1

1. Significado da Probabilidade
Objeto de estudo:
Fenmenos aleatrios (experimentos) que apresentam
diferentes resultados quando repetidos.
Resultados apresentam um padro .
Realizao de um experimento
Eventos elementares incertos:
Probabilidade do evento :
um nmero no negativo designado de diferentes maneiras
i

TEORIA DA PROBABILIDADE
i
) (
i
P
2
Definio clssica de Laplace: A probabilidade de um
evento A definida a priori sem experimentao como
dado que todos os resultados so igualmente provveis.
EXEMPLO: Considere uma caixa com n bolas brancas e m
bolas vernelhas.
Eventos elementares: bola branca, bola vermelha
Probabilidade de selecionar uma bola branca
,
resultados possveis de total Nmero
a favorveis resultados de Nmero
) (
A
A P =
.
m n
n
+
=
(1-1)
3
EXEMPLO:
Usando a definio clssica, determine a probabilidade de
um dado nmero ser divisvel por um primo p.
Se p um nmero primo, ento cada nmero
(comeando a partir de p) divisvel por p.
Entre p consecutivos inteiros existe um resultado
favorvel, e portanto
n
p
( )
p
p primo um por divisvel nmero um P
1
= (1-2)
4
Definio de Freqncia Relativa: A probabilidade de
um evento A definida como
n
A
: nmero de ocorrncias de A
n : nmero de experimentos
Pode-se usar a definio de freqncia relativa para
derivar (1-2).
n
n
A P
A
n
lim ) (

= (1-3)
5
Entre os inteiros os nmeros
so divisveis por p.
Existem n/p nmeros entre 1 e n.
A abordagem axiomtica devido a Kolmogorov,
depende de um conjunto de axiomas sendo superior
s definies (1-1) e (1-3).
(1-4)
(1-6)
(1-5)
1, 2, 3, , , n L
2 , , p p L
{ }
/
1
.

lim
n
n p
n
p
P a given number N is divisible by a prime p

= =
{ }
1
. P pq divides any given number N
pq
=
{ }
2
2
1
P p divides any given number N
p
=
6
O total de todos conhecidos a priori, constitue um
conjunto , o conjunto de todos os resultados
experimentais.
tem subconjuntos
NOTA:
Se A um subconjunto de , ento e
Subconjuntos gerados de A and B:
,
i

{ } L L , , , ,
2 1 k
=
(1-7)
A .
. , , , L C B A
(1-8)
{ }
{ } B A B A
B A B A
=
=


e |
ou |
{ } A A = |
7
A B
B A
A B A
B A
A
Se o conjunto vazio, ento A e B so
chamados mutuamente exclusivos (M.E).
Uma partio de uma coleo de subconjuntos
de mutuamente exclusivos tal que sua unio .
, = B A
. e ,
1
= =
=
U
i
i j i
A A A
B A
= B A
1
A
2
A
n
A
i
A
A
(1-9)
j
A
Fig. 1.2
Fig.1.1
8
Leis Morgan:
B A B A B A B A = = ;
A B
B A
A B
B A
A B
B A
A B
Frequentemente significativo falar sobre pelo menos um
dos subconjntos de como evento, para o qual deve-se
calcular sua probabilidade.
Fig.1.3
(1-10)
9
{ }. , , ,
4 3 2 1
=
) , ( ), , ( ), , ( ), , (
4 3 2 1
T T H T T H H H = = = =
O subconjunto , CARA ocorreu
pelo menos uma vez, tambm um evento.
Suponha que dois subconjuntos A e B so ambos
eventos, ento
tambm so qualificados como eventos.
{ } , ,
3 2 1
= A
Exemplo: Considere o experimento onde duas moedas
so simultaneamente lanadas. Os vrios eventos elementares
so
, , , , B A B A B A
10
Campo: Uma coleo de subconjuntos de um conjunto no
vazio forma um campo F se
Usando (i) - (iii), fcil mostrar que etc.,
tambm pertence a F. Por exemplo, de
(ii) temos e usando
(iii) implica aplicando
(ii) novamente, obtemos onde usamos
o teorema de De Morgan (1-10).
. ento , e Se (iii)
ento , Se (ii)
(i)
F B A F B F A
F A F A
F



, , B A B A
, , F B F A
; F B A
, F B A B A =
(1-11)
11
Ento se teremos
NOTA: O termo evento ser reservado apenas para
membros de F.
Assumindo que a probabilidade dos
resultados elementares of so a priori definidos,
como podemos designar probabilidades para eventos
mais complicados como os eventos A, B, AB, etc., acima?
R: TRS AXIOMAS DA PROBABILIDADE.
, , F B F A
{ }. , , , , , , , , L B A B A B A B A B A F =
) (
i i
P p =
i

(1-12)
12
2. Axiomas da Probabilidade
Para qualquer evento A, designamos um nmero P(A),
chamado probabilidade do evento A.
Este nmero satisfaz trs condies: os axioma da
probabilidade.
(Nota: (iii) afirma que se A e B so eventos mutuamente
exclusivos (M.E.) , a probabilidade da unio
a soma da suas probabilidades.)
). ( ) ( ) ( ento , Se (iii)
unitrio) conjunto o todo de (Probab. 1 ) ( (ii)
negativo) no nmero um (Probab. 0 ) ( (i)
B P A P B A P B A
P
A P
+ = =
=

(1-13)
13
PROPRIEDADES:
a. Como usando (ii) temos
Mas e usando (iii),
b. Para qualquer A,
Logo segue que
Mas ento
c. Suponha A e B no sejam M.E.?
Como calcular
, = A A
. 1 ) ( ) P( = = P A A
{ }, = A A
). ( 1 ) P( ou 1 ) P( ) ( ) P( A P A A A P A A = = + = (1-14)
{ } { }. = A
{ } ( ) . ) ( ) ( P A P A P + =
{ } , A A = { } . 0 = P
(1-15)
? ) ( = B A P
14
Escrever em termos de conjuntos M..E.
Da Fig.1.4 temos
A e so eventos M.E.
Do axioma (1-13-iii)
Clculo de
Pois e so eventos M.E.
B A
, B A A B A = (1-16)
). ( ) ( ) ( ) ( B A P A P B A A P B A P + = =
), ( B A P
A B BA A B A B
A A B B B
= =
= =
) ( ) (
) (
), ( ) ( ) ( A B P BA P B P + =
AB BA = B A A B =
B A
(1-17)
(1-18)
(1-19)
A
B A
B A
Fig.1.4
15
EXEMPLO: No experimento do lanamento de uma
moeda, onde a mesma moeda lanada indefinidamente,
define-se
A = cara aparece eventualmente
A um evento? (Experincia intuitiva).
Seja
{ }
} , , , , , {
lanamento nsimo - e no vez 1 pela aparece cara
1
a
h t t t t
A
n
n
43 42 1
L

=
=
. =
j i
A A
.
3 2 1
L L =
i
A A A A A
(1-20)
16
Campo- (Definio):
Um campo F um campo- se alm das trs condies em
(1-11), temos as seguintes:
Para toda seqncia de um par de
eventos disjuntos pertencentes a F, sua unio tambm
pertence a F, i.e.,
, 1 , = i A
i
.
1
F A A
i
i
=

=
U
(1-21)
17
Axioma:
(iv) Se A
i
so pares M.E, ento
Exemplo da moeda
A experincia intuitiva diz que se mantivermos os
lanamentos da moeda, eventualmente, uma cara deve
aparecer, i.e,
Mas e usando o quarto axioma,
). (
1 1

=
=

n
n
n
n
A P A P
U
. 1 ) ( = A P
U

=
=
1
,
n
n
A A
). ( ) (
1 1

=
=

=
n
n
n
n
A P A P A P
U
(1-22)
(1-24)
(1-23)
18
De (1-20), para uma moeda no viciada desde que so
somente um em 2
n
resultados a favor de A
n
, ento
o que concorda com (1-23), ento justificando a
rasoabilidade do quarto axioma em (1-22).
RESUMO: (, F, P) composto de um conj. de eventos
elementares, um campo- F de subconj. de , e uma
medida de probabilidade P sobre os conj. F sujeitos aos
quatro axiomas ((1-13) e (1-22)) formam um modelo de
probabilidade.
NOTA: A probabilidade de eventos mais complicados deve
ser obtida a partir deste framework por deduo.
, 1
2
1
) ( e
2
1
) (
1 1
= = =


=

= n
n
n
n
n
n
A P A P
(1-25)
19
Probabilidade Condicional e Independncia
N experimentos independentes: N
A
, N
B
, N
AB
(nmero de vezes em que eventos A, B e AB ocorrem)
De acordo com a interpretao de freqncia relativa,
para N grande
Entre as N
A
ocorrncias de A, somente N
AB
ocorrncias
de A so tambm encontradas entre as N
B
ocorrncias
de B.
. ) ( , ) ( , ) (
N
N
AB P
N
N
B P
N
N
A P
AB B A

(1-26)
) (
) (
/
/
B P
AB P
N N
N N
N
N
B
AB
B
AB
= =
(1-27)
20
A razo (1-27) uma medida do evento A dado que B
ocorreu.
P(A|B) = Probabilidade do evento A dado
que B ocorreu.
,
) (
) (
) | (
B P
AB P
B A P =
. 0 ) ( B P
(1-28)
21
Verificao:
(i)
(ii) pois B = B.
(iii) Suponha Ento
Mas logo
OBS: Axiomas em (1-13) so satisfeitos. Portanto,
(1-28) define uma medida legtima de probab.
, 0
0 ) (
0 ) (
) | (
>

=
B P
AB P
B A P
.
) (
) (
) (
) ) ((
) | (
B P
CB AB P
B P
B C A P
B C A P

=

=
, 1
) (
) (
) (
) (
) | ( = =

=
B P
B P
B P
B P
B P
), | ( ) | (
) (
) (
) (
) (
) | ( B C P B A P
B P
CB P
B P
AB P
B C A P + = + =
. = C A
, = AC AB
). ( ) ( ) ( CB P AB P CB AB P + =
(1-32)
(1-30)
(1-29)
(1-31)
22
Propriedades da Probabilidade Condicional:
(a) Se e
pois se ento a ocorrncia de B implica na
ocorrncia automatica do evento A. Exemplo:
Em um lanamento de um dado. Ento e
(b) Se
, , B AB A B =
1
) (
) (
) (
) (
) | ( = = =
B P
B P
B P
AB P
B A P
(1-33)
, A B
). (
) (
) (
) (
) (
) | ( A P
B P
A P
B P
AB P
B A P > = =
, , A AB B A =
(1-34)
, A B . 1 ) | ( = B A P
{ } { } 2 ; resultado B par resultado A = =
23
Exemplo: Em um lanamento de um dado
Neste caso,
Resultado
{ } { } par resultado B resultado A = = ; 2
. B A
{ } { }? 2 / 2 P par resultado P >
( )
3
1
6
3
6
1
) (
) (
/ = = = =
N
N
N
N
B P
AB P
B A P
B
AB
( )
6
1
= =
N
N
A P
A
24
(c) Probabilidade condicional usada para expressar a
probabilidade de eventos mais complexos em termos de
eventos mais simples.
Seja Let eventos disjuntos e a unio
destes. Ento:
.
1
=
=
U
n
i
i
A
n
A A A , , ,
2 1
L
, =
j i
A A
. ) (
2 1 2 1 n n
BA BA BA A A A B B = = L L
(1-35)
(1-36)
, = =
j i j i
BA BA A A

= =
= =
n
i
i i
n
i
i
A P A B P BA P B P
1 1
). ( ) | ( ) ( ) (
(1-38)
25
Definio de independncia de eventos a partir da noo
de probabilidade condicional:
Independncia: A e B so ditos eventos independentes, se
Suponha que A e B so independentes, ento
). ( ) ( ) ( B P A P AB P = (1-39)
). (
) (
) ( ) (
) (
) (
) | ( A P
B P
B P A P
B P
AB P
B A P = = =
(1-40)
26
Teorema de Bayes
). ( ) | ( ) ( B P B A P AB P =
,
) (
) (
) (
) (
) | (
A P
AB P
A P
BA P
A B P = =
). ( ) | ( ) ( A P A B P AB P =
). ( ) | ( ) ( ) | ( A P A B P B P B A P =
) (
) (
) | (
) | ( A P
B P
A B P
B A P =
(1-41)
27
Interpretao do Teorema de Bayes:
P(A) representa a probabilidade a priori do evento A.
Suponha que B ocorreu e considere que A e B no so
independentes.
Como esta informao pode ser usada para atualizar o
nosso conhecimento sobre A?
A regra de Bayes em (1-41) leva em conta a nova
informao (B ocorreu) e fornece a probabilidade a
posteriori A dado B.
) (
) (
) | (
) | ( A P
B P
A B P
B A P =
28
Tambm podemos ver o evento B como um novo
conhecimento obtido de um experiemneto recente.
Sabemos algo sobre A, como P(A). A nova informao
est disponvel em termos de B. A nova informao deveria
ser usada para melhorar o conhecimento/entendimento A.
O teorema de Bayes d o mecanismo exato para o
incorporao da tal nova informao.
) (
) (
) | (
) | ( A P
B P
A B P
B A P =
29
Teorema de Bayes involvendo partio de . De (1-41)
representa um conjunto de eventos M.E. com
probabilidades a priori associadas
Com a nova informao B ocorreu, a informao sobre
A
i
pode ser atualizada pelas n probabilidades condicionais
,
) ( ) | (
) ( ) | (
) (
) ( ) | (
) | (
1

=
= =
n
i
i i
i i i i
i
A P A B P
A P A B P
B P
A P A B P
B A P (1-42)
, 1 , n i A
i
=
n i A B P
i
= 1 ), | (
. 1 ), ( n i A P
i
=