Escolar Documentos
Profissional Documentos
Cultura Documentos
Matemática Aplicada
Volume I – Fundamentos
CreateSpace
2023
Introdução à Estatı́stica Matemática Aplicada
Volume I – Fundamentos
© 2011-2023 por Adriano J. B. V. Azevedo Filho
Todos os direitos reservados.
ISBN 978-1-4421-7220-3
3a Edição (versão 2.0 em revisão - não circular)
Sobre o autor
O autor é Ph.D. em Engenharia / Economia de Sistemas e Pesquisa Operacio-
nal pela Stanford University e professor sênior no Departamento de Economia,
Administração e Sociologia da Universidade de São Paulo, no Campus de Piracicaba.
Atua nas áreas de estatı́stica, data science, análise de decisões e gerenciamento de ris-
cos, engenharia econômica e pesquisa operacional. Recebeu os prêmios Fundação
Bunge (Moinho Santista) em 1989 e Prêmio Nacional de Metrologia, em 2003.
Sumário
v
2.9 Teoremas fundamentais II . . . . . . . . . . . . . . . . . . . . . . . 46
2.10 Noção de Independência . . . . . . . . . . . . . . . . . . . . . . . . 59
2.10.1 Independência condicional . . . . . . . . . . . . . . . . . 60
2.10.2 Independência e causalidade . . . . . . . . . . . . . . . . . 63
2.11 Considerações finais . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
Referências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
vi
Lista de Figuras
vii
Capı́tulo 1
1
Capı́tulo 1 - Probabilidade: Conceitos Básicos 2
Ω = {c, k}.
• Ω = {b b , b v, v b , v v}.
• Nessa notação a ordem no par indica a ordem de sorteio:
v b indica que a primeira bola sorteada é vermelha e a se-
gunda é branca
• Note que os resultados b v e v b são diferentes pois indicam
cores de bolas distintas retiradas no primeiro sorteio e no
segundo sorteio.
Capı́tulo 1 - Probabilidade: Conceitos Básicos 4
A = ω2 ∪ ω3 .
Capı́tulo 1 - Probabilidade: Conceitos Básicos 8
• Ω ≡ {c, k}.
• E = {∅, {c}, {k}, Ω}.
• Evento possı́vel: A ≡ “resultado cara”.
• Evento elementar possı́vel: B ≡ {c}.
• No contexto dos últimos 2 itens: A = B.
• Ω ≡ {b b , b v, v b , v v}.
• E = {∅, {b b }, {b v}, {v b }, {v v}, {b b , b v}, {b b , v b },
{b b , v v}, {b v, v b }, {b v, v v}, {v b , v v}, {b b , b v, v b },
{b b , b v, v v}, {b b , v b , v v}, {b v, v b , v v}, Ω}.
• Evento possı́vel: A ≡ “as duas bolas são da mesma cor”.
• Evento elementar possı́vel: B ≡ {b v}.
• A∩ B = ∅
• Ω ≡ {x : x ∈ R, x > 0}.
• E = {X : X ⊆ R+ }3
• Evento possı́vel: A ≡ {P ∈ R : P ≤ 109 toneladas}.
• Evento elementar: B ≡ {P ∈ R : P = 8 × 108 toneladas}.
• É verdade que A ̸= B e B ⊆ A.
A = Ω \ A.
A1 ∩ A2 = ∅.
E1 ≡ {b b , v v}; E2 ≡ {b b , b v, v b }; E3 ≡ {b v, v b }; e,E4 ≡ {v v}
1. A ∪ B = B ∪ A (prop. 1).
2. A ∪ (B ∪ C ) = (A ∪ B) ∪ C (prop. 2).
3. A ∩ (B ∪ C ) = (A ∩ B) ∪ (A ∩ C ) (prop. 3).
4. A = A (prop. 4).
5. (A ∩ B) = A ∪ B (prop. 5).
6. A ∩ A = ∅ (prop. 6).
7. Ω ∩ A = A (prop. 7).
• Ω = ∅. (prop. 8)
Prova: Ω ∩ Ω = ∅ (prop. 6), mas Ω ∩ Ω = Ω (prop. 7), logo
Ω = ∅. □
• ∅ = Ω (prop. 9)
Prova: Ω = ∅ (prop. 8), logo Ω = ∅, mas Ω = Ω (prop. 4), logo
∅ = Ω. □
• A ∪ A = Ω (prop. 10)
Prova: A ∩ A = ∅ (prop. 6) logo A ∩ A = ∅, mas A ∩ A = A ∪ A (prop.
5) e ∅ = Ω (prop. 9), logo A ∪ A = Ω. □
Capı́tulo 1 - Probabilidade: Conceitos Básicos 15
• B ∪ ∅ = B (prop. 11)
Prova: B ∩Ω = B (prop. 7 onde A ≡ B), mas B ∩ Ω = B logo B ∪∅ = B
(prop. 5 e prop. 8). □
• A ∩ A = A (prop. 12)
Prova: A ∩ Ω = A (prop. 7), logo A ∩ (A ∪ A) = A (prop. 10); pela
(prop. 3) tem-se que (A ∩ A) ∪ (A ∩ A) = A e substituindo A ∩ A = ∅
(prop. 6), e pela prop. 11, chega-se a A ∩ A = A. □
• A ∪ A = A (prop. 13)
Prova: Ver exercı́cio.
• A ∪ Ω = Ω (prop. 14)
Prova: A ∪ A = Ω (prop. 10) logo, fazendo a união com A nos dois
lados e usando (prop. 13), tem-se que A∪A = A∪Ω, usando novamente
(prop. 10) chega-se a Ω = A ∪ Ω. □
• A ∪ (A ∩ B) = A (prop. 15)
Prova: B ∪ Ω = Ω (prop. 14), logo A ∪ A ∪ B = Ω (prop. 10 e 1),
interseccionando A nos dois lados da expressão e usando (prop. 3) tem-
se que (A ∩ A) ∪ (A ∩ A) ∪ (A ∩ B) = A ∩ Ω, mas usando (prop. 12, 6 e
7), A ∪ ∅ ∪ (A ∩ B) = A, e, finalmente, A ∪ (A ∩ B) = A (prop. 11). □
• A ∪ (A ∩ B) = A ∪ B (prop. 16)
Prova: Ver exercı́cio.
• A = (A ∩ B) ∪ (A ∩ B) (prop. 17)
Prova: Desenvolvendo-se o lado direito da expressão chega-se a ((A ∩
B) ∪ A) ∩ ((A ∩ B) ∪ B) substituindo agora o lado esquerdo da nova
expressão por A (prop. 15 e prop. 2) e o lado direito por A ∪ B (prop.
16 e prop. 2) chega-se a A∩(A∪B), expandindo essa expressão com o uso
de (prop. 3 e prop. 12) chega-se a A∪(A∩B), finalmente, A∪(A∩B) = A
(prop. 15). □
• A ∩ (B ∩ C ) = (A ∩ B) ∩ C (prop. 18)
Prova: Ver exercı́cio.
• A ∩ B = B ∩ A (prop. 19)
Prova: Ver exercı́cio.
Capı́tulo 1 - Probabilidade: Conceitos Básicos 16
• A ∩ ∅ = ∅ (prop. 20)
Prova: Ver exercı́cio.
• (A ∩ B) ∩ (A ∩ B) = ∅ (prop. 21)
Prova: Usando (prop. 18 e prop. 19) tem-se que (A ∩ B) ∩ (A ∩ B) =
A∩A∩B ∩B, desenvolvendo o lado direito e usando (prop. 13 e prop. 6)
chega-se a A∩ ∅, por (prop. 20) tem-se que A∩ ∅ = ∅, o que completa
a prova. □
Exercı́cios
Exercı́cio 1.1 – Um experimento é definido pelo lançamento de
uma moeda e o sorteio de uma bola de uma urna contendo 2
bolas de mesmas dimensões, numeradas com 1 a 2. Caracterize o
espaço amostral (Ω) e o espaço de eventos (E) desse experimento.
• x ≤ y.
• max(x, y) ≤ 3.
• min(x, y) ≥ 3.
• x−y ≤3
(a) ∅ ∩ ∅ = ∅.
(b) A ∪ A = A (prop. 13)
(c) A ∪ (A ∩ B) = A ∪ B (prop. 16)
(d) A ∩ (B ∩ C ) = (A ∩ B) ∩ C (prop. 18)
Capı́tulo 1 - Probabilidade: Conceitos Básicos 18
(a) P1 = 1 e P2 = 1.
(b) P1 = 1 e P2 = 2.
Capı́tulo 1 - Probabilidade: Conceitos Básicos 19
Referências
Antar Neto, A. et al. (2010) Noções de Matemática Vol 1 - Conjunto e
Funções. Vestseller.
Azevedo Filho, A. 2020. Princı́pios de Inferência Dedutiva e Indutiva:
Noções de Lógica e Métodos de Prova. Createspace.
Chiang, A. e Wainwright, K. 2006. Matemática para Economistas. GEN
LTC (tradução da 4a. edição em inglês).
Hammack, R. 2018. Book of Proof. 3nd edition, Virginia Commonwealth
Univ.
Grimmett, G. R. & Stirzaker, D. R. (2001) Probability and Random Pro-
cesses. 3rd. edition, Oxford University Press, New York.
Mood, A., Graybill, F. A and Boes, D. 1974. Introduction to the Theory of
Statistics. McGraw-Hill, New York.
Piskounov, N. (2000) Cálculo Diferencial e Integral, Vol I e II. Porto: Lopes
da Silva Editora, 18a. edição.
Ross, S. M. 1997. First Course on Probability. 5th edition, Prentice-Hall,
New York.
Shao, J. 2003. Mathematical Statistics. 2th edition (4th printing), Springer,
New York.
Solow, D. 2013. How to Read and Do Proofs: An Introduction to Mathe-
matical Thought Processes. John Wiley & Sons.
Capı́tulo 2
Probabilidade: Fundamentos da
Teoria
2.1 Introdução
Este capı́tulo inicia discutindo o conceito de probabilidade segundo as visões
de 2 escolas de pensamento na Estatı́stica, respectivamente, a escola clássica
e a escola bayesiana. Na sequência, introduz os resultados fundamentais da
teoria de probabilidades, decorrentes dos pressupostos utilizados em seu de-
senvolvimento axiomático. A apresentação se utiliza da notação e resultados
descritos no capı́tulo anterior, associados à álgebra de eventos.
Os resultados da teoria estão sintetizados em alguns poucos teoremas e
definições, que não são difı́ceis de entender. A dificuldade principal da te-
oria de probabilidades está na operacionalização desses resultados teóricos,
juntamente com as noções da álgebra de eventos, no contexto da solução pro-
blemas de interesse. O leitor só irá adquirir essa capacitação solucionando
exercı́cios que demandem o uso desse instrumental teórico. Para isso, uma
extensa lista de exercı́cios é proposta ao fim deste capı́tulo para facilitar o
entendimento desses conceitos.
O modo de apresentação usado na exposição dos elementos básicos da
teoria de probabilidades, neste e nos próximos capı́tulos, ainda que relativa-
mente formal, não perseguirá o rigor utilizados por textos mais avançados.
20
Capı́tulo 2 - Probabilidade: Função, Axiomas e Espaço 21
zada a partir dos anos 1950. A apresentação não entra em detalhes em visões
distintas que existem dentro dessas grandes escolas, se atendo somente nos
pontos de vista predominantes.
Na escola clássica o foco na interpretação frequentista é a mais comum,
enquanto na escola bayesiana prevalece a interpretação subjetiva ou epistêmica
para a noção de probabilidade (examinadas na próxima seção).
Não é objeto deste texto fazer um contraste profundo entre as idéias de-
fendidas por essas duas escolas, algo que o leitor encontrará em Howie (2002),
Jaynes(2003) e Lindley (1980), e referências citadas nessas obras.
nos próximos dias ou sobre uma possı́vel alta no preço de ações na bolsa de
valores (situações difı́ceis de acomodar dentro da noção frequentista).
No caso da probabilidade de observar cara num lançamento de moeda, se
há incerteza com relação à probabilidade, lançamentos adicionais da moeda
poderiam contribuir para um melhor conhecimento dessa probabilidade, a
partir da aplicação de um resultado da teoria de probabilidades denominado
teorema de Bayes. Essa estratégia reflete a essência da estatı́stica bayesiana.
Na estatı́stica as 2 interpretações de probabilidade (frequentista e subje-
tiva) acabam sendo utilizadas de uma forma ou de outra (muitas vezes até
de forma não deliberada). Em algumas situações pode ser mais conveniente a
interpretação frequentista; em outras, a interpretação subjetiva ou epistêmica
pode ser mais adequada. No passado havia até uma certa animosidade entre
os defensores de cada interpretação mas, já no séc. XXI, as duas escolas de
pensamento convivem de forma pacı́fica.
Implicações práticas
Pr : E → [0, 1].
Espaço de probabilidades
{Ω, E, Pr(·)},
Nessa seção examinaremos uma situação importante em que é fácil obter pro-
babilidades. É o caso em que é razoável assumir que todos os eventos elemen-
tares em um dado espaço de probabilidades tem chances iguais de ocorrer.
Essa situação será caracterizada pela notação argumento de simetria, também
denominado princı́pio da razão insuficiente ou ainda princı́pio da indiferença.
Examinaremos inicialmente o caso em que o espaço amostra é finito e dis-
creto.
Capı́tulo 2 - Probabilidade: Função, Axiomas e Espaço 27
ω1 ∪ ω2 ∪ ω3 = Ω e Pr(ω1 ∪ ω2 ∪ ω3 ) = Pr(Ω).
1
Pr(ω1 ) + Pr(ω2 ) + Pr(ω3 ) = 3 p = 1 ⇒ p = Pr(ωi ) = , ∀i.
3
Mas E = {e1 , e3 } = ω1 ∪ ω3 e como os eventos são mutuamente
exclusivos e por A3,
1 1 2 n(E)
Pr(E) = Pr(ω1 ∪ ω3 ) = Pr(ω1 ) + Pr(ω3 ) = + = = .
3 3 3 n(Ω)
1
Como temos Pr(ωi ) = , ∀i , podemos concluir que Pr(E) =
n
1
k × , em que k = n(I ) = n(E) e n = n(Ω), de forma que
n
n(E)
Pr(E) = . □
n(Ω)
n(E) n({c}) 1
Pr(E) = = = .
n(Ω) n({c, k}) 2
B = {(2, 2), (2, 4), (2, 6), (4, 2), (4, 4), (4, 6), (6, 2), (6, 4), (6, 6)}
n(B) 6 5
Pr(B) = 1 − Pr(B) = 1 − =1− =
n(Ω) 36 6
• Evento C ≡ A ∩ B, logo C = {(2, 2)}.
n(C ) 1
Pr(C ) = =
n(Ω) 36
0,75 0,25
0,5
Ω ≡ [0, 1) ⊆ R.
n(E) ∞
Pr(E) = = (indeterminação),
n(Ω) ∞
Ω′ ≡ {r1 , r2 , r3 , r4 }
n(E ′ ) 1
Pr(E ′ ) = = = 0,25.
n(Ω′ ) 4
N (E)
Pr(E) = .
N (Ω)
N (E)
Pr(E) = ,
N (Ω)
N (E)
Pr(E) = .
N (Ω)
N (E) π
Pr(E) = = ,
N (Ω) 25
c + 2b x + x 2 = 0.
(a) −k e k, onde k ∈ R;
(b) −k e k, quando k → ∞.
k=2
3
b2 - c = 0
k
2
b2 - c < 0
1
c
0
b2 - c > 0
-1
-k
-2
-3
-3 -2 -1 0 1 2 3
-k b k
Z pk
3
N (A) = 4k 2 − 2 k 2 − b2 d b
0
3
12k 2 − 4k 2
N (A) = e N (Ω) = 4k 2 .
3
Logo,
1
Pr(Raı́zes reais) = 1 − p e lim Pr(Raı́zes reais) = 1.
3 k k→∞
Capı́tulo 2 - Probabilidade: Função, Axiomas e Espaço 37
Note, nesse último exemplo, que é possı́vel que uma pessoa apareça 3 vezes na
mesma amostra e amostras como ( p1 , p2 , p3 ), ( p2 , p3 , p1 ) são diferentes, pois
a ordem importa. Sob a ótica de um experimento, o espaço amostral ΩR/O
teria 103 resultados elementares possı́veis (cada um representando uma amos-
tra), em que os eventos elementares associados têm mesma probabilidade de
ocorrer.
n(ΩR/O ) = 103 ,
( p1 , p2 , p3 ), ( p1 , p3 , p2 ), ( p2 , p1 , p3 ), ( p2 , p3 , p1 ), ( p3 , p1 , p2 ), ( p3 , p2 , p1 ).
n(ΩR/O ) = 120.
n(E1 ) 36 3
Pr(E1 ) = = =
n(ΩR/O ) 120 10
n(ΩR/O )
lim =1
n→∞ n(ΩR/O )
n(ΩR/O ) 1 2 k −1
lim = lim 1(1 − )(1 − ) · · · (1 − )=1
n→∞ n(ΩR/O ) n→∞ n n n
O próximo exemplo ilustra situações envolvendo a obtenção de proba-
bilidades no contexto dos jogos de azar. Nesses casos, a contagem de possi-
bilidades é muito dependente de noções da análise combinatória em espaços
amostrais com resultados elementares de chances iguais. O exemplo a seguir
mostra uma aplicação tı́pica dessas noções na definição de probabilidades de
jogadas especı́ficas no poker.
Capı́tulo 2 - Probabilidade: Função, Axiomas e Espaço 42
4 × 13
5 −4×9
Pr(flush simples) = 52
≈ 0,001967
5
4×9
Pr(straight flush) = 52
≈ 0,0000138.
5
por:
Pr(A ∩ B)
Pr(A|B) = , Pr(B) > 0.
Pr(B)
Se Pr(B) = 0 a probabilidade condicional não é definida.
Probabilidade da intersecção - Da definição de probabilidade
condicional decorre diretamente a definição da probabili-
dade da intersecção de 2 eventos A e B quaisquer:
Para eventos em espaços contı́nuos n(·) é substituido por N (·). Isso significa
dizer, usando um argumento intuitivo, que para computar a probabilidade
condicional de A dado um evento B, por exemplo, é possı́vel agir como se o
espaço amostral fosse definido por B e não mais por Ω.
Em alguns desenvolvimentos sobre a teoria de probabilidades os próprios
axiomas apresentados são definidos diretamente em termos de probabilidades
condicionais. Todos os teoremas apresentados na versão “incondicional” são
também válidos quando utilizados no contexto de probabilidades condicio-
nais.
R = c (cara)
Pr(R=c)=0,5
R = k (coroa)
Pr(R=k)=0,5
P=1
Pr(P=1|R=k)=1/6 R=k ∩ P=1 1/12
R P=2
Pr(P=2|R=k)=1/6 R=k ∩ P=2 1/12
P=3
R=k (coroa) Pr(P=3|R=k)=1/6 R=k ∩ P=3 1/12
P
Pr(R=k)=1/2 P=4
Pr(P=4|R=k)=1/6 R=k ∩ P=4 1/12
P=5
Pr(P=5|R=k)=1/6 R=k ∩ P=5 1/12
P=6
R=k ∩ P=6 1/12
Pr(P=6|R=k)=1/6
Probabilidades Totais
P1 = P2 p + P0 (1 − p)
P2 = P3 p + P1 (1 − p)
..
.
P19 = P20 p + P18 (1 − p).
Teorema de Bayes
Pr(A|Bi ) Pr(Bi )
Pr(Bi |A) = Pn , i = 1, . . . , n.
j =1 Pr(A|B j ) Pr(B j )
Pr(5 | k) Pr(k)
Pr(k | 5) = .
Pr(5 | c) Pr(c) + Pr(5 | k) Pr(k)
ou
1 1
6·2 1
Pr(k | 5) = 1 1 1
=
2+6
1· · 7
2
Se, por outro lado, a pergunta tivesse sido a probabilidade de se
ter obtido cara, numa situação em que o pagamento foi de $ 6,
ou seja Pr(c | 6), o resultado seria Pr(c | 6) = 0, por aplicação do
teorema de Bayes, dado que Pr(6 | c) = 0 nesse caso.
Pr
R=c m5 ∩ c 0,25
Pr( c | m5 ) = 1/2
m5
R
Pr(m5)=1/2
R=k m5 ∩ k 0,25
Pr( k | m5 ) = 1/2
M
R=c
m8 ∩ c 0,40
Pr( c | m8 ) = 4/5
m8 R
Pr(m8)=1/2
R=k m8 ∩ k 0,10
Pr( k | m8 ) = 1/5
Pr(m5 ∩ c)
Pr(m5 |c) =
Pr(c)
Pr(c|m5 ) Pr(m5 )
=
Pr(c|m5 ) Pr(m5 ) + Pr(c|m8 ) Pr(m8 )
0,25 5
= = .
0,25 + 0,40 13
Pr
T+ A ∩ T+ 0,500
Pr( T+ | A )=1
A
Pr(A)=0,50
T- A ∩ T- 0
Pr( T- | A )=0
T+
A ∩ T+ 0,125
Pr( T+ | A )=0,25
A
Pr(A)=0,50
T- A ∩ T- 0,375
Pr( T- | A )=0,75
Crime e evidência
Pr(A ∩ T + )
Pr(A|T + ) =
Pr(T + )
Pr(T + |A) Pr(A)
=
Pr(T + |A) Pr(A) + Pr(T + |A) Pr(A)
1/2
= = 4/5.
1/2 + 1/8
1
Pr(A|T + ) = .
1+ p
10000
Pr(A|T + ) = ,
10001
Capı́tulo 2 - Probabilidade: Função, Axiomas e Espaço 54
Isso indica que para inferir algo sobre uma possı́vel associação en-
tre a mortalidade pelo câncer no pulmão e fumo seria necessário
ter-se informações não só sobre Pr(F |C ), que é a evidência que
o médico desse caso tem acesso, mas também sobre a probabili-
dade do indivı́duo amostrado ser fumante, o que é indicado por
Pr(F ), correspondendo à frequência de fumantes na população
de interesse. Evidências observacionais4 mostram que essa razão
Pr(C |F )/ Pr(C |F ) tende ser superior a 20, para pessoas que mor-
rem de câncer com uma idade definida.
ou
Pr(B1 ∩ B2 ∩ B3 ) = Pr(B3 |B1 ∩ B2 ) Pr(B1 ∩ B2 )
mas
Pr(B1 ∩ B2 ) = Pr(B2 |B1 ) Pr(B1 )
4
Veja por exemplo o site www.smokefree.gov/smokersrisk/ para estimativas em função
de vários fatores.
Capı́tulo 2 - Probabilidade: Função, Axiomas e Espaço 56
+ . . . + (−1)n−1 Pr(B1 ∩ . . . ∩ Bn ).
1 anel for formado isso significa que a garota irá casar proxima-
mente. Qual é a probabilidade do teste indicar que a garota não
irá casar no futuro próximo?
C ≡ B1 ∪ B2 ∪ B3 ∪ B4 ∪ B5 ∪ B6 .
Pr(C ) = 1 − Pr(B1 ∪ B2 ∪ B3 ∪ B4 ∪ B5 ∪ B6 ).
Pr(A|B) ̸= Pr(A)
Capı́tulo 2 - Probabilidade: Função, Axiomas e Espaço 60
.
Solução: Claramente não, dado que Pr(A|B) = 0, 574 e Pr(A) =
0, 19. Obtenha esses resultados como exercı́cio.
Capı́tulo 2 - Probabilidade: Função, Axiomas e Espaço 61
De fato, para 2 eventos, em geral, qualquer situação pode ocorrer com relação
à independência (incondicional) e sua independência condicional, dada a
ocorrência de um outro evento. A Figura 2.9 ilustra os casos possı́veis e
introduz a notação utilizada para a caracterização da independência (e não-
independência), assim como a independência (e não-independência) condici-
onal. Os dois próximos exemplos (de fato contra-exemplos) demonstram
Para 3 eventos A, B e C
A B C A B C
A B Possível Possível
A B Possível Possível
A B A e B são independentes
• X ≡ B3 ∪ B4
• Y ≡ B2 ∪ B4
• Z ≡ B2 ∪ B3
X ⊥⊥ Y.
X ⊤⊤Y | Z.
Ω = {b1 , b2 , . . . , b16 }
X ⊥⊥ Y | Z.
A=alto
C – consumo de refrigerante
A – afogamentos 0,845
C=alto
A
0,58
A=baixo
0,155
A=alto
0,58
A C
A=baixo
0,42
A=alto
incondicional 0,214
C=baixo
A
0,42
A=baixo
0,786
condicional
que
A=alto
T – temperatura
C=alto 0,9
C – consumo de refrigerante A
A – afogamentos 0,9 A=baixo
T=alta 0,1
C
0,6 A=alto
C=baixo 0,9
A
0,1 A=baixo
0,1
T
A=alto
C=alto 0,1
A
0,1 A=baixo
T=baixa 0,9
C
0,4 A=alto
C=baixo 0,1
A
0,9 A=baixo
0,9
dado que
e
Pr(A = alto|T = alta) = 0,90.
Outras independências condicionais entre eventos podem ser ve-
rificadas. Um exame cuidadoso desta árvore completa mostra
que o consumo de refrigerante não oferece nenhuma informação
relevante para caracterização da probabilidade de um nı́vel alto
(ou baixo) de afogamentos, uma vez que se conhece o nı́vel de
temperatura. A explicação mais plausı́vel parece ser que num dia
quente mais gente entrará no mar (aumentando a frequência de
afogamentos) e tomará mais refrigerante!
tos na solução de problemas, algo que pode exigir algum esforço. Uma lista
extensa de problemas é proposta ao leitor visando apoiar seu aprendizado.
A apresentação também introduziu as principais idéias relacionadas com
a independência probabilı́stica, nas versão incondicional e condicional. Final-
mente, foi brevemente discutida a relação entre independência e causalidade.
O próximo capı́tulo introduz a noção de variável aleatória e sua descrição
por uma distribuição de probabilidade, nas versões discreta e contı́nua.
Exercı́cios
Exercı́cio 2.1 – Bonferroni – Prove o seguinte teorema que é co-
nhecido por “Desigualdade de Bonferroni”:
(a) A⊤⊤A.
(b) Se Pr(B) = 0 então B ≡ ∅.
(c) Se Pr(C ) = 0 então Pr(B ∩ C ) = 0.
(d) Se Pr(B|C ) ≥ Pr(B) então Pr(C |B) ≥ Pr(C ).
(e) Se Pr(C ) = Pr(B) = ε então Pr(C ∩ B) ≤ ε.
(f) Se Pr(A|B) = Pr(A|B) então A ⊥⊥ B
1. X = 0.
2. X atinge seu valor máximo.
(a) n = 2.
(b) n = 3 (bem difı́cil, mostre somente o caminho para a
solução, sem precisar calcular as probabilidades).
(c) Repita os ı́tens anteriores para k minutos de espera, onde
0 ≤ k ≤ 60.
2l 2L
θ
Referências
Antar Neto, A. et al. (2010) Noções de Matemática Vol. 4 - Combinatória,
Matrizes e Determinantes. Editora Vestseller (ou qualquer edição anterior).
Cox, R.T. 2001. The Algebra of Probable Inference. The Johns Hopkins Uni-
versity Press.