![Funções do R para o cálculo binomial
pbinom()
Calcula a probabilidade acumulada de um evento
36
# Calcular a probabilidade de obter 26 ou menos caras a partir de 50
# lançamentos de moedas
x <- pbinom(26,51,0.5)
[1] 0.610116
Fonte: https://www.tutorialspoint.com/r/r_binomial_distribution.htm](https://image.slidesharecdn.com/aula2-240923112827-b0f147b3/85/Aula2-jjyji876tr44d6f7g8h9j9h7g7f6r5ds4ee-36-320.jpg)
Aula2.jjyji876tr44d6f7g8h9j9h7g7f6r5ds4ee
- 2. Probabilidade Probabilidade é um framework matemático para raciocinar sobre incerteza Modelo probabilístico é composto por: Os possíveis resultados (espaço amostral); e E uma lei (regra) que nos dita a probabilidade de cada evento Espaço amostral Ω (exaustivo e mutualmente exclusivo) O conjunto de todos os resultados possíveis Evento Qualquer conjunto de resultados possíveis 2
- 3. Problema de Probabilidade Considerando um dado não viciado, quais são as probabilidades de pois de um lançamento de ocorrer: a) Um número par, ou seja, A={2, 4, 6} b) Um número menor que 3, ou seja, B={1, 2} c) O número seis, ou seja, C={6} d) Um número maior que seis, ou seja, B={ } 3 Resultado Sim (número 6) Não (outro número) Probabilidade 1/6 5/6 Modelo de Probabilidade do exercício c)
- 4. Axiomas da Probabilidade As probabilidades são valores entre 0 e 1 A soma das probabilidades de todos os eventos possíveis do experimento deve ser Igual a 1 A probabilidade de você lançar um dado e ocorrer um dos 6 números é 1 Ou seja, certeza 4 𝑃 𝐴 ≥ 0 𝑃 Ω ≥ 0
- 5. Axiomas da Probabilidade Aditividade Exemplo: resultados de um lançamento de dado maior que 4 ou menor que 3 5 𝑆𝑒 𝐴 ∩ 𝐵 = ∅, 𝑒𝑛𝑡ã𝑜 𝑃 𝐴 ∪ 𝐵 = 𝑃 𝐴 + 𝑃(𝐵) 5 6 1 2 Ω 3 4
- 6. Princípio da Equiprobabilidade Quando as características do experimento sugerem N possíveis resultados E todos os resultados com igual probabilidade A probabilidade de ocorrer um evento A, contendo n resultados, é: 6 𝑃 𝐴 = 𝑛 𝑁 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 𝑑𝑒 𝐴 𝑛ú𝑚𝑒𝑟𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠
- 7. Probabilidade Condicional É uma proporção entre a probabilidade P(B) E a probabilidade P(A ∩ B) Mudança de contexto Recontagem no novo espaço amostral 7 𝐷𝑒𝑓1: 𝑃 𝐴|𝐵 = 𝑃 𝐴 ∩ 𝐵 𝑃 𝐵 Ω B A
- 8. Eventos independentes O primeiro lançamento de uma moeda Não adiciona informação (conhecimento) sobre o resultado do 2º lançamento. Definição: Ou seja, em eventos independentes, a ocorrência de B não altera a probabilidade da ocorrência de A Juntando com a definição Def1: Obtemos 8 𝐷𝑒𝑓2: 𝑃 𝐴|𝐵 = 𝑃 𝐴 𝑃 𝐴 ∩ 𝐵 = 𝑃 𝐴|𝐵 . 𝑃(𝐵) 𝑃 𝐴 ∩ 𝐵 = 𝑃 𝐴|𝐵 . 𝑃 𝐵 = 𝑃 𝐴 . 𝑃(𝐵) Def2 Def1
- 9. Não compreender quando eventos são independentes Numa roleta (cassino), se a bolinha parou no preto 5 vezes seguidas Qual a probabilidade de na próxima, cair no vermelho? Permanece inalterada. São eventos independentes. Se você lançar uma moeda 1 milhão de vezes e obtiver 1 milhão de caras A probabilidade do próximo lançamento ser coroa é 1/2 9
- 10. Eventos independentes: Morte súbita infantil (SMSI) É um fenômeno (raro) no qual um bebê perfeitamente saudável Morre no berço (no UK conhecido como “Morte do berço”) Atraía mais atenção a medida que outras causas tornavam-se menos comuns Por não se compreender o as causas, as mortes despertavam suspeitas Um exame pós morte não diferencia SMSI de maus tratos Promotores e cortes britânicas convenceram-se de que seria possível separa maus-tratos de SMSI Focando nas famílias que apresentassem múltiplas mortes por SMSI 10
- 11. Eventos independentes: Morte súbita infantil (SMSI) Sir Roy Meadow (um pediatra e perito judicial) Era convocado a depor nesses casos A revista The Economist cunhou o termo “Lei de Meadow” “A morte de 1 bebê é uma tragédia, 2 é uma suspeita e 3 é assassinato” Duas ou mais ocorrências na mesma família são tão improváveis, Que é praticamente impossível serem fruto do acaso. Meadow: a probabilidade de duas mortes na mesma família P(SMSI) = 1/8500 P(SMSI1, SMSI2) = (1/8500)2 = 1/(73 milhões) => “cheira maus tratos” 11
- 12. Eventos independentes: Morte súbita infantil (SMSI) Muitos pais foram para a prisão com base nesse argumento As vezes, sem qualquer outra evidência médica que corroborasse com esta conclusão Em alguns casos Bebês foram retirados dos seus pais por causa da morte do irmão Entrou em cena a Royal Statistical Society Esse cálculo seria apropriado para eventos independentes Ou seja, mortes totalmente aleatórias sem estarem ligadas por algum outro fator desconhecido. Fatores genéticos, dormir de bruços/de costas, etc. O governo britânico anunciou que reveria 258 julgamentos 12
- 13. Aglomerações acontecem Eventos raros podem se aglomerar Desde que a amostra seja suficientemente grande Exemplo: 5 pessoas contraírem uma forma rara de leucemia Na mesma escola, igreja ou local de trabalho Pode ter uma probabilidade rara (Exemplo: 1 em 1 milhão) Mas há milhões de escolas, igrejas e locais de trabalho Apenas não estamos contabilizando todas as escolas, igrejas e locais de trabalho onde isso não ocorreu Vários lançamentos de moeda 13
- 14. Variável aleatória Variável aleatória é uma função Associa um elemento do espaço amostral, Ω, a um número real uma probabilidade. Funções são nomenclaturas genéricas Úteis para substituir tabelas quando se quer uma comunicação concisa Por exemplo, numa equação 14
- 15. Variável aleatória: exemplo 1 15
- 16. Variável aleatória: exemplo 1 16 Variável X: número de bolas pretas extraídas Eventos independentes Distribuição de probabilidade de X
- 18. Variável aleatória: exemplo 2 18
- 19. Variável aleatória: exemplo 2 19 Variável X: número de bolas pretas extraídas Eventos dependentes
- 20. Resultado importante Nos exemplos apresentados, a reposição causa uma diferença significativa nas probabilidades dos resultados Mas se houver um grande número de bolinhas (2000 brancas e 3000 pretas) A distribuição de probabilidades da variável X será praticamente a mesma Com ou sem reposição Então, em grandes populações Pode-se supor independência entre as extrações (ensaios) Mesmo que a amostragem seja feita sem reposição 20 𝑃 0 = 3000 5000 . 3000 5000 = 9 25 𝑃 0 = 3000 5000 . 2999 4999 ≅ 9 25
- 21. Experimento Binomial 1. Consiste de n ensaios (experimentos ou extrações) 2. Cada ensaio tem apenas dois resultados (Exemplo: sim ou não) 3. Os ensaios são independentes entre si, com probabilidade π de ocorrer sim, sendo π uma constante entre 0 e 1. A distribuição de probabilidades de uma variável aleatória desse tipo é conhecida como distribuição binomial 21
- 23. Experimento Binomial: exemplo 1 23
- 24. Experimento Binomial: exemplo 1 24
- 26. Experimento Binomial: exemplo 2 Probabilidade de 3 clientes Comprarem um produto Considerando que os eventos sejam independentes π = 0.3 26
- 28. Formulação Matemática do Modelo Binomial 28
- 29. Formulação Matemática do Modelo Binomial 29
- 30. Formulação Matemática do Modelo Binomial 30
- 31. Binômio de Newton Como construir essa pirâmide? Qual é a equação do binômio de newton da 6ª linha ? 31
- 32. Como calcular os coeficientes do Binômio de Newton 32 Combinações 𝑛 𝑥 = 𝑛! 𝑛 − 𝑥 ! 𝑥!
- 34. Expressão geral da distribuição binomial Exemplo: Seja a população de pessoas de um município, onde 70% são favoráveis a um certo projeto municipal. Qual a probabilidade de, numa amostra aleatória simples de quatro pessoas desta população, encontrarmos exatamente 3 pessoas favoráveis ao projeto ? 34 𝑝(𝑥) = 𝑛 𝑥 . 𝜋𝑥 . (1 − 𝜋)𝑛−𝑥 𝑝 3 = 4 3 . 0,73 . 0,3 1 = 4! 4 − 3 ! 3! . 0,73 . 0,3 = 0,4116
- 35. Funções do R para o cálculo binomial dbinom() Calcula a distribuição de probabilidade em cada ponto 35 # Cria uma amostra de 50 números # sequenciais a partir de 1 x <- seq(0,50,by = 1) # Cria a distribuição binomial y <- dbinom(x,50,0.5) Fonte: https://www.tutorialspoint.com/r/r_binomial_distribution.htm
- 36. Funções do R para o cálculo binomial pbinom() Calcula a probabilidade acumulada de um evento 36 # Calcular a probabilidade de obter 26 ou menos caras a partir de 50 # lançamentos de moedas x <- pbinom(26,51,0.5) [1] 0.610116 Fonte: https://www.tutorialspoint.com/r/r_binomial_distribution.htm
- 37. Exercício de Avaliação - 1 Uma companhia de seguros vendeu apólices a 5 pessoas. Todas da mesma idade e com boa saúde. De acordo com as tábuas atuariais, a probabilidade de que uma pessoa daquela idade esteja viva daqui 30 anos é de 2/3. Calcular a probabilidade de que, daqui a 30 anos: a) Exatamente duas pessoas estejam vivas; e b) Todas as pessoas estejam vivas. Instruções: 1) Entregar a solução com a aplicação da fórmula do binômio de newton (equivalente ao exemplo anterior). 2) Usar somente calculadora. 3) Tirar uma foto e encaminhar por e-mail para o professor. 37
- 38. Exercício de Avaliação – 2 (no R) Sobre o exercício anterior, calcule no R: a) A probabilidade de que pelo menos 3 pessoas estejam vivas; e b) A probabilidade de exatamente 4 pessoas estarem vivas. Instruções: 1) Crie um novo Jupyter notebook para este exercício. 2) Encaminhe por e-mail para o arquivo do Jupyter notebook com a solução (você pode exportar o arquivo na opção File -> Download as -> Notebook). 38
- 39. Exercício de Avaliação – 3 (no R) Plote um gráfico do tipo boxplot (gráfico de caixas) no R com algum dado real (não inventado por você). Instruções: 1) Crie um novo Jupyter notebook para este exercício. 2) Encaminhe por e-mail para o arquivo do Jupyter notebook com a solução (você pode exportar o arquivo na opção File -> Download as -> Notebook). 39
- 40. Exercício de Avaliação – 4 Suponha o lançamento de um dado não viciado. O espaço amostral é S = {1, 2, 3, 4, 5, 6}. Seja A = face é 2 ou 3, e B = face é par (2, 4, 6). Calcular P(A|B). Dica: use a formula da probabilidade condicional. Instruções: 1) Entregar a solução com a aplicação da fórmula do binômio de newton (equivalente ao exemplo do slide anterior). 2) Tirar uma foto e encaminhar por e-mail para o professor. 40