CÁLCULO

DE
PROBABILIDADE 2

AULA 4: PARTE 1

Profª Cátia R. Gonçalves

MAT/UnB

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 4: Parte 1 1/8

 (C) Distribuição Condicional de X dado Y =y

(C.3) Regra de Bayes

Outros Casos:

Existem situações em que estamos interessados simultaneamente em

v.a.'s discretas e contínuas.
Nesses casos, podemos usar a Regra de Bayes modicada de maneira
adequada.

Exemplo. Suponha que estamos interessados no número de acidentes

automobilísticos em que se envolve um motorista de uma certa
população, durante um determinado período de tempo.
A taxa de ocorrência de acidentes varia de acordo com o motorista.

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 4: Parte 1 2/8

 Sejam as v.a.'s

I Y = número de acidentes em que se envolve um motorista

I Λ= taxa de ocorrência de acidentes do motorista

Suponha que
I Λ ∼ Gama(α, β), ou seja,

β α λα−1 e −βλ

, λ>0


F fΛ (λ) = Γ(α)

,

0 caso contrário.

I Escolhendo ao acaso um motorista da população, então para cada

λ > 0, o número de acidentes em que se envolve o motorista tem

distribuição condicional Poisson (λ), ou seja,
 −λ y
 e λ

, y ∈ {0, 1, 2, . . .}
F pY |Λ (y | λ) = y!

,

0 caso contrário,

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 4: Parte 1 3/8

 Neste caso: Λ é contínua e Y é discreta!!

Assim,
pY |Λ (y | λ) = P(Y = y | Λ = λ), é apenas uma notação!!!!

Pois, neste caso, como Λ é v.a. contínua, temos

P(Λ = λ) = 0, ∀ λ ∈ R,

Queremos determinar a distribuição condicional de Λ dado Y = y .

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 4: Parte 1 4/8

 Motivados pelo exemplo, consideremos a situação geral:

I X e Y v.a.'s denidas no mesmo espaço de probabilidade

F X v.a. contínua com densidade fX (x)

F Y v.a. discreta tal que: para cada x para o qual fX (x) > 0,
a função de probabilidade de Y dado X = x é pY |X (y | x)

Queremos obter a distribuição condicional de X dado Y = y .

Para isso, vamos deduzir uma versão modicada da Fórmula de Bayes.

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 4: Parte 1 5/8

 Para y tal que pY (y ) = P(Y = y ) > 0, pela denição de
probabilidade condicional:

P({X ≤ x} ∩ {Y = y })
FX |Y (x | y ) = P(X ≤ x | Y = y ) = . (1)
P(Y = y )

Provaremos posteriormente, (propriedades de esperança condicional),

Z
I P({X ∈ A} ∩ {Y = y }) = P(Y = y | X = x) fX (x) dx, ∀ A ∈ B(R)
A

Usando este fato, obtemos

Z x
(i) P({X ≤ x} ∩ {Y = y }) = P(Y = y | X = u) fX (u) du
−∞
Z ∞
(ii) P(Y = y ) = P(Y = y | X = x) fX (x) dx
−∞

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 4: Parte 1 6/8

 Então, substituindo (i) e (ii) em (1), obtemos

I Para cada y tal que pY (y ) = P(Y = y ) > 0:

Z x
P(Y = y | X = u) fX (u) du
FX |Y (x | y ) = Z−∞
∞ , ∀x ∈ R
P(Y = y | X = x) fX (x) dx
−∞

Logo,

I Para cada y tal que pY (y ) = P(Y = y ) > 0:

x
pY |X (y | u) fX (u)
Z
FX |Y (x | y ) = R
∞
 du, ∀ x ∈ R.
−∞
−∞
pY |X (y | x) fX (x) dx

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 4: Parte 1 7/8

 Portanto, temos

I densidade condicional de X dado Y =y

Para cada y tal que pY (y ) > 0

pY |X (y | x) fX (x)
fX |Y (x | y ) = R ∞ , ∀ x t.q. fX (x) > 0. (2)

−∞
pY |X (y | x) fX (x) dx

I (2) é a versão da Regra de Bayes para este caso.

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 4: Parte 1 8/8

 CÁLCULO
DE
PROBABILIDADE 2

AULA 4: PARTE 2

Profª Cátia R. Gonçalves

MAT/UnB

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 4: Parte 2 1/6

 Exemplo. Voltando ao exemplo inicial:

I Y = número de acidentes automobilísticos em que se envolve um

motorista

I Λ= taxa de ocorrência de acidentes do motorista

Pelas hipóteses, temos

α α−1 −βλ

 β λ
 e
, λ>0
I fΛ (λ) = Γ(α)

0 , caso contrário.


I Para cada λ > 0,

 −λ y
 e λ

, y ∈ {0, 1, 2, . . .}
pY |Λ (y | λ) = y!

0 , caso contrário,

X

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 4: Parte 2 2/6

 Queremos determinar a densidade condicional fΛ|Y (λ | y)

Para isso, utilizamos a Regra de Bayes dada em (2), ou seja,

I Para cada y tal que pY (y ) > 0
pY |Λ (y | λ) fλ (λ)
fΛ|Y (λ | y ) = Z ∞ , ∀ λ t.q. fΛ (λ) > 0. (3)
pY |Λ (y | λ) fΛ (λ) dλ
−∞
| {z }
pY (y )

Primeiramente, para cada y ∈ {0, 1, · · · },

Z ∞
pY (y ) = P(Y = y ) = pY |Λ (y | λ) fΛ (λ) dλ
−∞
∞
e −λ λy β α λα−1 −βλ
Z
= e dλ
0 y! Γ(α)
Z ∞
βα
= λy +α−1 e −(β+1)λ dλ
Γ(α)y ! 0
βα Γ(y + α)
=
Γ(α)y ! (β + 1)y +α
Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 4: Parte 2 3/6
 Assim, substituindo em (3), obtemos

Para cada y ∈ {0, 1, 2, . . .}

I se λ > 0, então

e −λ λy β α λα−1 −βλ
e
y! Γ(α)
fΛ|Y (λ | y ) =
βα Γ(y + α)
Γ(α)y ! (β + 1)y +α

(β + 1)y +α y +α−1 −(β+1)λ

= λ e .
Γ(y + α)

Note que :

I λ ≤ 0 =⇒ fΛ (λ) = 0 =⇒ fΛ|Y (λ | y ) = 0.

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 4: Parte 2 4/6

 Portanto,

I densidade condicional de Λ dado Y = y:

I Para cada y ∈ {0, 1, 2, · · · }

y +α

 (β + 1)

λy +α−1 e −(β+1)λ , λ>0
fΛ|Y (λ | y ) = Γ(y + α)

0 , λ ≤ 0,


ou seja, é a densidade Gama (α + y , β + 1)

X

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 4: Parte 2 5/6

 De maneira análoga, se tivermos

I X v.a. discreta com função de probabilidade pX (x)

I Y v.a. contínua tal que: para cada x para o qual pX (x) > 0
a densidade de Y dado X =x é fY |X (y | x)

podemos obter:

I Regra de Bayes:

Para cada y tal que fY (y ) > 0, temos

fY |X (y | x) pX (x)
pX |Y (x | y ) = X ∀x t.q. pX (x) > 0 (4)
fY |X (y | x) pX (x) ,
x
| {z }
fY (y )

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 4: Parte 2 6/6