo S o seu espaço
amostral, admitindo que todos os elementos de S tenham a mesma
chance de acontecer, ou seja, que S é um conjunto equiprovável.
Probabilidade de um evento A (A está contido em S):
Sendo:
n(A) – número de elementos de A;
n(S) – número de elementos de S.
Eventos Complementares
Sabendo que um evento pode ocorrer ou não. Sendo p a probabilidade
de que ele ocorra (sucesso) e q a probabilidade de que ele não ocorra
(insucesso), para um mesmo evento existe sempre a relação:
Eventos Independentes
Dizemos que dois eventos são independentes quando a realização ou
não realização de um dos eventos não afeta a probabilidade da
realização do outro e vice-versa.
Assim, sendo p1 a probabilidade de realização do primeiro evento e p2 a
probabilidade do segundo evento, a probabilidade de que tais eventos
se realizem simultaneamente é dada por:
Também conhecida como regra do "e".
Probabilidade e o determinismo?
Qual a aceleração da gravidade?
9,81m/s², pouco importa, na visão do professor, se estamos sobre um campo de petróleo ou
um vulcão. Qual é a força necessária para acelerar a 5m/s² um veículo de massa 1250 kg?
Sacamos logo a velha fórmula do Newton que diz que F=m.a. Na aula de Biologia é a
mesma coisa. Decoramos a evolução da vida (poríferos, celenterados, platelmintes…) e
muitas coisas mais, mas sempre ancorados no puro determinismo.
Símbolos
: pertence : existe
: não pertence : não existe
: está contido : para todo (ou qualquer que seja)
: não está contido : conjunto vazio
: contém N: conjunto dos números naturais
: não contém Z : conjunto dos números inteiros
/ : tal que Q: conjunto dos números racionais
: implica que Q'= I: conjunto dos números irracionais
: se, e somente se R: conjunto dos números reais
Eventos Independentes
Cara, imagina que você tem uma moeda aí nas suas mãos. Vamos supor que você lance
essa moeda uma vez, e tenha como resultado coroa. Se você lançar essa moeda
novamente, após esse primeiro lançamento, essa coroa vai ter alguma influência sobre o
próximo resultado? Não!
Como o nome já diz, eventos independentes são aqueles que não dependem um do
outro, ou seja, o fato de um deles acontecer não altera a probabilidade do outro
ocorrer.
Humm.. mas como vamos saber se dois eventos são independentes ou não? É
exatamente isso que vamos descobrir agora. Vem comigo!
PA∩B=PA⋅P(B)
Atenção!
Quando falamos de mais de dois eventos, três eventos (A, B e C) por exemplo, para eles
serem completamente independentes, precisamos que:
PA∩B=PA.PB
PA∩C=PA.PC
PB∩C=PB.PC
PA∩B∩C=PA.PB.PC
Se essas quatro equações não forem verdadeiras, não podemos falar que esses três
eventos são completamente independentes. Contudo, se as três primeiras forem
verdades, podemos falar que eles são mutualmente independentes.
Dizemos que dois eventos são mutuamente exclusivos quando eles são disjuntos, ou
seja, quando não possuem interseção.
A∩B=∅
Esses eventos são mutuamente exclusivos, já que não tem como um número ser par e
ímpar ao mesmo tempo!
PA∪B=PA+PB-PA∩B
PA∪B=PA+PB
Além disso, quando dois eventos não tiverem interseção a probabilidade condicional
também irá mudar. Vamos dar uma olhada na fórmula:
PAB=PA∩BPB
Como P A ∩ B = 0 teremos:
PAB=0PB=0
Importante!
PA∩B=PA.P(B)
Nada podemos afirmar sobre eles serem mutualmente exclusivos ou não. E vice versa!
DISTRIBUIÇÃO BINOMIAL
Aplica-se a experimentos que satisfaçam as seguintes condições:
Sendo:
n = número de tentativas
K = número de sucessos
p = probabilidade de sucesso
q = probabilidade de fracasso
DISTRIBUIÇÃO DE POISSON
Muitos estudos são baseados na contagem das vezes em que um evento
ocorre em uma determinada área de oportunidades.
Exemplos:
Defeitos na pintura de uma geladeira nova;
Número de falhas na rede em um determinado dia;
Número de pulgas no pelo de um cachorro.
Onde:
P(x) = probabilidade de eventos
K = número esperado de eventos
e = constante matemática = 2,71828
X = número de eventos
DISTRIBUIÇÃO NORMAL
Segundo Fonseca (2011), a distribuição normal pode ser considerada como a
mais importante distribuição de probabilidade, pode ser aplicada em vários
fenômenos. Também é conhecida como distribuição de Gauss.
A Curva Normal é um modelo teórico ou ideal que resulta muito mais de uma
equação matemática do que um real delineamento de pesquisa com posterior
coleta de dados.
Propriedades:
Onde:
µ = média
σ = desvio-padrão
π = constante aproximada por 3,1416
e = constante aproximada por 2,71828
x = qualquer valor da variável
3 Desvio Padrão (σ) de uma variável aleatória é a raiz quadrada positiva de sua variância.
Propriedades da esperança: Se a é uma constante então E(a) = a E(a) = a E() Se a e b são
constantes então: E(a+b) = E(a) + E(b) = ae() + b Se h() é uma função de, então: E [ h( ) = h( )
P( ) Propriedades da variância: Se a é uma constante então V(a) = 0 V(a) = a V() Se a e b são
constantes então: V(a+b) = a V() Variáveis Aleatórias Bidimensionais: Muitas vezes, ao
descrever os resultados de um experimento aleatório, atribuímos a um mesmo ponto amostral
os valores de duas variáveis aleatórias. Queremos conhecer as probabilidades associadas a
cada par de variáveis aleatórias. Distribuição Conjunta de Probabilidades: É a função de
probabilidade que atribui probabilidades a cada par das variáveis aleatórias. P(x,y) = P( = x ; Y
= y) denota a probabilidade do evento { = x e Y = y} Note que a distribuição conjunta é uma
distribuição de probabilidades, pois: P( = x ; Y = y) 0 para qualquer x e qualquer y e P( = x, Y =
y) = 1 As variáveis aleatórias e Y são independentes se para todo para de valores (x i,y j ) de e
y tem-se: P( = x i, Y = y j ) = P( = x i )P(Y = y j ) Distribuições Marginais: São obtidas facilmente
da tabela de distribuição conjunta de probabilidades. Propriedades das variáveis aleatórias
bidimensionais: Se e Y são duas variáveis aleatórias então E(+Y) = E() + E(Y) Generalizando:
E( n ) = E( 1 ) + E( ) E( n ) Se e Y são duas variáveis aleatórias independentes então E(Y) =
E()E(Y) Generalizando: Se 1,,..., n são variáveis aleatórias independentes então: E( 1... n ) = E(
1 )E( )...E( n ) x y Estatística - Definições Adicionais Profª Raquel Cymrot 3
5 do tipo II. É feito um sorteio de n objetos ( n < N), ao acaso e sem reposição. Seja o número
total de objetos do tipo I selecionados. terá uma distribuição hipergeométrica. Distribuição de
Poisson: Existe um processo de Poisson se pudermos observar eventos discretos numa área
de oportunidade (continuum) de modo que ao encurtarmos tal área suficientemente: -A
probabilidade de se observar exatamente um sucesso no intervalo é estável. -A probabilidade
de se observar mais de um sucesso no intervalo é zero. -A ocorrência de um sucesso em
qualquer intervalo é estatisticamente independente da ocorrência em qualquer outro intervalo.
VARIÁVEIS ALEATÓRIAS CONTÍNUAS Variável Aleatória Contínua: É uma variável aleatória,
tal que R x, o contra domínio de, seja um intervalo ou uma coleção de intervalos. Função
Contínua de Probabilidade ou Função de Densidade de Probabilidade: f(x) é uma função
contínua de probabilidade ou função de densidade de probabilidade se satisfizer duas
condições: a)f(x) 0 para todo x (, ) b)a área definida por f(x) é igual a 1, isto é: f ( x) dx = 1
Função de Distribuição Acumulada da variável aleatória contínua : É definida como: F(x) = P( x)
= f ( x) dx x Esperança de uma variável aleatória contínua : É definida como E() = xf ( x) dx
DISTRIBUIÇÕES CONTÍNUAS Distribuição Uniforme: Uma variável aleatória tem distribuição
uniforme contínua no intervalo [a,b], a < b, se sua função de densidade de probabilidade for
dada por: 1 a x b b a f ( x) = 0 caso contrário Notação: ~U[a,b] Distribuição Exponencial: Uma
variável aleatória contínua, assumindo valores não negativos, segue o modelo exponencial com
parâmetro λ > 0 se é igual à distância entre contagens sucessivas de um Estatística -
Definições Adicionais Profª Raquel Cymrot 5
6 processo de Poisson, com média λ >0. A função densidade de probabilidade de é f(x) =λe λx
para x 0. Notação: ~EP(λ) Esta distribuição é muito utilizada na teoria de filas, para medir o
tempo decorrido entre duas chegadas. λ é o tempo médio de chegadas por unidade de tempo.
A característica de permitir a translação da origem no cálculo de probabilidades é conhecida
como falta de memória. A distribuição exponencial é a única distribuição contínua com essa
característica. Distribuição Normal: Dizemos que uma variável aleatória contínua tem
distribuição Normal com parâmetros µ e σ, se sua função densidade for dada por: 1 ( x µ ) σ f
( x) = e para < x < π σ Notação: ~ N(µ, σ ) µ é a média da distribuição e σ é o desvio padrão da
distribuição e é igual a distância do ponto de inflexão da curva até a média µ. Teorema do
Limite Central: Se tem qualquer distribuição com média µ e variância σ, então para n grande (n
30) tem-se: σ ~ N µ ; n Se ~ N(µ ; σ σ ), então para qualquer n tem-se: ~ N µ ; n Se 1 ~ N (µ 1 ;
σ 1 ) e ~ N (µ ; σ ) sendo 1 e variáveis aleatórias independentes e se Y = a + b b então: Y ~ N(a
+ b 1 µ 1 + b µ ; b 1 σ 1 + b σ ) Se 1,,..., n são variáveis aleatórias independentes com i ~ N(µ ;
σ ) e S = n, então: S ~ N (nµ ; nσ ) AMOSTRAGEM População é o conjunto de todos os
elementos sobre os quais se está a procura de informações. Amostra é qualquer subconjunto
da população. Amostragem Casual Simples: É um processo de seleção em que cada elemento
da população tem igual probabilidade de pertencer à amostra. Todos os elementos da
população devem ser listados e numerados a fim de se sortear os elementos que farão parte
da amostra. Amostragem Sistemática: Consiste em selecionar uma amostra a partir de uma
listagem de todos os elementos da população, obedecendo a intervalos regulares. Estatística -
Definições Adicionais Profª Raquel Cymrot 6
8 Teste de uma hipótese estatística: É um procedimento que nos permite decidir com base em
informações experimentais pela rejeição ou não rejeição de uma hipótese estatística. Hipótese
nula (H 0 ): É a hipótese que é sempre testada e sempre contém um sinal de igualdade com
relação ao valor do parâmetro especificado. Quando não rejeitamos a hipótese nula, só
podemos concluir que não existem evidências suficientes para garantir a sua rejeição.
Denomina-se Região Crítica (R.C.) de um teste aos possíveis valores da estimativa que levam
a rejeição da hipótese a ser testada (H 0 ). Valor Crítico: É o valor da estatística a partir do qual
rejeitamos a hipótese a ser testada. Erro Tipo I: Ocorre se a hipótese nula H 0 for rejeitada
quando de fato é verdadeira e não deveria ser rejeitada. Nível de Significância α: É a
probabilidade de cometermos o erro tipo I. Erro Tipo II: Ocorre se a hipótese nula H 0 não for
rejeitada quando de fato é falsa e deveria ser rejeitada. β: É a probabilidade de cometermos o
erro tipo II. Poder do teste ou eficácia do teste: É igual a (1 β), isto é, é a probabilidade de se
rejeitar a hipótese nula quando ela é de fato falsa e deveria ser rejeitada. Vemos que
diminuindo α, aumenta-se β e vice-versa. É impossível zerar os dois tipos de erro. A única
forma de diminuirmos α e β ao mesmo tempo é aumentando o tamanho da amostra. Nível
Descritivo do teste p: É a probabilidade de se obter uma estatística de teste igual ou mais
extrema que o resultado, a partir dos dados da amostra, dado que a hipótese nula H 0, seja
realmente verdadeira. Estatística - Definições Adicionais Profª Raquel Cymrot 8
Espaço amostral
Espaço amostral é o conjunto que possui todos os pontos
amostrais de um evento aleatório. Sendo assim, o espaço
amostral referente ao experimento “lançar uma moeda” é formado
por cara e coroa.
O espaço amostral também é comumente chamado de universo.
Além disso, como se trata de um conjunto, qualquer notação de
conjuntos pode representá-lo.
Dessa maneira, o espaço amostral, seus subconjuntos e
as operações que o envolvem herdam as propriedades e operações
dos conjuntos numéricos. Dessa maneira, podemos dizer que os
possíveis resultados do lançamento de duas moedas são:
S = {(x,y) naturais | x < 7 e y < 7}
(3, 3)
(5, 5)
Histórico
Os Diagramas de Venn são nomeados em homenagem ao lógico britânico John Venn.
Ele escreveu sobre os diagramas em um artigo de 1880 intitulado "Sobre a
Representação Diagramática e Mecânica de Proposições e Raciocínios" na
Philosophical Magazine e Journal of Science.
Mas as raízes deste tipo de diagrama remontam há muito mais tempo, pelo menos 600
anos. Em meados de 1200, o filósofo e lógico Ramon Llull (às vezes soletrado Lull) de
Maiorca usou um tipo semelhante de diagrama, escreveu a autora M.E. Baron em um
artigo de 1969 que traçava a sua história. Ela também creditou o matemático e filósofo
alemão Gottfried Wilhelm von Leibniz por desenhar diagramas semelhantes no final de
1600.
Um simples exemplo
Digamos que nosso universo é animais de estimação, e queremos comparar com qual
tipo de animal de estimação nossa família pode concordar.
A sobreposição, ou interseção, dos três conjuntos contém apenas cão. Parece que vamos
comprar um cão.
Propósito e benefícios
Organizar visualmente as informações para ver a relação entre conjuntos de
itens, como pontos comuns e diferenças. Estudantes e profissionais podem usá-
los para pensar sobre a lógica por trás de um conceito e descrever as relações
para comunicação visual. Este objetivo pode variar de elementar a altamente
avançado.
Comparar duas ou mais escolhas e ver claramente o que elas têm em comum e
o que elas têm de diferente. Isso pode ser feito para escolher um produto ou
serviço importante para comprar.
Resolver problemas matemáticos complexos.Presumindo que você seja um
matemático, é claro.
Comparar conjuntos de dados, encontrar correlações e prever probabilidades
de certas ocorrências.
Entender a lógica por trás de declarações ou equações, como a lógica booleana
por trás de uma pesquisa de palavras envolvendo declarações "ou" e "e" e como
elas são agrupadas.
Diagramar é rápido e fácil com o Lucidchart. Faça uma avaliação gratuita hoje mesmo
para começar a criar e colaborar.
Diferença
simétrica de dois Tudo, exceto a interseção.
conjuntos
Complemento
Tudo que não está no conjunto.
absoluto
Complemento
Em um conjunto, mas não no outro.
relativo
Recursos úteis
Quer criar seu próprio diagrama de Venn? Experimente o Lucidchart. É rápido, fácil e
completamente gratuito.