ESTATÍSTICA INFERENCIAL Ranilson Paiva Ranilson Paiva ranilsonpaiva@ic. ufal.br Probabilidade Condicional Teorema de Bayes
ESTATÍSTICA INFERENCIAL
Ranilson Paiva
Ranilson Paiva [email protected]
Probabilidade CondicionalTeorema de Bayes
Conteúdo Programático• Probabilidade
• Introdução• Teoremas (Regras) Fundamentais da Probabilidade• Teorema de Bayes• Exemplos
• População e Amostra• Introdução• Problemas de Inferência• Amostragem aleatória• Distribuição amostral da média
• Intervalos de Confiança• Introdução• Análise de regressão• Análise de correlação
• Distribuições Discretas de Probabilidade• Introdução• Função de probabilidade• Gráfico da função de probabilidade• Função de distribuição Cumulativa
• Distribuições Contínuas de Probabilidade• Introdução• Distribuição de probabilidade• Função densidade de probabilidade• Gráfico da função de probabilidade• Teorema do limite central
Ranilson Paiva [email protected] Condicional e Teorema de Bayes
Agenda TEORIA
Probabilidade Condicional Eventos Independentes Lei da Multiplicação
Lei da Multiplicação para Eventos Independentes Exemplos
Teorema de Bayes Abordagem Tabular Exemplos
• EXERCÍCIOS• LEITURA RECOMENDADA• PERGUNTAS E RESPOSTAS• REFERÊNCIAS
Ranilson Paiva [email protected] Condicional e Teorema de Bayes
PROBABILIDADE [email protected] Paiva
Probabilidade Condicional e Teorema de Bayes
DEFINIÇÃO É, basicamente, a probabilidade de
ocorrência de um evento (A), dado que sabemos que um outro evento (B) já ocorreu (SWEENEY, 2014).
Representado por: P(A | B) Lido como: ”Probabilidade de A, dado B” Probabilidade de ocorrência do evento A,
dada a condição de o evento B ter ocorrido. Cálculo: P(A | B) = P(A ∩ B) / P(B)
PROBABILIDADE [email protected] Paiva
Probabilidade Condicional e Teorema de Bayes
EXEMPLO 1 Em um departamento de polícia dos EUA, uma
comissão das oficiais femininas fez uma acusação de discriminação, baseada na diferença de oficiais masculinos e femininos que receberam promoção. Avaliemos se a acusação é procedente.
Homens Mulheres Total
Promovidos 288 36 324
Não Promovidos 672 204 876
Total 960 240 1200
PROBABILIDADE [email protected] Paiva
Probabilidade Condicional e Teorema de Bayes
EXEMPLO 1 Sejam:
H = O evento de o oficial ser um homem. M = O evento de o oficial ser uma mulher. A = O evento de o oficial ser um promovido. Ac = O evento de o oficial ser um não ser promovido.
Queremos: Avaliar se há uma probabilidade maior do evento Ac (oficial
ser promovido), dado que o mesmo é um homem (evento H).
Inicialmente: Calculamos as probabilidades conjuntas P(H ∩ A), P(M ∩ A), P(H ∩ Ac) e P(M ∩ Ac)
PROBABILIDADE [email protected] Paiva
Probabilidade Condicional e Teorema de Bayes
EXEMPLO 1 Cálculo das probabilidades conjuntas:
P(H ∩ A) = 288/1200 = 0.24 P(H ∩ Ac) = 672/1200 = 0.56 P(M ∩ A) = 36/1200 = 0.03 P(M ∩ Ac) = 204/1200 = 0.17
Tabela de probabilidades conjuntas:Homens (H) Mulheres (M) Total
Promovidos (A) 0.24 0.03 0.27
Não Promovidos (Ac) 0.56 0.17 0.73
Total 0.80 0.20 1.00
PROBABILIDADE [email protected] Paiva
Probabilidade Condicional e Teorema de Bayes
EXEMPLO 1 Cálculo da probabilidade condicional
Probabilidade de um oficial ser promovido, dado que é um homem.
P(A | H) = P(A ∩ H) / P(H) = 0.24/0.80 = 0.30 Probabilidade de um oficial ser promovido, dado que é uma
mullher. P(A | M) = P(A ∩ M) / P(M) = 0.03/0.20 = 0.15
Qual a conclusão que as probabilidades condicionais sustentam?
As probabilidades condicionais provam que há discriminação?
Os eventos Promoção e Sexo do Oficial são dependentes? Como avaliar? Próximo Slide
PROBABILIDADE [email protected] Paiva
Probabilidade Condicional e Teorema de Bayes
EVENTOS INDEPENDENTES Ocorrem quando a probabilidade de
ocorrência de um evento A não se alterar em função da existência de um evento B. Em caso contrário, os eventos são ditos dependentes (SWEENEY, 2014).
Representado por: P(A | B) = P(A)
PROBABILIDADE [email protected] Paiva
Probabilidade Condicional e Teorema de Bayes
EVENTOS INDEPENDENTES – EXEMPLO 2 Lançar uma moeda 2 vezes, e
determinar a probabilidade de se obter um resultado no segundo lançamento depende do resultado do primeiro lançamento.
PROBABILIDADE [email protected] Paiva
Probabilidade Condicional e Teorema de Bayes
EVENTOS INDEPENDENTES – EXEMPLO 2 Temos:
Espaço Amostral e Número de Eventos S = {(ca,ca), (ca,co), (co,ca), (co,co)} N(E) = 4
Queremos: Avaliar se a obtenção de qualquer face da moeda, no
primeiro lançamento, influencia o segundo lançamento da mesma moeda.
Consideremos: A face cara para o segundo lançamento.
PROBABILIDADE [email protected] Paiva
Probabilidade Condicional e Teorema de Bayes
EVENTOS INDEPENDENTES – EXEMPLO 2 Evento de interesse:
Espaço Amostral, Evento e Número de Eventos S = {(ca,ca), (ca,co), (co,ca), (co,co)} A = {(ca,ca), (co,ca)} N(A) = 2
P(A) = n(A) / n(E) = 2/4 = 0.5
PROBABILIDADE [email protected] Paiva
Probabilidade Condicional e Teorema de Bayes
EVENTOS INDEPENDENTES – EXEMPLO 2 Calcular:
A probabilidade de obtermos cara no segundo lançamento, dado que obtivemos cara no primeiro.
Evento de interesse: A = {(ca,ca), (co,ca)} *Cara no segundo lançamento B = {(ca,ca), (ca,co)} *Cara no primeiro lançamento
P(A|B) = n(A∩B) / n(B) = 1/2 = 0.5 P(A) = P(A|B) *Os eventos são independentes
PROBABILIDADE [email protected] Paiva
Probabilidade Condicional e Teorema de Bayes
LEI DA MULTIPLICAÇÃO É utilizada para calcular a probabilidade de uma
intersecção de dois eventos (SWEENEY, 2014). Cálculo:
Para eventos dependentes: P(A∩B) = P(B) * P(A|B) Para eventos independentes: P(A∩B) = P(B) * P(B)
Verificação de Dependência: Se P(A∩B) = P(B) * P(B), A e B são independentes. Se P(A∩B) ≠ P(B) * P(B), A e B são dependentes.
PROBABILIDADE [email protected] Paiva
Probabilidade Condicional e Teorema de Bayes
LEI DA MULTIPLICAÇÃO – EXEMPLO 3 Uma editora sabe que 84% dos
moradores de um determinado edifício assinam a revista A. Sabe, também, que a probabilidade de um morador nesse edifício, que já é cliente, assinar a revista B é de 75%. Qual a probabilidade de um morador assinar as duas revistas?
PROBABILIDADE [email protected] Paiva
Probabilidade Condicional e Teorema de Bayes
LEI DA MULTIPLICAÇÃO – EXEMPLO 3 Temos:
P(A) = 0.84 e P(B) = 0.75 Queremos:
P(A∩B) Sabemos que há chance de um morador,
já cliente da editora, assinar uma outra revista. Sendo assim, os eventos são dependentes. P(A∩B) = P(A) * P(A|B) 0.84 * 0.75 = 0.63
PROBABILIDADE [email protected] Paiva
Probabilidade Condicional e Teorema de Bayes
LEI DA MULTIPLICAÇÃO – EXEMPLO 4 O gerente de uma loja estima, por
experiência, que 2/3 de seus clientes utilizam o cartão de crédito para pagamento de suas compras. Qual a probabilidade de os dois próximos clientes pagarem suas contas com cartão de crédito?
PROBABILIDADE [email protected] Paiva
Probabilidade Condicional e Teorema de Bayes
LEI DA MULTIPLICAÇÃO – EXEMPLO 4 Temos:
P(A) = 1º cliente pagar com cartão de crédito = 0.75 P(B) = 2º cliente pagar com cartão de crédito = 0.75
Queremos: P(A∩B) Não sabemos nenhuma outra informação que possa
influenciar na forma de pagamento dos clientes. Sendo assim, devemos considerar os eventos independentes. P(A∩B) = P(A) * P(B)
0.75 * 0.75 ~ 0.56
TEOREMA DE [email protected] Paiva
Probabilidade Condicional e Teorema de Bayes
DEFINIÇÃO É o cálculo de uma probabilidade posterior P(Aj|
B) a partir das probabilidades a priori P(Ai) e condicional P(B|Ai).
Representado por: P(A | B) Cálculo: P(A | B) = P(A ∩ B) / P(B)
P(A ∩ B) = P(B|Aj) P(Aj) .: j = 1, …, n P(B) = ∑ P(B|Ai) · P(Ai) Eventos mutuamente exclusivos e exaustivos (A1,
A2, …, An) Conhecemos probabilidades a priori P(Ai)
TEOREMA DE [email protected] Paiva
Probabilidade Condicional e Teorema de Bayes
DEFINIÇÃO Eventos Mutuamente Exclusivos
São eventos que não possuem em comum.
Eventos Exaustivos São eventos cuja união corresponde à
população/espaço amostral. Ou seja: A1 U A2 U A3 U … U An = S
TEOREMA DE [email protected] Paiva
Probabilidade Condicional e Teorema de Bayes
DEFINIÇÃO Ocorrência de um outro evento (B)
Eventos Mutuamente Exclusivos e Exaustivos
Espaço amostral (S) = (A1∩B) U (A2∩B) U … U (An∩B)
Representação Visual
TEOREMA DE [email protected] Paiva
Probabilidade Condicional e Teorema de Bayes
EXEMPLOSApenas 1 em 1000 adultos é afligido com uma doença rara para o qual foi desenvolvido um teste de diagnóstico. O teste é tal que, quando um indivíduo tem, de fato, a doença um resultado positivo irá ocorrer 99%, enquanto que um indivíduo sem a doença irá mostrar um resultado de teste positivo apenas 2%. Se uma pessoa selecionada aleatoriamente é testada e o resultado for positivo, qual a probabilidade de o indivíduo realmente ter a doença?
Exercício (INF01)[email protected] Paiva
Probabilidade Condicional e Teorema de Bayes
Suponha que um indivíduo é selecionado aleatoriamente da população de todos os adultos, do sexo masculino, que vivem nos Estados Unidos. Seja A o evento que o indivíduo selecionado ter mais de 1.80 m de altura, e B ser o evento que o indivíduo selecionado é um jogador de basquete profissional. Qual você acha que é maior do P (A | B) ou P (B | A)? Por quê?
Exercício (INF02)[email protected] Paiva
Probabilidade Condicional e Teorema de Bayes
Há uma grande controvérsia ao longo dos últimos anos sobre quais os tipos de vigilância são apropriadas para prevenir o terrorismo. Suponha que um sistema de vigilância particular tem uma chance de 99% de identificar corretamente um terrorista futuro e uma chance de 99,9% de identificar corretamente alguém que não é um terrorista futuro. Se houverem 1000 futuros terroristas em uma população de 300 milhões, e um indivíduo desses 300 milhões é selecionado aleatoriamente, examinado pelo sistema, e identificado como um terrorista futuro, qual é a probabilidade de que ele/ela na verdade ser um terrorista futuro? O valor desta probabilidade torna desconfortável o uso do sistema de vigilância? Explique.
LINKS RECOMENDADOS https://www.google.com.br/url?sa=t&rct=j&
q=&esrc=s&source=web&cd=1&cad=rja&uact=8&ved=0ahUKEwi17vTCj63LAhWElB4KHVm1BzEQFggdMAA&url=https%3A%2F%2Fpt.wikipedia.org%2Fwiki%2FTeorema_de_Bayes&usg=AFQjCNF8VKhpr5r3cvNtq8K65RKU_-vm0g
https://www.google.com.br/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwi17vTCj63LAhWElB4KHVm1BzEQtwIIJDAB&url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DfYqeu1ckHv4&usg=AFQjCNHdJY73yvp7R2uAq9ACAu5bVZGQTw
https://www.google.com.br/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwiYle7Bj63LAhUGGh4KHb43A60QFgglMAE&url=https%3A%2F%2Fpt.wikipedia.org%2Fwiki%2FProbabilidade_condicionada&usg=AFQjCNFIYN3JTf0NCdJwldyeB81eaiJheQ
https://www.google.com.br/url?sa=t&rct=j&q=&esrc=s&source=web&cd=4&cad=rja&uact=8&ved=0ahUKEwiYle7Bj63LAhUGGh4KHb43A60QtwIIODAD&url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3Duw-9tiPPPlg&usg=AFQjCNGRb_1EahNKdkC2wx3lxjdbvU3ndw
[email protected] PaivaProbabilidade Condicional e Teorema de Bayes
REFERÊNCIAS DEVORE, J. L. Probability and Statistics for
Engineering and the Sciences. SWEENEY, D.; WILLIAMS, T.; ANDERSON, D.
Estatística Aplicada à Administração e Economia, 6ª Edição.
SOARES, J. F.; FARIAS, A. A.; CESAR, C. C. Introdução à Estatística Básica.
BUSSAD, W. O.; MORETTIN, P. A. Estatística Básica.
[email protected] Paiva