CÁLCULO

DE
PROBABILIDADE 2

AULA 3 : PARTE 1

Profª Cátia R. Gonçalves

MAT/UnB

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

 (C) Distribuição Condicional de X dado Y =y

(C.3) Regra de Bayes

Vimos em CP1:
I Regra de Bayes: Considere (Ω, A, P) um espaço de probabilidade.

Seja {Ai , i = 1, 2, . . .} ⊂ A uma partição de Ω, ou seja,

∞
S
Ai ∈ A, ∀ i, Ai ∩ Aj = ∅, i 6= j, Ai = Ω,
i=1

e suponha que P(Ai ) > 0, ∀ i = 1, 2, . . ..

Se B∈A e P(B) > 0, então

P(B | Ai )P(Ai )
P(Ai | B) = ∞ , ∀ i = 1, 2, . . . . (1)
X
P(Aj )P(B | Aj )
j=1

Vamos obter versões da Regra de Bayes para as distribuições

condicionais de X dado Y = y .
Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 3 : Parte 1 2/4
 Caso Discreto: Sejam X e Y v.a.'s discretas denidas em (Ω, A, P).

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

aplicando diretamente a Regra de Bayes (1) , com Ai = {X = xi },
onde {xi }i≥1 , são os valores possíveis de X (⇒ pX (xi ) > 0),
obtemos: para todo i = 1, 2, . . .
pX |Y (xi | y ) = P(X = xi | Y = y )
(1) P(Y = y | X = xi )P(X = xi )
= ∞
X
P(X = xj )P(Y = y | X = xj )
j=1

pY |X (y | xi )pX (xi )
= ∞ .
X
pX (xj )pY |X (y | xj )
j=1

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

 Portanto, se X e Y são v.a.'s discretas denidas em (Ω, A, P), temos

I Regra de Bayes:

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

pY |X (y | x)pX (x)
pX |Y (x | y ) = X , ∀x tal que pX (x) > 0.
pX (x)pY |X (y | x)
x

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

 CÁLCULO
DE
PROBABILIDADE 2

AULA 3 : PARTE 2

Profª Cátia R. Gonçalves

MAT/UnB

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 3 : Parte 2 1/7

 Exemplo 1. Considere um lote de N peças produzidas por uma
determinada fábrica.
As peças são classicadas em defeituosas ou não-defeituosas .

Seja p a probabilidade de uma peça ser defeituosa

Suponha que:
I o lote é amostrado n vezes sem substituição, com n ≤ N,
ou seja, retiramos ao acaso e sem reposição n peças do lote.

Sejam as v.a.'s:

I Y = número de peças defeituosas no lote

I X = número de peças defeituosas na amostra

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 3 : Parte 2 2/7

 Então, X e Y são v.a.'s discretas tais que
I Y ∼ B(N, p), ou seja,

 !
N y
p (1 − p)N−y

, y ∈ {0, 1, . . . , N}


F pY (y ) = y


0 , caso contrário.


I Valores possíveis de X : 0, 1, . . . , n

I Para cada y ∈ {0, 1, . . . , N}, temos

   
 y N −y


 x n−x
, x ≤y n−x ≤N −y

   se e
pX |Y (x | y ) = N



 n


0 , caso contrário,

ou seja,

F distribuição condicional de X dado Y = y é Hipergeométrica (N, n, y )

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 3 : Parte 2 3/7

 Qual é a distribuição condicional de Y dado X = x ?
Resolução:

Para cada x = 0, 1, . . . , n, usando a Regra de Bayes, temos

pX |Y (x | y )pY (y )
I pY |X (y | x) = X , ∀y tal que pY (y ) > 0.
pY (y )pX |Y (x | y )
y

Assim, para cada x = 0, 1, . . . , n, temos

 
N y
pX |Y (x | y ) p (1 − p)N−y
y
pY |X (y | x) = N   , ∀ y ∈ {0, 1, . . . , N}.
X N
p y (1 − p)N−y pX |Y (x | y )
y =0
y
F Mas,
pX |Y (x | y ) > 0 ⇔ x ≤ y e n − x ≤ N − y ⇔ 0 ≤ y − x ≤ N − n

Então, pY |X (y | x) = 0 para y − x ∈
/ {0, 1, 2, . . . , N − n}
Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 3 : Parte 2 4/7
 Agora, para cada x = 0, 1, . . . , n,

I se y − x ∈ {0, 1, . . . N − n}, ou seja, y ∈ {x, x + 1, . . . x + N − n}, então

  
y N −y  
x  n −x N y
p (1−p)N−y
N y
n
pY |X (y | x) =   
y N −y

x+N−n 
X N x  n −x 

p y (1−p)N−y
 
 y N
 

y =x  
n
  
n N −n y
p (1 − p)N−y
x y −x
= x+N−n    
X n N −n y N−y
p (1 − p)
y =x
x y −x

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 3 : Parte 2 5/7

 ! !
n N −n
p y (1−p)N−y
x y −x
pY |X (y | x) = ! x+N−n  !  , ∀ y ∈ {x, x + 1, . . . , x + N − n}
n X  N −n
p y (1−p)N−y 


x y =x

y − x 

(∗) p y (1 − p)N−y = p x p (y −x) (1 − p)[(N−n)−(y −x)] (1 − p)(n−x)

!
N −n y
p (1−p)N−y
(∗) y −x
pY |X (y | x) = (N−n)+x
, y ∈ {x, . . . , x + N − n}
X h i
p (1−p)
x (n−x)
( y −x )p (1−p)
N−n y −x (N−n)−(y −x)

y =x

!
N − n y −x
p (1−p)(N−n)−(y −x)
y −x
= N−n " ! # , y ∈ {x, x + 1, . . . , x + N − n}
X N −n j (N−n)−j
p (1 − p)
j=0
j
| {z }
=1

!
N − n y −x
= p (1 − p)(N−n)−(y −x) , ∀ y ∈ {x, x + 1, . . . , x + N − n}
y −x
Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 3 : Parte 2 6/7
 Portanto,

I função de probabilidade condicional de Y dado X = x :

Para cada x ∈ {0, 1, . . . , n} :

N − n y −x
 

 p (1 − p)(N−n)−(y −x) se y ∈ {x, x + 1, . . . , x + N − n}
pY |X (y | x) = y −x


0 caso contrário.

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 3 : Parte 2 7/7

 CÁLCULO
DE
PROBABILIDADE 2

AULA 3 : PARTE 3

Profª Cátia R. Gonçalves

MAT/UnB

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 3 : Parte 3 1/6

 (C) Distribuição Condicional de X dado Y =y
(C.3) Regra de Bayes

Caso Contínuo:

Sejam X e Y v.a.'s contínuas com densidade conjunta fX ,Y (x, y ).

I Seja x tal que fX (x) > 0, então, por denição,

fX ,Y (x, y )
fY |X (y | x) = , ∀ y ∈ R. (2)
fX (x)

Agora, por outro lado, vimos que

I ∀ x ∈ R e para y ∈ R tal que fY (y ) > 0 temos

fX ,Y (x, y ) = fX |Y (x | y )fY (y ) (3)

e, assim, ∀ x ∈ R:
Z ∞ Z
fX (x) = fX ,Y (x, y ) dy = fX |Y (x | y )fY (y ) dy .
−∞ {y :fY (y )>0}
Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 3 : Parte 3 2/6
 Para facilitar a notação, vamos escrever

Z ∞
fX (x) = fX |Y (x | y )fY (y ) dy , ∀ x ∈ R. (4)
−∞

Portanto, substituindo (3) e (4) em (2), obtemos

I Regra de Bayes:

Para cada x tal que fX (x) > 0, temos

fX |Y (x | y )fY (y )
fY |X (y | x) = Z ∞ , ∀ y tal que fY (y ) > 0.
fX |Y (x | y )fY (y ) dy
−∞

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 3 : Parte 3 3/6

 Exemplo 2. (Exemplo 2 da seção Exemplos de Aplicação : (C.2) )

Escolha ao acaso um número no intervalo ( 0 , 1 ).

Seja X o número escolhido.

Em seguida, escolha ao acaso um segundo número no intervalo

( 0, X ).
Seja Y o segundo número escolhido.

Qual a densidade condicional de X dado Y = y?

Resolução:

Pelas hipóteses, temos

(
1 , 0 <x <1
fX (x) = U( 0, 1 ))
(
0 , caso contrário.

e, para cada x ∈ ( 0, 1 )

 1 , 0 <y <x
fY |X (y | x) = x ( U( 0, x ))
,

0 caso contrário.

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 3 : Parte 3 4/6

 Para determinar fX |Y , podemos usar diretamente a Regra de Bayes:

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

fY |X (y | x)fX (x)
fX |Y (x | y ) = Z ∞ , ∀ x tal que fX (x) > 0,
fY |X (y | x)fX (x) dx
−∞

ou seja, para cada y ∈ (0, 1)

fY |X (y | x)
fX |Y (x | y ) = Z 1 , ∀ x ∈ (0, 1).
fY |X (y | x) dx
0

Mas, para cada y ∈ (0, 1)

I para x ≤ y =⇒ y ∈
/ (0, x) =⇒ fY |X (y | x) = 0
1
I para y < x < 1 =⇒ y ∈ (0, x) =⇒ fY |X (y | x) =
x
Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 3 : Parte 3 5/6
 Assim, para cada y ∈ (0, 1)
I para x ≤ y =⇒ fX |Y (x | y ) = 0
1
1
I para y < x < 1 =⇒ fX |Y (x | y ) = Z 1
x
=  .
1 x ln 1
dx y
y x

Portanto,

função de densidade condicional de X dado Y = y:

I para cada y ∈ (0, 1):

1

 , y <x <1
x ln (1/y )

fX |Y (x | y ) =
0 , x ≤ y ou x ≥ 1.


X

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 3 : Parte 3 6/6