Você está na página 1de 15

INTRODUO TEORIA DA PROBABILIDADE ndice

1 Introduo 2 - Conceitos Fundamentais 2.1 - Modelo Determinstico 2.2 - Modelo Probabilstico 2.3 - Experimentos Probabilsticos ou Aleatrios 2.4 - Espao Amostral 2.5 - Eventos 2.6 - Eventos Mutuamente Exclusivos 3 - Conceitos de Probabilidade 3.1 - Conceito Clssico ou Probabilidade a priori- (Pierre Simon Laplace) 3.2 - Freqncia Relativa ou Probabilidade a posteriori Richard Von Mises 3.3 - Conceito Moderno ou Axiomtico (Andrey Nikolaevich Kolmogorov) 3.4 - Uma definio Probabilidade Geomtrica 4 - Espao Amostral Finito 5 - Espaos Amostrais Finitos Equiprovveis 6 - Teoremas do Clculo de Probabilidades 6.1 Se um conjunto vazio, ento P() = 0 6.2 Se A o complemento de A, ento P( A) =1 P( A ) 6.3 Se A e B so dois eventos quaisquer e B o complemento de B, ento P( A B ) = P( A) P( A B ) 6.4 Teorema da Soma das Probabilidades. Se A e B so dois eventos quaisquer, ento P( A B ) = P( A) + P( B ) P( A B ) 6.5 Se A B , ento P(A) P(B) 6.6 Para um evento A qualquer, 0 P( A) 1 7 - Probabilidade Condicional e Independncia Estocstica 7.1 Probabilidade Condicional 7.2 Teorema do Produto das Probabilidades 7.3 Independncia Estocstica (ou Probabilstica) 7.4 Teorema da Probabilidade Total 7.5 Teorema de Bayes

1 - Introduo Laplace escreveu: A teoria das probabilidades, no fundo, no mais do que o bom senso traduzido em clculo, permite calcular com exatido aquilo que as pessoas sentem por uma espcie de instinto. natural como tal cincia, que comeou com estudos sobre jogos de azar, tenha alcanado os mais altos nveis do conhecimento humano. Palavra probabilidade origina-se do Latim probabilitate (provvel ou testvel). A teoria matemtica da probabilidade um instrumento para construo e anlise de modelos matemticos relativos a fenmenos aleatrios. Ao se estudar os fenmenos aleatrios, tm-se um experimento cujo resultado no pode ser previsto. Ento, os jogos de azar logo vm a nossa mente. De fato, a teoria das probabilidades, surgida nos sculos XV e XVI, foi motivada por problemas desse tipo. Historicamente, o propsito original da teoria das probabilidades limitava-se descrio e ao estudo dos jogos de azar e quase todo esforo era concentrado no clculo do valor de determinadas probabilidades de interesse. Entretanto, a obteno de valores nmeros de probabilidades no o principal objetivo da teoria, e sim a descoberta de leis gerais, e a construo de modelos tericos satisfatrios. Com o advento da teoria das probabilidades, foi possvel estabelecer as distribuies de probabilidade, consideradas hoje a espinha dorsal da teoria estatstica, pois todos os processos inferenciais so aplicaes de distribuies de probabilidade. Assim, o conhecimento dos conceitos advindos da teoria das probabilidades de grande importncia para uma correta utilizao da tcnica estatstica. Existem diferentes formas de se definir e compreender a probabilidade, mas todas elas tm em comum a expresso do seu valor segundo o grau de certeza de que um dado evento venha a ocorrer. Matematicamente, isso representado por um nmero real entre "0" (plena certeza de que no vai ocorrer) e "1" (plena certeza de que vai ocorrer). 2 - Conceitos Fundamentais 2.1 - Modelo Determinstico o modelo em que, a partir das condies em que o experimento realizado, pode-se determinar ser resultado.

Sabe-se, por exemplo, que a expresso F = m .a representa a variao de movimento proporcional intensidade da fora motriz aplicada, sendo a direo igual quela em que atua a fora, isto , o produto da massa m do corpo pela sua acelerao a igual ao valor da fora motriz F . Portanto, conhecidos os valores de m e a que determina univocamente a quantidade no primeiro membro da equao F , se aquelas do sendo membro forem fornecidas.
2.2 - Modelo Probabilstico o modelo em que s condies de execuo de um experimento no determinam o resultado final, mas sim o comportamento probabilstico do resultado observvel.

Considere-se, por exemplo, a seguinte situao: deseja-se determinar qual a precipitao pluviomtrica que ocorra numa determinada localidade como resultado de uma tempestade que se avizinha. Dispe-se de informaes sobre presso baromtrica em vrios pontos, variao de presso, velocidade do vento, etc. Embora sejam essas informaes valiosas, no so capazes de responder a questo levantada, qual seja, a de quanta chuva ir cair. Como se pode notar, este fenmeno no se coaduna com um tratamento determinstico; um modelo probabilstico se adapta situao com mais propriedade. 2.3 - Experimentos Probabilsticos ou Aleatrios So aqueles experimentos cujos resultados podem no ser os mesmos, ainda que sejam repetidos sob condies essencialmente idnticas. Alm disso, no se conhece um particular valor do experimento a priori, porm podem-se descrever todos os possveis resultados, as possibilidades. Quando o experimento for repetido um grande nmero de vezes surgir uma regularidade. So exemplos de experimentos probabilsticos: (i) E1: Lanar uma moeda 10 vezes e observar o nmero de caras obtidas. (ii) E2: Escolher, ao acaso, um ponto de um crculo de raio unitrio. (iii) E3: Selecionar uma carta de um baralho com 52 cartas e observar seu naipe. (iv) E4: Jogar um dado ao ar e observar a sua face superior. 2.4 - Espao Amostral Chama-se espao amostral o conjunto de todos os possveis resultados de um experimento aleatrio ou, em outras palavras, o conjunto universo relativo aos resultados de um experimento. Geralmente esse conjunto representado pela letra S. Assim, pode-se dizer que, a cada experimento aleatrio sempre estar associado um conjunto de resultados possveis ou espao amostral. Aos experimentos aleatrios exemplificados anteriormente esto associados os seguintes espaos amostrais, respectivamente: (i) S1 = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9} (ii) S2 = {(x, y): x2 + y2 1} (iii) S3 = {ouro, paus, copas, espadas} (iv) S4 = {0, 1, 2, 3, 4, 5, 6} 2.5 - Eventos Denomina-se evento a todo conjunto particular de resultados de S ou ainda, a todo subconjunto de S. Ser til considerarmos espao todo S e o conjunto vazio como eventos. O primeiro denominado evento certo e o segundo, evento impossvel, e temos: P(S) = 1 P() = 0 Em particular, se S um espao amostral discreto ou enumervel composto de n pontos amostrais, existem 2n subconjuntos ou eventos que podem ser formados a partir de S. O conjunto que rene todos esses subconjuntos chamado espao de eventos ou classe de eventos.

Exemplo: Seja S = {1,2,3} Temos ento, n = 3 23 = 8 eventos A1 = , A2 = {1}, A3 = {2}, A4 = {3}, A5 = {1,2}, A6 = {1,3}, A7 = {2,3}, A8 = {1,2,3} No caso contnuo, os eventos so colocados na forma de intervalos, como por exemplo B ={ a x b } 2.6 - Eventos Mutuamente Exclusivos Diz-se que dois eventos so mutuamente exclusivos se, e somente se, a ocorrncia de um pede a ocorrncia do outro. Correspondente, caracterizam-se, na teoria dos conjuntos, por dois conjuntos disjuntos, isto , que no possuem nenhum ponto em comum. Como exemplo, considere-se os seguintes casos: (i) No lanamento de um dado, a ocorrncia de uma face elimina a possibilidade de ocorrncia das outras cinco. (ii) Seja S o espao amostral referente retirada de uma carta de um baralho de 52 cartas. Seja A o evento retirada de um s e B o evento retirada de uma carta de ouro. V-se que a possibilidade de ocorrer A e B ao mesmo tempo no est descartada, ou seja, ocorrer s de ouro. Logo, os eventos A e B ao mesmo tempo no est descartada, ou seja, ocorrer s de ouro. Logo, A e B no so mutuamente exclusivos. Em outras palavras, dois eventos A e B so mutuamente exclusivos se o seu conjunto interseo for vazio, ou seja,

A B = A e B so disjuntos
3 - Conceitos de Probabilidade Como a teoria das probabilidades est, historicamente, ligada aos jogos de azar, esta associao gerou inicialmente um conceito chamado conceito clssico ou probabilidade a priori, devido Pierre Simon Laplace (1749-1827). O conceito de freqncia relativa como estimativa de probabilidade ou probabilidade a posteriori surgiu posteriormente atravs de Richard Von Mises (1883-1953). J no sculo XX, como a conceituao at ento existente no era apropriada a um tratamento matemtico mais rigoroso, Andrey Nikolaevich Kolmogorov (1903-1987) conceituou probabilidade atravs de axiomas rigorosos.

3.1 - Conceito Clssico ou Probabilidade a priori- (Pierre Simon Laplace) Seja E um experimento e S um espao amostral, a ele associado, composto de n pontos amostrais. Define-se a probabilidade da ocorrncia de um evento A, indicada por P(A), como sendo

a relao entre o nmero de pontos favorveis ( f ) realizao do evento A e o nmero total de pontos ( n ), ou seja: f P( A) = n

n = f + c , onde c = nmero de pontos contrrios realizao do evento A.


Podemos complementar definindo a probabilidade de realizao do acontecimento contrrio, indicada por P( A ) , onde: P( A ) = c n

Obviamente, P( A) + P( A ) =1 P( A ) =1- P( A) . Considere-se os seguintes exemplos: (i) Seja E o experimento relativo ao lanamento de um dado. Seja A o evento da ocorrncia da face 6. Considerando que os pontos de S = {1, 2, 3, 4, 5, 6} so equiprovveis, isto , cada ponto de S tem a mesma probabilidade de ocorrer, tem-se que: 1 P( A) = , 6 pois S possui 6 pontos dos quais um favorvel A. (ii) Seja o espao amostral referente ao nmero de caras obtidos em 3 lances de uma moeda e A o evento ocorrncia de uma cara. Nesse caso: S = {1, 2, 3} e A = {1} Aqui, o conceito clssico no pode ser imediatamente aplicado pois, os pontos de S no so 1 equiprovveis, ou seja P( A) . Observando-se o espao amostral original. 4 S = {cacaca, cacaco, cacoca, cocaca,cacoco, cocaco, cococa, cococo} V-se que A = {cacoco, cocaco, cococa} e, logo, P( A) = J que, nesse caso, S equiprovvel. Fatos: - O conceito clssico s pode ser utilizado em situaes onde o espao amostral enumervel, finito e equiprovvel. 3 8

- Sendo P( A) =

f , no caso infinito todos os eventos teriam probabilidade zero de ocorrer. n

3.2 - Freqncia Relativa ou Probabilidade a posteriori Richard Von Mises Seja E um experimento e A um evento. Se aps n realizaes do experimento E, n suficientemente grande, forem observados m resultados favorveis a A, ento uma estimativa da m probabilidade P(A) dada pela freqncia relativa f = . n Essa definio , s vezes, chamada de probabilidade emprica e tem por base o princpio estatstico da estabilidade, ou seja, medida que o nmero de repeties do experimento cresce, a m freqncia relativa f = se aproxima da probabilidade P(A). n Se jogarmos um dado 90 vezes e obtivermos o resultado do Quadro a seguir, teremos na freqncia relativa a probabilidade a posteriori e na freqncia esperada relativa, a probabilidade a priori. Quando o nmero de tentativas aumenta consideravelmente, as duas se aproximam.

Resultado hipottico do lanamento de um dado 90 vezes consecutivos Face no 1 2 3 4 5 6 Frequncia observada 12 17 15 18 10 18 90 Frequncia relativa 12/90 = 0,133 17/90 = 0,189 15/90 = 0,167 18/90 = 0,200 10/90 = 0,111 18/90 = 0200 1,000 Frequncia esperada 15 15 15 15 15 15 Frequncia esperada relativa 1/6 = 0,167 1/6 = 0,167 1/6 = 0,167 1/6 = 0,167 1/6 = 0,167 1/6 = 0,167

A exigncia n suficientemente grande por demais vaga para que sirva como uma boa definio de probabilidade, alm de impossibilitar, tal como o conceito clssico, o tratamento probabilstico de eventos de espao amostrais contnuos.

Exemplo: Em 660 lanamentos de uma moeda, foram observadas 310 caras. Qual a probabilidade de, num lanamento dessa moeda obter-se coroa? Aqui, a estimativa f da probabilidade p ser: f= 350 = 0,5303 660

3.3 - Conceito Moderno ou Axiomtico (Andrey Nikolaevich Kolmogorov) Seja E um experimento e S um espao amostral associado a E. A cada evento A de S associado a um nmero real P(A), denominado probabilidade da ocorrncia do evento A, se forem satisfeitas as seguintes condies ou axiomas: Axiomas: Proposio evidente por si mesma e que no carece de demonstrao e sabe a qual se funda uma cincia. (i) P(A) 0, qual qualquer evento A em S (ii) P(S) = 1 (iii) Se A e B so dois eventos de S e so mutuamente exclusivos, ento P( A B ) = P( A) + P( B ) Este ltimo axioma pode ser generalizado para o caso de um nmero finito de eventos mutuamente exclusivos, ou seja,

P( A1 A2 An ) = P( A1 ) + P( A2 ) + + P( An ) = P( Ai ) ,
i =1

se Ai A j = para todo par ( i, j ) com i j. Decorre da, duas propriedades importantes, ou sejam: a) 0 P( A) b) P( A) = P( S ) P( A) =1 P( A) Pelo que se pode notar, o conceito axiomtico no fornece formas e sim condies para o clculo de probabilidade, ou seja, qualquer processo de clculo da probabilidade vlido desde que satisfaa os axiomas. Facilmente se comprova que os conceitos a priori e a posteriori se enquadram dentro desse conceito.

3.4 - Uma definio Probabilidade Geomtrica Boris Vladimirovich Gnedenko (1912-1995) Suponhamos que um segmento l seja parte de um outro segmento L e que se tenha escolhido ao acaso um ponto de L. Se admitirmos que a probabilidade de este ponto pertencer a l proporcional ao comprimento de l e no depende do lugar que l ocupa em L, ento a probabilidade de que o ponto selecionado esteja em l ser (Figura 1): P(um ponto de L escolhido ao acaso pertena ao segmento l)

P=

comprimento de l comprimento de L

l Figura 1

Analogamente, suponhamos que uma figura plana g seja parte de uma outra figura plana G e que se tenha escolhido ao acaso um ponto de G. Se admitirmos que a probabilidade desse ponto pertencer a g proporcional rea de g e no depende do lugar que g ocupa em G, ento a probabilidade de que o ponto selecionado estejam em g ser (figura 2):

rea de g P= rea de G

G
g Figura 2

Como se pode observar, o conceito axiomtico trouxe como principal vantagem a possibilidade da extenso do estudo s variveis contnuas. Por ser um conceito amplo, engloba as referncias feitas aos eventos pertencentes aos espaos amostrais infinitos no enumerveis que, at ento, no tinha sido abordados pelos dois primeiros conceitos de probabilidade. Intuitivamente, a probabilidade de ocorrncia de um evento a medida do conjunto que representa o evento e pode ser calculada por diversas formas. 4 - Espao Amostral Finito Seja S um espao amostral finito: S ={a1 ,a 2 ,,a n } Um espao de probabilidade finito obtido associado-se a cada ponto ai S , um nmero real Pi, chamado de probabilidade ai , satisfazendo s seguintes condies: (i) Pi 0, para i = 1, 2, ..., n (ii)

P1 + P2 + ... + Pn = p i =1
i =1

A probabilidade de qualquer evento A, que denotaremos por P(A), dada pela soma das probabilidades dos pontos de A. 5 - Espaos Amostrais Finitos Equiprovveis Seja S um espao de probabilidade finito. Se cada ponto S tem a mesma probabilidade de ocorrer, ento o espao amostral chama-se equiprovvel ou uniforme. Em particular, se S contem n 1 pontos, ento a probabilidade de cada ponto ser . n r Por outro lado, se um evento A contm r pontos, ento P( A) = . n Esse mtodo de avaliar P(A) frequentemente enunciado da seguinte

P( A) =

nmeros de elementos de A ou nmeros de elementos de S nmeros de vezes em que o evento A pode ocorrer nmeros de vezes em que o evento S pode ocorrer

P( A) =

6 - Teoremas do Clculo de Probabilidades John Venn (1834-1923) O clculo de probabilidades, alm dos axiomas, possui nos teoremas a serem enunciados um poderoso instrumento de auxlio. Os diagramas de Venn, so teis na compreenso tanto dos teoremas como dos processos de demonstrao. Diagrama de Venn

Leis dos Conjuntos 1. Lei Comutativa: A B = B A e A B = B A 2. Lei Associativa: A B C = ( A B ) C = A ( B C ) e A B C = ( A B ) C = A ( B C ) 3. Lei Distributiva: A ( B C ) = ( A B ) ( A C ) e A ( B C ) = ( A B ) ( A C ) 4. Lei da Identidade: A S = S A = A A S = A A = 5. Lei do Complemento: A B = A B A B = A B

Teoremas 6.1 Se um conjunto vazio, ento P() = 0 6.2 Se A o complemento de A, ento P( A) =1 P( A ) 6.3 Se A e B so dois eventos quaisquer e B o complemento de B, ento P( A B ) = P( A) P( A B ) 6.4 Teorema da Soma das Probabilidades. Se A e B so dois eventos quaisquer, ento P( A B ) = P( A) + P( B ) P( A B ) 6.5 Se A B , ento P(A) P(B) 6.6 Para um evento A qualquer, 0 P( A) 1 7 - Probabilidade Condicional e Independncia Estocstica 7.1 Probabilidade Condicional A noo de probabilidade condicional uma ferramenta bsica da teoria das probabilidades. Ser introduzida uma definio formal de probabilidade condicional. O smbolo mais comumente adotado P(A | H) , que pode ser lido como a probabilidade do evento A dado o evento H . Em smbolos

N AH P(A H) = NH P(H) claro que cada subpopulao usada unicamente por convenincia de linguagem servindo para indicar que existe uma populao maior sendo considerada. P(A | H) =

Definio: Seja B um evento cuja probabilidade positiva. Para um evento A, arbitrrio, definimos.
P(A | B) = P(A B) , P(B ) > 0 P(B)

A quantidade assim definida ser chamada de probabilidade condicional de A na hiptese B (ou N AB dado B). No caso de todos os pontos amostrais terem probabilidades iguais, o quociente , do NB nmero de pontos amostrais comuns a A e B, pelo nmero de pontos de B. Do mesmo modo tem-se que:

P(B | A) =

P(A B) , P( A) > 0 P(A)

Considerar probabilidades condicionais de vrios eventos com relao a uma hiptese particular H equivalente a escolhermos H como um novo espao amostral, com probabilidades proporcionais s probabilidades originais; o fator de proporcionalidade P(H) necessrio para que se tenha a probabilidade total do novo espao igual a 1. Essa formulao mostra que todos os teoremas gerais sobre probabilidades so vlidos tambm para probabilidades condicionais, com respeito a qualquer hiptese particular H. Por exemplo, a relao fundamental para a probabilidade da ocorrncia de A e B ou ambos, toma a forma

P[(A B)|H] = P(A|H) + P(B|H)-P[(A B)|H]


Se A e B forem eventos mutuamente exclusivos, ento

P[(A B)|H] = P(A|H) + P(B|H)


7.2 Teorema do Produto das Probabilidades Visto que a probabilidade condicional de A na hiptese H (ou dado H)
P(A | H) = P(A H) P(H)

(i)

A frmula (i) frequentemente usada na forma

P(A H) = P(A | H) P(H)

(ii)

Esse resultado conhecido pelo nome de teorema do produto das probabilidades (ou teorema das probabilidades compostas). 7.3 Independncia Estocstica (ou Probabilstica) Eventos independentes podem ser definidos quando a ocorrncia ou no ocorrncia de um evento no afeta a probabilidade de ocorrncia de um outro evento. A probabilidade condicional P(A | H) no , em geral, igual probabilidade P( A) . No caso em que P( A / H ) = P( A) entende-se que A estocasticamente (probabilisticamente) independente de H. A expresso P(A H) = P(A | H) P(H) mostra que a condio P(A | H) = P(A) pode ser escrita na forma

P( A H ) = P( A) P( H )
Essa equao simtrica em A e H, e mostra que sempre que A for estocasticamente independente de H, o mesmo se pode dizer de H com relao a A. prefervel, portanto, comearmos com a seguinte definio simtrica.

Definio: Dois eventos A e H dizem-se estocasticamente independentes ou simplesmente, independentes, se for vlida a igualdade P( A H ) = P( A) P( H ) . Essa definio engloba a situao na qual P(H ) = 0, caso em que P(A | H) no definida. O termo estatisticamente independente sinnimo de independncia estocstica. Suponhamos agora trs eventos A, B e C, tais que P( A B ) = P( A) P( B ) (a) P( A C ) = P( A) P(C ) P( B C ) = P( B ) P(C )

(b) P( A B C ) = P( A) P( B ) P(C )
Se os eventos A, B e C satisfazem a (a) e (b), eles so mutuamente independentes. Definio: Os n eventos A1, A2, ... , An, dizem-se mutuamente independentes se para todas as combinaes 1 i < j < k < n , as regras de multiplicao P( Ai A j ) = P( Ai ) P( A j ) P( Ai A j Ak ) = P( Ai ) P( A j ) P( Ak ) ................................................................. ................................................................. P( Ai A j An ) = P( Ai ) P( A j )P( An ) se aplicam. O nmero total de equaes definidas acima 2 n n 1. 2 3 A primeira linha corresponde a C n equaes, a segunda C n , etc. Temos, portanto,
2 3 n 1 0 C n + Cn + + C n = (1 +1) n Cn Cn = 2 n n 1 condies, que devem ser satisfeitas. Por outro 2 lado, as C n condies da primeira linha so suficientes para garantir independncia dois a dois.

7.4 Teorema da Probabilidade Total Ser enunciado agora um teorema til que relaciona a probabilidade de um evento com probabilidade condicionais, o qual chamado Teorema da Probabilidade Total. Os eventos B1, B2, ... e Bk constituem uma partio de um espao amostral S, se e somente se, as seguintes condies so verificadas. a) Bi B j = para i j b) B1 B2 Bk = S c) P( Bi ) > 0

Sejam B1, B2, ... e Bk eventos mutuamente exclusivos e exaustivos*. Ento, para um evento arbitrrio A, * {B1 , B2 ,, Bk } um conjunto de eventos mutuamente exclusivos e exaustivos se qualquer dois eventos Bi e B j no podem ocorrer ao mesmo tempo e um deles deve ocorrer. Simbolicamente, Bi B j = para i j e B1 B2 Bk = S P(A) = P(A | B1) P(B1) + P(A | B2 ) P(B2 ) + L + P(A | Bk ) P(Bk )

P(A | B ) P(B )
i =1 i i

PROVA: Seja o diagrama de Venn a seguir:

S B1 B3 A B2 B4 B6 Bk B5 B7
. . .

Figura Diagrama de Venn associado ao Teorema da probabilidade total. claro que pode-se escrever A como a unio de eventos mutuamente exclusivo, isto , A = ( A B1 ) ( A B2 ) ( A Bk ) Logo, P( A) = P( A B1 ) + P( A B2 ) ++ P( A Bk ) Mediante aplicao da definio de probabilidade condicional onde

P(A | Bi ) =
teremos:

P(A Bi ) P(Bi )

P(A Bi ) = P(A | Bi ) P(Bi ) ,

P(A) = P(A | B1 ) P(B1 ) + P(A | B2 ) P(B2 ) + L

+ P(A | Bk ) P(Bk )

P(A | B ) P(B )
i =1 i i

A utilidade desse resultado reside no fato de que as probabilidades que compem o somatrio acima so em geral mais fceis de calcular do que a prpria probabilidade A. 7.5 Teorema de Bayes As probabilidades condicionais P( A / B ) e P( B / A) expressam diferentes valores de probabilidades, embora possam ter definies de mesma origem considerando a probabilidade P( A B ) . Um importante teorema que expressa o conceito de uma probabilidade condiconal em funo de outras probabilidades condicionais e marginais o teorema de Bayes. Com base nas definies P(A B) = P(A | B) P(B) e P(A B) = P(B | A) P(A) possvel estabelecer as seguintes relaes, igualando-se ambas as expresses: Sejam A e B dois eventos arbitrrio com P( A) > 0 e P( B ) > 0 . Ento

P(B | A) P(A) = P(A | B) P(B)


Assim, possvel apresentar o teorema de Bayes por:
P(B | A) = P(A | B) P(B) P(A)

A idia de partir de agora particionar S em conjuntos mutuamente exclusivos tais como B1, B2, ... e Bk, cuja unio, por definio, forma o espao amostral. B1 B2 Bk = S Ento, o teorema de Bayes dado por: Teorema de Bayes: Se B1, B2, ... e Bk so conjuntos mutuamente exclusivos cuja unio resulta em S, ento: P(A | Bi ) = P(A | Bi ) P(Bi )

P(A | B ) P(B ) , para i = 1, 2, ... , k.


i =1 i i

O digrama de Venn apresentado a seguir ilustra como o teorema de Bayes pode ser facilmente compreendido.
S B1 B3 B5 A B2 B4 B6 Bk B7
. . .

Figura Diagrama de Venn associado ao Teorema de Bayes. O resultado dado pela Equao acima chamado Teorema de Bayes, em honra do filso ingls Thomas Bayes, e sua utilidade consiste em permitir-nos calcular a probabilidade a posteriori P(A | B) em termos das informaes a priori P( A) e P(B ) . Como pode ser observado o teorema de Bayes, uma regra matemtica relativamente simples e de validade inquestionvel. Sua aplicabilidade, no entanto, envolve um tipo de raciocnio invertido em relao a efeito e causa. Esse tipo de raciocnio um dos grandes atrativos desse teorema e promove a base que sustenta o pensamento que a inferncia caminha do ponto de vista dos resultados amostrais para o universo ou populao, que o cerne da rea estatstica conhecida como inferncia bayesiana.

(Existem outras regras para quantificar a incerteza, como a teoria de Dempster-Shafer e a lgica difusa (fuzzy logic), mas estas so, em essncia, diferentes e incompatveis com as leis da probabilidade tal como so geralmente entendidas). A lgica difusa uma genearalizao da lgica clssica que admite valores lgicos fraccionrios, ao contrrio da lgica tradicional que admite apenas o par oposto falso/verdadeiro, tudo/nada, etc. A lgica difusa uma tentativa de implementar nveis intermedirios de verdade (tons de cinza, como dizem alguns). Tem sido aceitada por alguns matemticos e rejeitada por outros

Você também pode gostar