Upload
jonathas-magalhaes
View
22
Download
1
Embed Size (px)
Citation preview
IntroducaoConceitos Iniciais
Probabilidade
UFAL - Universidade Federal de AlagoasUFAL - Instituto de Computacao
Probabilidade
Jonathas [email protected]
Magalhaes, J.J. IA – 2013 1
IntroducaoConceitos Iniciais
Probabilidade
Roteiro
1 Introducao
2 Conceitos Iniciais
3 Probabilidade
Magalhaes, J.J. IA – 2013 2
IntroducaoConceitos Iniciais
Probabilidade
Representacao de Conhecimento e Raciocınio comIncerteza
Situacoes do mundo real e dos problemas a serem resolvidosraramente lidam com a certeza;
Problema do Conhecimento Incerto;
Como caracteriza-lo?Como trata-lo?
Magalhaes, J.J. IA – 2013 3
IntroducaoConceitos Iniciais
Probabilidade
Cenario de Incerteza – Parte I
Medico atendendo um paciente na emergencia:
Medico precisa atuar rapidamente com base nos sintomas ou nasevidencias apresentadas pelo paciente;
Ele faz perguntas ao paciente e analisa suas respostas:
Forte dor no peito e ligeira dor de cabeca;
Necessidade do medico atuar com base nessa informacao incerta;
Pedido de outros exames;
Se o caso for grave ha a necessidade de atuar na ausencia deinformacao (incerteza).
Magalhaes, J.J. IA – 2013 4
IntroducaoConceitos Iniciais
Probabilidade
Cenario de Incerteza – Parte II
Mais tarde com a chegada dos resultados, pode-se ter que rever aopiniao inicial:
Inicialmente, pensou-se que o paciente que apresentava dor decabeca, estava com uma gripe simples;
Com as analises e exames efetuados, concluiu-se que se tratavade uma meningite;
Que licao pode ser tirada do exemplo?
Magalhaes, J.J. IA – 2013 5
IntroducaoConceitos Iniciais
Probabilidade
Conhecimento Imperfeito
Informacao imperfeita e conhecida no contexto de sistemasbaseados em conhecimento como incerteza;
Incerteza, contudo, pode “significar” informacao (ausencia dela):
Imprecisa, conflituosa, parcial, nao confiavel, aproximada, etc.
Magalhaes, J.J. IA – 2013 6
IntroducaoConceitos Iniciais
Probabilidade
Fontes de Incerteza
Falta de dados;
Inconsistencia de dados;
Imprecisao na mensuracao;
Imprecisao no conceito;
Falta de uma teoria.
Magalhaes, J.J. IA – 2013 7
IntroducaoConceitos Iniciais
Probabilidade
Evento Aleatorio
E um evento em que os resultados nao podem ser previstos comcerteza, exemplos:
O resultado de um lancamento de um dado;Diagnostico de uma doenca;O numero de vendas de um determinado produto.
Magalhaes, J.J. IA – 2013 8
IntroducaoConceitos Iniciais
Probabilidade
Espaco Amostral
Espaco amostral e o conjunto de todos os resultados possıveisde um evento aleatorio;
Sera representado pela letra grega Ω;
Os subconjuntos do espaco amostral Ω sao chamados deeventos e sao representados por letras maiusculas do alfabeto(A,B,C,...,Z).
Magalhaes, J.J. IA – 2013 9
IntroducaoConceitos Iniciais
Probabilidade
Espaco Amostral – Exemplos
1 Um juiz de futebol lanca uma moeda e observa os possıveisresultados (faces da moeda):
Ω = C ,R, onde C e cara e R e coroa.
2 Uma moeda e lancada duas vezes e observa-se as faces obtidas:
Ω = CC ,CR,RC ,RR, onde C e cara e R e coroa.
3 Em uma cidade, famılias com 3 criancas sao selecionadas aoacaso, anotando-se o sexo de cada uma.
Ω = FFF ,FFM,FMF ,FMM,MMM,MMF ,MFM,MFF, ondeF e feminino e M e masculino.
Magalhaes, J.J. IA – 2013 10
IntroducaoConceitos Iniciais
Probabilidade
Espaco Amostral – Exercıcios
1 Um dado e lancado duas vezes e a ocorrencia de face par ouımpar e observada.
2 Uma urna contem 10 bolas azuis e 10 vermelhas com dimensoesrigorosamente iguais. Tres bolas sao selecionadas ao acaso comreposicao e as cores sao anotadas.
3 Dois dados sao lancados simultaneamente e estamos interessadosna soma das faces observadas.
4 Uma maquina produz 20 pecas por hora, escolhe-se um instantequalquer e observa-se o numero de pecas defeituosas na proximahora.
5 Uma moeda e lancada consecutivamente ate o aparecimento daprimeira cara.
Magalhaes, J.J. IA – 2013 11
IntroducaoConceitos Iniciais
Probabilidade
Teoria dos Conjuntos
Conjunto vazio denotado por ∅;
Uniao de dois eventos A e B significa que pelo menos um delesira ocorrer, denota-se por A ∪ B;
Interseccao de dois eventos A e B e a ocorrencia concomitantedos dois eventos, denota-se por A ∩ B.
Magalhaes, J.J. IA – 2013 12
IntroducaoConceitos Iniciais
Probabilidade
Teoria dos Conjuntos
Dois eventos A e B sao considerados como disjuntos oumutualmente exclusivos quando nao possuem elementos emcomum:
A ∩ B = ∅.
Dois eventos A e B sao complementares se sua uniao e oespaco amostral e sua interseccao e vazia:
A ∩ B = ∅ e A ∪ B = Ω.
O complementar de A e representado por A (ou por AC ou A′),onde:
A ∩ A = ∅ e A ∪ A = Ω.
Magalhaes, J.J. IA – 2013 13
IntroducaoConceitos Iniciais
Probabilidade
Probabilidade CondicionalParticao do Espaco AmostralProbabilidade TotalTeorema de Bayes
Probabilidade
Dado o espaco amostral Ω, a funcao P(.), e chamada deprobabilidade se satisfazer os seguintes axiomas:
0 ≤ P(A) ≤ 1,∀A ⊆ Ω;P(Ω) = 1;P(
⋃nj=1 Aj) =
∑nj=1 P(Aj), com todos os Aj disjuntos.
Magalhaes, J.J. IA – 2013 14
IntroducaoConceitos Iniciais
Probabilidade
Probabilidade CondicionalParticao do Espaco AmostralProbabilidade TotalTeorema de Bayes
Propriedades da Probabilidade
Dados os axiomas apresentados, derivam-se as seguintespropriedades:
P(∅) = 0;∀A ⊆ Ω,P(A) = 1− P(A);∀A,B ⊆ Ω,P(A ∪ B) = P(A) + P(B)− P(A ∩ B).
Magalhaes, J.J. IA – 2013 15
IntroducaoConceitos Iniciais
Probabilidade
Probabilidade CondicionalParticao do Espaco AmostralProbabilidade TotalTeorema de Bayes
Exercıcio
Uma universidade tem 10 mil alunos dos quais 4 mil saoconsiderados esportistas. Temos, ainda, que 500 alunos sao docurso de biologia diurno, 700 da biologia noturno, 100 saoesportistas e da biologia diurno e 200 sao esportistas e dabiologia noturno. Um aluno e escolhido, ao acaso, e pergunta-sea probabilidade de:
1 Ser esportista.2 Ser esportista e aluno da biologia noturno.3 Nao ser de biologia.4 Ser esportista ou aluno da biologia.5 Nao ser esportista, nem aluno da biologia.
Magalhaes, J.J. IA – 2013 16
IntroducaoConceitos Iniciais
Probabilidade
Probabilidade CondicionalParticao do Espaco AmostralProbabilidade TotalTeorema de Bayes
Probabilidade Condicional
Eventos podem influenciar outros;
A probabilidade condicional refere-se a probabilidade de ocorrerum evento A ⊆ Ω dado a informacao sobre a ocorrencia doevento B;
Exemplo:
Probabilidade de Neymar jogar – P(N);Probabilidade do Brasil vencer – P(B);P(B|N) – Le-se: probabilidade do evento B ocorrer dado N, ouseja, probabilidade do Brasil vencer dado que Neymar estajogando.
Magalhaes, J.J. IA – 2013 17
IntroducaoConceitos Iniciais
Probabilidade
Probabilidade CondicionalParticao do Espaco AmostralProbabilidade TotalTeorema de Bayes
Probabilidade Condicional
A probabilidade condicional de P(A|B) e dada por:
P(A|B) =P(A ∩ B)
P(B), (1)
Onde P(B) > 0.
Magalhaes, J.J. IA – 2013 18
IntroducaoConceitos Iniciais
Probabilidade
Probabilidade CondicionalParticao do Espaco AmostralProbabilidade TotalTeorema de Bayes
Probabilidade Condicional – Exemplo
Exemplo: Dados os eventos A e B, calcule P(A|B):
Magalhaes, J.J. IA – 2013 19
IntroducaoConceitos Iniciais
Probabilidade
Probabilidade CondicionalParticao do Espaco AmostralProbabilidade TotalTeorema de Bayes
Probabilidade Condicional – Exemplo
Resposta:
Dado que: P(A|B) = P(A∩B)P(B) , temos que:
P(A ∩ B) = 5/50 = 1/10;P(B) = 30/50 = 3/5.
Logo, P(A|B) = 1/103/5
= 1/10 * 5/3= 1/6.
Magalhaes, J.J. IA – 2013 20
IntroducaoConceitos Iniciais
Probabilidade
Probabilidade CondicionalParticao do Espaco AmostralProbabilidade TotalTeorema de Bayes
Independencia de Eventos
“Independencia de eventos: Dois eventos A e B sao
independentes se a informacao da ocorrencia (ou nao)
de B nao altera a probabilidade de ocorrencia de A.”
Entao:
P(A|B) = P(A),P(B) > 0;P(A ∩ B) = P(A) ∗ P(B).
Magalhaes, J.J. IA – 2013 21
IntroducaoConceitos Iniciais
Probabilidade
Probabilidade CondicionalParticao do Espaco AmostralProbabilidade TotalTeorema de Bayes
Particao do Espaco Amostral
Os eventos B1,B2, ...,Bk formam uma particao do espacoamostral, se:
Eles nao tem interseccao entre si, Bi ∩ Bj = ∅ para i 6= j ;
E se sua uniao e igual ao espaco amostral,⋃k
i=1 Bi = Ω.
Magalhaes, J.J. IA – 2013 22
IntroducaoConceitos Iniciais
Probabilidade
Probabilidade CondicionalParticao do Espaco AmostralProbabilidade TotalTeorema de Bayes
Particao do Espaco Amostral
O evento A pode ser escrito em termos de interseccoes de A comos eventos B1,B2, ...,Bk :
A = (A ∩ B1) ∪ (A ∩ B2) ∪ ... ∪ (A ∩ B6). (2)
Magalhaes, J.J. IA – 2013 23
IntroducaoConceitos Iniciais
Probabilidade
Probabilidade CondicionalParticao do Espaco AmostralProbabilidade TotalTeorema de Bayes
Probabilidade Total
Sejam B1,B2, ...,Bn os eventos que formam uma particao doespaco amostral e seja A um evento desse espaco;
Podemos calcular a probabilidade de um evento P(A) em funcaodos eventos B1,B2, ...,Bn:
P(A) =n∑
i=1
P(A|Bi ) ∗ P(Bi ). (3)
Magalhaes, J.J. IA – 2013 24
IntroducaoConceitos Iniciais
Probabilidade
Probabilidade CondicionalParticao do Espaco AmostralProbabilidade TotalTeorema de Bayes
Teorema de Bayes
O teorema de Bayes e uma decorrencia da formula probabilidadecondicional:
P(A|B) =P(B|A) ∗ P(A)
P(B), (4)
De uma forma extendida, pode ser escrito da seguinte forma:
P(Aj |B) =P(B|Aj) ∗ P(Aj)∑ni=1 P(B|Ai ) ∗ P(Ai )
. (5)
Magalhaes, J.J. IA – 2013 25
IntroducaoConceitos Iniciais
Probabilidade
Probabilidade CondicionalParticao do Espaco AmostralProbabilidade TotalTeorema de Bayes
Teorema de Bayes
O teorema de bayes pode ser entendido da seguinte forma:
P(H|E ) =P(E |H) ∗ P(H)
P(E ), (6)
H e a minha hipotese, ou seja, e o evento que esta sendoinvestigado;
E e a evidencia que e observada;
P(H) e a probabilidade a priori da minha hipotese ocorrer, ouseja, antes do evento E ser observado;
P(H|E ) e a probabilidade posteriori, ou seja, e a probabilidadeda minha hipotese H ocorrer dado o evento E .
Magalhaes, J.J. IA – 2013 26
IntroducaoConceitos Iniciais
Probabilidade
Probabilidade CondicionalParticao do Espaco AmostralProbabilidade TotalTeorema de Bayes
Teorema de Bayes – Exemplo
Suponha que no meio da noite dispare o alarme contra ladroes deuma casa. Deseja-se entao saber quais sao as chances de queesteja havendo uma tentativa de roubo.
Admita:
Que existam 95% de chances de que o alarme dispare quando umatentativa de roubo ocorre;Que em 1% das vezes o alarme dispara por outros motivos;Que no bairro existe uma chance em 10.000 de uma dada casa serassaltada em um dado dia.
Magalhaes, J.J. IA – 2013 27
IntroducaoConceitos Iniciais
Probabilidade
Probabilidade CondicionalParticao do Espaco AmostralProbabilidade TotalTeorema de Bayes
Teorema de Bayes – Exemplo
Representando:
Tentativa de roubo – R;Alarme dispara – A;
Deseja-se saber quais sao as chances de roubo dado que o alarmedisparou – P(R|A) = ?
Sabe-se que:
Existem 95% de chances de que o alarme dispare quando umatentativa de roubo ocorre – P(A|R) = 0.95;Em 1% das vezes o alarme dispara por outros motivos –P(A|R) = 0.01;Que no bairro existe uma chance em 10.000 de uma dada casa serassaltada em um dado dia – P(R) = 0.0001.
Magalhaes, J.J. IA – 2013 28
IntroducaoConceitos Iniciais
Probabilidade
Probabilidade CondicionalParticao do Espaco AmostralProbabilidade TotalTeorema de Bayes
Teorema de Bayes – Exemplo
Pelo teorema de Bayes, temos que: P(R|A) = P(A|R)∗P(R)P(A) ;
Sabemos que:
P(A|R) = 0.95;P(R) = 0.0001;P(A) e alcancado utilizando-se a formula da probabilidade total:P(A) = P(A|R) ∗ P(R) + P(A|R) ∗ P(R)= 0.95 ∗ 0.0001 + 0.01 ∗ 0.9999= 0.010094
Logo: P(R|A) = 0.95∗0.00010.010094 = 0.0094.
Magalhaes, J.J. IA – 2013 29
IntroducaoConceitos Iniciais
Probabilidade
Perguntas?
Magalhaes, J.J. IA – 2013 30