Introdução

Bem-vindo(a)! Este notebook foi projetado para ajudar você a entender melhor a Teoria da Probabilidade através de exemplos e exercícios práticos. Cada seção inclui uma breve explicação, exercícios e código em Python que você pode executar e modificar.

Tópicos que vamos abordar:

Teoria de Conjuntos
Probabilidade Frequentista
Probabilidade Condicional
Teorema de Bayes

Vamos começar!

keyboard_arrow_down

Seção 1: Teoria de Conjuntos

## Teoria de Conjuntos
Na Teoria da Probabilidade, trabalhamos frequentemente com conjuntos para representar eventos. Vamos revisar as operações de união, interseção e diferença.

### Exercício 1:
Dado os conjuntos \( A = \{1, 2, 3, 4\} \) e \( B = \{3, 4, 5, 6\} \), encontre:
- A união \( A \cup B \)
- A interseção \( A \cap B \)
- A diferença \( A - B \)

[1]

1s


# Definindo os conjuntos
A = {1, 2, 3, 4}
B = {3, 4, 5, 6}

# Operações de conjuntos
uniao = A | B   # União
intersecao = A & B   # Interseção
diferenca = A - B   # Diferença

# Exibindo os resultados
print("União (A ∪ B):", uniao)
print("Interseção (A ∩ B):", intersecao)
print("Diferença (A - B):", diferenca)

União (A ∪ B): {1, 2, 3, 4, 5, 6}
Interseção (A ∩ B): {3, 4}
Diferença (A - B): {1, 2}

keyboard_arrow_down

Seção 2: Probabilidade Frequentista

Probabilidade Frequentista

A probabilidade frequentista considera a razão entre o número de ocorrências de um evento e o número total de experimentos. Por exemplo, ao lançar uma moeda 100 vezes e observar 60 caras, a probabilidade de obter cara é aproximadamente 0.6.

Exercício 2:

Simule o lançamento de uma moeda 1000 vezes e calcule a probabilidade de obter cara. Considere que 0 representa cara e 1 representa coroa.

Clique duas vezes (ou pressione "Enter") para editar

[2]

0s


import numpy as np

# Simulação do lançamento da moeda
n_lancamentos = 1000
resultados = np.random.choice([0, 1], size=n_lancamentos)

# Calculando a probabilidade de cara
p_cara = np.sum(resultados == 0) / n_lancamentos

print("Probabilidade de obter cara:", p_cara)

Probabilidade de obter cara: 0.523

keyboard_arrow_down

Seção 3: Probabilidade Condicional

Probabilidade Condicional

A probabilidade condicional representa a probabilidade de um evento ocorrer dado que outro evento já ocorreu. Por exemplo, ao extrair uma carta de um baralho, a probabilidade de obter uma carta vermelha dado que a carta é um rei.

Exercício 3:

Simule uma urna com 5 bolas vermelhas e 7 bolas azuis. Extraia uma bola e, sem repor, extraia uma segunda bola. Calcule a probabilidade de a segunda bola ser azul, dado que a primeira bola foi vermelha.

[3]

0s


# Definindo as bolas na urna (5 vermelhas e 7 azuis)
urna = ['vermelha'] * 5 + ['azul'] * 7

# Simulando uma extração sem reposição
primeira_bola = np.random.choice(urna)
urna.remove(primeira_bola)
segunda_bola = np.random.choice(urna)

# Calculando a probabilidade condicional
if primeira_bola == 'vermelha':
    p_azul_dado_vermelha = urna.count('azul') / len(urna)
    print("Probabilidade de a segunda bola ser azul dado que a primeira foi vermelha:", p_azul_dado_vermelha)
else:
    print("A primeira bola não foi vermelha, repita a simulação para verificar o caso desejado.")

A primeira bola não foi vermelha, repita a simulação para verificar o caso desejado.

keyboard_arrow_down

Seção 4: Teorema de Bayes

Teorema de Bayes

O Teorema de Bayes relaciona a probabilidade condicional entre eventos. Ele é expresso como: [ P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B)} ] onde:

( P(A|B) ) é a probabilidade de ( A ) ocorrer dado que ( B ) ocorreu.
( P(B|A) ) é a probabilidade de ( B ) ocorrer dado que ( A ) ocorreu.
( P(A) ) e ( P(B) ) são as probabilidades de ( A ) e ( B ) respectivamente.

Exercício 4:

Uma clínica faz um teste para uma doença que ocorre em 1% da população. O teste tem:

99% de precisão para casos positivos (probabilidade de teste positivo dado que a pessoa tem a doença).
95% de precisão para casos negativos (probabilidade de teste negativo dado que a pessoa não tem a doença).

Calcule a probabilidade de que uma pessoa que teve um teste positivo realmente tenha a doença.

[4]

0s


# Dados do exercício
p_doenca = 0.01  # P(A): Probabilidade de ter a doença
p_teste_positivo_dado_doenca = 0.99  # P(B|A): Teste positivo dado que tem a doença
p_teste_positivo_dado_sem_doenca = 0.05  # P(B|¬A): Teste positivo dado que não tem a doença
p_sem_doenca = 1 - p_doenca  # P(¬A): Probabilidade de não ter a doença

# Aplicando o Teorema de Bayes
p_teste_positivo = (p_teste_positivo_dado_doenca * p_doenca) + (p_teste_positivo_dado_sem_doenca * p_sem_doenca)
p_doenca_dado_teste_positivo = (p_teste_positivo_dado_doenca * p_doenca) / p_teste_positivo

print("Probabilidade de ter a doença dado que o teste foi positivo:", p_doenca_dado_teste_positivo)

Probabilidade de ter a doença dado que o teste foi positivo: 0.16666666666666669

Conclusão

Conclusão

Parabéns por completar os exercícios! Este notebook abordou:

Operações com conjuntos
Probabilidade frequentista
Probabilidade condicional
Teorema de Bayes

Esses conceitos são fundamentais para a compreensão da Probabilidade e da Estatística. Continue praticando e explorando exemplos para solidificar seu conhecimento!

Google Colab para ensino de probabilidade