Baixe o app para aproveitar ainda mais
Prévia do material em texto
( l . Probabilidade e Variáveis Aleatórias Marcps Nasçimento Magalhaes 2!! edição 111104 1 UNIVERSIDADE DE SÃO PAULO Rei tora Suely Vilela EDITORA DA UNIVERSIDADE DE SÃO PAULO Diretor-presidente Plinio Martins Filho COMISSÃO EDITORIAL Presidellte José Mindlin Vice-pre.<idente Laura de Mello e Souza Brasflio João Sallum Júnior Carlos Alberto Barbosa Dantas Carlos Augusto Monteiro Franco Maria Lajolo Guilherme Leite da Silva Dias Plinio Martins Filho Diretora Editorial Silvana Biral Diretora Comercial )vete Silva Editores-as.'iistentes Marilena Vizentin Carla Fernanda Fontana Marcos Bernardini Probabilidade e Variáveis Aleatórias Marcos Nascimento Magalhães I I Copyright © 2004 by Marcos Nascimento Magalhães I' edição 2004 (IME-USP) 2' edição 2006 (Edusp) Ficha catalográfica elaborada pelo Departamento Técnico do Sistema Integrado de Bibliotecas da USP Magalhães, Marcos Nascimento. Probabilidade e Variáveis Aleatórias I Marcos Nascimento Magalhães . - 2. ed. - São Paulo: Editora da Universidade de São Paulo, 2006. 428 p.; 16 lt 23 em. Inclui bibliografia. Inclui índice remissivo. Apêndice: A. Tabela normal, Resumo de distribuições, Sumário de eltpressões matemáticas - B. Respostas de ellercícios. ISBN 85-314-0945-4 I. Matemática. 2. Probabilidade. L Título. Direitos reservados à Edusp- Editora da Universidade de São Paulo Av. Prof. Luciano Gualberto, Travessa J, 374 CDD-519.2 6" andar- Ed. da Antiga Reitoria- Cidade Universitária 05508-900- São Paulo - SP- Brasil Divisão Comercial: Te I. (Ou I I) 3091-4008 I 3091-4 I 50 SAC (Oxx 11 ) 3091-291 I -Fax (Oxx I I) 3091-415 I www.usp.br/edusp- e-mail: edusp@edu.usp.br Printed in Brazil 2006 Foi feito o depósito legal Conteúdo Prefácio .................................................................................................................. ; ;; 1. Conceitos Básicos em Probabilidade ................................................................ 1 1.1 Introdução............................................................................................. 1 1.2 Conjuntos e Combinatória .................................................................... I 1.3 Probabilidade ...................................................................................... 1 O 1.4 Exercícios ............................................................................................ 46 2. Variáveis Aleatórias ......................................................................................... 6 3 2.1 Introdução ........................................................................................... 63 2.2 Variáveis Aleatórias ............................................................................ 63 2.3 Principais Modelos Discretos ............................................................. 8 1 2.4 Principais Modelos Contínuos ............................................................ 94 2.5 Exercícios ....................... ~ .................................................................. lO? 3. Vetores Aleatórios .......................................................................................... 11 5 3 . I Introdução......................................................................................... I 15 3.2 Vetores Aleatórios ............................................................................ 115 3.3 Funções de Variáveis Aleatórias ...................................................... . l41 3.4 Exercícios .......................................................................................... 169 4. Valor Esperado ............................................................................................... l7 9 4.1 Introdução ......................................................................................... 179 4.2 Valor Esperado .................................................................................. ISO 4.3 Valor Esperado- Integral de Lebesgue-Stieltjes ................................ l99 4.4 Propriedades do Valor Esperado ....................................................... 213 4.5 Exercícios .......................................................................................... 234 5. Momentos, Esperança Condicional e Funções Auxiliares .......................... 24 1 5.1 Introdução ......................................................................................... 241 5.2 Momentos .......................................................................................... 24 1 5.3 Esperança Condicional. ..................................................................... 260 5.4 Função Geradora de Momentos ........................................................ 266 5.5 Função Característica ........................................................................ 276 5.6 Exercícios .......................................................................................... 290 -· ( i i Conteúdo 6. Convergência de Variáveis Aleatórias ......................................................... 299 6. 1 Introdução ......................................................................................... 299 6.2 Modos de Convergência ................................................................ , ... 300 6.3 Leis dos Grandes Números ............................................................... 323 6.4 Teorema Central do Limite ............................................................... 337 6.3 Exercícios .......................................................................................... 350 Apêndice A ........................................................................................................ 359 Tabela Normal .......................................................................... : ............ 36l Resumo de Distribuições ...................................................................... 362 Sumário de Expressões Matemáticas .................................................. 365 Apêndice B -Respostas de Exercícios ............................................................... 371 Bibliografia ......................................................................................................... 403 Índice Remissivo ................................................................................................. 407 Prefácio Este livro busca contribuir para a formação de estudantes que tenham interesse em aprofundar os conceitos de probabilidade e de variáveis aleatórias. Em especial, poderia ser útil para estudantes de pós-graduação em ínicio de Mestrado nas áreas de exatas, em particular, de Matemática e Estatística. O nível dos pré-requisitos necessários à leitura e a formalização envolvida no texto, podem ser considerados similares ao livro excelente (e, de certa forma, já clássico em nosso país) de autoria de Barry James. A seqüência do conteúdo e a escolha dos tópicos refletem minha experiência, adquirida nos vários anos em que fui responsável por disciplinas correlatas, no curso de Pós-Graduação do Departamento de Estatística do Instituto de Matemática e Estatística da Universidade de São Paulo (IME-USP). Este livro traz inúmeros exemplos ilustrativos e uma quantidade expressiva de exercícios. Isto busca realçar, para os leitores, a necessidade de praticarem os conceitos através da resolução de exercícios. Muitas vezes, a aparente frustração de ficar horas tentando resolver um exercício pode esconder os grandes benefícios que essa persistência tem em nossa formação, pois, como na vida, nem todos os problemas são resolvidos no tempo em que gostaríamos que o fossem. Como é comum em textos desse tipo, muitos desses exercícios foram adaptados de o"utros livros e/ou sugeridos por colegas. Vários foram criados e outros tantos coletados de provas e exames que organizei, ao longo da carreira acadêmica. Os exercíciossão apresentados ao fim de cada seção e em uma seção específica ao final de cada capítulo. Quero expressar minha gratidão aos colegas e estudantes que deram sua colaboração na feitura deste livro. A professora Elisabeti Kira leu praticamente todos os capítulos e fez inúmeras sugestões e comentários. Também auxiliou na discussão de vários exercícios. Os professores Francisco Miraglia e Luis Gustavo Esteves leram alguns capítulos e, também, deram várias sugestões importantes. A professora Zara I. Abud forneceu algumas referências de Análise Matemática e a professora Maria Izabel R. Martins auxilou na solução de vários exercícios que envolviam integração. Os estudantes Thomas L. Ritchie, Geraldine G. Bosco e Juvêncio S. Neto deram sugestões em capítulos específicos. Para preparar as respostas dos exercícios, foram muito úteis as soluções que os estudantes Fernando C. Cordeiro, Grazielle Y. Soldá, Juvêncio S. Neto e Mariana M. Ribeiro iii i v Pref ácio gentilmente disponibilizaram. Gostaria de agradecer, em especial, ao estudante Nelio P. Machado pela organização de exercícios, ajuda na digitação, bem como na edição dos apêndices. O professor Antonio Carlos P. de Lima auxiliou-me, em vários momentos, na escolha das diversas opções que a redação de um texto como este sempre traz. A professora Maria Cecilia Camargo Magalhães, com a tradicional competência e rapidez, auxiliou na correção do texto. Luis Ricardo Camara, da ADUSP- Associação dos Docentes da USP, preparou a capa e a formatação da Tabela da Normal. As professoras Elisabeti Kira e Mônica Carneiro Sandoval utilizaram a 1 a. edição em seus cursos e deram várias sugestões incorporadas nessa nova edição. A todos eles meu profundo agradecimento. Para a segunda edição foram corrigidos, na medida que foram encontrados, os erros ortográficos e os erros em respostas de exercícios. Alguns enunciados de exemplos, definições, proposições e exercícios foram alterados para sanar pequenos erros e/ou tornar mais clara a redação. Eventualmente, pequenas modificações de redação também foram feitas para ajustar a diagramação. Em resumo, não há grandes alterações nessa segunda edição. A grande motivação para esta nova edição foi o fato da la. edição ter se esgotado. Desse modo, os estudantes e colegas podem continuar usando a edição anterior após consulta à www.ime.usp.br/-marcos que contém uma descrição das atualizações. Por maior esforço que se possa ter feito, alguns erros vão aparecer e são de minha responsabilidade. Agradeceria receber críticas e sugestões que possam contribuir para a melhoria do texto em novas edições. São Paulo, fevereiro de 2006 Marcos N. Magalhães marcos@ime.usp.br Capítulo 1 Conceitos Básicos em Probabilidade 1.1 Introdução Neste capítulo, são apresentadas as idéias básicas de probabilidade. Incluímos, também, vários exemplos para ilustrar técnicas importantes que devem ser exercitadas pelos leitores. Muitos dos problemas apresentados são clássicos, estão presentes em vários textos da área, e fazem parte da história do estudo de probabilidade. Apresentamos, na Seção 1.2, um sumário dos principais resultados em Teoria dos Conjuntos e Combinatória. Em seguida, na Seção 1.3, o conceito formal de probabilidade é. apresentado usando o suporte axiomático rigoroso introduzido pelo matemático russo A. N. Kolmogorov. A notação utilizada procurou ser a mais usual dentre as várias alternativas possíveis e irá sendo introduzida conforme necessário. 1.2 Conjuntos e Combinatória Encontramos, na natureza, muitas situaç.ões que envolvem incertezas. Elas são denominadas de fenômenos ou experimentos aleatórios. A busca por avaliar as diversas probabilidades de ocorrência é um dos objetivos no estudo desses fenômenos. O espaço amostrai é o conjunto de todos os resultados possíveis de um experimento aleatório e é representado por n. Ele pode ser enumerável, finito ou infinito, se pode ser colocado em correspondência bi-unívoca com os números naturais. Caso contrário, será não enumerável, como a reta real. Cada resultado pOSSSÍVel é denominado ponto OU elemento de f! e denotado genericamente por UI. Assim, escrevemos UI E n para indicar que o elemento UI está em n. o conjunto sem elementos é o conjunto vazio, denotado por 0. Os subconjuntos de n, serão denotados por letras latinas maiúsculas do ínicio do alfabeto, tais como A, B, etc. Além disso, escrevemos A C n para indicar que A é subconjunto do espaço amostrai n. Exemplo 1.1: Uma rede de computadores está em operação contínua, mas pode sofrer avaria a qualquer momentó. Na ocorrência de falha, o tempo de colocar a rede novamente em operação depende de vários fatores envolvendo a extensão e a 1 Anailson S. S. Anailson S. S. ( ( ( J ( ( ( ( I ( ( ( 2 Capítulo 1: Conceitos Básicos em Probabilidadt• causa da falha, entre outras. Se estivermos interessados no número de falhas diárias temos como espaço amostrai: n = {0, 1, 2,. ··,m}. Nesse caso, n é um conjunto enumerável finito, sendo m o limite máximo de falhas estabelecido pelo administrador da rede. É claro que se esse limite não é fixado, poderíamos considerar n como sendo enumerável infinito. Em uma análise estatística do funcionamento da rede, poderia haver interesse em avaliar o valor de m para estabelecer políticas de manutenção preventiva. Supondo, agora, que o interesse é observar a hora do dia em que ocorre falha, o espaço amostrai seria f2 = { w E IR : O :::; w :::; 24}. Temos, assim, um conjunto não enumerável. Se a unidade de tempo for minutos ou segundos, o intervalo de valores se modifica adequadamente. Observe que, para um mesmo fenômeno aleatório, pudemos associar yários espaços amostrais. A escolha de qual é adequado depende do interesse do estudo e, muitas vezes, é possível trabalhar com mais de um espaço amostrai. O A notação utilizada para as operações básicas entre subconjuntos é apresentada a seguir: (i) A c ou A é o complementar de A, isto é, todos os elementos de n exceto os de A; n (ii) A1 U A2 ... U A,. ou U AJ é a união de A1, A2, ... , A,. e representa os j= l pontos de n que pertencem a pelo menos um desses subconjuntos; n (iii) A1 n A2 ... nA" ou n Ai ou, ainda, simplesmente A1A2 ... A,. é a j=l intersecção de A 1, A 2, .•• , A 11 e representa a ocorrência simultânea desses subconjuntos; (iv) A- B ou A n B" = ABc é a diferença entre A e B, isto é, todos os elementos de A, exceto os que também estejam em B ; (v) A!::::.B ou ABc U Ar B é a diferença simétrica entre A e B, isto é, todos os elementos de A U B exceto os que estejam em A n B. 1.2 Conjuntos e Combinatória 3 Diremos que dois subconjuntos são disjuntos ou mutuamente exclusivos se sua intersecção é o vazio. Assim, A e B disjuntos {::} A n B = 0. Diremos que A 1 , A2, ... , A, formam uma partição de n se são disjuntos e se sua união é n, ou seja: n UA; = n, com A; nAj = 0, Vi =I= j. i=l o conjunto das partes de n é formado por todos os subconjuntos de n. Denotaremos esse conjunto por nP, mas são comuns outras notações tais como P{n} (que foi evitada aqui para não confundir com probabilidade, definida adiante). Se um número infinito de subconjuntos estiver envolvido nas operações acima mencionadas, elas são definidas de maneira análoga. Exemplo 1.2: Leis de Morgan Um conjunto de relações entre umao e intersecção de conjuntos, conhecido como Leis de Morgan, auxilia na demonstração de vários resultados. Elas são dadas por: Vamos verificar a relação (i) e deixamos ao leitor a demonstração da outra parte, que é análoga. O caminho usual, para demonstrar igualdades entre conjuntos, é provar que cada um deles está contido no outro. Dessa forma, temos duas partes a serem verificadas: n )c n ( UA; c nA~ (parte I) e i"=l i=l n . c n ( U A;) :J nA;· (parte 2). i=l i=l Prova da Parte 1: Suponha que w E (9 1 A;) c .Então w ~;ºA; e, ainda, w ~A; para todo 11 i. Dessa forma w E Aj para todo i e, consequentemente, w E n Aj. i=l Anailson S. S. Anailson S. S. Anailson S. S. Anailson S. S. Anailson S. S. Anailson S. S. Anailson S. S. Anailson S. S. Anailson S. S. Anailson S. S. Anailson S. S. Anailson S. S. Anailson S. S. Anailson S. S. Anailson S. S. 4 Capítulo 1: Conceitos Básicos em Probabilidade Prova da Parte 2: n Suponha que w E n Af. Então w E Af para todo i e, ainda, w rf- A; para i=l todo i. Dessa forma w rf- iº l A; e, consequentemente, w E (Q A;) c. Portanto, a verificação da relação (i) está completa. Vale ressaltar que as Leis de Morgan também são válidas para o caso em que n = oo. D Diremos que os subconjuntos A~, A2, •• • formam uma seqüência monótona não-decrescente se An C An+l para todo n 2:: 1 (em notação simplificada An l ). A seqüência será monótona não-crescente (An l ) se a inclusão for no sentido contrário, isto é, se para n 2:: 1 tivermos An :::> An+l· O limite superior da seqüência de subconjuntos { An; n 2:: 1} é definido por: 00 00 limsup An = lim An = n U Ak· n=lk=n Em palavras, o lim supAn é o conjunto dos elementos de O que pertencem a um número infinito dos A ... Por essa razão, é freqüente denominar lim sup An pelo conjunto {An infinitas vezes}. De modo similar, definimos limite inferior por 00 00 liminf A11 = lim A,.= U n Ab n=l k=n sendo interpretado como o conjunto dos w E O que estão em todos os An, a partir de um certo n (que pode ser função de w). Outra interpretação, bastante utilizada, considera o lim in f An como sendo o conjunto {ocorre An, para todo n suficientemente grande} . Se uma seqüência {A.,; n 2:: 1} tem limite, então os limites inferior e superior coincidem, isto é, lim An = lim An = lim An, n-->oo justificando a nomenclatura utilizada para essas operações de conjuntos. Vamos estabelecer uma classe de subconjuntos com algumas propriedades convenientes. Ela será usada para a definição axiomática de probabilidade, apresentada na próxima seção. 1.2 Conjuntos e Combinatória 5 Definição 1.1: o--álgebra Uma classe de subconjuntos de O, representada por :F, é denominada uma u-álgebra se satisfaz as seguintes propriedades: (Al) O E :F; (A2) Se A E :F, então Ac E :F; 00 (A3) Se A; E :F, i 2:: 1, então U A; E :F. i=l Se apenas a união finita está em :F temos uma classe menos restrita, denominada álgebra. D É fácil verificar que uma u-álgebra é também uma álgebra. Fica como exercício ao leitor verificar que intersecções infinitas de elementos de uma u - álgebra, também pertencem à u-álgebra. Exemplo 1.3: Considere O = {1, 2, 3} e as seguintes coleções de subconjuntos: • :Fl = {0,0,{1} , {2,3}}; :F2 = {0,0,{1}, {2} , {1 , 3} , {2, 3}} . Seriam ambas u-álgebra? Para responder a essa questão vamos verificar se as propriedades (Al)- (A3) estão satisfeitas. As duas coleções contém o espaço amostrai e, assim, (A1) está satisfeita para ambas. Vamos verificar (A2). Observe que os complementares dos elementos de :F1 estão todos também em :F1 pois: 0c =o, oc = 0, {1}" = {2,3} e {2,3Y = {1} . Logo :F1 satisfaz a propriedade (A2). De modo análogo, verificamos que o mesmo ocorre com a coleção :F2. Para verificar (A3) observamos que, como o número de elementos em cada coleção é finito, basta verificar se todas as uniões possíveis com seus elementos também pertencem à coleção. A união com o vazio é inócua e a com O dá o próprio O, logo vamos nos ocupar das demais uniões que poderiam não pertencer à coleção. Para :F1 temos {1} u {2, 3} =o E :F1 , e, portanto, a propriedade (A3) está satisfeita e a coleção :F1 é uma u-álgebra. Anailson S. S. Anailson S. S. Anailson S. S. 6 Capítulo 1: Conceitos Básicos em Probabilidade Se tomarmos as uniões relevantes e não triviais em :F2, notamos imediatamente que {1} u {2} = {1, 2} tt :F2; logo (A3) não vale e a coleção de conjuntos :F2 não forma uma o--álgebra. O Exemplo 1.4: Seja :F uma o--álgebra de conjuntos de n e considere que A1, A2 , ···sejam elementos de :F. Para k = 1, 2, ··· ,definimos: B~.: = { w : w pertence a no mínimo k dos conjuntos An, n = 1, 2, · · · }. Vamos verificar que os conjuntos Bk, k = 1, 2, ···também estão na o--álgebra :F. Fixando um k arbitrário, precisamos caracterizar os elementos de B~ .. Observe que se w E Bh então ele pertence a j dos An 's, para algum j 2: k. Assim, podemos considerar os w's E B~.: como a união daqueles que pertencem a exatamente j dos An 's, com j = k, k + 1, ···. Mas pertencer a exatamente j dos j An 's, é pertencer à n An1 , para alguma escolha de índices nh n2 , ... , nk. i=l oc j Portanto segue que B~.: = U n An;· j=ki=l Note que, pelas Leis de Morgan, temos ió An1 = (~1 A~1 ) c. Aplicando sucessivamente as propriedades de o--álgebra vem: A~1 E :F pois A711 E :F (propriedade A2); j ::::} U A~1 E :F (propriedade A3); i=l ::::} (U A~i ) r E :F (propriedade A2); t=l 00 ( j c ::::} U U A~~ ) E :F (propriedade A3); j=k i=l logo Bk E :F e a verificação está completa. Exemplo 1.5: A "menor" u-álgebra gerada por um subconjunto o Em várias situações, nosso interesse é construir uma o--álgebra que tenha. entre seus elementos, um particular subconjunto A c f!. Não é díficil verificar 1.2 Conjuntos e Combinatória 7 que :F= {0, A, A c, f!} é uma o--álgebra, sendo A um dos seus elementos. Qualquer outra o--álgebra que também contiver A será "maior", isto é, terá os elementos de :F e, eventualmente, mais alguns. Por isso, :F é definida como a o-- álgebra gerada por A ou, ainda, como a intersecção de todas as o--álgebras que contém o subconjunto A. Numa denonúnação mais informal diremos que :F é a menor o--álgebra que contém o subconjunto A. A o--álgebra de Borel em IR, denotada por B(IR), é a menor o--álgebra que contém todos os intervalos abertos dos reilis. É possível verificar que ela pode ser gerada pelos intervalos ( -oo, x) com x E IR. Existem outras escolhas para o intervalo gerador, mas o que é importante é que, qualquer tipo de intervalo dos reais, pode ser obtido através de um número enumerável, finito ou infinito, de operações de uniões e intersecções com o intervalo acima. Para ilustrar essas idéias, vamos verificar que o intervalo [a, bJ, com a < b, a, b E JR, está na o--álgebra gerada por intervalos do tipo ( -oo, x) com X E JR. Observe que, para qualquer b E JR, existe uma seqüência b, ! b de modo •oo que ( -oo, bJ pode ser escrito como n ( -oo, bn)· Logo ( -oo, b] está em B(JR), n=l pois ele é obtido da intersecção infinita de intervalos do tipo ( -oo, x), todos em B(JR). Note que, sendo (-oo,aY = [a,oo) este intervalo também está em B(JR). Finalmente, [a, bj está na o--álgebra de Borel, pois é intersecção ·de dois de seus elementos, isto é, [a, b] = [a, oo) n ( -oo, b]. Se o resultado de um experimento é um número real, isto é n = JR, então todas as perguntas práticas de interesse se referem a um conjunto pertencente à o-- álgebra de Borel. É preciso muito esforço e artificialidade para construir um subconjunto que não seja boreliano. O Uma função bastante útil na operação entre conjuntos é a função indicadora do conjunto A, definida da seguinte forma: se w E A; se w <tA. Não é difícil verificar que J,1c:(w) = 1- IA(w). A notação de função indicadora pode variar entre autores, sendo também comum a utilização de 1A(w) ou 6A(w). Exemplo 1.6: Indicadores da União e Intersecção Muitas vezes a operação com indicadores facilita a notação e clarifica as idéias envolvidas. Vamos verificar duas expressões com indicadores referentes a 8 Capítulo 1: Conceitos Básicos em Probabilidade união e a intersecção de conjuntos. Sejam A1o A2, ... An subconjuntos de n e n n defina A= U Ai e B = n Ai então: i=l i=l Prova de (i) : n (i) lA(w) = 1 - IT IA:;(w); i=l n (ii) IB(w) = II IAi(w). j=l Se w E A, temos IA(w) = 1. Nesse caso, w E Ai para algumj e, assim, para esse j temos w ~ Aj e portanto IAj(w) = 0: Logo, o lado direito da igualdade (i) é igual a 1. Se w ~A, temos IA(w) =O. Logo w ~Ai para todo j, n isto é, w E Aj para todo j. Dessa maneira, IA~(w) = 1 para todo j e TI ) j=l IA~(w) = 1. Assim o lado direito de (i) também é igual a O. ) Prova de (ii) : Se w E B, temos IB(w) = 1. Nesse caso, w E Ai para todo j e, assim, n IA/w) = 1 para todo j . Então TI IAi(w) = 1 e o lado direito de (ii) é igual a 1. j=l Se w ~ B, temos IB(w) = O e portanto w ~ Ai para pelo menos um j. Seja j* um desses índices, temos IA.(w) =O. Logo, o lado direito de (ii) é igual a O. O ) As idéias de contagem se relacionam com probabilidade, conforme veremos na próxima seção. Sem pretender ser exaustivo, apenas mencionamos aqui as definições e resultados básicos de análise combinatória. Considere que desejamos escolher k dentre n objetos. Se a ordem de escolha é importante, temos um arranjo de n objetos tomados k a k. Caso a ordem não importe, o agrupamento formado é a combinação de n objetos tomados k a k. O número de diferentes agrupamentos que podem ser formados são apresentados a seguir arranjo: (n)k = n(n- 1)(n- 2)· · ·(n- k + 1) = (n(:!~)!; b. _ (n) n! com maçao: k = k! (n _ k)! · 1.2 Conjuntos e Combinatória 9 Um arranjo de n objetos, tomados n a n, é uma permutação de n objetos. Assim, a expressão do número de diferentes permutações é dada por: permutação: (n)n = n! Outro resultado útil é o Príncipio Fundamental da Contagem enunciado a seguir: Se uma tarefa tem k etapas e cada etapa i tem n; maneiras diferentes de ser realizada, então o número total de alternativas para realizar a tarefa é o produto n1n2 ... nk . Exercícios da Seção 1.2: 1. Sendo A, B e C subconjuntos quaisquer, expresse em notação matemática os conjuntos cujos elementos: a. Estão em A e B, mas não em C. b. Não estão em nenhum deles. c. Estão, no máximo, em dois deles: d. Estão em A, mas no máximo em um dos outros. e. Estão na intersecção dos três conjuntos e no complementar de A. 2. Verifique fofi!ialmente que: a. A6B = B6A. b. (A6B) u AB = A U B. c. (ABcc u N BC) n ABCc = 0. 3. Sejam A1. A2, • • • subconjuntos de n e defina Bn da seguinte forma: B1 = A1 e Bn = AnA~-1 A~-2" ·Aí, n 2:: 2. 00 Mostre que a seqüência { Bn; n 2:: 1} forma uma partição de U An. n=l 4. Considere a seqüência infinita A1, A2, ···de subconjuntos de n e defina 00 00 Bn = nAj e Cn = UAj. j=n j=n a. Estude a monotonícidade das seqüências { Bn; n 2:: 1} e { Cn; n 2:: 1}. 00 b. Prove que w E U Bn se, e somente se, w pertence a todos os subconjuntos n=l A1, A2 , ···exceto, possivelmente, a um número finito deles. 10 Capítulo 1: Conceitos Básicos em Probabilidade . oc c. Mostre que w E n Cn se, e somente se, w pertence a um número infinito n=l dos subconjuntos A1, A2, · · ·. 5. Sendo S1 = {a, b, c}, liste todas as a-álgebras de subconjuntos de n. 6. Sendo S1 = {1 , 2, 3}, mostre que SlP é a-álgebra. 11 7. Mostre que, se A1 , A2 , .. ·,A, são elementos de uma a-álgebra :F então nA; i=l também pertence a :F. 8. Sendo n = JR., seja B(JR.) a a-álgebra gerada pelos intervalos ( -oo, x) com x E R Mostre que com o intervalo [x,y), x ~ y, x.,y E JR., também poderíamos gerar os mesmos borelianos de B(JR.). 9. Seja C uma coleção não vazia de subconjuntos de n. Mostre que existe a menor a-álgebr;1 de subconjuntos de S1 que contém C, e que ela é unica. 10. Considere S1 = [O, I) e os seguintes subconjuntos: 'A= {x E S1: x ~ 1/2} e B = {x E S1: x 2: 1/3}. Expresse, em fúnção dos indicadores de A e B, os indicadores dos seguintes conjuntos: a. {:r E Sl: X> 1/2}. b. {x E Sl: X< 1/3}. C. {x E f2: 1/3 ~X ~ 1/2}. d. {x E f2: X< 1/3 ou X> 1/2}. e. n. 1.3 Probabilidade A definição clássica de probabilidade se refere a subconjuntos unitários eqüipmváveis. No caso enumerável finito temos: P(A) = Número de elementos em A Número total de elementos em S1 Utilizando essa definição, muitos problemas são resolvidos através de técnicas de análise combinatória e de contagem. Se o número de elementos de n for infinito, precisamos tratar a definição acima com o uso de limites. Se n não for enumerável, o conceito se aplicará ao comprimento de intervalos, medida de áreas ou similares, dando origem ao que é chamado de 1.3 Probabilidade 11 probabi!idáde geométrica. Por exemplo, para n sendo um intervalo dos reais temos, P(A) = Comprimento de A Comprimento total de S1 Uma outra definição, denominadafreqüentista ou estatística, considera o limite de frequências relativas como o valor da probabilidade. Para tal, seja nA o número de ocorrências de A em n repetições independentes do experimento em questão. Assim, P(A) = lim nA· n ..... oo n As definições apresentadas acima têm o apelo da intuição e permanecem sendo usadas para resolver inúmeros problemas. Entretanto, elas não são suficientes para uma formulação matemática mais rigorosa da probabilidade. Ao redor de 1930, A. N. Kolmogorov apresentou um conjunto de axiomas matemáticos para definir probabilidade, permitindo incluir as definições anteriores como casos particulares. Definição 1.2: Probabilidade Uma função P, definida na a-álgebra :F de subconjuntos de n e com valores em [0, 1), é uma probabilidade se satisfaz os Axiomas de Kolmogorov: (Axl) P(Sl) = I; (Ax2) Para todo subconjunto A E :F, P(A) ;::: O; (Ax3) Para toda seqüência A1, A2, ... E :F, mutuamente exclusivos, temos o A trinca (S1, :F, P) é denominada espaço de probabilidade. Os subconjuntos que estão_ em :F são denominados eventos e é somente a eles que se atribui probabilidade. E possível demonstrar, através do Teorema da Extensão de Caratheodory, que uma função de probabilidade definida em uma álgebra pode ser estendida para uma a-álgebra conveniente. 12 Capítulo 1: Conceitos Básicos em Probabilidade Exemplo 1.7: Problema dos Aniversários (Feller [68]) Num grupo de r pessoas, qual é a probabilidade de pelo menos duas delas fazerem aniversário no mesmo dia? Esse problema tem surpreendido estudantes pois, dependendo do valor de r, a_probabilidade procurada é bastante alta. Vamos considerar o ano com 365 dias e, assim, assumimos r < 365 pois para r ~ 365 a probabilidade desejada seria 1. O espaço amostrai n será o conjunto de todas as seqüências formadas com as datas dos aniversários (associamos cada data a um dos 365 dias do a no). Pode ser verificado que o conjunto das partes de um espaço amostrai enumer ável é uma a-álgebra. Dessa forma, podemos tomar a a-álgebra :F como send o o conjunto das partes de f! e, para qualquer A E :F, P(A) é o quociente entre o número de elementos de A por 365r, que é o número total de seqüências de tamanho r. Assim, assumimos que todos os dias são eqüiprováveis. Seja E o evento de interesse, isto é, E = {pelo menos duas pessoas aniversariam no mesmo dia} . Para o complementar de E, temos Ec ={ninguém faz aniversário no mesmo dia}. Iremos calcular a probabilidade de Ec com o auxílio do Principio Fundamental da Contagem. Considerando a escolha das idades como sendo r etapas sucessivas precisamos, para as datas serem todas distintas, eliminar as que forem escolh idas em etapas anteriores. O agrupamento formado é um arranjo e, dessa forma, pa ra o total de maneiras de escolhermos r datas diferentes de aniversário, teremos (365) r = 365 X 364 X ... X (365- r+ 1). Em outras palavras, o produto acima é o número de seqüências que satisfaze m a condição de datas distintas de aniversário. Então, c (365)r ( 1 ) ( 2 ) ( r- 1) P(E ) = 365r = 1 1 - 365 1 - 365 ... 1 - 365 . Portanto, a probabilidade desejada, de pelo menos dois aniversários no mesmo dia, será P(E) = 1 - P(ec). O curioso é que para r = 23, um número relativamente baixo de pessoas, a probabilidade de pelo menos dois aniversários coincidentes já é maior que 1/2. A tabela a seguir (ver Neuts [73]) apresentaalguns valores dessa probabilid ade em função de r. 1.3 Probabilidade 13 r P (E) 10 0,1169 20 0,4114 30 0,7063 40 0,8912 50 0,9704 60 0,9941 A nossa intuição de considerar "evento raro" duas pessoas terem a mesma data de aniversário contradiz os cálculos da tabela. Não é preciso um grupo m uito grande para que tenhamos, com quase certeza, aniversários coincidentes. O Exemplo 1.8: Paradoxo de Bertrand (Neuts [73]) . Ne~te exemplo, vamos apresentar um problema que é passível de diferentes Interpretações. Apesar de se tomar conhecido como um parado xo, ~ata-se apenas de diferentes escolhas do espaço de probabilidade e, se ndo ngoroso, não existe paradoxo algum. Em todas as interpretações os elementos são ~üiprováveis mas, como os espaços de probabilidade são diferentes, produz em diferentes respostas. O problema é formulado da seguinte forma: Num círculo unitário, representado a seguir, o triângulo eqüilátero inscrito tem lado igual a y'3 . Qual é a probabilidade de uma corda desse círculo escolhida ao acaso, ter comprimento maior que o lado desse triângulo? ' c Figura 1.1: Paradoxo de Bertrand. 14 Capítulo 1 : Conceitos Básicos em Probabilidade I a. Intemretacão: A corda é escolhida ao acaso da seguinte form a: escolhemos aleatoriamente um ponto P dentro do círculo e o ligamos ao centro através de um segmento de reta. A corda é traçada nesse ponto de forma a ser perpendicular ao segmento conforme figura a seguir. D c Figura 1.2: Paradoxo de Bertrand-la.lnterpretação. Para essa interpretação consideramos O como o círculo un itário e :F uma a-álgebra constituída de modo a incluir todos os subco njuntos de O cuja área esteja definida. Para todo A E :F, definimos P(A) como sendo o quociente entre a área de A e a área do círculo unitário. É um exercício de geometria, verificar que a região que produzirá as cordas desejadas é o círculo inscrito no triângulo, de mes mo centro e raio 1/2. Logo, a probabilidade de interesse será: P(c d . r;;3 ) Área Círculo (0, 1/2) = !1r = ~. or as maiOres que v J = , 4 Area Círculo (0, 1) 1r 2a. Intemretação: A corda une dois pontos na circunferência. Admitimos, ain da, que a corda é invariante por qualquer rotação da circunferência. Dess a forma, fixamos uma extremidade e escolhemos, ao acaso, o outro extremo na c ircunferência. O espaço amostrai O consiste dos arcos no intervalo [0, 211'] e a a-á lgebra :F é formada de modo a incluir todos os arcos de O cuja medida possa ser avaliada. Para todo A E :F, definimos P(A) como a medida do arco dividido por 21 1'. 1.3 Probabilidade 15 As cordas com comprimento superior a J3 são aquelas em que o outro extremo da corda está no arco com extremidades entre ~ e ~ (ver figura a seguir). 4Jtl3 D Figura 1.3: Paradoxo de Bertrand- la. Interpretação. Segue que r;; Medida do Arco ( ~, !...3,.) 2 1 P(Cordas maiores que v J) = · 3 = 311' = _. 211' 211' 3 3a. Intemretação: Para a obtenção da corda, escolha um ponto ao acaso em u m dos raios, e por esse ponto, trace uma perpendicular. O particular raio u tilizado é irrelevante e o procedimento aleatório é equivalente a sortear um p onto ao acaso num segmento [0, 1] . Para essa interpretação, seja O o intervalo [0, 1] e :F uma a-álgebra constituída de modo a incluir todos os intervalos de O cu jo comprimento esteja definido. Para todo A E :F, definimos P(A) como sendo o comp rimento de A. Para produzir os tamanhos desejados de corda, o ponto esc olhido precisa estar no intervalo [O, 1/2], conforme figura a seguir. Então, P(Cordas maiores que VJ) = Comprimento do Intervalo [0, 1/2] = ~ · 16 Capítulo 1: Conceitos Básicos em Probabilidade c 1/2 D Figura 1.4: Paradoxo de Bertrand- 3a. Interpretação. Essas três respostas, aparentemente paradoxais, refletem as diferentes interpretações dadas à frase "escolhida ao acaso". Para estabelecer qual delas é a resposta correta, é necessário tornar mais precisa a pergunta para evitar ambiguidades na interpretação. Aliás, em muitos problemas de probabilidade, essa pode ser a parte mais difícil! D Nos próximos dois exemplos, o espaço de probabilidade não foi formalizado e deixamos ao leitor essa tarefa. Exemplo 1.9: Amostragem com e sem Reposição (Mood, Graybill e Boes [74]) Num lote de n peças existem m defeituosas. Uma amostra sem reposição de r dessas peças, r < n, é sorteada ao acaso e deseja-se obter a probabilidade de obtermos k peças defeituosas, k $ min(r, m ). Cada amostra é denotada por ( z1 , z2 , .•• , Zr) em que zi representa a peça escolhida na i-ésima retirada. Dessa forma, o total de amostras possíveis é (n )r. ou seja, o número de arranjos de n tomados r a r. Para estabelecer o número de casos favoráveis, consideramos três etapas. Inicialmente escolhemos em que posição as defeituosas foram retiradas. As k peças defeituosas formam um subconjunto de tamanho k, dentre as r posições da amostra. Assim, temos G) possibilidades. Note que as r - k peças boas formam um outro subconjunto complementar ao das defeituosas. Tendo fixada a posição das defeituosas, as boas têm posição definida. A segunda etapa será escolher quais k dentre as m peças defeituosas existentes ocuparão as posições fixadas na primeira etapa. Isto pode ser feito de (m)k maneiras diferentes. Uma terceira etapa, análoga à anterior, será escolher as peças boas para participarem da amostra. Obtemos ( n - m )r-k diferentes formas dessa escolha. Aplicando o Príncipio Fundamental da 1.3 Probabilidade 17 Contagem, o número de amostras, sem reposição, com k peças defeituosas é dado pelo produto ( n ( m )k ( n - m )r-k· A correspondente probabilidade será G)(m)k (n- m)r-k P (k defeituosas na amostra sem reposição)= ....:..:::..'--------- (n)r Essa expressão pode ser reescrita na seguinte forma: (:') (~=~) P ( k defeituosas na amostra sem reposição) = (;) ' cuja interpretação corresponde a um outro espaço amostrai descrito a seguir. O espaço amostrai seria agora constituído de subconjuntos das n peças com tamanho r e, assim, temos ( ; )escolhas possíveis. Para contar os casos favoráveis, observe que, dentre as m peças defeituosas existentes, há ( :' )escolhas para as k participantes da amostra. De modo análogo, para as peças boas existem . ( r;=~') possibilidades. Pelo Principio Fundamçntal da Contagem o número total de casos favoráveis é o produto. Daí segue a probabilidade desejada, conforme a expressão acima indicada. Como será visto no próximo capítulo, essa situação origina o modelo Hipergeométrico para variáveis. Na situação em questão parece ser mais natural uma amostragem sem reposição. Entretanto, para efeito didático, vamos considerar uma amostragem com reposição. Para cada elemento da amostra temos n escolhas possíveis e então nr fornece o número total de amostras possíveis. De forma similar ao caso sem reposição, temos para o número de casos favoráveis, o produto ( ~ ) mk(n- my-k e podemos escrever (r)mk(n- my-k P( k defeituosas na amostra com reposição) = ~k:.....___:_ __ ...:........_ nr = G)(:f(l- :r-~ Essa expressão corresponde à função de probabilidade do modelo Binomial, a ser definido no Capítulo 2, sendo ~ a proporção de peças defeituosas no lote. O 18 Capítulo 1: Conceitos Básicos em Probabilidade Exemplo 1.10: Problema da Eleição e Principio da Reflexão (Brémaud [88]) Suponha que dois candidatos I e 11 disputem uma eleição recebendo, respectivamente, a e b votos. Admita que a > b e o interesse é calcular a probabilidade do candidato I estar sempre à frente na contagem. Considere um plano cartesiano com os votos de I no eixo x e os do candidato 11 em y. A marcha da contagem pode ser pensada como um caminho que liga o ponto (O, O) até (a, b). Na figura abaixo uma possível trajetória é apresentada. Trajetórias favoráveis são aquelas que ficam abaixo da diagonal. y y=x b (a, b) (0,0) a X Figura1.5: Principio da Reflexão. Assumimos que todas as trajetórias de (0, O) até (a, b) são equiprováveis, isto é, os votos vão sendo contados ao acaso. Dessa forma, a probabilidade desejada será o quociente entre o número de trajetórias favoráveis (candidato I sempre à frente) e o número total de trajetórias. Vamos representar por n o número total de trajetórias. O total de votos a serem contados é a + b , dos quais a serão do candidato I. Logo, n nada mais é do que o número total de posições para os a votos do candidato I. Uma vez que, para esse cálculo, a localização dos votos do candidato I não é importante, temos Seja n1 o número de trajetórias com o candidado I liderando a apuração. O número de trajetórias desfavoráveis é repartido em duas, dependendo de quem recebe o primeiro voto. Assim 1.3 Probabilidade 19 n = n1 + mpf + mplJ, em que mp1 e mpii representam, respectivamente, o número de trajetórias desfavoráveis com primeiro voto em I e 11. Observe que a probabilidade de interesse é dada por n1 = 1 _ mpJ + mpn , n n restando calcular mn e mplJ, o que será feito a seguir. Se o primeiro voto é em 11, já estamos numa trajetória desfavorável e, assim, todas as trajetórias a partir desse ponto devem ser contadas. Dessa forma, basta contar o número total de trajetórias do ponto (0, 1) até (a, b). Isto comesponde ao número de posições para os a votos do candidato I dentre o total de votos de a + b - 1. Assim, mpii = (a +! -.1) = (a;~~ 1} Vamos agora verificar que mpf = mpJI, observando que cada trajetória em um dos casos desfavoráveis tem uma correspondente no outro caso. Uma trajetória, que se inicia com o voto no candidato I, precisa encontrar a diagonal em algum momento para ser desfavorável. Seja ( x, x) a primeira vez que isso ocorre. Se os movimentos de (0,0) até (x,x) são refletidos em relação à diagonal, temos um trajetória também desfavorável que se inicia com o primeiro voto no candidato 11. De (x, x) até o fim, as duas trajetórias podem prosseguir pelo mesmo caminho. Então, cada trajetória desfavorável, iniciada com voto em I, tem uma correspondente iniciada com voto em 11. De forma recíproca, considere agora que iniciamos com uma trajetória desfavorável com primeiro voto em 11. Como o candidato I venceu as eleições, essa trajetória deve atingir a diagonal em algum momento. Aplicando o mesmo raciocínio anterior, concluiríamos que para cada uma dessas trajetórias existirá uma correspondente, que se iniciou com o voto em I. Se os dois conjuntos de trajetórias se relacionam biunivocamente, então têm o mesmo número de elementos e portanto mpJ = mpJI. Assim, , ) n1 2(at~~ 1 ) a-b P(Cand. I sempre a frente = -:; = 1- (a~b) = a+ b · o 20 Capítulo 1: Conceitos Básicos em Probabilidade Com os Axiomas de Kolmogorov, apresentados na definição dt: probabilidade, pode-se demonstrar com rigor matemático, diversas propriedades. Proposição 1.1: Propriedades da Probabilidade Dado (n, F, P), considere que os conjuntos mencionados abaixo são eventos nesse espaço de probabilidade. Temos: (Pl) P(A) = 1 - P(N); (P2) Sendo A e B dois eventos quaisquer, vale P(B) = P(B nA)+ P(B nA c); (P3) Se A c B então P(A) ::::; P(B); (P4) Regra da Adição de Probabilidades (generalizável para qualquer n): P(A U B) = P(A) + P(B) - P(A n B) ; (PS) Para eventos quaisquer A 1 , A2, ... (P6) Se AnTA então P(An) T P(A). De forma similar, se An ! A então P(An)! P(A) . Demonstração: (Pl) Os eventos A e Ac formam uma partição de n e, portanto, por (Ax3) temos P(O) = P(A u N) = P(A) + P(Ac); que, com auxílio de (Axl), vem 1 = P(A) + P(Ac) '* P(A) = 1 - P(Ac). (P2) Para dois eventos A e B quaisquer, é sempre possível escrever o evento B da seguinte forma: B = (B nA) U (B n N). Note que essa é uma união disjunta e, portanto, por (Ax3) o resultado segue imediatamente. 1.3 Probabilidade 21 (P3) Se A c B então o evento B pode ser particionado nos moldes usados em (P2). Assim, Então, como a união é disjunta, vem P(B) = P(A) + P(B nA c) ;::: P(A), uma vez que, por (Ax2), P(B nA c) ;::: O. (P4) Vamos escrever A U B como a seguinte união disjunta: dessa forma, segue por (Ax3) P(A U B) = P(A nBc) + P(B n Ac) + P(A n B). Aplicando (P2) nos eventos A e B, eles podem ser escritos da seguinte • forma: P(A) = P(A n B) + P(A n Bc) e P(B) = P(B nA)+ P(B n Ac); de modo que obtemos P(A U B) = P(A)- P(An B) + P(B)- P(B nA)+ P(A nB), e o resultado segue, uma vez que a intersecção é comutativa. A expressão para a probabilidade da união de n eventos é dada pelo Teorema de Poincaré e envolve alternar entre a subtração e a soma de probabilidades de intersecção de um número crescente de eventos. A demonstração é solicitada em exercício ao final do capítulo e pode ser feita por indução. 00 (PS) Vamos escrever U A; como união de uma seqüência disjunta de i=l eventos. Temos 00 UA; = A1 u (A~ n Az) u (A! n A2 n A3 ) u .... i=l 22 Capítulo 1: Conceitos Básicos em Probabili dade Portanto, pelo Axioma 3, podemos escrever oc P(UA;) = P(AI) + P(A} n A2) + P(A} n A2 n A3) + ... ; t=l como, para qualquer j, A~ n A~ n · · · n Aj_1 n Ai c Ai se gue de (P3) que oc P(UA;) :5 P(AI) + P(A2) + P (A3) + .... t=l (P6) Lembremos que a notação An j A indica que temos uma seqüência 00 monótona não decrescente de eventos A 1, A2, ·· ·, tais que limA;= A = .U A;. ~--+oo t=l Uma vez que A1 C A2 c A3 C .. ·, segue que P (A; ) é não decrescente em i pela propriedade (P3). Como também é limitada ent ão lim P(An) existe. n--+C>O Escrevendo A nos mesmos moldes do que foi f eito nà demonstração de (P5) vem 00 P(A) = P(UA;) = P(AI) + P (Aí n A2) + P (Aí nA~ n A3) + ... ; i= l nesse caso, vale P (A} n A2 n · · · n Aj_ 1 n Ai) = P( Ai) - P(Ai-I) para qualquer j . Assim, pela definição de convergên cia de séries infinitas, P(A) = J~~(P(AI) + [P(A2)- P(AI)J + ... [P(An) - P (An-d J ) , e, então o resultado segue após simplificação. Considere agora o caso em que An ! A. Temos agora u ma seqüência monótona não crescente com A1 :) A 2:) A3:) .. ·, de modo que 00 _limA; = A= .n A; e também P(A;) é não cre scente em i por (P3). Tomando os ...... 00 t=l complementares dos A ;' s, recaímos no caso a nterior de seqüências monótonas não decrescentes e o resultado segue sem dificu ldade. Os detalhes são deixados ao leitor. O Exemplo 1.11: Um dado equilibrado é lançad o duas vezes e as faces resultantes observadas. Um espaço amostrai natural seria n = {1, 2, .. ·, 6} x {1 , 2, .. ·, 6} . A a-álgebra pode ser o conjunto das partes e Pé a probabilidade uniforme em todos os pontos de n, isto é, P( { w}) = 1/36. Note que fica mai s simples considerar ---- ---- ---- ---- 1.3 Probabilidade 23 que w = (w1, w2). Dessa forma, o espaço amost rai é constituído de pares de valores, representando os resultados do prim eiro e do segundo lançamento, respectivamente. Considere os eventos: A : a soma dos resultados é ímpar; B : o resultado do primeiro lançamento é ímpar. C : o produto dos resultados é ímpar Não é díficil obter suas probabilidades, bastand o contar quantos são os pontos de interesse. Para o evento A temos o conjunto de pontos {(1, 2) , (1, 4),(1,6),· .. , {6, 5)}, totalizando 18 pares e, portanto, temo s P(A) = 1/2. De modo análogo, vem P(B) = 1/2. Para a união de A e B, temos P(A u B) = 1/2 + 1/2- 1/4 = 3/4, uma vez que A n B = { (1, 2), (1, 4), · · ·, (5, 6)} e contém 9 pares. O cálculo da probabilidade da união de A, B e C pode ser feito com aplicações sucessivas da regra de adição de pr obabilidades, que é a propriedade (P4) apresentada acima. Assim, .P(A U B U C)= P[(A UB) U C)] = P(A u B ) + P(C)- P[(A U B) n C] = P(A) + P(B)- P(A n B ) + P(C)- P[(A n C) U (B n C)] = P(A) + P(B)- P(A n B) + P(C)- [P(A nC) + P(BnC )- P(A n B nC)J = P(A) + P(B) + P(C)- P(A n B)- P (A n C)- P(B nC) + P(A n B n C); logo, pode-se verificarque P(A U B U C)= 3/4. Os cálculos de probabilidade com os even tos acima poderiam ser facilitados se um outro espaço amostrai foss e utilizado. Considere a seguinte alternativa para espaço amostrai n1 = {(p, p), (p, i), (i, p), (i, i)}, sendo p e i a ocorrência de face par e ímp ar, respectivamente. A a-álgebra poderia continuar sendo o conjunto das partes de 0 1 e a probabilidade uniforme continuaria valendo, ou seja, P( { w}) = 1/4 com w sendo um dos pares acima. O evento A corresponderia ao conjunto {(p, i),(i,p)} e, de forma imediata, teríamos P(A) = 1/2. Deixamos ao leitor a t arefa de completar os cálculos das probabilidades obtidas acima e c onstatar que podem ser feitos de forma bem mais rápida com o novo espaço de probabilidade. Entretanto, vale a --- --- ---- ---- ---- ---- ---- 24 Capitulo 1: Conceitos Básicos em Probabilidade pena enfatizar que, o espaço amostrai 0 1 não permitiria cal cular algumas probabilidades tais como a de um duplo 6! O Exemplo 1.12: O Posto de Saúde de um certo bairro coleta informa ções de seus pacientes quanto à ocorrência de várias doenças. Os dados, referentes ao último ano, indicam 650 atendimentos de crianças com até 2 anos. A tabela abaixo apresenta, para algumas das doenças atendidas, o número de consu ltas até a cura, ou encaminhamento para outro orgão de saúde. Doença\ No. Consultas 1 2 3 4 Bronquite 35 53 52 46 Diarréia 84 72 42 20 Otite 120 85 32 9 Essa tabela corresponde a uma realização anual do fenômeno al eatório representando o atendimento nesse Posto de Saúde. Se assumirm os que o que ocorreu nesse ano é típico e representa aproximadamente bem a realidade em bairros similares, podemos usar esses dados para estabeler u m modelo de probabilidade formal para estudar essas características. Consideramos como espaço amostrai o conjunto de todas as alter nativas de doença e número de consultas. Denotando cada doença por s ua letra inicial temos I= {b , d , o} como o conjunto das doenças. De modo similar seja J = { 1, 2, 3, 4} o conjunto possível para o número de consultas. Assim, 0 = {(x, y): x E I, y E J}. O espaço amostra] é finito e consiste de 12 pontos, sendo que cada p onto é um par conforme mencionado acima. Para a-álgebra consideramos o conj unto das partes de n. Para a função de probabilidade P podemos adotar a freqüência relativa das ocorrências. Isto é, P (( )) = N(x, y), x, y 650 em que N (x, y) é a freqüência do par (x, y). Dessa forma, baseado nas suposições feitas, o espaço de probab ilidade (O, F , P ) representa um modelo probabilístico para o fenômeno aleatór io do atendimento de crianças por postos de saúde em certos bairros. O atendimento modelado ficou restrito às doenças mencionadas e ao máximo de 4 consultas por ocorrência de doença e se refere a uma criança, escolhida ao acas o, que procura esse tipo de Posto de Saúde. 1.3 Probabilidade Considere os seguintes eventos: A : a criança só recebe uma consulta; B : a criança é atendida por bronquite; 25 C : a criança é atendida por alguma doença, exceto diarréia, em até 3 consultas; D : a criança é atendida com dor de ouvido em 2 ou mais consultas. Seguindo nosso modelo temos 35 + 84 + 120 P(A) = P( {(b, 1), (d, 1), (o, 1)}) = 650 = O, 37; P(B) = P( {(b, 1), (b, 2), (b, 3), (b, 4)}) = 35 + 536;052 + 46 =O, 29; ( ) ({ 35 + ... + 32 P C = P (b , 1), (b, 2), (b, 3), (o, 1), (o, 2), (o, 3)} ) = 650 = O, 58; P(D) = P( {(o, 2), (o, 3), (o, 4)}) = 85 +6~~ + 9 = O, 19. Com o auxílio das propnedades obtemos, sem dificulda de, a probabilidade de alguns outros eventos: P(A U B ) =O, 37 + O, 29- O, 05 = O, 61; P( CU D) = O, 58 + O, 19- O, 18 = O, 59; P(Ac u C) = O, 63 + O, 58 - O, 34 = O, 87. Exemplo 1.13: Limite superior de probabilidades o Seja {A";n ~ O} uma seqüência de eventos em (n,.r, P), vamos verificar que P(limAn ) ~ lim P(A71 ) . O limite superior de uma seqüência numérica { x, : n ~ O} é dado por: lim sup X 11 = inf sup XA· = lim sup xk. 71 ~1 k~n n ... :>o k~n "" Seja B n = U Ak e observe que a seqüência {B71 : n ~O} é não- A·= u crescente, uma vez que a união tem cada vez um evento a menos. As sim, oc oc 00 limATI = n U Ak = nBII = limB/1 . u = O 1.: = 11 n = O n-+x ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( 26 Capítulo 1: Conceitos Básicos em Probabilidade Temos, então, P(limAn ) = lim P(B .. ) pela continuidade da probabilidade n-+:x> expressa na propriedade (P6). :x; Por outro lado, P(Bn) = P( U Ak ) 2: P(Ak), 'r:/k 2: n. Desse modo, temos P(B1,) 2: supP(Ak ). k~n Então, k=1l P(limA 11 ) = limP(B,. ) 2: limsupP(Ak) = limP(An )· n-.oo n-+x k~n o Em muitas situações, informações preliminares podem alterar as probabilidades de eventos. Assim, a probabilidade de chover no final da tarde poderia ser diferente se tivermos informações adicionais, tais como a situação climática do dia anterior. Vamos, agora, descrever como é possível incorporar essas informações de um modo formal. Suponha que um experimento é descrito originalmente em termos do espaço de probabilidade (0, :F, P). Desejamos discutir como a atribuição original de probabilidade aos eventos de :F é afetada pela informação sobre uma realização do experimento. De fo~a mais precisa, suponha que tenha ocorrido um ponto w pertencente a um certo evento B. Seria possível identificar uma classe de eventos, subconjuntos de B, e uma função de probabilidade nessa classe, de modo a incorporar o efeito da informação de que w E B? Seja A E :F um evento qualquer. A única forma dele ocorrer, sabendo-se que ocorreu w E B, seria se tivéssemos w E B nA. Assim, é natural considerar um novo espaço amostrai B (ver Figura 1.6) com uma nova a-álgebra :F8 com todos os conjuntos do tipo B nA para A E :F. A a-álgebra :FB é denominada a restrição de :F ao espaço amostrai B. A probabilidade original P(A) é a soma de P(A n B) com P(An Bc). A informação adicional disponível nos diz que A n nc não pode mais ocorrer. Gostaríamos que a nova probabilidade P1(A) fosse proporcional à P(A n B). Assim, é intuitivo redistribuir a massa unitária de probabilidade nos conjuntos de :FB de modo proporcional às probabilidades que esses conjuntos tinham na antiga função de probabilidade P. Vamos considerar Pt(A) = kP(AnB), para todos os eventos A. Observe que P1 ( B) = 1 e, substituindo A por B nessa 1.3 Probabilidade 27 equação, resulta em: l =kP(B); Se P(B) > O, então k = 1/ P(B). Se P(B) =O, não existe k que possa satisfazer as condições que discutimos até agora e nossa argumentação intuitiva não valeria. Nesses casos, alguns autores indicam que P1 (A) é indeterminada e outros lhe atribuem um valor arbitrário. É possível verificar que, para P(B) > O, a função P1 aplicada em conjuntos de :F 8 e definida por p (A)= P(AnB) 1 P(B) satisfaz os Axiomas de Kolmogorov, sendo assim uma probabilidade. A B Figura 1.6: Restrição ao evento B. Desse modo, construímos um novo espaço de probabilidade (B,:FB, Pt ) partindo do original (0, :F, P). A construção do novo espaço de probabilidade não é essencial e poderia ser contornada. Para tal, vamos estender a definição de P1 para todos conjuntos A E :F. Isto é feito atribuindo sempre P1(A n Bc) =O, \:IA E :F. Dessa forma, ( 28 Capítulo 1: Conceitos Básicos em Probabilidade usando a aditividade de P1. podemos escrever c P(AnB) P1(A) = P1(A n B) + P1(A n B ) = P(B) · Para enfatizar a estreita relação de H com o evento B, é c onveniente alterar a notação de P1(A) para P(AI B) . Toda essa argumentação conduz à próxima definição. Definição 1.3: Probabilidade Condicional Considere os eventos A e B em (0, F, P). Sendo P(B) > O, a probabilidade condicional de A dado que ocorr eu B, é dada por: P(AnB) P(AI B) = P(B) ; caso P(B) =O, definimos P(AI B) = P(A). o Convém observar que, nocaso de P(B) =O, alg uns autores preferem igualar a probabilidade condicional a zero ou me smo considerá-la indefinida. Além de servirem como modelagem pa ra situações práticas, probabilidades condicionais podem auxiliar n o cálculo de probabilidades em geral. Existem situações em que desejamos a p robabilidade de um certo evento cuja caracterização não é simples de estabelecer. Eventualmente, nesses casos, um condicionamento em eventos mais simples po de ser conveniente e tornar os cálculos menos complicados. As próximas proposições apresentam expr essões importantes nas operações com probabilidade condicional. Proposição 1.2: Regra do Produto de Probabili dades 11 Para os eventos A1, A2, ... , An em (0, F, P), com P(n A;) >O, a regra i=l do produto de probabilidades é dada por: P(A1 n A2 ... n A11 ) = P(AI)P(A2I A1) ... P(An)AI n A2 ... n An-1)· Demonstração: Observe que, por hipótese, todos os condicionam entos do lado direito são 11 feitos em eventos com probabilidade positiva, po is todos eles contém nA;. i=l ------- -- - -- -- -- 1.3 Probabilidade 29 Procedemos por indução. Para n = 2, pela def inição de probabilidade condicional, temos P(A1 n A2) P(A2I At) = P(A1 ) =? P(A1 n A2) = P(A1)P(A2I A1), pois P(AI) > O. Assim, Supomos o resultado válido para n = k e vamos prová-lo para k + 1. P(A1 n A2 ... n Ak n Ak+l) = P[(A1 n A2 ... n Ak) n Ak+d = P(A1 n A2 ... n Ak) P(Ak+li A1 n A2 ... n Ak) = P(At)P(A2I A1) ... P(AkiA1 n A2 ... n Ak-d P(Ak+1IA1n ... nAk)· E, portanto, a proposição está demonstrada. Teorema 1.3: Lei da Probabilidade 'Fotal o Suponha que os eventos C1 , C2, .•. , Cn em ( n, F , P) forma m uma partição de n e todos têm probabilidade positiva. Então, para qualquer e vento A 1l P(A) = LP(C;)P(AI Ci). i=l Demonstração: Observe que temos P(C;)P(AI C;)= P(A n C;), pela regra do produto de probabilidades. Também, para i= 1, 2, · · ·n, os e ventos A n C; são disjuntos. Então, n n n LP(C;)P(AIC;) = LP(AnC;) = P[U(AnC;)] = i=l i=l i=l . n = P [A n (Uc;) J = P(A) ; •=1 uma vez que a união dos C; 'sé n. o ---- -------------- -- -- -- -- LI. 30 Capítulo I: Conceitos Básicos em Proba bilidade Teorema 1.4: Teorema de Bayes Suponha que os eventos Ct, C2, ... , Cn e stão em (0, F, 'P), formam uma partição de O e todos têm probabilidade p ositiva. Seja A um evento qualquer com P(A) >O. Então, para todo j = 1, 2, . .. , n, tem os P( Gil A)= !(AI Ci)P(CJ) . I:P(AI C;)P(C;) i=l Demonstração: Na expressão do lado direito, o numera dor é P(A n CJ) pela regra do produto de probabilidades. O denomina dor é P(A) pela Lei de Probabilidade Total. Portanto, pela definição de proba bilidade condicional, a proposição está demonstrada. O Em geral, na aplicação do Teorema de Bayes, conhecemos ou fazemos suposições sobre as probabilidades P(A I C;) e P(C;) para todo i= 1, 2, ... n. Uma interpretação dessa fórmula é supo r que C; (i= 1, · · ·, n) represente uma possível causa no resultado de um experimento aleatório. Realizado o experimento e obtido um resultado A, o Teorema de Bayes indica como recalcular as probabilidades à priori P(C;), i= 1, · · ·, n . As probabilidades resultantes, representadas por P(C d A), i= 1, .. ·, n, são denominadas probabilidades à posteriori e podem ser usadas para avaliar o quanto cada causa C; é responsável pela ocorrência do even to A. Exemplo 1.14: Problema dos Encontro s (Dudewicz e Mishra [88]) Diversas variações desse problema s ão encontradas em livros de probabilidade. Usamos bolas e caixas, mas são comuns também versões com chapéus, casais e cartas. O problema bási co pode ser formulado como segue: Suponha que bolas numeradas de 1 a n são colocadas ao acaso em caixas, também numeradas de 1 a n. A b ola "encontrou" seu lugar correto se fo i çolocada na caixa de mesmo número. O btenha a probabilidade de todas as bol as irem para caixas erradas. O espaço (0, F , 'P) é definido a seguir. O es paço amostrai O é o conjunto de todas as seqüências (i 1, i 2 , ... , Í 11 ), re presentando os números das bolas que foram colocadas nas caixas ordenadas de 1 a n. A a-álgebra :F é o conjunto das partes de O. Para definir 'P assumimos todas as seqüências eqüiprováveis. ------ ----- ------ 1.3 Probabilidade 31 Seja Ak a ocorrência de bola k na caixa k , k = 1, 2, ... , n. Esse evento corresponde a um encontro em k. A p robabilidade de interesse é não haver nenhum encontro: P(todas as bolas em caixas erradas) = 1- P(pelo men os 1 bola na caixa correta) n = 1- P( u Ak)· k=l Pelo Teorema de Poincaré, a probabilida de da união pode ser calculada como em que, para cada k = 1, 2, .. ·, n, 8k é def inido por 8k = L P(A;IA;2, .. ·, A;k), it? 1 e ik s n. it<h<···<ik Uma pequena reflexão sobre o número de seqüências favoráveis, em cada caso, permite escrever P(Ak) = (n - , 1)! => 81 = t P(Ak) = n (n -, 1)! = 1; n. k=l n. P(A;Aj) = (n -, 2)! => 82 = L P(A;Aj) = (n) (n- 2)! = 1/2; n. i<J 2 n! P(AiAjAk} = (n -,3)! => 83 =L P(A;AjAk) = (n) (n -, 3)! = 1/3!. n. i<j<k 3 n. Não é díficil perceber que, para k = 1, 2, ... , n, temos (n- k)' (n) (n- k)l P(A;tAiz• .. ·, A;k) = I . e ainda 8k = . = 1/k!. n. k n! Portanto, concluímos n 1 1 (-l)n-1 P( k~IAk)=1-2!+3!- ... + n!. N t -x 1 x2 x3 • d - o e que e = - x + 2f - 3f · · · e, asstm, po emos usar es sa expressao com x = 1 para aproximar a probabilidade acim a. Desse modo para n grande, vem: -- -- - - 32 Capítulo 1: Conceitos Básicos em Probabilidade P( Ü Ak) = 1- (1- 1 + ..!._- ..!._ + ... + ( - 1)n ) ~ 1- e-1. k=I 2! 3! n! Portanto, para a probabilidade de interesse temos: P(todas as bolas em caixas erradas) = 1 - P( Ü Ak) ~ e-1 =O, 368. k=1 Vamos apresentar uma outra solução (ver Ross [98]), que calcula a probabilidade de não haver encontros através de uma expressão recursiva com o condicionamento na primeira ocorrência. Introduzimos nova notação que auxiliará o estabelecimento da recursão. Seja U o evento de não haver encontros e Pn a sua probabilidade. A primeira bola a "escolher" uma caixa pode produzir um encontro, evento que representamos por E. Nesse caso, restarão n- 1 bolas e suas n- 1 caixas. Caso ocorra um desencontro, isto é, a primeira bola escolheu a caixa de uma outra bola, teremos a ocorrência de Ec. Nesse caso, dentre as n - 1 bolas restantes, uma delas não vai achar a sua caixa pois ela já foi escolhida! Assim, U pode ser escrito como: U =(UnE) u (Un EJC), mas U n E = 0, uma vez que U é o evento de todos os desencontros. Então Observe que P(Ec) = (n- 1)/n, pois é a probabilidade de desencontro na primeira bola. Para o cálculo de P(UI Ec) vamos desenvolver um novo argumento. Como houve desencontro na primeira ocorrência, temos agora n - 1 bolas e n - 1 caixas, das quais uma bola e uma caixa não farão encontro pois seus respectivos pares já sairam na primeira ocorrência. Denominemos a bola, e também a caixa, como extra. A probabilidade que desejamos calcular, dada por P(U] Ec), representa a ocorrência de não haver nenhum encontro entre n- 1 bolas e n - 1 caixas, sendo que existe uma caixa e também uma bola do tipo extra. Seu cálculo vai levar em conta as situações excludentes da bola extra ir ou não para a caixa extra. Sendo F o evento em que a bola extra foi para a caixa extra, temos P(U] EJC) = P(U FI Ec) + P(U Fc I EJC). Observe que P(F) = P(Fl Ec) = 1/(n- 1). Dado que F ocorre, restam n- 2 1.3 Probabilidade 33 bolas e suas respectivas n - 2 caixas e, para o evento U ocorrer, precisamos que na atribuição dessas bolas não haja nenhum encontro. Logo, estamos no problema inicial de obter desencontros com n- 2 bolas, o qual tem probabilidade Pn-2· Ou seja, Vamos admitir que a bola extra possa fazer par com a caixa extra. Logo a probabilidade condicional de ocorrência simultânea de U e Fc dado Ec, é igual à probabilidade de n-1 desencontros, o que é igual a Pn-1· Assim, P(UPIEJC) =Pn-1· Dessa forma, temos P(UI Ec) = Pn-2 ~1 + Pn-1· n- Então, a probabilidade do evento U pode ser escrita como ou, ainda, ( 1 )n-1 P(U) = Pn = Pn-2 n _ 1 + Pn-1 -n- ; 1 Pn- Pn-1 = --(Pn-1- Pn-2)· n Valores iniciais de p11 podem ser calculados pela definição, resultando em P1 = O e P2 = 1/2. A partir desses valores e da expressão acima, podemos obter recursivamente os outros termos. Não é difícil verificar que, em geral, 1 1 (-1)11 -1 Pu = 21 - 31 + ... + --1- ~ e = O, 368; . . n. conforme obtido anteriormente. o Exemplo 1.15: O doente sadio e o sadio doente (DeGroot e Schervich [02]) Uma das formas de avaliar a eficiência de um teste para detectar uma doença é quantificar a probabilidade de erro. Em geral, testes sofisticados envolvem vários procedimentos laboratoriais e diversos equipamentos. Denominamos falso-positivo ao erro em que o teste indica positivo para um paciente que não tem a doença. Por outro lado, teremos um erro falso-negativo se 34 Capítulo 1: Conceitos Básicos em Probabilidade o teste não acusar a doença num paciente doente. Não é díficil imaginar os inconvenientes dessas ocorrências. Os erros originam doentes sadios e sadios doentes, isto é, pessoas sadias indicadas como doentes pelo teste e pessoas doentes apontadas como sadias. As probabilidades dos erros são calculadas condicionalmente à situação do paciente. Seus complementares fornecem as probabilidades de acerto do teste, ou seja, a probabilidade de indicar doença para os doentes e não doença para os sadios. Para fixar as idéias, considere que um determinado teste resulta positivo para não doentes, com probabilidade 0,1. Também com probabilidade 0,1, o teste será negativo para um paciente doente. As informações fornecidas se referem aos erros que podem ser cometidos ao realizar o teste. Se a incidência da doença na população é de I para cada I O mil habitantes, qual é a probabilidade de uma pessoa estar realmente doente se o teste deu positivo? Observe que, estando ou não doente, existe uma probabilidade não nula do teste indicar a presença da doença. A situação acima ocorre de forma similar em várias áreas e é típica para a aplicação do Teorema de Bayes. Definimos os eventos: D : a pessoa está doente; A : o teste é positivo. Assim, as informações disponíveis são as seguintes: P(D) = 0,0001; P(Aj De)= 0,1 e P(Acl D) = 0,1. Note que, pela propriedade do complementar, temos P(Dc) = 0,9999 e também P(AI D) = 0,9. Com a notação utilizada, a probabilidade desejada é P(Dj A) e será calculada através do Teorema de Bayes. P(AI D)P(D) · P(DI A) = P(AI D)P(D) + P(AI Dc)P(Dc) 0,9 X 0,0001 0,9 X 0,0001 + 0,1 X 0,9999 = 0,0009. Essa probabilidade é de aproximadamente 1 em 1000. Ela é bastante pequena apesar de ser dez vezes maior que a probabilidade da doença na população. É interessante notar que a probabilidade calculada depende fortemente da eficiência do aparelho. Deixamos ao leitor, a tarefa de refazer os cálculos, considerando uma eficiência de 99%, isto é, cada um dos erros é igual a 0,01. O 1.3 Probabilidade 35 Em certas farm1ias de eventos do espaço de probabilidade (0, :F, P), a função de probabilidade tem uma propriedade particular de grande importância, tanto prática quanto teórica. Ela se refere à indiferença no cálculo da probabilidade de um evento A frente à informação da ocorrência de um outro evento B. É como se não aprendêssemos nada da ocorrência de B, que fosse capaz de modificar a probabilidade atribuída ao evento A anteriormente. A propriedade, denominada independência de eventos, é definida a seguir. Ela permite, muitas vezes, separar o experimento em partes mais simples de serem estudadas e, assim, possibilitar uma enorme simplificação nos cálculos probabilísticos de interesse. Definição 1.4: Independência de Dois Eventos Os eventos A e B em (0, :F, P) são independentes se a informação da ocorrência de B não altera a probabilidade atribuída ao evento A. Isto é: P(Aj B) = P(A); a condição de independência pode também ser expressa na seguinte forma alternativa e equivalente: P(A n B) = P(A)P(B). o A expressão equivalente, apresentada na definição de independência, é muito conveniente para efetuar cálculos e definir outros tipos de independência. Por exemplo, diremos que os eventos A e C são condicionalmente independentes dado B se P(A n Cl B) = P(AI B) P(CI B). A expressão alternativa também será usada para definir independência entre mais de dois eventos. Nesse caso, ressaltamos que precisamos considerar a intersecção entre todas as combinações dos eventos. Definição 1.5: Independência de Vários Eventos Os eventos A1, A 2 , ••• , An em (0, :F, P) são independentes se, para toda coleção de índices 1 :::; í 1 < í2 < . . . < Ík :::; n e 2 :::; k :::; n, tivermos P(A;1 n A;2 n ... n Aik) = P(A;JP(A;2 ) ••• P(A;k). o 36 Capítulo 1: Conceitos Básicos em Pro babilidade Exemplo 1.16: Problema dos pontos (Ross [98]) Este problema é histórico no estudo de probabilidades e pode ser enunciado da seguinte forma: Ensaios do tipo sucesso-fracasso são realizados de forma independente, sendo p a probabilidade de suces so e 1 - p a de fracasso. Qual é a probabilidade de ocorrerem n sucesso s antes de mfracassos? A solução apresentada a seguir, atribuíd a ao matemático Fermat no século 17, consiste em observar que o event o { n sucessos antes de m fracassos} é equivalente a {ocorrem pelo menos n sucessos nos primeiros m + n - 1 ensaios}. Deixamos ao leitor a verificaç ão dessa eqüivalência. Para obter a probabilidade de k sucesso s em m + n - 1 ensaios, note que a ordem da ocorrência dos k sucessos n ão é importante. Logo pela independên cia entre os ensaios, temos } ( m + n- 1) k(1 )m+n-1-k P{k sucessos em m + n- 1 ensaios = k P - P , e, então m n- k m+n-1-k m+n-1( + 1) P { n sucessos antes de m fracassos} = t; k P ( 1 - P) · Diversos outros problemas, mais ou me nos famosos, envolvem cálculo de probabilidades em sequências indepen dentes de sucesso-fracasso. O leitor p ode consultar Feller [68] para a descrição de alguns deles, entre os quais temo s o Problema das Caixas de Fósforos de Banach e o Problema de Vencer no Ten is de Mesa. o Exemplo 1.17: O problema da namor ada desconfuula João e José disputam um jogo com uma moeda equilibrada. Cada jogador lança a moeda duas vezes e vence o jogo aquele que obtiver dois resultad os iguais. João começa jogando e, se n ão vencer, passa a moeda para José e; continuam assim, alternando as jogadas , até alguém vencer. A namorada de Jo se desconfia da honestidade do jogo e rec lama que João tem mais probabilidade de vitória por iniciar o jogo. Por outro l ado, a namorada de João diz que iss o é besteira pois, como o número de jogada s pode ser infinito, tanto faz quem com eça jogando. Quem será que tem razão? 1.3 Probabilidade 37 Poderíamos iniciar, imediatamente, os cálculos das probabilidades de interesse para responder a questão proposta. Entretanto, vamos nos de ter buscando formalizar a estrutura do espa ço de probabilidade, sob a qual estarem os trabalhando. Temos aqui um exemplo em que escrev er o espaço de probabilidade pode ser uma tarefa complicada. Os lanç amentos da moeda são implicitamen te assumidos como independentes, o que faz com que a probabilidade de um par possa ser calculada pelo produto da s probabilidades do resultado de se us elementos. O mesmo vale se desejarmos calcular a probabilidade da ocorrência de vários pares. Note que, cada jogador fa z um experimento que consiste em obt er um par de resultados da moeda e o jogo prossegue até a vitória de um deles. Is to significa a ocorrência de uma seqüên cia de pares com elementos diferente s, seguido por um par com elementos igua is. Como nosso interesse é saber se ocorr eram ou não elementos iguaisno par de lançamentos, definimos inicialme nte um espaço amostrai básico com essa s características. Seja no= {A, Ac}, em qu e A é a ocorrência de elementos iguais, isto é duas caras ou duas coroas. Para o --álgebra tomamos Fo = {no, 0, A , Ar} e atribuímos probabilidade, coerentement e com o indicado no ínicio do exempl o, através da função Po em que P0 (A) = 1/2 . Assim, para o experimento de cada jogador na sua jogada, é suficiente o esp aço de probabilidade {no, Fo, Po}. Como os jogadores se sucedem, repetin do esse experimento, o espaço de probabilidade conveniente será o espaç o produto que, como o nome sugere, se rá uma espécie de produto de outros espaç os de probabilidade, idênticos ou não. N o nosso caso, os espaços são todos idênti cos e o espaço produto será denotado p or {n, F, P}. É preciso cautela na sua const rução. Descrevemos brevemente como isso pode ser feito e indicamos, para mais detalhes, textos de Probabilida de Avançada tais como Billingsley [91]. O espaço amostrai n é o produt o cartesiano dos no's, isto é n = no X no X . . · . Sendo c a classe de todos os con juntos da forma A1 x A2 x · · ·, com A; E F0 , definim os F= u(C). Assim, F é a o--álgebra gerada pela classe C. Finalmente, é possível construir uma função d e probabilidade P sobre F com a propriedade de que P(AI. A2, · · ·) = lim Po(AI) Po(A2) · · · Po (An), com (A1, A2 , ···)E :F. n-+ex:> ---------------------------- --------------------------~ 38 Capítulo 1: Conceitos Básicos em Probabilidade De volta ao nosso exemplo. Se João vence na la. jogada, temos o evento (A, n0 , no,··· ), cuja probabilidade é dada por 1 1 P(A no no ... ) = - X 1 X 1 X ••• = - . , , , 2 2 Para José vencer na sua segunda tentativa, é preciso que João e José não vençam nas suas primeiras jogadas e João também não vença na sua segunda tentativa. Assim, P( {José vence na 2a. jogada}) = P( X, A c, A c, A, f!o, no,···) = 1 1 6 · Vamos agora resolver a polêmica entre as namoradas. A probabilidade de João vencer é dada por 1 (1)3 (1)5 2 P({Joãovencerojogo})= 2 + 2 + 2 +···='3' e, portanto, a namorada de José tem razão em dizer que João tem maior probabilidade de vitória. Após saber dessa resposta, ela virou para o seu namorado e, num tom desafiador, exclamou "E agora José?" Para ajudá-lo, você teria alguma sugestão? Uma moeda com outra probabilidade de cara ajudaria? O Exemplo 1.18: Aplicação em Confrabilidade (Feldman e Fox [91]) A confiabilidade de um sistema ou componente é a probabilidade que ele funcione. Muitos sistemas são construídos com redundâncias nos componentes, permitindo alternativas de funcionamento em caso de falha de algum componente. Considere um sistema com dois sub-sistemas em série 8 1 e 82 com, respectivamente, mt e m2 componentes idênticos em paralelo (ver figura a seguir). Figura 1.7: Dois Sistemas em Série. 1.3 Probabilidade 39 o evento em que o componente j do sub-sistema si funciona é representado por Aii• i = 1, 2 e j = 1, 2, ... , mi. Seja P(Aii) = a; para todo j, isto é, a probabilidade de funcionamento de cada componente dentro de um mesmo sub-sistema é igual. Desejamos estabelecer valores para o número de componentes, de modo a obter uma confiabilidade no sistema de pelo menos "f (0 < 'Y < 1). Assumimos independência entre os sub-sistemas e entre os componentes dentro de cada sub-sistema. Para o sistema funcionar basta que um dos componentes de cada sub-sistema funcione. Assim, m1 m2 m, m2 P(Sistema funcione)= P((UAtj) n (UA2j)) = P(UAtj) P(UA2j) ~ 'Y· j=l j=l j=l j=l Observe que m1 m1 m, P( UAtj) = 1- P( ( UArjr) = 1- P( nA~j) = j=l J="l J=l ffii = 1- I1P(A1j) = 1- (1- at)m1 ; j=l e, de modo análogo, ffl2 P( UA2j) = 1- (1- a2)m2. j=l Então, escolhemos os menores inteiros mr e mz que satisfazem à desigualdade Se os componentes em cada sub-sistema têm custos diferentes, então isto deve ser levado em conta, escolhendo m 1 e m 2 de forma a minimizar também a função custo. Para ilustrar nossos cálculos, considere componentes com custos iguais nos dois sub-sistemas, confiabilidade 'Y = 0,99, a1 = 0,7 e a2 = 0,8. Nesse caso, ( ( ( ( ( ( ( 40 Capítulo 1: Conceitos Básicos em Probabilidade a condição requerida é que pode ser obtida fixando um valor possível de m 1 e variando m 2• O menor valor possível para m 1 é 4 que implica na condição 0,2m2 ~ 0,00192; a qual, com auxílio de logaritmos naturais é equivalente a m 2 ~ 3,89. Dessa forma, a confiabilidade de 99% está garantida com 4 componentes em cada sub- sistema. o Exemplo 1.19: Probabilidade à priori e à posteriori (DeGroot e Schervich [02]) Suponha que uma máquina produza itens defeituosos com probabilidade p (O < p < 1) e não defeituosos com probabilidade q = 1 - p . Considere que foram selecionados 6 itens escolhidos aleatoriamente da produção e que os resultados são independentes. Vamos obter, inicialmente, a probabilidade de dois dos 6 itens serem defeituosos. . O espaço amostrai é constituído de todas sequências de 6 itens, em que cada 1tem pode ser defeituoso ou não. Representamos por Di e N; se o item i é defeituoso ou não, respectivamente. Por exemplo, (N1D 2N 3 N 4 D5 N 6 ) representa a sequência com itens defeituosos na 2a. e 5a. seleção e não defeituosos nas demais. Tendo em vista a independência, sua probabilidade é dada por P(N1D2NaN4 D5N 6 ) = p2q4 • Essa também será a probabilidade de qualquer sequência que tenha dois defeituosos em alguma outra posição. Logo, considerando o número dessas sequências, concluímos P(Dois defeituosos)= (~)p2q4. Suponha agora que a probabilidade p, de item defeituoso, é desconhecida mas toma um dos dois valores p = 0,01 (operação normal) ou p = 0,4 (operação fora do padrão). Denominamos B 1 e B 2 os eventos correspondentes aos funcionamentos normal e fora do padrão, respectivamente. Logo para qualquer i, P(D;I Bt) = 0,01 e P(Dd B2) = 0,4. 1.3 Probabilidade 41 A independência entre os resultados se toma agora independência condicional. Isto é, para a particular sequência acima mencionada, dada a ocorrência de B 1, temos Dessa forma, P(Dois defeituosos! Bt) = ( ~) 0,012 0,994 = 1,44 x 10-3; P(Dois defeituosos! B 2) = ( ~) 0,42 0,64 = 0,311. Considere agora que atribuímos probabilidades às escolhas de p. Estabelecemos, assim, o que é conhecido como probabilidade à priori para p. Essas probabilidades expressam nosso conhecimento quanto ao comportamento da máquina e, em geral, são baseadas na experiência anterior. Não é difícil imaginar que poderíamos ter mais de- dois valores para p. Em várias situações, a atribuição de probabilidades à priori pode envolver uma parcela de subjetividade. Assumimos que P(Bt) = 0,9 e P(B2 ) = 0,1. Esses valores indicam a probabilidade de funcionamento normal e fora do padrão, respectivamente. Se na amostra de 6 itens dois foram defeituosos, qual seria a probabilidade posterior para p = 0,01? Em outras palavras, estamos interessados em saber qual a probabilidade da máquina estar funcionando normalmente se observamos 2 itens defeituosos. Pelo Teorema de Bayes segue que P(B I D . d ç . ) P(Dois defeituosos I B1)P(Bt) l OIS e1e1tUOSOS = 2 2:P(Dois defeituosos I B;)P( Bi) í=l = 1,44 X 10- 3 X 0,9 = Ü 04. 1,44 X 10-3 X 0,9 + 0,311 X 0,1 ' Observe o efeito da informação da amostra. A probabilidade à priori de B1 era de 0,9. Entretanto, a probabilidade à posteriori sofreu u ma considerável redução e foi calculada em 0,04. Isto reflete o fato da ocorrência de dois itens defeituosos ser muito mais provável quando B 2 acontece, do que quando ocorre o evento B1. O 42 Capítulo 1: Conceitos Básicos em Probabilidade Exemplo 1.20: Independência entre vários eventos Considere um alfabeto que tem um total de n letras. Dentre todas as palavras formadas com 3 letras escolhemos uma delas, ao acaso. Seja s uma particular
Compartilhar