Você está na página 1de 31

Teorema da probabilidade total e teorema de Bayes

AULA 10

Aula 10 – Teorema da probabilidade total e teorema de Bayes
Nesta aula vocˆ e estudar´ a dois importantes teoremas de probabilidade e ver´ a suas aplica¸ c˜ oes em diversas situa¸ c˜ oes envolvendo a tomada de decis˜ ao. Esses teoremas, conhecidos como teorema da probabilidade total e teorema de Bayes, resultam diretamente da defini¸ c˜ ao de probabilidade condicional e das propriedades vistas para a probabilidade. A apresenta¸ c˜ ao desses teoremas ser´ a feita inicialmente por meio de exemplos, para que vocˆ e compreenda bem o contexto de sua aplica¸ c˜ ao. Ao final da aula, ser´ a apresentada a formula¸ c˜ ao geral dos teoremas. Exemplo 10.1 Em uma linha de produ¸ c˜ ao de certa f´ abrica, determinada pe¸ ca ´ e produzida em duas m´ aquinas. A m´ aquina 1, mais antiga, ´ e respons´ avel por 35% da produ¸ c˜ ao, e os 65% restantes vˆ em da m´ aquina 2. A partir dos dados passados e das informa¸ c˜ oes do fabricante das m´ aquinas, estima-se em 5% a propor¸ c˜ ao de pe¸ cas defeituosas produzidas pela m´ aquina 1 e em 2,5% a propor¸ c˜ ao de pe¸ cas defeituosas produzidas pela m´ aquina 2. As pe¸ cas produzidas pelas duas m´ aquinas seguem para o departamento de armazenamento e embalagem, para venda posterior, sem distin¸ c˜ ao de qual m´ aquina a produziu. 1. Qual ´ e a propor¸ c˜ ao de pe¸ cas defeituosas colocadas no mercado por essa f´ abrica? 2. Se um cliente identifica uma pe¸ ca defeituosa, qual ´ e a probabilidade de que ela tenha sido produzida pela m´ aquina 2? Solu¸ c˜ ao: 1. Na Figura 10.1 representa-se a situa¸ c˜ ao descrita no exemplo. Nosso experimento aleat´ orio ´ e o sorteio de uma pe¸ ca produzida por essa f´ abrica, e nosso espa¸ co amostral, representado pelo retˆ angulo, ´ e o conjunto de todas as pe¸ cas produzidas em determinado per´ ıodo. Podemos ver que o espa¸ co amostral est´ a dividido em 2 eventos mutuamente exclusivos: M1 , pe¸ cas produzidas pela m´ aquina 1, e M2 , pe¸ cas produzidas pela m´ aquina 2. Mais precisamente, Ω = M1 ∪ M2 − isso significa que M1 e M2 formam uma parti¸ c˜ ao do espa¸ co amostral (retorne ` a Aula 5,
209

CEDERJ

Teorema da probabilidade total e teorema de Bayes

se necess´ ario). Um outro evento de interesse ´ e o evento D = “pe¸ ca ´ e defeituosa”. Podemos ver que esse evento tem interse¸ c˜ ao com os eventos M1 e M2 , ou seja, h´ a pe¸ cas defeituosas produzidas na m´ aquina 1 e na m´ aquina 2.

Figura 10.1: Espa¸ co amostral para o experimento do Exemplo 1.

Pelos dados do problema, temos uma estimativa a priori das propor¸ c˜ oes de pe¸ cas produzidas em cada m´ aquina, ou seja, as probabilidades a priori dos eventos M1 e M2 s˜ ao:
Probabilidade a priori.

Pr(M1 ) = 0, 35 Pr(M2 ) = 0, 65 Sabemos tamb´ em a propor¸ c˜ ao de pe¸ cas defeituosas produzidas por cada m´ aquina. Essa propor¸ c˜ ao se traduz em uma probabilidade condicional: se a pe¸ ca foi produzida pela m´ aquina 1, existe 5% de chance de ser defeituosa; para a m´ aquina 2, essa chance reduz-se a 2,5%. Em termos de probabilidade, temos Pr(D |M1 ) = 0, 05

Pr(D |M2 ) = 0, 025 Como M1 e M2 formam uma parti¸ c˜ ao de Ω, podemos escrever D = (D ∩ M1 ) ∪ (D ∩ M2 ) Mas M1 e M2 s˜ ao mutuamente exclusivos; logo, (D ∩ M1 ) e (D ∩ M2 ) tamb´ em o s˜ ao. Assim, pelo Axioma 3 da probabilidade, resulta que Pr(D ) = Pr [(D ∩ M1 ) ∪ (D ∩ M2 )]

= Pr(D ∩ M1 ) + Pr(D ∩ M2 )

CEDERJ

210

Teorema da probabilidade total e teorema de Bayes
AULA 10

Pelo teorema da multiplica¸ c˜ ao (veja a aula anterior), sabemos que Pr(A ∩ B ) = Pr(A) Pr(B |A). Logo, Pr(D ) = Pr(M1 ) Pr(D |M1 ) + Pr(M2 ) Pr(D |M2 ) = 0, 03375 = 0, 35 × 0, 05 + 0, 65 × 0, 025

Note que a probabilidade de uma pe¸ ca ser defeituosa ´ e uma m´ edia ponderada das probabilidades de defeito em cada m´ aquina; os pesos s˜ ao definidos de acordo com o n´ ıvel de produ¸ c˜ ao de cada m´ aquina. 2. Na segunda parte do exemplo, temos uma informa¸ c˜ ao sobre a pe¸ ca: ela ´ e defeituosa, ou seja, sabemos que ocorreu o evento D. O que o problema pede ´ e que, com essa informa¸ c˜ ao, reavaliemos a probabilidade de a pe¸ ca ter sido produzida pela m´ aquina 1. Essa probabilidade ´ e chamada probabilidade a posteriori, ou seja, ´ e a probabilidade que calculamos depois de realizado o experimento de sorteio e teste da pe¸ ca. Em nota¸ c˜ ao matem´ atica, temos que calcular Pr(M1 |D ). Por defini¸ c˜ ao, temos Pr(M1 ∩ D ) Pr(M1 |D ) = Pr(D ) Usando a regra da multiplica¸ c˜ ao e o resultado encontrado no item anterior, resulta que Pr(M1 |D ) = Pr(M1 ) Pr(M1 |D ) Pr(M1 )P R(D |M1 ) + Pr(M2 ) Pr(D |M2 ) 0, 35 × 0, 05 = 0, 35 × 0, 05 + 0, 65 × 0, 025 0, 0175 = = 0, 5185 0, 03375

Probabilidade a posteriori.

Compare os resultados: sem qualquer informa¸ c˜ ao sobre o resultado do experimento, nossa estimativa para a probabilidade de ocorrˆ encia de M1 − pe¸ ca a ser produzida pela m´ aquina 1 − era 0,35; com a informa¸ c˜ ao de que a pe¸ ca ´ e defeituosa, a probabilidade de ter sido produzida pela m´ aquina 1 aumenta para 0,5185.

Exemplo 10.2 Considere novamente a situa¸ c˜ ao do Exemplo 1, mas com a seguinte modifica¸ c˜ ao: as pe¸ cas s˜ ao produzidas em trˆ es m´ aquinas, que s˜ ao respons´ aveis
211

CEDERJ

Os dados do problema d˜ ao que Pr(M1 ) = 0. D |M3 e D |M3 . 2.2: Espa¸ co amostral para o experimento do Exemplo 2. 30 Pr(M2 ) = Pr(M3 ) = 0. O espa¸ co amostral desse experimento est´ a ilustrado no diagrama de ´ arvore da Figura 10. respectivamente.5% e 2%. 35% e 35% da produ¸ c˜ ao. As propor¸ c˜ oes de pe¸ cas defeituosas produzidas nessas m´ aquinas s˜ ao 5%. na parte superior da ´ arvore. Assim. temos os eventos D |M1 e D |M1 . Qual ´ e a propor¸ c˜ ao de pe¸ cas defeituosas produzidas na f´ abrica? 2. temos os eventos D |M2 e D |M2 e na parte inferior. Se um cliente identifica uma pe¸ ca defeituosa. qual ´ e a probabilidade de que tenha sido produzida na m´ aquina 1? E na m´ aquina 2? E na m´ aquina 3? Solu¸ c˜ ao: 1.Teorema da probabilidade total e teorema de Bayes por 30%.2: Figura 10. 35 CEDERJ 212 . Na parte do meio. Como visto na aula anterior. 1. cada galho da ´ arvore corresponde ao condicionamento do evento aos eventos dos galhos anteriores.

35 × 0. 03075 213 CEDERJ . podemos escrever D = (D ∩ M1 ) ∪ (D ∩ M2 ) ∪ (D ∩ M3 ) Mas M1 . portanto. 35 × 0. Por defini¸ c˜ ao. 2. deseja-se saber Pr(M1 |D ). logo. 015 = 0. 02 = 0. 025 + 0. Na segunda parte do exemplo. 02 0. 02 Como antes. 025 + 0. temos Pr(M1 |D ) = Pr(M1 ∩ D ) Pr(D ) Usando a regra da multiplica¸ c˜ ao e o resultado encontrado no item anterior. 05 Pr(D |M2 ) = 0. 487805 0.Teorema da probabilidade total e teorema de Bayes AULA 10 e Pr(D |M1 ) = 0. 05 + 0. 025 Pr(D |M3 ) = 0. 35 × 0. (D ∩ M1 ). M2 e M3 s˜ ao mutuamente exclusivos. Pelo Axioma 3 da probabilidade. resulta que Pr(D ) = Pr [(D ∩ M1 ) ∪ (D ∩ M2 ) ∪ (D ∩ M3 )] = Pr(D ∩ M1 ) + Pr(D ∩ M2 ) + Pr(D ∩ M3 ) Pelo teorema da multiplica¸ c˜ ao. 30 × 0. 30 × 0. 05 0. 03075 Com antes. Pr(M2 |D ) e Pr(M3 |D ). M1 . resulta que Pr(M1 |D) = = = Pr(M1 ) Pr(M1 |D) Pr(M1 )P R(D|M1 ) + Pr(M2 ) Pr(D|M2 ) + Pr(M3 ) Pr(D|M3 ) 0. sabemos que Pr(A∩B ) = Pr(A) Pr(B |A). 30 × 0. 35 × 0. a probabilidade de uma pe¸ ca ser defeituosa ´ e uma m´ edia ponderada das probabilidades de defeito em cada m´ aquina. (D ∩ M2 ) e (D ∩ M3 ) tamb´ em o s˜ ao. Pr(D ) = Pr(M1 )P R(D |M1) + Pr(M2 ) Pr(D |M2 ) + Pr(M3 ) Pr(D |M3 ) = 0. M2 e M3 formam uma parti¸ c˜ ao de Ω e. 05 + 0. com os pesos definidos de acordo com o n´ ıvel de produ¸ c˜ ao de cada m´ aquina. Logo.

Se ocorreu uma pe¸ ca defeituosa. Qual ´ e a probabilidade de o soro dar a resposta certa? 2. 00875 = 0. Um suspeito ´ e retirado de um grupo de pessoas. qual ´ e a probabilidade de o suspeito ser inocente? Solu¸ c˜ ao: 1. 35 × 0. 025 + 0. 02 0. esse resultado ´ e imediato a partir do fato de que Pr(Ω) = 1. 35 × 0.Teorema da probabilidade total e teorema de Bayes Pr(M2 |D) = = = Pr(M2 ) Pr(M2 |D) Pr(M1 )P R(D|M1 ) + Pr(M2 ) Pr(D|M2 ) + Pr(M3 ) Pr(D|M3 ) 0. 227642 = 1. CEDERJ 214 . onde 90% jamais cometeram qualquer crime. Vamos definir os seguintes eventos (veja a Figura 10. 03075 Pr(M3 |D) = = = Pr(M3 ) Pr(M3 |D) Pr(M1 )P R(D|M1 ) + Pr(M2 ) Pr(D|M2 ) + Pr(M3 ) Pr(D|M3 ) 0. 02 0. 025 0. 35 × 0. 025 + 0. 284553 0. ´ e 90% eficaz quando a pessoa ´ e culpada e 99% eficaz quando ´ e inocente. Exemplo 10. Se o soro indica “culpado”.3 Sabe-se que um “soro da verdade”. 05 + 0. 03075 Note que 0. 35 × 0. 35 × 0. 1. quando aplicado a um suspeito. 30 × 0. essa pe¸ ca s´ o pode ter vindo de umas das trˆ es m´ aquinas. 007 = 0. 02 0. 000000.3): C = “suspeito ´ e culpado” V = “soro indica culpado” C = “suspeito ´ e inocente” V = “soro indica inocente” Note que vocˆ e tem que definir os eventos de acordo com a execu¸ c˜ ao do experimento. 487805 + 0. 30 × 0. Ao se aplicar um soro da verdade. 05 + 0. 227642 0. 35 × 0. 284553 + 0. a resposta ´ e “culpado” ou “inocente” e n˜ ao “soro acerta” ou “soro erra”.

Seja o evento A = “soro acerta o diagn´ ostico”. 90 Pr(V |C ) = 0. 95 Usando o resultado sobre probabilidade do evento complementar. Pr(A) = Pr (C ∩ V ) + Pr C ∩ V = 0. 01 Pr(C ) = 0. Os dados do problema nos d˜ ao as seguintes probabilidades: Pr(V | C ) = 0. 99 = 0. 10 Pr(V |C ) = 0.Teorema da probabilidade total e teorema de Bayes AULA 10 Figura 10. obtemos: Pr(V | C ) = 0. Os eventos de interesse s˜ ao V e V. para os quais temos as probabilidades a priori. 99 Pr(C ) = 0. 05 × 0.3: Espa¸ co amostral para o experimento do Exemplo 3. Note que o soro pode diagnosticar corretamente sendo o suspeito culpado ou inocente. 90 + 0. 05 A parti¸ c˜ ao do espa¸ co amostral ´ e definida pelos eventos C e C . ou seja: A = (C ∩ V ) ∪ C ∩ V Logo. 9855 = Pr(C ) Pr(V | C ) + Pr(C ) Pr(V |C ) 215 CEDERJ . 95 × 0.

Uma moeda ´ e escolhida ao acaso e lan¸ cada. a moeda 2 tem duas caras e a moeda 3 ´ e viciada de tal modo que cara ´ e duas vezes mais prov´ avel que coroa. temos que: Pr(C | V ) = Pr(C ∩ V ) Pr (V ) O soro pode indicar culpado sendo o suspeito culpado (acerto do diagn´ ostico) ou inocente (erro no diagn´ ostico).4 Uma caixa cont´ em trˆ es moedas. 0095 = 0. 01 × 095 = 0. 90 × 0. 0545 e Pr V ∩ C = Pr V | C × Pr(C ) = 0. qual a probabilidade de que a moeda lan¸ cada tenha sido a moeda 1? Solu¸ c˜ ao: Vamos definir os eventos K = M1 = ´ dado que E Pr (K |M1 ) = CEDERJ 216 cara moeda 1 C = coroa M2 = moeda 2 M3 = moeda 3 1 2 Pr (K |M2 ) = 1 . 95 = 0. Qual ´ e a probabilidade de observarmos cara e moeda 1? 2. 1743 0. Qual ´ e a probabilidade de observarmos cara? 3.Teorema da probabilidade total e teorema de Bayes 2. 045 + 0. 0095 Logo. ou seja: Pr (V ) = Pr (V ∩ C ) + Pr V ∩ C = Pr (V | C ) × Pr(C ) + Pr V | C × Pr(C ) = 0. 05 + 0. Por defini¸ c˜ ao. A moeda 1 ´ e honesta. Se o resultado foi cara. 1. Pr(C | V ) = 0. 0095 = 0. 0545 Exemplo 10. Queremos calcular Pr(C | V ). 01 × 0.

Os eventos que formam a parti¸ c˜ ao do espa¸ co amostral s˜ ao M1 . Aqui a solu¸ c˜ ao ´ e conseq¨ uˆ encia direta da regra de multiplica¸ c˜ ao: Pr (K ∩ M1 ) = Pr (M1 ) × Pr (K |M1 ) 1 1 1 × = = 3 2 6 2. M2 e M3 . 1.4: Figura 10.4: Espa¸ co amostral para o Exemplo 4 das 3 moedas. Logo.Teorema da probabilidade total e teorema de Bayes AULA 10 Para a moeda 3. resulta que Pr(K |M3 ) = 2 3 1 3 Como a moeda lan¸ cada ´ e escolhida aleatoriamente. Pr (K ) = Pr (K ∩ M1 ) + Pr (K ∩ M2 ) + Pr (K ∩ M3 ) = = Pr (M1 ) × Pr (K |M1 ) + Pr (M2 ) × Pr (K |M2 ) + Pr (M3 ) × Pr (K |M3 ) = 1 1 2 13 1 13 = × +1+ = × = 3 2 3 3 6 18 217 CEDERJ . como a probabilidade de cara ´ e duas vezes a probabilidade de coroa e a soma dessas probabilidades tem que ser 1. temos que Pr(M1 ) = Pr(M2 ) = Pr(M3 ) = Veja a Figura 10.

enquanto essa chance aumenta para 90% entre os clientes adimplentes. O problema pede Pr (K ∩ M1 ) Pr (M1 ) × Pr (K |M1 ) Pr (M1 |K ) = = = Pr (K ) Pr (K ) 1 6 13 18 = 3 13 Exemplo 10.5 Um gerente de banco tem que decidir se concede ou n˜ ao empr´ estimo aos clientes que o solicitam. Com base em dados passados. Dentre os inadimplentes. Vamos definir os seguintes eventos: I = “cliente ´ e inadimplente” C = “gerente concede empr´ estimo” Usaremos a nota¸ c˜ ao de evento complementar para definir I = “cliente ´ e adimplente” C = “gerente n˜ ao concede empr´ estimo” Note que temos duas possibilidades de acerto e duas possibilidades de erro. ele estima em 15% a taxa de inadimplˆ encia. CEDERJ 218 . Os acertos s˜ ao: • cliente ´ e inadimplente e gerente n˜ ao concede o empr´ estimo • cliente ´ e adimplente e gerente concede o empr´ estimo Os erros s˜ ao: • cliente ´ e inadimplente e gerente concede o empr´ estimo • cliente ´ e adimplente e gerente n˜ ao concede o empr´ estimo A´ arvore que representa o espa¸ co amostral ´ e dada na Figura 10. Qual ´ e a probabilidade de ele ter tomado a decis˜ ao correta? Solu¸ c˜ ao: Os fatos envolvidos nesse processo decis´ orio s˜ ao: “cliente ´ e inadimplente ou n˜ ao” e “gerente concede ou n˜ ao o empr´ estimo”. ele tem 80% de chance de tomar a decis˜ ao certa.5. Ele analisa diversos dados para estudar a possibilidade de o cliente vir a ficar inadimplente. Esse gerente acaba de recusar um empr´ estimo.Teorema da probabilidade total e teorema de Bayes 3.

15 Pr(C |I ) = 0. 85 × 0. 20 Pr(C |I ) = 0. Logo. temos que. resulta que Pr(I ) = 0.Teorema da probabilidade total e teorema de Bayes AULA 10 Figura 10. 85 Pr(C |I ) = 0. 10 = 0. temos que calcular Pr(I ∩ C ) Pr(C ) Pr(I |C ) = Mas o gerente pode recusar o empr´ estimo sendo o cliente inadimplente ou n˜ ao.5: Espa¸ co amostral para o Exemplo 5. 15 × 0. 90 Pela lei do complementar. 10 Com rela¸ c˜ ao ao que o problema pede. dado que o gerente recusou o empr´ estimo. 80 + 0. 205 219 CEDERJ . a decis˜ ao s´ o ser´ a certa se o cliente for inadimplente. ou seja. Pr(C ) = Pr(C ∩ I ) + Pr(C ∩ I ) = Pr(I ) Pr(C |I ) + Pr(I ) Pr(C |I ) = 0. 80 Pr(C |I ) = 0. As probabilidades dadas s˜ ao Pr(I ) = 0.

segue que B = (A1 ∩ B ) ∪ (A2 ∩ B ) ∪ · · · ∪ (An ∩ B ) O fato de alguns desses termos serem o conjunto vazio (por exemplo. 15 × 0. onde A1 . Ent˜ ao. A2 . . pela lei da probabilidade de eventos disjuntos. Por defini¸ c˜ ao de parti¸ c˜ ao. 80 = 0. . logo. os eventos Ai ∩ B tamb´ em o s˜ ao. os Ai ’s s˜ ao mutuamente exclusivos dois a dois.6. podemos escrever Pr (B ) = Pr [(A1 ∩ B ) ∪ (A2 ∩ B ) ∪ · · · (An ∩ B )] = e a regra da multiplica¸ c˜ ao nos d´ a que Pr(B ) = Pr(A1 ) Pr(B |A1 ) + Pr(A2 ) Pr(B |A2 ) + · · · + Pr(An ) Pr(B |An ) Esse resultado ´ e conhecido como teorema da probabilidade total. uma vez que A ∪ ∅ = A. An ´ e uma parti¸ c˜ ao do espa¸ co amostral Ω e B um evento qualquer em Ω. CEDERJ 220 = Pr (A1 ∩ B ) + Pr (A2 ∩ B ) + · · · + Pr (An ∩ B ) . Figura 10.6: Parti¸ c˜ ao do espa¸ co amostral. B ∩A4 = ∅) n˜ ao invalida o resultado. Como a uni˜ ao de todos os Ai ’s ´ e o espa¸ co amostral. . 205 = 0. .Teorema da probabilidade total e teorema de Bayes e Pr(I |C ) = Pr(I ∩ C ) Pr(C ) Pr(I ) Pr(C |I ) = Pr(I ) Pr(C |I ) + Pr(I ) Pr(C |I ) 0. 5854 Teorema da probabilidade total e teorema de Bayes Considere a Figura 10.

na resolu¸ E c˜ ao de exerc´ ıcios e tamb´ em na aplica¸ c˜ ao pr´ atica desses teoremas. s˜ ao essas probabilidades que identificam a parti¸ c˜ ao de Ω. Teorema de Bayes Seja A1 . ou seja. . 221 CEDERJ . . Ent˜ ao n Pr(B ) = i=1 Pr (Ai ) Pr (B |Ai ) Como visto. vamos calcular Pr(Ai |B ). Por defini¸ c˜ ao temos que Pr (Ai |B ) = Pr (Ai ∩ B ) Pr(B ) Usando a regra da multiplica¸ c˜ ao e o teorema da probabilidade total. An uma parti¸ c˜ ao do espa¸ co amostral Ω e seja B um evento qualquer em Ω. A2 . os eventos que definem a parti¸ c˜ ao do espa¸ co amostral e quais s˜ ao as probabilidades a priori.Vamos considerar mais um exemplo para ilustrar esses pontos. A2 . resulta que Pr (Ai ) Pr (Ai |B ) Pr (Ai |B ) = n Pr (Aj ) Pr (B |Aj ) j =1 Esse resultado ´ e conhecido como teorema de Bayes. Ent˜ ao Pr (Ai |B ) = n Pr (Ai ) Pr (Ai |B ) Pr (Aj ) Pr (B |Aj ) j =1 ´ importante que. . suponhamos agora que B tenha ocorrido. vocˆ e identifique os eventos de interesse. Continuando no contexto da Figura 10. .Teorema da probabilidade total e teorema de Bayes AULA 10 Teorema da probabilidade total Seja A1 . .6. . An uma parti¸ c˜ ao do espa¸ co amostral Ω e seja B um evento qualquer em Ω. . a probabilidade Pr(Ai ) ´ e denominada probabilidade a priori do evento Ai . . Em geral. Vamos usar essa informa¸ c˜ ao para calcular a probabilidade a posteriori do evento Ai .

No entanto. assim como C e C . 18 + 0. as probabilidades a priori dadas referem-se a H e M . 18 = 0. 35 × 0. 82 O problema pede Pr(M |C ) e para calcular essa probabilidade. sabemos que Pr(C ) = Pr(C ∩ M ) + Pr(C ∩ H ) Pr(C |H ) = 0. 12162 CEDERJ 222 . Vamos definir os eventos de interesse da seguinte forma: H = C = homem M = mulher C = n˜ ao possui carro possui carro Note que H e M definem uma parti¸ c˜ ao do espa¸ co amostral. temos que calcular Pr(C ). 518 Logo. 65% dos alunos s˜ ao do sexo masculino.Teorema da probabilidade total e teorema de Bayes Exemplo 10. 30 ⇒ Pr(C |H ) = 0. 70 = Pr(M ) Pr(C |M ) + Pr(H ) Pr(C |H ) = 0. 35 × 0. Sabe-se que 30% dos alunos tˆ em carro. enquanto essa propor¸ c˜ ao entre as alunas se reduz para 18%. 518 = 0. 65 × 0.6 Em uma turma de Administra¸ c˜ ao. Os dados do problema nos d˜ ao que Pr(H ) = 0. 65 ⇒ Pr(M ) = 0. a parti¸ c˜ ao de Ω ser´ a definida em termos desses eventos. Sorteia-se ao acaso um estudante dessa turma usando o seu n´ umero de matr´ ıcula e constata-se que possui um carro. Pr(M |C ) = Pr(C ∩ M ) Pr(C ) Pr(M ) Pr(C |M ) = Pr(C ) 0. 30 = 0. Pelo teorema da probabilidade total. 18 ⇒ Pr(C |M ) = 0. 35 Pr(C |M ) = 0. logo. Qual ´ e a probabilidade de que a pessoa sorteada seja do sexo feminino? Solu¸ c˜ ao: Os eventos em quest˜ ao envolvem o sexo do aluno e a posse de um carro.

. . qual ´ e a probabilidade de ele passar no exame da ANPAD? (b) Sabe-se que um aluno foi aprovado.s˜ ao as probabilidades Pr(Ai ) – Probabilidades a posteriori . Qual ´ e a probabilidade de ele ter freq¨ uentado este curso preparat´ orio? 2. 2 . sabe-se que 15% dos candidatos aos programas de Mestrado escolhem esse curso e que o ´ ındice geral de aprova¸ c˜ ao ´ e de 63% (dados fict´ ıcios). Um adulto acaba de ser diagnosticado pelo m´ edico como portador da doen¸ ca. . . Dos cadastros da ANPAD. Qual ´ e a probabilidade de esse adulto ter. de fato. (a) Se um candidato n˜ ao escolhe esse curso. An uma parti¸ c˜ ao do espa¸ co amostral Ω e seja B um evento qualquer de Ω – Teorema da Probabilidade Total n n Pr(B ) = i=1 Pr(Ai ∩ B ) = i=1 Pr(Ai ) Pr(B |Ai ) – Teorema de Bayes Pr(Ai |B ) = n Pr(Ai ) Pr(B |Ai ) Pr(Aj ) Pr(B |Aj ) i = 1. . Uma propaganda de um curso preparat´ orio para a prova da ANPAD diz que 80% dos seus alunos conseguem ingressar em algum programa de Mestrado em Administra¸ c˜ ao. . A2 . a doen¸ ca? 223 CEDERJ .Teorema da probabilidade total e teorema de Bayes AULA 10 Resumo da Aula Nesta aula vocˆ e estudou dois importantes teoremas da teoria de probabilidade. • Seja A1 . . Em uma localidade. . 8% dos adultos sofrem de determinada doen¸ ca.s˜ ao as probabilidades Pr(Ai |B ) Exerc´ ıcios 1. n j =1 – Probabilidades a priori . Um m´ edico local diagnostica corretamente 95% das pessoas que tˆ em a doen¸ ca e diagnostica erradamente 2% das pessoas que n˜ ao a tˆ em. conseguindo ingressar no programa de Mestrado de uma grande universidade.

Continua¸ c˜ ao do exerc´ ıcio 6 da Aula 8. A probabilidade de que ele saiba a resposta certa da quest˜ ao ´ e de 30%. Calcule a probabilidade de um aluno acertar todas as 7 quest˜ oes (a) se ele “chuta” as respostas. isso ´ e totalmente imposs´ ıvel. No ano seguinte.45 e acima de 4% ´ e de 0. mas sabendo que h´ a mais Verdadeiros do que Falsos. A probabilidade de que 10 9 o carteiro a entregue ´ e tamb´ em . 4. (b) se ele “chuta” as respostas. 3. Um aluno responde a uma quest˜ ao de m´ ultipla escolha com 4 alternativas.6. Qual ´ e a probabilidade de a infla¸ ca ˜o ter ficado abaixo de 3%? 7. Calcule Pr (A | Bi ) e Pr (Bi | A) para i = 1. Seja A o evento “soma ´ e 5” e seja Bi o evento “primeira bola sorteada tem o n´ umero i”. no entanto. um economista estrangeiro constata que foram criados 200.20.35. com infla¸ c˜ ao acima de 4%. diminuindo essa probabilidade para 0. O Minist´ erio da Economia da Espanha acredita que a probabilidade de a infla¸ c˜ ao ficar abaixo de 3% este ano ´ e de 0. Se o aluno acertou a quest˜ ao. 4. entre 3% e 4% ´ e de 0.000 empregos novos. existe a possibilidade de ele acertar “no chute”. qual ´ e a probabilidade de que Joana n˜ ao a tenha escrito? 8. 4. 6.Teorema da probabilidade total e teorema de Bayes 3. Se ele n˜ ao sabe a resposta. 2. Continua¸ c˜ ao do exerc´ ıcio 14 da Aula 8. i = 1. Resolva o exerc´ ıcio anterior. a probabilidade de se criarem mais 200. N˜ ao existe a possibilidade de ele obter a resposta certa por “cola”. A probabilidade de que Joana escreva a carta ´ e . 5. Joana quer enviar uma carta a 8 Camila. 2. Duas bolas s˜ ao retiradas sem reposi¸ c˜ ao. qual ´ e a probabilidade de ele ter “chutado” a resposta? CEDERJ 224 . com infla¸ c˜ ao abaixo de 3%.3 caso a infla¸ c˜ ao fique entre 3% e 4%. O Minist´ erio acredita que. 3. com uma s´ o correta. Uma urna cont´ em 4 bolas numeradas de 1 a 4. A prob10 9 abilidade de que o correio n˜ ao a perca ´ e . Numa prova h´ a 7 perguntas do tipo Verdadeiro-Falso. Dado que Camila n˜ ao recebeu a 10 carta.000 empregos ´ e de 0. supondo que as extra¸ c˜ oes s˜ ao feitas com reposi¸ c˜ ao. Continua¸ c˜ ao do exerc´ ıcio 4 da Aula 8.

Calcule a porcentagem de pedidos com atraso de cada um dos distribuidores. Qual a probabilidade de ser azul? 11. o contador-chefe tem trˆ es auxiliares: um que trabalha em tempo integral e os outros dois que trabalham em tempo parcial. 13. 12. 3 pretas e 4 azuis. O funcion´ ario de tempo integral ´ e respons´ avel por 50% dos balancetes. A probabilidade de ocorrer bola de cor vermelha na u ´ ltima extra¸ c˜ ao ´ e 0. Depois disso. Um estagi´ ario acaba de ser contratado. Da urna A ´ e retirada uma bola. A probabilidade de que tenha boa forma¸ c˜ ao em inform´ atica ´ e 0. com Pr(1) = 0. ent˜ ao. enquanto cada um dos funcion´ arios de tempo parcial 225 CEDERJ .44. Em um escrit´ orio de contabilidade. O distribuidor 1 ´ e respons´ avel por 70% dos pedidos. Dos registros gerais de compra. que ´ e colocada na urna B .537. uma bola que ´ e colocada na urna C . Retira-se em seguida uma bola da urna C . Qual ´ e a preferˆ encia (probabilidade) do gerente pelo curso 1? 14. que resultam ambos na face 1. Escolhe-se um dos dados ao acaso e efetuam-se dois lan¸ camentos. B e C . O chefe do Setor de Compras de uma empresa trabalha com 3 grandes distribuidores de material de escrit´ orio. Consideremos dois dados: um deles ´ e equilibrado e o outro viciado. retirase uma bola. No curso 1. A propor¸ c˜ ao de pedidos com atraso do distribuidor 1 ´ e a metade da propor¸ c˜ ao do distribuidor 2 que. Qual a probabilidade de ter sido escolhido o dado viciado? 10. a propor¸ c˜ ao de alunos com boa forma¸ c˜ ao em inform´ atica ´ e de 60%.Teorema da probabilidade total e teorema de Bayes AULA 10 9. O gerente de Recursos Humanos de uma empresa escolhe estagi´ arios oriundos de dois cursos de Administra¸ c˜ ao. 5 e Pr(2) = · · · = Pr(6) = 0. bola preta. sabese que 6% dos pedidos chegam com atraso. Duas bolas s˜ ao retiradas ao acaso e substitu´ ıdas por 5 vermelhas. enquanto no outro curso essa propor¸ c˜ ao cai para 40%. Determinar o valor de x sabendo que as urnas tˆ em as seguintes composi¸ c˜ oes: A: 7V 3P B: 3V 6P C: 9−x V x P onde V representa bola vermelha e P. S˜ ao dadas as urnas A. 1. Uma urna tem 3 bolas brancas. enquanto cada um dos outros 2 distribuidores responde por 15% dos pedidos. ´ e o dobro da propor¸ c˜ ao do distribuidor 3. Da urna B retira-se. por sua vez.

Ele acha que a probabilidade de ganhar a concorrˆ encia da parte el´ etrica ´ e de 1/2. Quais s˜ ao as novas propor¸ c˜ oes de balancetes com erro de cada funcion´ ario? 15. 15 Pr(P ) = 0. enquanto para os funcion´ arios de tempo parcial essas propor¸ c˜ oes foram de 6% e 8%. O chefe resolve. Os eventos de interesse no problema s˜ ao: C = P = “escolher o curso em quest˜ ao” “passar no concurso da ANPAD” Os dados do problema informam que Pr(P |C ) = 0. a propor¸ c˜ ao de balancetes com erros oriundos do funcion´ ario de tempo integral foi de 5%. discutindo os principais erros encontrados.Teorema da probabilidade total e teorema de Bayes responde pela metade dos balancetes restantes. Nos u ´ ltimos 2 meses. igual ` a metade da propor¸ c˜ ao de erros do funcion´ ario de tempo integral. a propor¸ c˜ ao de balancetes com erro cai pela metade. a chance de ganhar a parte hidr´ aulica ´ e de 3/4.7. Caso ele ganhe a parte el´ etrica. Qual ´ e a probabilidade de ele: (a) ganhar os dois contratos? (b) ganhar apenas um? (c) n˜ ao ganhar qualquer contrato? Solu¸ c˜ ao dos Exerc´ ıcios 1. fazer um novo treinamento. 80 Pr(C ) = 0. 63 Veja a Figura 10. caso contr´ ario. No mˆ es seguinte ao treinamento. CEDERJ 226 . Um empreiteiro apresentou or¸ camentos separados para a execu¸ c˜ ao da parte el´ etrica e da parte hidr´ aulica de um edif´ ıcio. essa probabilidade ´ e de 1/3. ent˜ ao. com cada funcion´ ario de tempo parcial produzindo a mesma propor¸ c˜ ao de balancetes com erro.

05 Pr(V |D) = 0. 02 ⇒ Pr(V |D ) = 0.1. 15 × 0. 63 − 0. 98 227 CEDERJ . 80 Pr(P |C ) = ⇒ 0. 63 0. 92 Pr(V | D ) = 0. 85 Pr(P |C ) = 0. diagn´ ostico correto significa que o m´ edico n˜ ao identificou a doen¸ ca. 95 ⇒ Pr(V | D ) = 0. Vamos definir os seguintes eventos: D = pessoa tem a doen¸ ca ⇒ D = pessoa n˜ ao tem a doen¸ ca V = diagn´ ostico indica doen¸ ca ⇒ V = diagn´ ostico n˜ ao indica doen¸ ca Se a pessoa tem a doen¸ ca. 85 × Pr(P |C ) ⇒ 0. Dessa forma. Pr(C |P ) = Pr(C ∩ P ) Pr(C ) Pr(P |C ) = Pr(P ) Pr(P ) 0. diagn´ ostico correto significa que o m´ edico identificou a doen¸ ca. 63 = 0.7: Espa¸ co amostral para o experimento do Exerc´ ıcio 9. 63 = Pr(C ) Pr(P |C ) + Pr(C ) Pr(P |C ) ⇒ 2.Teorema da probabilidade total e teorema de Bayes AULA 10 Figura 10. 80 = 0. 15 × 0. 1905 = 0. Se a pessoa n˜ ao tem a doen¸ ca. 80 + 0. 60 (b) O problema pede Pr(C |P ). 15 × 0. os dados do problema nos d˜ ao as seguintes probabilidades: Pr(D ) = 0. (a) Temos que Pr(P ) = Pr(P ∩ C ) + Pr(P ∩ C ) ⇒ 0. 08 ⇒ Pr(D ) = 0.

4)} B3 = {(3. A = {(1. (3. 2 . para aplicar o teorema de Bayes. (1. 0944 e Pr (V ∩ D ) = Pr (V | D ) × Pr(D ) = 0. (2.Teorema da probabilidade total e teorema de Bayes A probabilidade a priori dada ´ e Pr(D ) e. 3)} A∩B3 = {(3. embora V e V tamb´ em definam uma parti¸ c˜ ao. 2) . Temos que A∩B1 = {(1. 8051 0. 95 × 0. por conseq¨ uˆ encia. Pr(D | V ) = 0. Pr (A | Bi ) = CEDERJ 228 1 12 1 12 1 4 i = 1. Pr (V ) = Pr (V ∩ D ) + Pr V ∩ D Pr(D ∩ V ) Pr (V ) = Pr (V | D ) × Pr(D ) + Pr V | D × Pr(D ) = = 0. 076 = 0. Pr(D ). 3) . 02 × 0. 4)} B2 = {(2. a parti¸ c˜ ao do espa¸ co amostral tem que ser definida por esses eventos. 076 + 0. (1. 2 . 0184 = 0. 1) . temos que #Ω = 4 × 3 = 12. Queremos calcular Pr(D | V ). Ent˜ ao. (4. temos que: Pr(D | V ) = Mas. 95 × 0. 2) . 2) . 1) . (3. 2)} A∩B4 = {(4. 08 = 0. 4 12 4 Note que Ω = B1 ∪ B2 ∪ B3 ∪ B4 e como esses eventos s˜ ao mutuamente exclusivos dois a dois. Por defini¸ c˜ ao. 3 . 4)} A∩B2 = {(2. 0944 3. 4)} 4 1 = 12 3 B4 = {(4. 4 . 4 Pr (A ∩ Bi ) = Pr (Bi ) = 1 = Pr(A) 3 i = 1. 076 Logo. 4) . eles formam uma parti¸ c˜ ao de Ω. 1) . 3)} 1 3 Pr (Bi ) = = i = 1. 3 . (2. 3 . 3) . 92 = 0. 2) . 1)} ⇒ Pr(A) = B1 = {(1. Pelo princ´ ıpio fundamental da multiplica¸ c˜ ao. (4. (4. 1)} Pr (A ∩ Bi ) = Logo. (3. 2 . 3) . (2. 08 + 0.

4 Como antes. 1 Falso) e 7 Verdadeiros (e. 2) . 2) . A∩B1 = {(1. os eventos A e Bi . 3. (1. 2. 4 s˜ ao independentes! 4. 2 . 3 . a probabilidade 1 de acertar todas ´ e 128 . (2. 3)} A∩B3 = {(3. 2 . 4 s˜ ao independentes! 5. (3. 1) .Teorema da probabilidade total e teorema de Bayes AULA 10 Pr (Bi | A) = Pr (A ∩ Bi ) = Pr (A) 1 12 1 3 = 1 = Pr(Bi ) 4 i = 1. 3 . 2 Falsos). 3. 4 16 4 Ent˜ ao. 2) . 4 4!3! 4! × 3 × 2 × 1 7 7! 7 × 6 × 5! 5 verdadeiros: existem = = = 21 maneiras. portanto. 3) . 5 Verdadeiros (e. i = 1. (2. h´ a 27 = 128 possibilidades de respostas para as 7 quest˜ oes. (2. 4) . 4)} Pr (A ∩ Bi ) = Logo. 3 . 4)} B2 = {(2. 1) . (2. 2 . 3) . 4 Note que os eventos A e Bi . 3) . nenhum Falso). 5 5!2! 5! × 2 × 1 229 CEDERJ . 2)} A∩B4 = {(4. 4)} 4 1 Pr (Bi ) = = i = 1. (a) Pelo princ´ ıpio fundamental da multiplica¸ c˜ ao. 3 Falsos). 4 = 1 = Pr(A) 4 1 = Pr(Bi ) 4 i = 1. temos que #Ω = 4 × 4 = 16. Logo. (3. A = {(1. Pr (A | Bi ) = Pr (Bi | A) = Pr (A ∩ Bi ) = Pr (Bi ) Pr (A ∩ Bi ) = Pr (A) 1 16 1 16 1 4 1 16 1 4 i = 1. (b) Haver mais Verdadeiros do que Falsos significa que pode ter 4 Verdadeiros (e. 1)} ⇒ Pr(A) = 1 4 = 16 4 B1 = {(1. (4. (3. 3 . 2 . i = 1. 2) . 4 = i = 1. (1. 3) . Pelo princ´ ıpio fundamental da multiplica¸ c˜ ao. (3. (4. 4)} A∩B2 = {(2. portanto. (4. 2. 1)} B3 = {(3. (4. (1. portanto. 1) . 2) . 6 Verdadeiros (e. 2 . 7 7! 7 × 6 × 5 × 4! 4 verdadeiros: existem = = = 35 maneiras. 3) . portanto. 1) . 4)} B4 = {(4. 3 .

7!0! 0! 1 7 Assim. 20 × 0. T = “carteiro entrega a carta”. No Exerc´ ıcio 4 da aula anterior. definimos o evento R = “Camila recebe a carta” e calculamos Pr(R) = Pr(E ) + Pr(E ∩ C ) + Pr(E ∩ C ∩ T ) 2 8 1 8 9 1 = + × + × × = 0. M = “infla¸ c˜ ao entre 3% e 4%”. 45 × 0. e o problema pede Pr(V ) = + Pr(A|V ) = Pr(A ∩ V ) Pr(A) = = Pr(V ) Pr(V ) 1 128 64 128 7 4 7 5 = 1 64 6. 6 6!1! 6! × 1 1 1 7 7! 7 verdadeiros: existem = = = = 1 maneira. 6 = = 0. 255 Pr(M ) = 0. 352 10 10 10 10 10 10 CEDERJ 230 . 60 + 0. C = “correio n˜ ao perde a carta”. Veja a Figura 10. ent˜ ao A ⊂ V .8. 255 7. calculamos tamb´ em que Pr(E ) = Pr(B ) Pr(E |B ) + Pr(M ) Pr(E |M ) + Pr(A) Pr(E |A) = 0. 20 Pr(E |B ) = 0. 6 L´ a. O problema d´ a o seguinte: Pr(B ) = 0. No Exerc´ ıcio 7 da aula anterior. 35 × 0 = 0. 3 Pr(A) = 0.Teorema da probabilidade total e teorema de Bayes 7 7! 7 × 6! = = = 7 maneiras. 45 Pr(E |M ) = 0. 35 Pr(E |A) = 0 O problema agora pede Pr(B |E ) : Pr(B |E ) = Pr(B ∩ E ) Pr(B ) Pr(E |B ) = Pr(E ) Pr(E ) 0. definimos os seguintes eventos: B = “infla¸ c˜ ao abaixo de 3%”.000 empregos”. 20 × 0. 30 + 0. resulta que 6 verdadeiros: existem + 7 + 7 6 7 128 64 1 35 + 21 + 7 + 1 = = = 128 128 2 Se A ´ e o evento “acertar todas as quest˜ oes”. 4706 0. se denotamos por V o evento “ter mais verdadeiros que falsos”. na qual temos os seguintes eventos: E = “Joana escreve a carta”. A = “infla¸ c˜ ao acima de 4%” e E = “200.

´ dado que E Pr(S ) = 0. 7 231 CEDERJ . 3 ⇒ Pr(S ) = 0. O problema agora pede Pr(E |R) : Pr(E |R) = Pr(R ∩ E ) Pr(E ) Pr(R|E ) = Pr(R) Pr(R) O evento R|E significa “Camila n˜ ao receber a carta.Teorema da probabilidade total e teorema de Bayes AULA 10 Figura 10. na qual temos os eventos S = “sabe a resposta” e A = “acerta a resposta”. 2 × 1 Pr(E |R) = = = 0. Veja a Figura 10.7. Figura 10.8. portanto. 5682 0.9. dado que Joana n˜ ao a escreveu”. 352 Pr(R) 8.8: Diagrama de ´ arvore para o Exerc´ ıcio 9. Pr(E ) Pr(R|E ) 0. Ora. ´ e claro que Camila n˜ ao recebe a carta! Logo.9: Diagrama de ´ arvore para o Exerc´ ıcio 9. esse evento ´ e o evento certo e. se Joana n˜ ao escreveu.

Como os lan¸ camentos s˜ ao independentes. . os eventos Ai e Bi s˜ ao independentes. Pr(E ) = Pr(E ) = Temos tamb´ em que 1 1 1 35 × = ⇒ Pr(D |E ) = 6 6 36 36 1 1 1 3 Pr(D |E ) = × = ⇒ Pr(D|E ) = 2 2 4 4 Pr(D |E ) = CEDERJ 232 1 2 . 3684 0. 7 × 0. . ou seja. 6 e seja Bi = “face i no segundo lan¸ camento”. 6. a probabilidade de cada um dos 36 pares (Ai . 475 9. . i = 1. i = 1.Teorema da probabilidade total e teorema de Bayes Se o aluno sabe a resposta. Logo. ele acerta a quest˜ ao. . 25 = = 0. Logo. . 25 No Exerc´ ıcio 14 da aula anterior. 7 × 0. Pr (Ai . 3 × 1 + 0. . calculamos Pr(A) = Pr(A ∩ S ) + Pr(A ∩ S ) = Pr(S ) × Pr(A|S ) + Pr(S ) × Pr(A|S ) = 0. 475 O problema agora pede Pr(S |A) : Pr(S |A) = Pr(S ∩ A) Pr(S ) Pr(A|S ) = Pr(A) Pr(A) 0. 25 = 0. Pr(A|S ) = 1 Pr(A|S ) = 0. . Logo. Bi ) do espa¸ co amostral ´ e dada pelo produto das probabilidades individuais. Seja Ai = “face i no primeiro lan¸ camento”. Se ele n˜ ao sabe. ele pode “chutar” entre as 4 alternativas. Bi ) = Pr(Ai ) Pr(Bi ) Vamos definir os seguintes eventos: E = D = “dado equilibrado” ⇒ E = “dado viciado” “dois 1s” ⇒ D = “no m´ aximo um 1” A escolha dos dados ´ e aleat´ oria.

temos que 233 CEDERJ . Esse evento corresponde ` a uni˜ ao dos eventos indicados pelas setas na figura.10. ou seja. Temos que Pr(E |D ) = Pr(E ∩ D ) Pr(D ) Pr(E ∩ D ) = Pr(D ∩ E ) + Pr(D ∩ E ) Pr(E ) Pr(D |E ) = Pr(E ) Pr(D |E ) + Pr(E ) Pr(D |E ) 1 1 1 × 9 2 4 = = 8 = 1 1 1 1 9+1 10 × + × 2 4 2 36 72 10. Queremos a probabilidade de sair azul na terceira extra¸ c˜ ao.Teorema da probabilidade total e teorema de Bayes AULA 10 O problema pede Pr(E |D ). S˜ ao feitas 3 extra¸ c˜ oes. na qual os n´ umeros representam o n´ umero de bolas dispon´ ıveis de cada cor no momento da respectiva extra¸ c˜ ao. representando a extra¸ c˜ ao pelo n´ umero no subscrito. Veja a Figura 10.

10.Teorema da probabilidade total e teorema de Bayes Figura 10.10: Espa¸ co amostral para o experimento do Exerc´ ıcio 9. CEDERJ 234 .

em cada extra¸ c˜ ao. que ocorreu bola azul ou n˜ ao. podemos escrever: Pr(A3 ) = Pr(A1 ∩ A2 ∩ A3 ) + Pr(A1 ∩ A2 ∩ A3 ) + = Pr(A1 ) Pr(A2 |A1 ) Pr(A3 |A2 ∩ A1 ) + Pr(A1 ) Pr(A2 |A1 ) Pr(A3 |A2 ∩ A1 ) + Pr(A1 ) Pr(A2 |A1 ) Pr(A3 |A2 ∩ A1 ) + Pr(A1 ∩ A2 ∩ A3 ) + Pr(A1 ∩ A2 ∩ A3 ) Pr(A1 ) Pr(A2 |A1 ) Pr(A3 |A2 ∩ A1 ) 4 3 2 4 8 3 = × × + × × + 12 11 15 12 11 15 8 4 3 8 7 4 × × + × × 12 11 15 12 11 15 440 2 = = 1.Teorema da probabilidade total e teorema de Bayes AULA 10 Pr(A3 ) = [Pr(B1 ∩ B2 ∩ A3 ) + Pr(B1 ∩ P2 ∩ A3 ) + Pr(B1 ∩ A2 ∩ A3 )] + [Pr(A1 ∩ B2 ∩ A3 ) + Pr(A1 ∩ P2 ∩ A3 ) + Pr(A1 ∩ A2 ∩ A3 )] [Pr(P1 ∩ B2 ∩ A3 ) + Pr(P1 ∩ P2 ∩ A3 ) + Pr(P1 ∩ A2 ∩ A3 )] + = [Pr(B1 ) Pr(B2 |B1 ) Pr(A3 |B1 ∩ B2 ) + Pr(B1 ) Pr(P2 |B1 ) Pr(A3 |B1 ∩ P2 ) + Pr(B1 ) Pr(A2 |B1 ) Pr(A3 |B1 ∩ A2 )] + [Pr(P1 ) Pr(B2 |P1 ) Pr(A3 |P1 ∩ B2 ) + Pr(P1 ) Pr(P2 |P1 ) Pr(A3 |P1 ∩ P2 ) + Pr(P1 ) Pr(A2 |P1 ) Pr(A3 |P1 ∩ A2 )] + Pr(A1 ) Pr(P2 |A1 ) Pr(A3 |A1 ∩ P2 ) + [Pr(A1 ) Pr(B2 |A1 ) Pr(A3 |A1 ∩ B2 ) + Pr(A1 ) Pr(A2 |A1 ) Pr(A3 |A1 ∩ A2 )] 3 2 4 3 5 4 3 4 3 = × × + × × + × × + 12 11 15 12 11 15 12 11 15 5 3 4 5 4 4 5 4 3 × × + × × + × × + 12 11 15 12 11 15 12 11 15 4 3 3 4 5 3 4 3 2 × × + × × + × × 12 11 15 12 11 15 12 11 15 440 2 = = 1. Podemos pensar. Dessa forma.980 9 Esse problema pode ser resolvido de forma mais simples. j´ a que s´ o estamos interessados em bola azul na terceira extra¸ c˜ ao. Veja a Figura 10.980 9 235 CEDERJ .11.

537 = 7 4 10 − x 7 6 9−x × × + × × + 10 10 10 10 10 10 3 3 10 − x 3 7 9−x × × + × × 10 10 10 10 10 10 0. 1 x = 0. S˜ ao feitas 3 extra¸ c˜ oes. 537 = 0. 4 x = 4 CEDERJ 236 0.11: Solu¸ c˜ ao alternativa do Exerc´ ıcio 9. 937 − 0. 537 = 0. Pr(V3 ) = Pr(V1 ∩ V2 ∩ V3 ) + Pr(V1 ∩ P2 ∩ V3 ) + = Pr(V1 ) × Pr(V2 |V1 ) × Pr(V3 |V1 ∩ V2 ) + Pr(P1 ∩ V2 ∩ V3 ) + Pr(P1 ∩ P2 ∩ V3 ) Pr(V1 ) × Pr(P2 |V1 ) × Pr(V3 |V1 ∩ P2 ) + Pr(P1 ) × Pr(P2 |P1 ) × Pr(V3 |P1 ∩ P2 ) Pr(P1 ) × Pr(V2 |P1 ) × Pr(V3 |P1 ∩ V2 ) + Logo.10. Queremos Pr(V3 ). 063 × (9 − x) 0 . 1x . 037 × (10 − x) + 0. Como antes. vamos denotar por Vi o evento “bola de cor vermelha na extra¸ c˜ ao i” e por Bi o evento “bola de cor branca na extra¸ c˜ ao i”.Teorema da probabilidade total e teorema de Bayes Figura 10. 11. 0.

Sabemos que Pr(I ) = Pr(C1 ∩ I ) + Pr(C2 ∩ I ) = Pr(C1 ) × Pr(I |C1 ) + Pr(C2 ) × Pr(I |C2 ) = = Pr(C1 ) × 0. i = 1. 052174 e. 2. 15 × 2p + 0. 104348 Pr(A|D3 ) = 0. 15 Pr(A) = 0. 60 Pr(I |C2 ) = 0. 15p ⇒ 0. Vamos definir os seguintes eventos: Di = “distribuidor i”. Considere os eventos I = “aluno tem boa forma¸ c˜ ao em inform´ atica” e Ci = “aluno do curso i”. 052174 = Pr(D1 ) Pr(A|D1 ) + Pr(D2 ) Pr(A|D2 ) + Pr(D3 ) Pr(A|D3 ) 13. 7p + 0. 0. 6 × Pr(C1 ) + 0. 06 1 Pr(A|D1 ) = Pr(A|D2 ) 2 Pr(A|D2 ) = 2 Pr(A|D3 ) Fazendo p = Pr(A|D1 ). Pr(A|D1 ) = 0. 70 Pr(D2 ) = Pr(D3 ) = 0. i = 1. 15p ⇒ p = 0. 4 × [1 − Pr(C1 )] 237 CEDERJ . 2. 6 + Pr(C2 ) × 0. O problema d´ a as seguintes probabilidades: Pr(I |C1 ) = 0. 3 A = “atraso” Temos que Pr(D1 ) = 0. portanto. 052174 Pr(A|D2 ) = 0. 4 = 0. Pr(A) = Pr(A ∩ D1 ) + Pr(A ∩ D2 ) + Pr(A ∩ D3 ) Logo. 40 Pr(I ) = 0. temos que Pr(A|D2 ) = 2p 1 Pr(A|D2 ) = p Pr(A|D3 ) = 2 Mas.Teorema da probabilidade total e teorema de Bayes AULA 10 12. 06 = 0. 06 = 1. 44 e pede Pr(C1 ).

2 14. 4 + 0. 06 + 0. as probabilidades de erro de cada funcion´ ario passam a ser Pr(E |F1 ) = 0. depois do treinamento. 03 Pr(E |F2 ) = Pr(E |F3 ) Logo. 06 = 0. 02 = Pr(F1 ) Pr(E |F1 ) + Pr(F2 ) Pr(E |F2 ) + Pr(F3 ) Pr(E |F3 ) ⇒ Pr(E |F1 ) = 2 Pr(E |F3 ) ou seja. 03 = 0. 5p ⇒ p = 0. Vamos indicar por Fi o evento “funcion´ ario i” e por E o evento “balancete com erro”. passamos a ter Pr(E ) = 0. 5 × 2p + 0. 08 Depois do treinamento. 0. Temos que Pr(E ) = Resulta que Pr E = 1 2 Pr H |E = 1 4 Pr H |E = 2 3 1 2 Pr (H |E ) = 3 4 Pr H |E = 1 3 CEDERJ 238 . 02 (tempo parcial) 15. temos: Pr(E ) = Pr(F1 ∩ E ) + Pr(F2 ∩ E ) + Pr(F3 ∩ E ) = Pr(F1 ) Pr(E |F1 ) + Pr(F2 ) Pr(E |F2 ) + Pr(F3 ) Pr(E |F3 ) = 0. Antes do treinamento. 44 = 0. 25 × p ⇒ 0. 2 × Pr(C1 ) = 0. 05 + 0. 03 = 1. 04 ⇒ Pr(C1 ) = 0. Sejam os eventos E = “ganhar parte el´ etrica” e H = “ganhar parte hidr´ aulica”. 25 × 0.Teorema da probabilidade total e teorema de Bayes Logo. 25 × 0. 5 × 0. 25 × p + 0. 04 (tempo integral) Pr(E |F2 ) = Pr(E |F3 ) = 0. 2 × Pr(C1 ) ⇒ 0. fazendo p = Pr(E |F3 ) Pr(E ) = Pr(F1 ∩ E ) + Pr(F2 ∩ E ) + Pr(F3 ∩ E ) 0.

Teorema da probabilidade total e teorema de Bayes AULA 10 (a) Pr (E ∩ H ) = Pr (H |E ) Pr (E ) = (b) Pr E ∩ H + Pr E ∩ H 3 1 3 × = 4 2 8 = Pr H |E × Pr E + Pr H |E × Pr (E ) = 7 1 1 1 1 = × + × = 3 2 4 2 24 2 1 1 × = 3 2 3 (c) Pr E ∩ H = Pr H |E × Pr E = 239 CEDERJ .