Probabilidade Condicional

1. Considerações Iniciais

Do ponto de vista bayesiano, toda probabilidade é uma medida da

crença que temos sobre o acontecimento de um dado evento. Essa crença,
por sua vez, é atualizada toda vez que recebemos novas informações sobre
esse evento. Por exemplo, pense numa eleição presidencial. A cada
atualização da proporção dos votos, mais certos ficamos de que o candidato
X ou Y vencerá a eleição. Assim, diante dessas novas informações, devemos
nos perguntar: “como atualizamos nossa crença com base em novas
evidências?”. Para responder essa pergunta, usa-se a probabilidade
condicional.

2. Definição e Intuição

Definição 2.1.: Se A e B são dois eventos com P(B) > 0, então a

probabilidade condicional de A dado que B ocorreu é:

𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴|𝐵) =
𝑃(𝐵)
Onde A é o evento cuja incerteza ou crença desejamos atualizar e B é a nova
evidência observada.

[Exemplos]

Pela interpretação frequentista, a probabilidade condicional

representa a frequência em que A ocorre dado que o evento B foi imposto
como uma condição ou restrição à A.

[Exemplos]

Por fim, é importante ter em mente dois fatores:

a) A probabilidade de A dado que B ocorreu é diferente da

probabilidade de B dado que A ocorreu;
 b) Se A e B forem independentes, 𝑝(𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵). Mas, se A e B
não forem independentes, então a expressão anterior não será
válida.

3. A regra de Bayes e a Lei da Probabilidade Total

A partir da definição 2.1, podemos determinar uma expressão para

𝑃(𝐴 ∩ 𝐵) da seguinte forma:

𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴|𝐵) =
𝑃(𝐵)

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐵)𝑃(𝐴|𝐵)

Assim, temos o seguinte teorema.

Teorema 3.1.: Para quaisquer eventos A e B com probabilidade

positivas,

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐵)𝑃(𝐴|𝐵) = 𝑃(𝐴)𝑃(𝐵|𝐴)

Generalizando o resultado, temos um novo teorema.

Teorema 3.2.: (Teorema do Produto). Para quaisquer eventos

𝐴1 , ⋯ , 𝐴𝑖 com probabilidades positivas, a probabilidade da intersecção de
todos os eventos é:

𝑃(𝐴1 , ⋯ , 𝐴𝑖 ) = 𝑃(𝐴1 )𝑃(𝐴2 |𝐴1 ) ⋯ 𝑃(𝐴𝑖 |𝐴1 , … , 𝐴𝑖−1 )

Finalmente, usando o teorema 3.1, temos a lei ou regra de Bayes.

Teorema 3.3.: (Lei de Bayes). Sejam A e B dois eventos de

probabilidades positivas,

𝑃(𝐵|𝐴)𝑃(𝐴)
𝑃(𝐴|𝐵) =
𝑃(𝐵)

Ou

𝑃(𝐵|𝐴)𝑃(𝐴)
𝑝(𝐴|𝐵) =
𝑃(𝐵|𝐴)𝑃(𝐴) + 𝑃(𝐵|𝐴𝐶 )𝑃(𝐴𝐶 )
 Por fim, temos a lei da probabilidade total, que nos diz que, para uma
determinada partição do espaço amostral S, a probabilidade incondicional
de B pode ser definida como a soma da probabilidade condicional de B em
cada partição ponderada pela probabilidade Ai de cada partição. Dessa
forma, temos:

Teorema 3.4.: (Lei da Probabilidade Total). Sejam

𝐴1 , ⋯ , 𝐴𝑖 partições do espaço amostral S com P(Ai) > 0, tal que Aí são
conjuntos disjuntos e sua união resulte em S. Então,
𝑛

𝑃(𝐵) = ∑ 𝑃(𝐵|𝐴𝑖 )𝑃(𝐴𝑖 )

𝑖=1

[Exemplos]