Upload
vanquynh
View
222
Download
0
Embed Size (px)
Citation preview
AULA 6 – MODELOS
PROBABILÍSTICOS
Docente: Cira Souza Pitombo
UNIVERSIDADE FEDERAL DA BAHIA
ESCOLA POLITÉCNICA
MEAU- MESTRADO EM ENGENHARIA AMBIENTAL URBANA
ENG C 18 Métodos de Pesquisa Quantitativos e Qualitativos
Free Template from
www.brainybetty.com 2
O QUE VIMOS ATÉ AQUI? • EXPLORANDO OS DADOS
– VARIÁVEIS QUALITATIVAS
– VARIÁVEIS QUANTITATIVAS
• MEDIDAS DESCRITIVAS – MÉDIA
– DESVIO PADRÃO
– VARIÂNCIA
– EXTREMOS, QUARTIS
– BOX-PLOT
Free Template from
www.brainybetty.com 3
O QUE VIMOS ATÉ AQUI?
DADOS OBSERVADOS
Análise exploratória dos
dados (distribuições de
freqüências, medidas
descritivas)
HIPÓTESES, CONJECTURAS, ETC
Free Template from
www.brainybetty.com 4
O QUE VEREMOS?
RESULTADOS OU DADOS
OBSERVADOS
Modelos
Probabilísticos
HIPÓTESES, CONJECTURAS, ETC
Free Template from
www.brainybetty.com 5
DEFINIÇÕES BÁSICAS • Modelos probabilísticos são construídos a partir de
certas hipóteses ou conjecturas sobre o problema
em questão e constituem-se de duas partes:
(1) Possíveis resultados; (2) Uma certa lei que nos
diz quão provável é cada resultado
Experimento: Lançar uma moeda e observar a face
voltada pra cima. Possíveis resultados?
Se admitirmos que a moeda é perfeitamente equilibrada
e o lançamento for imparcial, podemos também dizer
que a probabilidade de ocorrer cara é a mesma de
ocorrer coroa.
Free Template from
www.brainybetty.com 6
DEFINIÇÕES BÁSICAS • Espaço amostral é o conjunto de todos os
resultados possíveis de um experimento
Lançar um dado com os lados numerados de um a
seis e observar o número de pontos marcados no
lado voltado para cima
= { 1, 2, 3, 4, 5, 6}
Numa urna com bolas azuis e vermelhas, extrair
uma bola e observar sua cor
= { azul, vermelha}
Free Template from
www.brainybetty.com 7
DEFINIÇÕES BÁSICAS • Espaço amostral é o conjunto de todos os
resultados possíveis de um experimento
Num certo bairro, selecionar uma amostra de 10
famílias e verificar quantas delas se utilizaram de
algum programa de alimentação popular nos
últimos dois meses
= { 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 }
Numa certa escola, selecionar uma criança e medir
a sua altura.
= { X, tal que x € R e 0<x<2,00m }
Free Template from
www.brainybetty.com 8
DEFINIÇÕES BÁSICAS • Evento qualquer conjunto de
resultados possíveis
Lançar um dado com os lados numerados de um a
seis e observar o número de pontos marcados no
lado voltado para cima
A= ocorrer um número par, A={2, 4, 6}
B= ocorrer um número menor que 3, B={1,2}
C= ocorrer um número 6, C={6}
D= ocorrer um número maior que 6, D={ }
Free Template from
www.brainybetty.com 9
DEFINIÇÕES BÁSICAS • Probabilidades: são valores entre 0 (zero) e 1 (um).
E a soma das probabilidades de todos os resultados possíveis do experimento deve ser igual a 1 (um).
No lançamento de uma moeda, podemos alocar
probabilidade 0,5 tanto para cara como para
coroa
Resultado Probabilidade
Cara 0,5
Coroa 0,5
Free Template from
www.brainybetty.com 10
DEFINIÇÕES BÁSICAS Lançar um dado com os lados numerados de um a
seis e observar o número de pontos marcados no
lado voltado para cima
Resultado 1 2 3 4 5 6
Probabilidade 1/6 1/6 1/6 1/6 1/6 1/6
Free Template from
www.brainybetty.com 11
DEFINIÇÕES BÁSICAS • Princípio da eqüiprobabilidade quando as características
de um experimento sugerem N resultados possíveis, todos com igual probabilidade de ocorrência, a probabilidade de um certo evento A, contendo N resultados, pode ser definida por:
doslderesultanumerotota
AsultadosdenumerodereAP
N
nAP
)(
)(
Free Template from
www.brainybetty.com 12
DEFINIÇÕES BÁSICAS Lançar um dado com os lados numerados de um a seis e
observar o número de pontos marcados no lado
voltado para cima
A= ocorrer um número par, A={2, 4, 6}
B= ocorrer um número menor que 3, B={1,2}
C= ocorrer um número 6, C={6}
D= ocorrer um número maior que 6, D={ }
Eventos Probabilidades
A P(A)=3/6=1/2=0,5
B P(B)=2/6=1/3
C P(C)=1/6
D P(D)=0/6=0
Free Template from
www.brainybetty.com 13
DEFINIÇÕES BÁSICAS • Ensaios de Bernoulli ocorrem em situações onde
observamos apenas um elemento e verificamos se este tem (ou não) um certo atributo considerado
Seja uma urna com bolas vermelhas e brancas. Extrair
aleatoriamente uma bola da urna e observar se é de
cor branca.
Observar , ao acaso, um morador da cidade e verificar
se ele é favorável a um certo projeto municipal.
Admita que todos os moradores têm opinião formada.
Lançar um dados e observar se ocorreu o ponto 6
Selecionar, aleatoriamente, um eleitor numa cidade e
verificar se ele pretende votar em determinado
candidato. Admita que todos os eleitores já tenham o
seu voto definido.
Free Template from
www.brainybetty.com 14
DEFINIÇÕES BÁSICAS • Ensaios de Bernoulli ocorrem em situações onde
observamos apenas um elemento e verificamos se este tem (ou não) um certo atributo considerado
Observar , ao acaso, um morador da cidade e verificar
se ele é favorável a um certo projeto municipal.
Admita que todos os moradores têm opinião formada.
Lançar um dado e observar se ocorreu o ponto 6
Se admitirmos que 70% dos moradores são favoráveis ao
projeto, temos o seguinte modelo probabilístico
Resultado Sim (favorável) Não (discorda)
Probabilidade 0,7 0,3
Resultado Sim (ponto 6) Não (outro ponto)
Probabilidade 1/6 5/6
Free Template from
www.brainybetty.com 15
DEFINIÇÕES BÁSICAS • Ensaios de Bernoulli ocorrem em situações onde
observamos apenas um elemento e verificamos se este tem (ou não) um certo atributo considerado
Muitas vezes, não conhecemos informações suficientes
para especificar completamente o modelo
probabilístico
Podemos, por exemplo, não conhecer a percentagem de
favoráveis na população
Resultado Sim (favorável) Não (discorda)
Probabilidade ¶ 1-¶
Observar , ao acaso, um morador da cidade e verificar
se ele é favorável a um certo projeto municipal.
Admita que todos os moradores têm opinião formada.
Free Template from
www.brainybetty.com 16
DEFINIÇÕES BÁSICAS • Variável aleatória característica numérica associada aos
resultados de um experimento.
X= números de caras em três lançamentos de uma
moeda
X= Percentagem de pessoas favoráveis a um projeto
municipal, numa amostra de 500 moradores da cidade
Podemos caracterizar um ensaio de Bernoulli por uma
variável aleatória X, definida da seguinte forma:
X=0, se não e X=1, se sim
X 1 0
P(x) ¶ 1-¶
Um modelo probabilístico, quando apresentado em
termos de uma variável aleatória, também é
chamado de distribuição de probabilidades
Free Template from
www.brainybetty.com 17
DEFINIÇÕES BÁSICAS • Exercício 1: Numa urna com 10 bolas numeradas de 1 a
10, extrair, aleatoriamente, uma bola e observar o seu número
• Construa um modelo probabilístico
• Liste os resultados contidos nos eventos: A = número par; B = número ímpar e C= número menor que 3
• Atribua probabilidades aos eventos acima
Free Template from
www.brainybetty.com 18
O MODELO BINOMIAL • É um tipo de modelo probabilístico que se presta a
diversas situações práticas, especialmente às situações onde observamos a presença ou ausência de algum atributo.
Em geral, temos interesse no número (ou percentagem)
de elementos que têm o atributo em estudo, numa
amostra de n elementos observados.
• EXEMPLOS?
Free Template from
www.brainybetty.com 19
O MODELO BINOMIAL • Um experimento é dito binomial, quando
• Consiste de n ensaios
• Cada ensaio tem apenas dois resultados: Sim ou Não
• Os ensaios são independentes entre si, com probabilidade ¶ de ocorrer sim, sendo ¶ uma constante entre 0 e 1 (0<¶<1)
• X= número de ocorrências SIM nos n ensaios
Free Template from
www.brainybetty.com 20
O MODELO BINOMIAL • Exemplos
• O número Y de caras, em três lançamentos imparciais de uma moeda perfeitamente equilibrada
n =
¶ =
• Dentre uma grande população de pessoas em que 70% são
favoráveis a um projeto municipal, o número X de favoráveis, numa amostra aleatória de dez pessoas.
n =
¶ =
• 1000 eleitores de declararam a favor de um certo
candidato, numa amostra de 3000 eleitores, extraída aleatoriamente de uma população de 100.000 eleitores
n =
¶ =
Free Template from
www.brainybetty.com 23
TABELA DA DISTRIBUIÇÃO BINOMIAL
Seja a população de pessoas de um município em que 45% são
favoráveis a um certo projeto municipal. Qual é a probabilidade de que,
numa amostra aleatória simples de 10 pessoas dessa população, a
maioria seja favorável ao projeto.
P(6) + P(7) + P(8) + P(9) + P (10)
Free Template from
www.brainybetty.com 24
TABELA DA DISTRIBUIÇÃO BINOMIAL
Seja uma população em que 40% são favoráveis e 60% são contrários a
um projeto. Apresente a distribuição de probabilidades de X = número
de favoráveis numa amostra aleatória de n = 5 moradores
Free Template from
www.brainybetty.com 25
O MODELO BINOMIAL : Formulação Matemática
População
Amostra de n pessoas
X=número de favoráveis
Free Template from
www.brainybetty.com 26
O MODELO BINOMIAL : Formulação Matemática
X=número de
favoráveis
Valores
de X
Probabilida
des
0
NNNN
4)1(
Amostra de n = 4 pessoas
1
NNNS NNSN
NSNN SNNN
3)1(4
2
NNSS NSNS NSSN SNNS
SNSN
SSNN
22 )1(6
3
NSSS SNSS SSNS
SSSN
)1(4 3
4
SSSS
4
Free Template from
www.brainybetty.com 27
O MODELO BINOMIAL : Formulação Matemática
Coeficiente binomial
!)!(
!
xxn
n
x
n
x é um valor possível da variável aleatória X
xnx
x
nxp
)1.(.)(
Free Template from
www.brainybetty.com 28
O MODELO BINOMIAL : Formulação Matemática
!)!(
!
xxn
n
x
n
xnx
x
nxp
)1.(.)(
Seja uma população de pessoas de um município em que 70% são favoráveis
a um certo projeto municipal. Qual é a probabilidade de, numa amostra
aleatória simples de quatro pessoas desta população, encontrarmos
exatamente três pessoas favoráveis ao projeto?
n=4 e ¶ =0,7
4116,0)3,0.()7,0.(3
4)3( 13
p
Free Template from
www.brainybetty.com 29
Etapa 2 – Parte 1
1. Determine o espaço amostral das variáveis do seu estudo de caso.
2. As equipes que não possuem variáveis binárias no seu estudo de caso, devem
“transformá-las” em binária.
3. Considerando as suas variáveis binárias, e, utilizando-se da distribuição de
frequência de tais variáveis (%) para valores “0” e (%) para valores “1”.
Apresente o modelo probabilístico para as variáveis binárias do seu estudo de
caso.
4. Considerando as suas variáveis binárias, e, utilizando-se da distribuição de
frequência de tais variáveis (%) para valores “0” e (%) para valores “1”.
Determine n e ¶.
5. Considerando as suas variáveis binárias, e, utilizando-se da distribuição de
frequência de tais variáveis (%) para valores “0” e (%) para valores “1”.
Considere também que a sua amostra é a sua população. Qual é a probabilidade
de, numa amostra aleatória simples de quatro pessoas (eventos ou objetos) desta
população, encontrar exatamente três com resposta Sim?