Baixe o app para aproveitar ainda mais
Prévia do material em texto
PROFESSOR LUÍS HENRIQUE PEQUENA APOSTILA DE PROBABILIDADE CONTEÚDOS: Probabilidade condicional; Independência de eventos; Teorema da probabilidade total; Teorema de Bayes; PROFESSOR LUÍS HENRIQUE III. n k = 1 = k = 1 n PROFESSOR LUÍS HENRIQUE PROFESSOR LUÍS HENRIQUE PROFESSOR LUÍS HENRIQUE Vamos agora realizar uma análise: BB → 2 5 x 1 4 = 2 20 BV → 2 5 x 3 4 = 6 20 VB → 3 5 x 2 4 = 6 20 VV → 3 5 x 2 4 = 6 20 Temos que: P(A) = 2 20 + 6 20 = 2 5 e P(A|C) = 1 4 Considere agora que as extrações são feitas com reposição, ou seja, a 1ª bola sorteada é reposta na urna antes da 2ª extração. Nessa situação, temos: B V B B V V 𝟐 𝟓 𝟑 𝟓 𝟏 𝟒 𝟐 𝟒 𝟑 𝟒 𝟐 𝟒 Temos agora que a soma de todos os resultados é igual a 1. PROFESSOR LUÍS HENRIQUE Fazendo uma nova análise temos: BB → 2 5 x 2 5 = 4 25 BV → 2 5 x 3 5 = 6 25 VB → 3 5 x 2 5 = 6 25 VV → 3 5 x 3 5 = 9 25 Neste caso, P(A) = P(Branca na 2ª) = 4 25 + 6 25 = 2 5 P(A|C) = P(Branca na 2ª|Branca na 1ª) = 2 5 = P(A) P(A|Cc) = P(Branca na 2ª | Vermelha na 1ª) = 2 5 = P(A) Ou seja, o resultado na 2ª extração independe do que ocorre na 1ª extração. B V B B V V 𝟐 𝟓 𝟑 𝟓 𝟐 𝟓 𝟐 𝟓 𝟑 𝟓 𝟑 𝟓 Temos agora que a soma de todos os resultados é igual a 1. PROFESSOR LUÍS HENRIQUE PROFESSOR LUÍS HENRIQUE PROFESSOR LUÍS HENRIQUE Como a união de todos os (A) é o espaço amostral, segue que B = (A1 B) (A2 B) ... (An B) O fato de alguns desses termos serem o conjunto vazio, não invalida o resultado, uma vez que A = A. Por definição de partição, os Ai são mutuamente exclusivos dois a dois, logo, os eventos Ai B também o são. Então, pela lei da probabilidade de eventos disjuntos, podemos escrever: P(B) = P[(A1 B) (A2 B) ... (An B)] PROFESSOR LUÍS HENRIQUE P(B) = P(A1 B) + P(A2 B) + ... + P(An B) E a regra da multiplicação nos dá que: P(B) = P(A1)P(B|A1) + P(A2)P(B|A2) + ... + P(An)P(B|An) Seja A1, A2, ..., An uma partição do espaço amostral e seja B um evento qualquer em . Então: Vamos ver a seguinte demonstração: P(B Ai) Sendo que última igualdade segue o fato de que os Ai são disjuntos, vemos que: P(B Ai) = P(B|Ai)P(Ai) Portanto, P(B) = P(Ai)P(B|Ai) n i = 1 P(B) = P(B ) = P B Ai U n i = 1 ( [ n ] ) n i = 1 = PROFESSOR LUÍS HENRIQUE EXEMPLO: temos três urnas com a seguinte composição: URNA 1 – 3 bolas brancas e 5 bolas vermelhas; Urna 2 – 4 bolas brancas e 2 bolas vermelhas; Urna 3 – 1 bola branca e 3 bolas vermelhas; Escolhe-se umas das três urnas de acordo com a seguinte probabilidade: urna 1 com probabilidade 𝟐 𝟔 , urna 2 com probabilidade 𝟑 𝟔 e urna 3 com probabilidade 𝟏 𝟔 . Uma bola é retirada da urna selecionada. Qual a probabilidade de se obter uma bola branca? Vamos definir os eventos: B – Uma bola branca foi selecionada E, para i {1, 2, 3} Ui: A urna i foi selecionada Usando a fórmula das probabilidades totais temos: P(B) = P(B|U1)P(U1) + P(B|U2)P(U2) + P(B|U3)P(U3) P(B) = 3 8 x 2 6 + 4 6 x 3 6 + 1 4 x 1 6 = 3 24 + 2 6 + 1 24 = 1 2 P(B) = P(Ai)P(B|Ai) n i = 1 PROFESSOR LUÍS HENRIQUE Sobre as mesmas hipóteses do teorema da probabilidade total, podemos calcular a probabilidade de Ai dada a ocorrência de B. em teoria das probabilidades, o teorema de Bayes apresenta um resultado que é de importância na manipulação matemática de probabilidades condicionais. O teorema de Bayes pode ser derivado de maneira simples a partir de axiomas de probabilidade, especificamente, probabilidade condicional. Seja A1, A2, ..., An uma partição do espaço amostral e seja B um evento qualquer em . Então: P(Ai|B) = 𝑷൫𝑨𝒊൯𝑷(𝑩|𝑨𝒊) 𝒋=𝟏 𝒏 𝑷ቀ𝑨𝒋ቁ𝑷(𝑩|𝑨𝒋) = 𝑷൫𝑨𝒊൯𝑷(𝑩|𝑨𝒊) 𝑷(𝑩) Esse resultado é o que chamamos de Teorema de Bayes. Esse teorema é útil quando conhecemos as probabilidades dos Ai e a probabilidade condicional de B dado Ai, mas não conhecemos diretamente a probabilidade de B. O teorema de Bayes conecta probabilidades condicionais com suas inversas, por exemplo, o evento B é fixado na discussão, e queremos considerar o impacto de ter sido observado vários eventos possíveis A. Em tal situação, o denominador da última expressão, a probabilidade de dado as provas B, é fixo; o que querermos variar é A. É importante que, na resolução de exercícios e também na aplicação prática desses teoremas, você identifique os eventos de interesse, os eventos que definem a partição do espaço amostral e quais PROFESSOR LUÍS HENRIQUE são as probabilidades a priori. Em geral, são essas probabilidades que identificam a partição de . Vamos considerar mais um exemplo para ilustrar esses pontos. EXEMPLO: em uma turma de administração, 65 % dos alunos são do sexo masculino. Sabe-se que 30 % dos alunos tem carro, enquanto que essa proporção entre as alunas se reduz para 18 %. Sorteia-se ao acaso um estudante dessa turma usando o seu número de matrícula e constata-se que possui um carro. Qual a probabilidade de que a pessoa sorteada seja do seja do sexo feminino? H = homem C = possui carro M = mulher C.. = não possui carro P(H) = 0,65 → P(M) = 0,35 P(C|H) = 0,30 → P(C..|H) = 0,70 P(C|M) = 0,18 → P(C..|M) = 0,82 O problema pede P(M|C) e para calcular essa probabilidade, temos que calcular P(C). Pelo teorema da probabilidade total, sabemos que: P(C) = P(C M) + P(C H) P(C) = P(M)P(C|M) + P(H)P(C|H) P(C) = 0,35 x 0,18 + 0,65 x 0,70 P(C) = 0,518 PROFESSOR LUÍS HENRIQUE Logo, P(M|C) =
Compartilhar