PE

Captulo 2
Conceicao Amado e Ana M. Pires

Departamento de Matematica Instituto Superior Tecnico
Captulo 2 - No
co
es b
asicas de probabilidade
2
2.1 Experiencias aleat
orias. Espaco de resultados. Acontecimentos. . . . . . . . . . . . . . . . . . . . . 3
2.2 Nocao de probabilidade. Interpretacoes de Laplace, frequencista e subjectivista. Axiomas e teoremas deco
13
2.3 Probabilidade condicionada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4 Teoremas da probabilidade composta e da probabilidade total. Teorema de Bayes) . . . . . 27
2.5 Acontecimentos independentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Captulo 2 - No
c
oes b
asicas de probabilidade
2.1 Experi
encias aleat
orias. Espaco de resultados. Acontecimentos
Sempre que aplicamos matem
atica a fim de estudar alguns fen
omenos de observac
ao, devemos essencialmente
comecar por construir um modelo matem
atico (determinstico ou n
ao) para esses fen
omenos. Neyman, J.
Defini
c
ao: Um modelo que estipula que as condicoes sob as quais uma experiencia e realizada
determinam o resultado dessa experiencia denomina-se modelo determinstico.
Exemplos: equac
ao do movimento uniforme: s(t) = v t; lei de Ohm: V = R I.
Defini
c
ao: Denomina-se modelo probabilstico quando a realizacao de uma dada experiencia sob
determinadas condic
oes ir
a ter varios resultados possveis, aos quais, se possvel, vamos associar
um n
umero a que chamaremos probabilidade desse acontecimento.
Exemplos: fenomenos meteorol
ogicos; euromilhoes; lancamento de uma moeda . . .
PE - Conceicao Amado/Ana M. Pires - IST
2.1 (cont.)
Defini
c
ao: Uma experiencia aleat
oria e uma experiencia que, repetida sempre nas mesmas
condicoes, n
ao produz sempre o mesmo resultado.
Caractersticas:
(i) repetibilidade;
(ii) os resultados particulares s
ao imprevisveis mas e possvel descrever o conjunto dos resultados possveis;
(iii) apesar dos resultados particulares serem imprevisveis e possvel observar um padrao de regularidade ao fim de um grande
n
umero de realizac
oes.
2.1 (cont.)
Exemplos:
jogos de azar:
lancamento de uma moeda;

lancamento de um dado;
escolha de uma carta num baralho.
energia consumida numa reaccao qumica;
durac
ao de uma chamada telefonica;
caracterstica defeituosa ou n
ao defeituosa de pecas produzidas em serie.
2.1 (cont.)
Defini
c
ao: Denomina-se por resultado possvel ou elementar a toda e qualquer informacao que
pode ser registada como resultado de uma experiencia aleatoria.
Defini
c
ao: Chama-se espaco de resultados ao conjunto de todos os resultados possveis de uma
experiencia aleat
oria.
Representa-se geralmente por ou S.
A formulac
ao de um modelo probabilstico associado a uma experiencia aleatoria inicia-se pela
definicao do espaco de resultados;
Cada resultado elementar
e representado por um e um s
o elemento de ;
Os elementos de podem ser n
umeros, atributos ou uma combinacao de elementos
quantitativos e qualitativos;
pode ser finito, infinito numer
avel ou infinito n
ao numeravel.
2.1 (cont.)
Exemplos:
Experi
encia
E1 lancamento de moeda
1 = {cara, coroa}
E2 lancamento de dado
2 = { , ,
E3 durac
ao de chamada telefonica 3 = [0, +[
E4 classificac
ao de uma peca
4 = {defeituosa, n
ao defeituosa} =
= {d, n}
E5 obs. sucessiva de pecas ate en- 5 = {d, nd, nnd, nnnd, . . .}

contrar uma defeituosa
2.1 (cont.)
Defini
c
ao: Um acontecimento e um subconjunto do espaco de resultados de uma experiencia
aleatoria.
Em geral, os acontecimentos, s
ao representados pelas primeiras letras mai
usculas do alfabeto
latino.
Alguns acontecimentos especiais. Seja = {1 , 2 , , k , } um espaco de resultados,
entao define-se acontecimento:
elementar como sendo qualquer conjunto {i }, i = 1, 2, ;

certo se contem todos os elementos de ;
impossvel se n
ao contem nenhum elemento de (conjunto ).
2.1 (cont.)
Exemplos:
E1 : A1 = {cara}
E2 : A2 = {n.o de pontos inferior a 3} = {
(definic
ao em compreens
ao) (definicao em extensao)
E3 : A3 = {durac
ao inferior a 30 unidades} = [0, 30[
E4 : A4 = {d}
Defini
c
ao: Espaco de acontecimentos de uma experiencia aleatoria, A , e o conjunto de todos os
acontecimentos definidos num espaco de resultados.
Defini
c
ao: Dada uma experiencia aleatoria, diz-se que ocorreu o acontecimento A se e s
o se ao
realizar a experiencia (uma u
nica vez) o resultado obtido e um elemento de A.
Considere-se E2 ,
se o dado for lancado e sair
se o dado for lancado e sair
pode dizer-se que ocorreu A2 ;

pode dizer-se que n
ao ocorreu A2 .
2.1 (cont.)
Mais exemplos...
E6 = Lancamento de dois dados, com faces numeradas de 1 a 6, com o objectivo de registar os
n
umeros das faces voltadas para cima.
= {( , ), ( ,
O resultado ( ,
O acontecimento
A = {( , ), ( ,
), . . . , ( , )} e o espaco de resultados e # = 36.

) e um acontecimento elementar/possvel.
A=ocorrer faces iguais e representado por
), . . . , ( , )}.
E7 = Lancamento de dois dados, com faces numeradas de 1 a 6, com o objectivo de registar a

soma dos n
umeros das faces voltadas para cima.
O espaco de resultados e = {2, 3, . . . , 12} e #() = 11.

O acontecimento A=a soma das faces ser m
ultiplo de 3 , que corresponde à ocorrencia
dos pares ( , ), ( , ), ( , ), ( , ), ( , ), ( , ), ( , ), ( , ) e representado por
A = {3, 6, 9, 12}. Se lancarmos os dados e sair ( , ) dizemos que A se realizou.
10
2.1 (cont.)
Operacoes com acontecimentos ( operacoes com conjuntos):
complementac
ao (A);
uni
ao (A B);
interseccao (A B);
diferenca (A\B)
Rever:
diagramas de Venn;
propriedades das operac

oes (comutativas, associativas, distributivas, elementos neutros,
elementos absorventes, leis de De Morgan, dupla negacao).
11
2.1 (cont.)
Defini
c
ao: Dois acontecimentos A e B dizem-se mutuamente exclusivos se n
ao puderem ocorrer
simultaneamente, ou seja, se A B = .
12
2.2 Noc
ao de probabilidade. Interpretac
oes de Laplace, frequencista e subjectivista. Axiomas e teoremas decorrentes
A probabilidade e uma medida que pretende quantificar a possibilidade de ocorrencia de cada
acontecimento.
A nocao de probabilidade e um conceito complexo, no entanto pode-se adiantar algumas das suas
interpretacoes.
Dado um acontecimento A, pertencente a um determinado , represente-se por P (A) a
probabilidade desse acontecimento se realizar, a qual e traduzida por um n
umero real no intervalo
[0, 1].
Interpreta
c
ao/defini
c
ao cl
assica ou de Laplace:
Dado um espaco de resultados com N elementos cuja ocorrencia (por questoes de
simetria/indiferenca) e igualmente possvel, a probabilidade de qualquer acontecimento A e dada
por
#A
n.o de casos favor
aveis a A
P (A) =
=
o
N
n. de casos possveis
= Rever calculo combinat
orio.
13
2.2 (cont.)
Limita
c
ao
A definicao cl
assica n
ao pode ser aplicada quando:
o espaco de resultados tem um n

umero infinito de elementos;
os elementos n
ao s
ao igualmente possveis.
= S
ao necessarias outras interpretac
oes de probabilidade!
Defini
c
ao: Dada uma experiencia aleatoria que se realizou n vezes, e
um acontecimento A, chama-se frequencia relativa do acontecimento A,
ao quociente
n(A)
fn (A) =
n
onde n(A) representa o n
umero de vezes que se observou o acontecimento
A (ou seja, e a frequencia absoluta de A).
14
2.2 (cont.)
Exemplo: Imagine-se uma experiencia aleatoria s
o com dois resultados possveis mas que n
ao
sejam necessariamente igualmente possveis. Pode ser o caso do lancamento de uma moeda em
que n
ao se tem a certeza de que a moeda e equilibrada ou a experiencia E4 da Seccao 2.1
(classificacao de pecas em defeituosas ou n
ao defeituosas).
Repetindo a experiencia um n
umero muito elevado de vezes observa-se que a frequencia relativa
dos acontecimentos elementares (que s
ao s
o dois, neste caso), tende a estabilizar à medida que o
n
umero de repetic
oes cresce (embora a sequencia particular de valores seja imprevisvel).
15
0.0
0.2
0.4
fn(A)
0.6
0.8
1.0
Exemplo (cont.): O gr
afico seguinte mostra 10 sequencias de frequencias
relativas (fictcias) cada uma correspondendo a 3000 realizacoes de uma
experiencia aleat
oria com o verdadeiro valor de P (A) = 0.2. a
500
1000
1500
2000
2500
3000
Simulac
ao com n
umeros pseudo-aleat
orios. C
odigo na Nota 1.
16
2.2 (cont.)
Interpreta
c
ao/defini
c
ao frequencista:
A probabilidade do acontecimento A, P (A), e o limite para o qual tende a frequencia relativa,
fn (A), quando n .
Limita
c
ao: A definic
ao frequencista n
ao pode ser aplicada quando
n
ao e possvel repetir a experiencia um n
umero muito elevado de vezes;
n
ao e possvel repetir a experiencia exactamente nas mesmas condicoes.
Exemplo:
Qual a probabilidade de ganhar o Totobola com uma u
nica aposta?
Ha 313 = 1594323 casos possveis, mas n
ao s
ao igualmente possveis! Inviabiliza a
interpretac
ao de Laplace
Os jogos entre as mesmas equipas n
ao correspondem a repeticoes nas mesmas condicoes do
pr
oximo jogo, nem s
ao em n
umero suficientemente elevado! Inviabiliza a interpretacao
frequencista
= S
ao necessarias outras interpretacoes de probabilidade!
17
2.2 (cont.)
Interpreta
c
ao/defini
c
ao subjectivista ou subjectiva:
Admite-se que cada pessoa pode atribuir a cada acontecimento um n
umero a que chama
probabilidade do acontecimento e que expressa o seu grau de credibilidade pessoal em
relacao à ocorrencia do acontecimento.
A probabilidade subjectiva de um dado acontecimento pode variar de indivduo para indivduo,
mas deve ser coerente para o mesmo indivduo.
A coerencia e garantida pela defini
c
ao axiom
atica.
Os axiomas s
ao inspirados em propriedades verificadas pelas interpretacoes anteriores (classica
e frequencista) e a sua verificac
ao e exigida no caso da interpretacao sujectivista;
Consoante a situac
ao, e razo
avel admitir qualquer uma das interpretacoes.
18
2.2 (cont.)
Defini
c
ao axiom
atica (axiom
atica de Kolmogorov):
As probabilidades dos acontecimentos pertencentes ao conjunto dos acontecimentos definidos em
, designado por A (ver Obs. 1), e um n
umero satisfazendo os tres Axiomas seguintes:
Axioma 1 (n
ao negatividade) P (A) 0,
A A
Axioma 2 (normaliza
c
ao)
P () = 1
S+ P+
Axioma 3 (sigma-aditividade) P
i=1 Ai =
i=1 P (Ai ),
(ver Obs. 2)
A1 ,A2 ,...A : Ai Aj =, (i6=j)
Detalhes tecnicos:
Obs. 1
Se for discreto A pode conter todos os subconjuntos de , caso contr

ario e necess
ario impor restric
oes;
Obs. 2 Para mais detalhes sobre sigma-aditividade ver, por exemplo, Bauer, H. (2001), Measure and Integration
Theory, Berlin: de Gruyter
19
2.2 (cont.)
Teoremas (Resultados) decorrentes dos Axiomas:
Os axiomas permitem estabelecer um conjunto de resultados para determinar probabilidades de
acontecimentos resultantes de operac
oes entre acontecimentos (mas e sempre necessaria uma
base de partida, obtida atraves de uma das interpretacoes anteriores).
Resultado 1:
P (A) = 1 P (A)
Demonstracao:
A A = ,
AA=
pelo Axioma 3, P () = P (A A) = P (A) + P (A)

pelo Axioma 2, P () = 1
Resultado 2:
P (A) + P (A) = 1
P () = 0
Demonstracao: consequencia do Resultado 1 e do Axioma 1, pois =

20
10
2.2 (cont.)
Resultado 3:
Se A B ent
ao P (A) P (B)
Demonstracao: Se A B, pode escrever-se

B = A (B\A) e
A (B\A) =
pelo Axioma 3, P (B) = P (A) + P (B\A)
pelo Axioma 2, P (B\A) 0
logo P (B) P (A)
B
A
Obs.: Notar que para A e B genericos (isto e, A n

ao necessariamente contido em B), se tem
P (B\A) = P (B) P (A B)
(Exerccio: demonstrar!)
21
2.2 (cont.)
Resultado 4:
A,B
P (A B) = P (A) + P (B) P (A B)
Demonstracao: Pode escrever-se
A B = A B\A e como A B\A =
Usando:
B
A\BA BB\A
Axioma 3: P (A B) = P (A) + P (B\A)

Resultado anterior: P (B\A) = P (B) P (A B)
logo d
a o resultado pretendido, pois
P (A B) = P (A) + P (B\A) = P (A) + P (B) P (A B).
22
11
2.2 (cont.)
Resultado 5: dados tres acontecimentos A, B e C, quaisquer
P (A B C) = P (A) + P (B) + P (C)
P (A B) P (A C) P (B C) +
+P (A B C)
Demonstracao: Escrever A B C = (A B) C e aplicar o resultado anterior.
Resultado 6: Dados k acontecimentos, A1 , A2 , . . . , Ak , quaisquer
!
k
k
k
X
X
[
P (Ai Aj ) +
P (Ai )
Ai =
P (A1 Ak ) = P
i=1
i=1
k+1
+ (1)
i<j=1
P (A1 Ak )
Demonstracao: Faz-se por induc

ao, aplicando o Resultado 4.
23
2.3 Probabilidade condicionada

C
alculo de probabilidades quando h
a alguma informacao adicional sobre o resultado de uma
experiencia.
importante porque em muitos casos e mais facil calcular probabilidades condicionadas do que
E
n
ao condicionadas
Exemplo: Considere-se o lancamento de um dado equilibrado com 6 faces ( = {1, 2, 3, 4, 5, 6}),
e os acontecimentos
A - sai a face 2,
A = {2}
B - sai a face 1,
B = {1}
C - sai face com n

umero 2,
C = {1, 2}
dado equilibrado P (A) = P (B) = 16 , P (C) = 13 .

Informacao adicional: saiu face par (acontecimento D)
D = {2, 4, 6}
espaco de resultados reduzido
24
12
2.3 (cont.)
Exemplo (cont.):
As probabilidades dos acontecimentos A, B e C, s
ao alteradas em face da informacao adicional de
que ocorreu o acontecimento D!
Nota
c
ao: representa-se por P (A|D) a probabilidade de A ocorrer sabendo que D ocorreu (pode
ler-se probabilidade condicionada de A dado D).
simples verificar que
E
no espaco reduzido (D)
no espaco original ()
P (A|D) = 31
P (A D)
P (D)
P (B D)
=
P (D)
P (C D)
=
P (D)
=
P (B|D) = 0
P (C|D) = 13
25
2.3 (cont.)
Defini
c
ao: A probabilidade condicionada do acontecimento A sabendo que ocorreu B (tal que
P (B) > 0) e
P (A B)
P (A|B) =
P (B)
A probabilidade condicionada (sendo fixo o acontecimento condicionante, D, com P (D) > 0) e
uma nova medida de probabilidade que verifica os Axiomas e os Resultados decorrentes destes.
A1. P (A|D) 0
A2. P (|D) = 1
P+
S+
A3. P
i=1 Ai |D =
i=1 P (Ai |D), A1 ,A2 ,...A : Ai Aj =, (i6=j)
R1. P (A|D) = 1 P (A|D)
R4. P (A B|D) = P (A|D) + P (B|D) P (A B|D)

etc.
26
13
2.4 Teoremas da probabilidade composta e da probabilidade total. Teorema de

Bayes)
Muitas vezes P (A|B) e conhecida ou facil de obter recorrendo ao espaco de resultados reduzido e
a definicao de probabilidade condicionada tem tambem grande aplicacao no calculo de
probabilidades de intersecc
oes, como e facil de verificar se observarmos que:
Lei das probabilidades compostas

(ou regra da multiplicac
ao)
dados 2 acontecimentos tais que P (A) > 0 e P (B) > 0
P (A B) = P (B)P (A|B) = P (A)P (B|A)
27
2.4 (cont.)
Estas relacoes podem ser generalizadas e apresentadas no teorema seguinte.
Lei das probabilidades compostas (geral)

n1
dados n acontecimentos tais que P (i=1
Ai ) > 0
P (A1 A2 An ) = P (A1 )P (A2 |A1 )P (A3 |A1 A2 )

P (An |A1 A2 An1 )
28
14
2.4 (cont.)
A1
A2
D
A3
A4
Defini
c
ao: Os subconjuntos n
ao vazios A1 , A2 , . . . , Am formam uma particao de se
A1 A2 Am =
Ai Aj = , i6=j=1,...m
(ou seja s
ao exaustivos e mutuamente exclusivos)
29
2.4 (cont.)
Teorema da probabilidade total
Se A1 , A2 , . . . , Am e uma partic
ao de tal que P (Ai ) > 0, i , entao
P (B) = P (B|A1 )P (A1 ) + + P (B|Am )P (Am )
Teorema de Bayes
Se A1 , A2 , . . . , Am e uma partic
ao de tal que P (Ai ) > 0, i , entao para qualquer acontecimento
B tal que P (B) > 0
P (Ai |B) =
P (B|Ai )P (Ai )
P (B|Ai )P (Ai )
=
P (B)
P (B|A1 )P (A1 ) + + P (B|Am )P (Am )
Exerccio (aula)
30
15
2.5 Acontecimentos independentes

Defini
c
ao: Dois acontecimentos A e B s
ao independentes (A
B) se e s
o se
P (A B) = P (A)P (B).
Observa
co
es:
Esta definic
ao e sempre valida.
Se A e tal que P (A) = 0, ent

ao A e independente de qualquer outro acontecimento;
Todo o acontecimento A e independente dos acontecimentos e de .
se P (A) > 0 e P (B) > 0 e A B = (A e B mutuamente exclusivos), entao A e B n

ao s
ao
independentes;
Se A
B ent
ao P (A|B) = P (A) e P (B|A) = P (B), para A e B tais que P (A) > 0 e
P (B) > 0.
Se A
B ent
ao A
B, A
B eA
B.
Exerccio: demonstrar as afirmac

oes anteriores.
31
2.5 (cont.)
Independ
encia de mais do que dois acontecimentos
Defini
c
ao: A1 , A2 , . . . , An s
ao acontecimentos mutuamente ou completamente independentes se
para qualquer n
umero inteiro 2 r n e qualquer grupo de r acontecimentos
Ai1 , Ai2 , . . . , Air
P (Ai1 Ai2 Air ) = P (Ai1 )P (Ai2 ) P (Air )
Por exemplo:
A, B e C s
ao (mutuamente) independentes se
P (A B C) = P (A)P (B)P (C)
P (A B) = P (A)P (B)
P (A C) = P (A)P (C)
P (B C) = P (B)P (C)
32
16
2.5 (cont.)
Defini
c
ao: Dois acontecimentos s
ao A e B s
ao condicionalmente independentes em relacao a um
acontecimento C se
P (A B|C) = P (A|C)P (B|C)
Observar que:
Independencia entre A, B e C implica independencia condicional mas n
ao o contr
ario, i.e, a
independencia condicional n
ao implica a independencia no sentido corrente, a n
ao ser quando
C = .
Exerccios (na aula)
33
17

PE

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

PE

Enviado por

Direitos autorais:

Formatos disponíveis

Captulo 2

Conceicao Amado e Ana M. Pires

lancamento de uma moeda;

energia consumida numa reaccao qumica;

PE - Conceicao Amado/Ana M. Pires - IST

PE - Conceicao Amado/Ana M. Pires - IST

E5 obs. sucessiva de pecas ate en- 5 = {d, nd, nnd, nnnd, . . .}

elementar como sendo qualquer conjunto {i }, i = 1, 2, ;

PE - Conceicao Amado/Ana M. Pires - IST

pode dizer-se que ocorreu A2 ;

PE - Conceicao Amado/Ana M. Pires - IST

), . . . , ( , )} e o espaco de resultados e # = 36.

E7 = Lancamento de dois dados, com faces numeradas de 1 a 6, com o objectivo de registar a

O espaco de resultados e = {2, 3, . . . , 12} e #() = 11.

PE - Conceicao Amado/Ana M. Pires - IST

propriedades das operac

PE - Conceicao Amado/Ana M. Pires - IST

PE - Conceicao Amado/Ana M. Pires - IST

o espaco de resultados tem um n

PE - Conceicao Amado/Ana M. Pires - IST

PE - Conceicao Amado/Ana M. Pires - IST

A1 ,A2 ,...A : Ai Aj =, (i6=j)

Se for discreto A pode conter todos os subconjuntos de , caso contr

PE - Conceicao Amado/Ana M. Pires - IST

pelo Axioma 3, P () = P (A A) = P (A) + P (A)

Demonstracao: consequencia do Resultado 1 e do Axioma 1, pois =

Demonstracao: Se A B, pode escrever-se

Obs.: Notar que para A e B genericos (isto e, A n

Demonstracao: Pode escrever-se

A B = A B\A e como A B\A =

Axioma 3: P (A B) = P (A) + P (B\A)

Demonstracao: Faz-se por induc

2.3 Probabilidade condicionada

C - sai face com n

dado equilibrado P (A) = P (B) = 16 , P (C) = 13 .

espaco de resultados reduzido

PE - Conceicao Amado/Ana M. Pires - IST

R4. P (A B|D) = P (A|D) + P (B|D) P (A B|D)

2.4 Teoremas da probabilidade composta e da probabilidade total. Teorema de

Lei das probabilidades compostas

PE - Conceicao Amado/Ana M. Pires - IST

Lei das probabilidades compostas (geral)

P (A1 A2 An ) = P (A1 )P (A2 |A1 )P (A3 |A1 A2 )

2.5 Acontecimentos independentes

Se A e tal que P (A) = 0, ent

Todo o acontecimento A e independente dos acontecimentos e de .

se P (A) > 0 e P (B) > 0 e A B = (A e B mutuamente exclusivos), entao A e B n

Exerccio: demonstrar as afirmac

Você também pode gostar