Prévia do material em texto
Aula 5 Base Teórica de Probabilidade Objetivo: Compreender os fundamentos teóricos da Teoria das Probabilidades para uma justa matematização do acaso e caracterização dos modelos probabilísticos para os dados coletados. Nesta aula exporemos os conceitos e os resultados centrais da Teoria das Pro- babilidades, para que possamos ajustar os dados coletados a um modelo adequado e assim poder tomar decisões sob incerteza. Nessa medida, não pretendemos esgotar todas as potencialidades de tratamento deste assunto, que vale por si só um módulo à parte, como um curso independente. Nossa intenção é apresentar para aqueles que não tiveram uma exposição à teoria das probabilidades os fundamentos que nortearão o conceito de distribuições amostrais, conceito este crucial para a parte inferencial. 1 Álgebra de Conjuntos Nessa seção, relembraremos um pouco as operações envolvendo conjuntos, já que na linguagem da probabilidade, eventos serão descritos através de uniões, interseções e complementares de conjuntos. Letras maiúsculas, como por exemplo A, B, ..., Y , Z, representarão conjuntos. A letra grega representará o conjunto universal em uma situação determinada. Letras minúsculas a, b, ..., y, z, indicarão elementos desses conjuntos. A relação de pertencimento será grafada pelo símbolo 2 e escrevemos, por exemplo a 2 A para indicar que a é membro de A (ou a pertence a A). O conjunto vazio é representado pelo símbolo ?. Um conjunto também pode ser descrito por uma propriedade p, comum a todos os seus elementos, e escrevemos A = fx j x tem a propriedade pg . Exemplo 1 A = fx j x = 2k, k = 1; 2; :::g descreve o conjunto dos números in- teiros pares positivos. Usaremos o símbolo nA para indicar o número de elementos de um determinado conjunto A (ou cardinalidade de A). Diremos que A � B (A está contido em B) se todo elemento de A é também um elemento de B, e diremos também que A é subconjunto de B. Se A � B mas existe um elemento b 2 B tal que b =2 A, (b não pertence a A), diremos que A é um subconjunto próprio de B. Para mostrar que A não está contido em B, basta exibir um elemento a 2 A tal que a =2 B. 1 Proposição 1 ? � A, para qualquer conjunto A. Prova. Suponha que ? não seja subconjunto de A. Então devemos exibir um elemento a 2 ? tal que a =2 A. Mas isso é impossível! Então devemos ? � A, pois se uma proposição é falsa, então a proposição complementar é verdadeira. De nição 1 Dados dois conjuntos A e B indicaremos por A [ B o conjunto dos elementos que pertencem a A ou a B, isto é o conjunto dos elementos que pertencem a pelo menos um dos conjuntos A e B. Este conjunto é chamado união de A com B. A [B = f! 2 j ! 2 A ou ! 2 Bg. Extensão: Seja a coleção de conjuntos A1, A2, ..., An. Então n[ i=1 Ai = f! 2 j ! 2 A1 ou ! 2 A2 ... ou ! 2 Ang. De nição 2 Dados dois conjuntos A e B, de nimos o conjunto interseção de A e B como o conjunto dos elementos que pertencem simultaneamente a A e B, isto é A \B = f! 2 j ! 2 A e ! 2 Bg. Extensão: Seja a coleção de conjuntos A1, A2, ..., An. Então n\ i=1 Ai = f! 2 j ! 2 A1 e ! 2 A2 ... e ! 2 Ang. De nição 3 Dados dois conjuntos A e B, diz-se que eles são disjuntos, se não têm elementos comuns, isto é, se A \ B = ?. Por extensão, dada uma coleção de conjuntos A1, ..., An, dizemos que eles são (mutuamente) disjuntos, ou disjuntos dois a dois, se Ai \ Aj = ?, para todo i 6= j. De nição 4 Dado um conjunto A, de nimos o conjunto complementar de A o conjunto dos elementos de que não pertencem a A. Simbolicamente Ac = f! 2 j ! =2 Ag. De nição 5 Dados dois conjuntos A e B, de ne-se o conjunto diferença de A e B como o conjunto dos elementos de A que não pertencem a B, isto é A�B = f! 2 j ! 2 A e ! =2 Bg Observe que A�B = A \Bc. A seguir listamos as propriedades mais importantes que relacionam os conceitos de nidos anteriormente. O aluno poderá veri car cada uma delas tanto pela lógica proposicional, quanto pelo diagrama de Venn, se assim o desejar: Dado um conjunto universal e conjuntos A, B e C, os seguintes resultados se veri cam: (i) Para todo conjunto A � , A [? = A, A \? = ?. (ii) A � B se e somente se A [B = B. (iii) A � B se e somente se A \B = A. 2 (iv) A [ (B [ C) = (A [B) [ C. (Propriedade Associativa da União) (v) A \ (B \ C) = (A \B) \ C. (Propriedade Associativa da Interseção) (vi) A\ (B [C) = (A\B)[ (A\C). (Propriedade Distributiva da Interseção) (vii) A [ (B \ C) = (A [B) \ (A [ C). (Propriedade Distributiva da União) (viii) A [ Ac = , A \ Ac = ?, ?c = , c = ?. (ix) (Ac)c = A. (x) A � B se e somente se Bc � Ac. (xi) (A [B)c = Ac \Bc. (Lei de Morgan) (xii) (A \B)c = Ac [Bc. (Lei de Morgan) 2 De nições e Resultados Básicos da Teoria das Probabilidades Suponha que vamos realizar um experimento cujo resultado não pode ser predito de antemão, mas cujos possíveis resultados conhecemos. Este conjunto de todos os resultados possíveis, que denotaremos por , é chamado de espaço amostral do experimento. Assim, temos a seguinte de nição: O conjunto contendo todos os resultados possíveis de um determinado experimento é chamado de espaço amostral. Exemplo 2 Se o experimento consiste em lançar uma moeda, então = fCa;Cog, onde Ca é carae Co é coroa. Exemplo 3 Se o experimento consiste em lançar um dado e observar a face supe- rior, então = f1; 2; 3; 4; 5; 6g. Exemplo 4 Se o experimento consiste em lançar duas moedas, então = f(Ca;Ca); (Ca;Co); (Co;Ca); (Co;Co)g, onde o resultado (a; b) ocorre se a face da primeira moeda é a e a face da segunda moeda é b. Exemplo 5 Se o experimento consiste em lançar dois dados e observar as faces superiores, então = 8>>>>>><>>>>>>: (1; 1) (1; 2) (1; 3) (1; 4) (1; 5) (1; 6) (2; 1) (2; 2) (2; 3) (2; 4) (2; 5) (2; 6) (3; 1) (3; 2) (3; 3) (3; 4) (3; 5) (3; 6) (4; 1) (4; 2) (4; 3) (4; 4) (4; 5) (4; 6) (5; 1) (5; 2) (5; 3) (5; 4) (5; 5) (5; 6) (6; 1) (6; 2) (6; 3) (6; 4) (6; 5) (6; 6) 9>>>>>>=>>>>>>; onde o resultado (i; j) ocorre se a face i aparece no primeiro dado e a face j no segundo dado. Exemplo 6 Se o experimento consiste em medir a vida útil de um carro, então um possível espaço amostral consiste de todos os números reais não-negativos, isto é, = [0;1). 3 Qualquer subconjunto A do espaço amostral , isto é A � , ao qual atribuímos uma probabilidade, é dito um evento aleatório. Obviamente, como ? � e � , os conjuntos ? e são eventos aleatórios. O conjunto vazio ? é denominado evento impossível e o conjunto é denominado evento certo. Se ! 2 o evento f!g é dito elementar (ou simples). Dois eventos A e B são ditos mutuamente exclusivos ou incompatíveis se A \B = ?. Observação 1 É importante saber traduzir a notação de conjuntos para a lin- guagem de eventos: A [ B é o evento A ou B; A \ B é o evento A e B e Ac é o evento não A. 2.1 De nição e Propriedades das Probabilidades Há várias interpretações da probabilidade. Discutiremos as três mais importantes: (Clássica) Baseia-se no conceito de equiprobabilidade, ou seja, de resultados equiprováveis (todos os elementos do espaço amostral têm a mesma chance de ocorrer). Seja A um evento e o espaço amostral nito, então P (A) = nA n onde nA é a cardinalidade de A (o número de elementos de A) e n a cardi- nalidade de . Infelizmente nem todos os espaços amostrais em Estatística são nitos e de elementos equiprováveis... Assim, o conceito clássico não dá conta de todas as estruturas probabilísticas necessárias para a descrição de fenômenos aleatórios. O conceito a seguir vem suprir um pouco essa de ciência. (Frequentista) Baseia-se na frequência relativa de um número grande de realizações do experimento. Seja A um evento, então a probabilidade do evento A é vista como o limite da taxa de ocorrência do evento A em realizações sucessivas do experimento,isto é, P (A) = lim n!1 nA n onde nA é o número de ocorrências do evento A em n realizações. O problema agora aqui é que se supõe que possamos reproduzir um experimento in nitas vezes para que possamos avaliar a convergência da taxa de ocorrência de um dado evento, e isso não é possível... Assim devemos entender esse conceito num sentido abstrato. O conceito seguinte tem grandes implicações numa área de grandes estudos hoje na Estatística, chamada Inferência Bayesiana, e apenas o citaremos como ilustração para uma nova interpretação de probabilidade, embora ela não seja útil para esse curso introdutório, pois trataremos da inferência clássica nesse curso. 4 (Subjetiva) Baseia-se em crenças e/ou informações do observador a respeito do fenômeno em estudo. Ou seja, o observador/cientista atribui subjetivamente umamedida de crença para o evento estudado e combina sua crença com as informações vindas de dados coletados. Como dissemos, não nos preocuparemos com o problema de como de nir proba- bilidade para cada experimento, pois mais importante é como construir uma teoria matemática em que nela caibam todos os conceitos. Assim vamos estabelecer os seguintes axiomas (as regras iniciais da teoria). Seja um espaço amostral e A um subconjunto de . Uma medida de proba- bilidade P é uma aplicação de argumento A tendo os seguintes propriedades: A1) P (A) � 0. A2) P ( ) = 1. A3) (Aditividade nita) Se A1; A2; :::; An � são disjuntos dois a dois, isto é, Ai \ Aj = ? para todo i 6= j, então P � n[ i=1 Ai � = nX i=1 P (Ai). Uma função P satisfazendo os Axiomas 1, 2 e 3 é chamada probabilidade nitamente aditiva. Infelizmente, restringir a probabilidade às uniões nitas de conjuntos não nos ajudará a resolver os problemas de interesse na Estatística. Assim devemos esta- belecer também que se A1; A2; ::: � são disjuntos dois a dois, então P � 1[ i=1 Ai � = 1X i=1 P (Ai). Essa propriedade é chamada de �-aditividade. Com base nos axiomas de probabilidade, podemos demonstrar os seguintes re- sultados fundamentais da probabilidade. Teorema 1 P (?) = 0. Prova. Como = [? e \? = ?, temos pelo Axioma 3, que P ( ) = P ( [?) P ( ) = P ( ) + P (?) P (;) = 0. O que o teorema acima a rma é que o evento impossível tem probabilidade nula. Entretanto, a recíproca não é verdadeira! Um evento pode ter probabilidade nula e não ser impossível... Vejamos um exemplo da chamada probabilidade geométrica para ilustrar esse fato. 5 Exemplo 7 Um experimento consiste em se selecionar um ponto aleatoriamente do círculo de raio unitário centrado na origem. Então = � ! = (x; y) : x2 + y2 � 1 Como todo ponto é aleatoriamente escolhido, a probabilidade de um ponto cair numa região do círculo deveria ser a razão entre a área dessa região e a área do círculo unitário. Assim, se A � , temos P (A) = SA � , com SA a área da região de nida pelos pontos de A. Mas então, todo evento ele- mentar desse espaço amostral tem probabilidade nula, pois se A = f(a; b)g, então SA = 0, e consequentemente P (A) = 0 � = 0. No entanto A 6= ?. Além disso, observe que todo experimento terá como um resul- tado um ponto do círculo unitário, que tinha probabilidade nula antes de ele ocorrer. Portanto eventos de probabilidade 0 não são necessariamente eventos impossíveis! Teorema 2 Para todo A � , temos P (Ac) = 1� P (A). Prova. Como = A [ Ac e A \ Ac = ?, temos pelo Axiomas 2 e 3, que P ( ) = P (A [ Ac) 1 = P (A) + P (Ac) P (Ac) = 1� P (A). O que o teorema acima nos informa é que a probabilidade de A não ocorrer é 100% = 1 descontado da chance de A ocorrer. Teorema 3 Para todo A � , temos 0 � P (A) � 1. Prova. 0 � P (A) vem do Axioma 1. Agora pelo resultado anterior, temos P (Ac) = 1� P (A) � 0 1� P (A) � 0 =) P (A) � 1. Teorema 4 Sejam A e B � . Se A � B, então (a) P (B � A) = P (B)� P (A); (b) P (A) � P (B). 6 Prova. (a) Como A � B, então podemos escrever B = A [ (B � A) com A \ (B � A) = ? P (B) = P [A [ (B � A)] P (B) = P (A) + P (B � A) P (B)� P (A) = P (B � A) (b) Como 0 � P (B � A) = P (B)� P (A), temos P (B)� P (A) � 0 P (B) � P (A) Teorema 5 Sejam A e B � . Então P (A [B) = P (A) + P (B)� P (A \B). Prova. Primeiramente temos A [B = A [ (B \ Ac) com A \ (B \ Ac) = ? Assim P (A [B) = P [A [ (B \ Ac)] P (A [B) = P (A) + P (B \ Ac) (1) Agora, temos B = (A \B) [ (B \ Ac) com (A \B) \ (B \ Ac) = ? Assim P (B) = P [(A \B) [ (B \ Ac)] P (B) = P (A \B) + P (B \ Ac) P (B \ Ac) = P (B)� P (A \B) (2) Substituindo (2) em (1), temos o resultado P (A [B) = P (A) + P (B)� P (A \B): Teorema 6 Sejam A, B e C eventos aleatórios. Então P (A [ B [ C) = P (A) + P (B) + P (C)� P (A \B)� P (A \ C)� P (B \ C) + P (A \B \ C). Prova. Primeiramente temos A [B [ C = (A [B) [ C pela associatividade da união. 7 Assim, pelo teorema anterior, temos P (A [B [ C) = P [(A [B) [ C] P (A [B [ C) = P (A [B) + P (C)� P [(A [B) \ C] P (A [B [ C) = P (A) + P (B)� P (A \B) + P (C)� P [(A [B) \ C] (3) Mas pela propriedade distributiva, temos (A [B) \ C = (A \ C) [ (B \ C) E assim, novamente usando o teorema anterior, temos P [(A [B) \ C] = P [(A \ C) [ (B \ C)] P [(A [B) \ C] = P (A \ C) + P (B \ C)� P (A \B \ C) (4) Agora, substituindo (4) em (3), temos o resultado: P (A [B [ C) = P (A)+P (B)+P (C)�P (A\B)�P (A\C)�P (B\C)+P (A\B\C). O que o teorema acima nos informa é que a probabilidade da união de três even- tos é dado pela soma das probabilidades da ocorrência individual deles, retirada da soma das probabilidades de ocorrerem dois a dois e somada com a chance de eles ocorrerem concomitantemente. O resultado acima, conhecido como o princípio da inclusão e exclusão da probabilidade, pode ser generalizado para n eventos. As- sim, a probabilidade da união de n eventos será dada pela soma das probabilidades individuais, menos a soma das probabilidades dois a dois, mais a soma das probabili- dades dos eventos tomados três a três, menos a soma das probabilidades dos eventos tomados quatro a quatro, e assim por diante. Assim, quando temos um número par de eventos a fórmula termina com uma diferença; se o número de eventos é ímpar, a fórmula termina com uma soma. Vejamos os seguintes exemplos para ilustrar os resultados obtidos. Exemplo 8 Uma bola é extraída de uma urna contendo 10 bolas numeradas de 1 a 10. Calcule a probabilidade de que o número da bola extraída seja 3, 4 ou 5. Solução: O espaço amostral para o experimento de extração de uma única bola da urna é dado por = f1; 2; 3; :::; 10g . Como a extração é ao acaso, temos P (f!g) = 1 10 , para todo ! 2 . Desejamos a probabilidade do evento A = f3; 4; 5g. Assim, temos P (A) = P (f3g) + P (f4g) + P (f5g) = 1 10 + 1 10 + 1 10 = 3 10 , ou equivalentemente P (A) = nA n = 3 10 . 8 Exemplo 9 Suponha que dois dados honestos sejam lançados. Qual a probabilidade de que a soma dos números seja par? Solução: O espaço amostral para o experimento de lançamento de dois dados é dado por = 8>>>>>><>>>>>>: (1; 1) (1; 2) (1; 3) (1; 4) (1; 5) (1; 6) (2; 1) (2; 2) (2; 3) (2; 4) (2; 5) (2; 6) (3; 1) (3; 2) (3; 3) (3; 4) (3; 5) (3; 6) (4; 1) (4; 2) (4; 3) (4; 4) (4; 5) (4; 6) (5; 1) (5; 2) (5; 3) (5; 4) (5; 5) (5; 6) (6; 1) (6; 2) (6; 3) (6; 4) (6; 5) (6; 6) 9>>>>>>=>>>>>>; ou na forma sintética = f! = (!1; !2) : !i 2 f1; 2; :::; 6g ; i = 1; 2g . Como os dados são honestos, temos P (f!g) = 1 36 , para todo ! 2 . Desejamos avaliar a probabilidade do evento A: "soma par das faces é obtida". As- sim A = f! = (!1; !2) 2 : !1 + !2 2 f2; 4; :::; 12gg Para que a soma seja par, devemos ter as duas faces pares ou as duas faces ímpares. Pela análise combinatória, há 3 escolhas de face par para o primeirodado e 3 escolhas para a face par do segundo dado. Assim há 3� 3 = 9 resultados com soma das faces par com as duas faces pares. Pelo mesmo raciocício, temos 3 escolhas de face ímpar para o primeiro dado e 3 escolhas para a face ímpar do segundo dado. Assim há 3 � 3 = 9 resultados com soma das faces par com as duas faces ímpares. Assim, temos nA = 3� 3 + 3� 3 = 9 + 9 = 18: Portanto P (A) = nA n = 18 36 = 1 2 . Exemplo 10 Sete pessoas entram juntas num elevador no andar térreo de um edifício de 10 andares. Suponha que os passageiros saiam independentemente e de maneira aleatória com cada andar (1; 2; :::; 10) tendo a mesma probabilidade de ser selecionado. Qual a probabilidade de que todos saiam em andares diferentes? Solução: O espaço amostral para o experimento de saídas aleatórias das sete pessoas é dado pelas diversas escolhas dos andares pelas sete pessoas envolvidas. Assim = f! = (!1; !2; :::; !7) : !i 2 f1; 2; :::; 10g ; i = 1; 2; :::7g , com !i representando o andar que a pessoa i escolhe para sair. Assim, pela análise combinatória, tendo 10 escolhas possíveis para cada pessoa, o número de con gu- rações de saídas será dado por n = 10� 10� :::� 10| {z } 7 parcelas = 107 9 Como as escolhas são aleatórias, temos P (f!g) = 1 107 , para todo ! 2 . Seja o evento A: "todos saem em andares diferentes". Assim A = f! = (!1; !2; :::; !7) 2 : !i 6= !j;8i 6= jg Assim, pela análise combinatória, tendo 10 escolhas possíveis para primeira pessoa, 9 escolhas possíveis para segunda pessoa, 8 escolhas possíveis para terceira pessoa, ..., 4 escolhas possíveis para sétima pessoa. O número de con gurações de saídas diferentes será dado por nA = 10� 9� 8� 7� 6� 5� 4 Assim P (A) = nA n = 10� 9� 8� 7� 6� 5� 4 107 = 60:480 1:000:000 P (A) = 0; 06048 P (A) = 6; 048% Exemplo 11 De uma dada população, 35% têm olhos azuis, 42% são ruivos e 20% são ruivos de olhos azuis. Escolhido ao acaso uma pessoa dessa população, qual a probabilidade de: (a) ser ruivo ou ter olhos azuis? (b) não ser ruivo e nem ter olhos azuis? (c) ser ruivo mas não ter olhos azuis? Solução: O espaço amostral para o experimento deveria representar os possíveis registros duplos de cor dos olhos e cor dos cabelos. Assim, de nindo a para olhos azuis, �a para olhos não azuis, r para ruivo e �r para não ruivo, temos os seguintes resultados do experimento: = f(a; r) ; (a; �r) ; (�a; r) ; (�a; �r)g Sejam os eventos A "a pessoa escolhida tem olhos azuis" e R "a pessoa escolhida é ruiva". Assim temos A = f(a; r) ; (a; �r)g , R = f(a; r) ; (�a; r)g e A \R = f(a; r)g Temos, pelos dados fornecidos, P (A) = 0; 35, P (R) = 0; 42 e P (A \R) = 0; 2. Observe que os quatro elementos do espaço amostral não são equiprováveis, já que apenas o par (a; r) tem 20% de chance e não 25%, caso os elementos fossem equipro- váveis. 10 (a) Desejamos a probabilidade do evento A [R, ser ruivo ou ter olhos azuis. P (A [R) = P (A) + P (R)� P (A \R) = 0; 35 + 0; 42� 0; 2 = 0; 57 P (A [R) = 57%. (b) Desejamos a probabilidade do evento Ac\Rc, não ser ruivo nem ter olhos azuis. P (Ac \Rc) = 1� P [(Ac \Rc)c] = 1� P (A [R) = 1� 0; 57 P (Ac \Rc) = 43%. (c) Desejamos a probabilidade do evento Ac \R, ser ruivo mas não ter olhos azuis. Mas Ac \R = R� (A \R) , com A \R � R. Assim temos P (Ac \R) = P [R� (A \R)] = P (R)� P (A \R) = 0; 42� 0; 2 P (Ac \R) = 22%. 2.2 Probabilidade Condicional Em Ciência, informação é o material mais precioso que existe. Quanto mais infor- mação dispomos de determinados fenômenos, mais acurados serão nossos modelos e nossos cálculos de probabilidade. É nesse sentido que surge o conceito de pro- babilidade condicional: como reavaliar a chance de um evento A ocorrer dado que sabemos que um outro evento B ocorreu? Por exemplo, suponha o lançamento de um dado honesto, isto é = f1; 2; 3; 4; 5; 6g. Seja o evento A = f2; 4; 6g, "cair número par". Então, se nada soubermos sobre o experimento, temos que P (A) = nA n = 3 6 = 1 2 = 50%. Suponha agora que tendo realizado o experimento, alguém nos diga que um número primo foi obtido. Assim sabemos que o evento B = f2; 3; 5g ocorreu. Qual é a chance agora de A ter ocorrido? Temos agora apenas 1 chance em 3... Ou seja P (A dado que B ocorreu) = nA\B nB = # f2g # f2; 3; 5g = 1 3 �= 33; 33%. Assim a chance de A cai de 50% para 33,33% quando sabemos que um número primo ocorreu. Utilizaremos a notação P (A j B) para signi car a probabilidade da ocorrência do evento A à luz da informação de que o evento B ocorreu. Assim, temos a seguinte de nição: Seja um espaço amostral e seja B � com P (B) > 0. 11 A probabilidade condicional de A dado B é de nida por P (A j B) = P (A \B) P (B) , para A � . Para que a probabilidade acima esteja bem de nida, devemos ter P (B) > 0, daí a exigência dessa condição. Cabe aqui justi car a fórmula acima, fazendo um apelo ao conceito clássico de probabilidade. Suponha um espaço amostral nito de elementos equiprováveis com cardinalidade n . Sejam A e B dois eventos de cardinalidades nA e nB, respec- tivamente. Então dado que B ocorreu, B se torna agora um novo espaço amostral, pois apenas elementos de B podem ter ocorrido. Assim, deveríamos saber quantos elementos de B favorecem à ocorrência do evento A, mas isso equivale a contar quantos elementos há em A \ B. Assim, como vimos anteriormente no exemplo do dado, temos P (A j B) = nA\B nB = nA\B n nB n = P (A \B) P (B) , pois P (A \B) = nA\B n e P (B) = nB n . É preciso observar que todos os resultados vistos concernentes à probabilidade não-condicional valem também para a probabilidade condicional. Assim, dado que B ocorreu, temos também, por exemplo, que P (Ac j B) = 1� P (A j B). Exemplo 12 Certo experimento consiste em lançar um dado equilibrado duas vezes, independentemente. (a) Qual a probabilidade de que a soma das faces seja 6? (b) Dado que os dois números extraídos sejam diferentes, qual é a probabilidade agora de a soma dos números ser 6? Solução: O espaço amostral para o experimento é dado por = f! = (!1; !2) : !i 2 f1; 2; :::; 6g ; i = 1; 2g . Como o dado é honesto, temos P (f!g) = 1 36 , para todo ! 2 . (a) Desejamos avaliar a probabilidade do evento A: "soma das faces é 6". Assim A = f! = (!1; !2) 2 : !1 + !2 = 6g A = f(1; 5) ; (5; 1) ; (2; 4) ; (4; 2) ; (3; 3)g nA = 5. Portanto P (A) = nA n = 5 36 . 12 (b) Seja B o evento "os números extraídos são diferentes". Então B = f! = (!1; !2) 2 : !1 6= !2g Pela análise combinatória, há 6 escolhas possíveis para o primeiro lançamento e 5 escolhas possíveis para o segundo lançamento, já que a segunda face deve ser diferente da primeira face. Assim, temos nB = 6� 5 = 30. Portanto P (B) = nB n = 30 36 = 5 6 . Seja agora o evento A \B "a soma dos números é 6 e os números são diferentes". Então A \B = f(1; 5) ; (5; 1) ; (2; 4) ; (4; 2)g nA\B = 4, e assim P (A \B) = nA\B n = 4 36 = 1 9 . Finalmente, temos P (A j B) = P (A \B) P (B) = 1 9 5 6 = 1 9 � 6 5 P (A j B) = 2 15 . Observe que de fato, dado que B ocorreu, então temos apenas 4 casos favoráveis a A dentre os 30 possíveis agora com o conhecimento de que B se deu, daí 4 30 = 2 15 . Vemos também que, quando nada sabemos sobre o experimento, a probabilidade de soma 6 é de 5 36 ; no entanto em face à informação de que B ocorreu essa probabilidade passa a 2 15 , que embora próxima não é a mesma... Teorema 7 Sejam A;B � com P (A) > 0 e P (B) > 0. Então P (A \B) = P (B):P (A j B) = P (A):P (B j A) Prova. Pela de nição de probabilidade condicional temos P (A j B) = P (A \B) P (B) =) P (A \B) =P (B):P (A j B) e P (B j A) = P (A \B) P (A) =) P (A \B) = P (A):P (B j A). Teorema 8 Para quaisquer A, B e C, eventos aleatórios, temos: P (A \ B \ C) = P (A):P (B j A):P (C j A\B), se as probabilidades condicionais estão bem de nidas. 13 Prova. Pela propriedade associativa da interseção, temos A \B \ C = (A \B) \ C. Assim, valendo-se do teorema anterior para dois conjuntos, temos P (A \B \ C) = P [(A \B) \ C] = P (A \B):P (C j A \B) = P (A):P (B j A):P (C j A \B). Observação 2 Podemos estender o resultado anterior para qualquer quantidade de eventos. Assim, para todo A1; A2; :::; An � , temos P (A1 \ A2 \ ::: \ An) = P (A1):P (A2 j A1):P (A3 j A1 \A2):::P (An j A1 \A2 \ :::An�1), se as probabilidades condicionais estão bem de nidas. Exemplo 13 Selecionar três cartas sem reposição ao acaso. Qual a probabilidade de se retirar 3 reis. Solução: Sejam os eventos K1, K2 e K3 rei é obtido na primeira, segunda e terceira extrações, respectivamente. Desejamos P (K1 \K2 \K3) = P (K1):P (K2 j K1):P (K3 j K1 \K2) Mas como há 4 reis num baralho de 52 cartas, temos: P (K1) = 4 52 , P (K2 j K1) = 3 51 e P (K3 j K1 \K2) = 2 50 . P (K1 \K2 \K3) = 4 52 : 3 51 : 2 50 P (K1 \K2 \K3) = 1 5:525 . 2.3 Independência Independência é um conceito fundamental em Estatística, já que muitos dos modelos utilizados na Estatística supõem observações de variáveis aleatórias independentes. Diremos que dois eventos A e B são independentes, se a informação a respeito de que um deles ocorreu não altera a chance de o outro ocorrer, ou seja, a informação dada não contribui para a reavaliação do outro evento dado. Em notação matemática, dizemos então que A e B são independentes se P (A j B) = P (A) ou, equivalentemente, P (B j A) = P (B) . 14 Como consequência, temos P (A j B) = P (A \B) P (B) = P (A) =) P (A \B) = P (A):P (B) P (B j A) = P (A \B) P (A) = P (B) =) P (A \B) = P (A):P (B) Ou seja: Dois eventos A e B são ditos (estocasticamente) independentes se P (A \B) = P (A):P (B). Teorema 9 Se A e B são independentes, então A e Bc também são independentes (e também Ac e B, e ainda Ac e Bc). Prova. Por hipótese, temos P (A \B) = P (A):P (B). Mas P (A \Bc) = P (A)� P (A \B) = P (A)� P (A):P (B) (pela hipótese de independência) = P (A) [1� P (B)] P (A \Bc) = P (A) :P (Bc) (A e Bc são independentes) Para Ac e B, o raciocínio é o mesmo. Agora sejam Ac e Bc. P (Ac \Bc) = 1� P [(Ac \Bc)c] = 1� P (A [B) = 1� P (A)� P (B) + P (A \B) = 1� P (A)� P (B) + P (A):P (B) = [1� P (A)]� P (B) [1� P (A)] = [1� P (A)] [1� P (B)] P (Ac \Bc) = P (Ac) :P (Bc) (Ac e Bc são independentes) O que o teorema acima nos informa é que se A e B são dois eventos indepen- dentes, então a propriedade de independência se estende para os complementares dos conjuntos. Entretanto um erro muito comum entre os alunos (e até mesmo entre os pro- fessores) é associar independência com disjunção, interpretando erroneamente que se A e B são independentes, então A \ B = ?. É justamente o contrário que se dá, ou seja, se A \ B = ?, então A e B não são independentes (a menos que um deles tenha probabilidade zero). Isso ca claro se pensarmos que P (A) = p > 0 e P (B) = q > 0 com A \B = ?. Assim, neste caso, teremos P (A j B) = P (A \B) P (B) = P (?) P (B) = 0 q = 0 6= p = P (A) . Assim P (A j B) 6= P (A), o que prova que A e B não são independentes! É preciso, no entanto, diferenciar o conceito de independência dois a dois de eventos, com o conceito de dependência coletiva. Vejamos os dois conceitos: 15 Os eventos aleatórios Ai, i 2 I (I um conjunto de índices), são independentes dois a dois (ou a pares) se P (Ai \ Aj) = P (Ai):P (Aj) para todo i; j 2 I, i 6= j. Os eventos aleatórios A1; :::; An (n � 2), são (coletiva ou estocasticamente) independentes se P (Ai1 \ Ai2 \ ::: \ Aim) = P (Ai1):P (Ai2):::P (Aim), 1 � i1 < i2 < ::: < im � n, e para todo m = 2; 3; :::; n. Assim, vemos que só podemos a rmar, por exemplo, que A, B e C são indepen- dentes, se eles são independentes 2 a 2 e 3 a 3, isto é, vale a regra do produto P (A \B) = P (A):P (B), P (A \ C) = P (A):P (C), P (B \ C) = P (B):P (C) e P (A \B \ C) = P (A):P (B):P (C). É importante ressaltar que independência a pares não implica independência coletiva! Conforme o exercício a seguir. Exemplo 14 Suponha um tetraedro regular com faces marcadas 1, 2, 3 e 4. Seja o experimento de jogar o tetraedro e observar a face justaposta à mesa. Sejam os eventos A = f1; 4g, B = f2; 4g e C = f3; 4g. Veri que que A, B e C são independentes dois a dois, mas não são coletivamente independentes. Solução: O espaço amostral para o experimento é dado por = f1; 2; 3; 4g e P (fwg) = 1=4 para todo w 2 , pois o tetraedro é regular. Assim temos P (A) = P (B) = P (C) = 1 2 . P (A \B) = P (f4g) = 1 4 = 1 2 � 1 2 = P (A) :P (B) P (A \ C) = P (f4g) = 1 4 = 1 2 � 1 2 = P (A) :P (C) P (B \ C) = P (f4g) = 1 4 = 1 2 � 1 2 = P (B) :P (C) Assim A, B e C são independentes dois a dois. No entanto, P (A \B \ C) = P (f4g) = 1 4 P (A):P (B):P (C) = 1 2 � 1 2 � 1 2 E assim P (A \B \ C) 6= P (A):P (B):P (C). Logo A, B e C não são independentes. 16 Exemplo 15 Perguntou-se através de uma amostra de 600 adultos em três cidades do sudeste brasileiro (Rio de Janeiro - RJ, São Paulo - SP e Minas Gerais - MG), se eles eram favoráveis ou não à volta da CPMF e os seguintes resultados foram obtidos, no domínio da frequência. RJ SP MG Total Favor 90 54 36 180 Contra 210 126 84 420 Total 300 180 120 600 Denotando por R, S e M os eventos "a pessoa selecionada é do Rio, São Paulo e Minas, respectivamente"; e por F e C, "a pessoa selecionada é a favor e contra a volta da CPMF, respectivamente", veri que se as categorias ser ou não a favor são independentes dos estados do sudeste no estudo. Solução: Precisamos montar uma tabela com a frequência relativa observada. Assim, temos o seguinte resultado: RJ SP MG Total Favor 90 600 = 0; 15 54 600 = 0; 09 36 600 = 0; 06 180 600 = 0; 3 Contra 210 600 = 0; 35 126 600 = 0; 21 84 600 = 0; 14 420 600 = 0; 7 Total 300 600 = 0; 5 180 600 = 0; 3 120 600 = 0; 2 600 600 = 1 Assim, temos por exemplo: P (F ) = 0; 3, P (M) = 0; 2, P (R \ C) = 0; 35, e assim por diante. Para que as categorias ser ou não a favor sejam independentes dos estados do sudeste no estudo devemos ter a regra do produto das probabilidades validada. P (R \ F ) = 0; 15 = 0; 5� 0; 3 = P (R) :P (F ) P (R \ C) = 0; 35 = 0; 5� 0; 7 = P (R) :P (C) P (S \ F ) = 0; 09 = 0; 3� 0; 3 = P (S) :P (F ) P (S \ C) = 0; 21 = 0; 3� 0; 7 = P (S) :P (C) P (M \ F ) = 0; 06 = 0; 2� 0; 3 = P (M) :P (F ) P (M \ C) = 0; 14 = 0; 2� 0; 7 = P (M) :P (C) Vemos que a regra do produto vale para todo cruzamento das categorias Fa- vor/Contra com Estados, o que prova haver independência entre a opinião e estado. Cabe aqui ressaltar que poderíamos averiguar no domínio da frequência observando, se por exemplo no caso R e F, temos nR\F = nR � nF n o que se comprova, já que nR\F = 90, nR = 300 e nF = 180, e nR\F = 90 = 300� 180 600 = nR � nF n e assim por diante nos outros casos. Guarde bem essa maneira de averiguar in- dependência, pois nos servirá mais tarde para justi car um teste estatístico muito importante para se averiguar relação de dependência entre variáveis categóricas. 17 Exercício 1 Sabe-se que P (A) = 0; 35, P (B) = 0; 25, e P (A [B) = 0; 5. Cal- cule P (A \B), P (Ac \B) e P (Ac \Bc), e veri que se A e B são independentes. Resp.: P (A \B) = 0; 1, P (Ac \B) = 0; 15, P (Ac \Bc) = 0; 5; A e B não são independentes. Exercício 2 Sabe-se que P (Ac [B) = 0; 76, P (Ac [Bc) = 0; 92, P (Ac \Bc) = 0; 31. Calcule P (A [B), P (A \B), P (B)e P (A), e veri que se A e B são in- dependentes. Resp: P (A [B) = 0; 69, P (A \B) = 0; 08, P (B) = 0; 41, P (A) = 0; 32; A e B não são independentes. Exercício 3 Suponha que A, B e C sejam eventos tais que A e B sejam indepen- dentes e que P (A \B \ C) = 0; 04, P (C j A \B) = 0; 25, P (B) = 4P (A). Calcule P (A [B). Resp.: P (A [B) = 0; 84. Exercício 4 Dois dados são lançados. Seja A1 = fface ímpar no primeiro dadog, A2 = fface ímpar no segundo dadog e A3 = fa soma da faces é ímparg. Esses even- tos são independentes dois a dois? Eles são conjuntamente independentes? Resp.: Sim; Não. Exercício 5 Mostre que se A e B são eventos tais que P (A) > 0, P (B) > 0 e P (AjB) > P (A), então P (BjA) > P (B). Exercício 6 Se A e B são eventos independentes tais que P (A) = 1=3 e P (B) = 1=2, calcule P (A [B), P (Ac [Bc) e P (Ac \B). Resp.: 2=3, 5=6 e 1=3. Exercício 7 A probabilidade de um homem ser canhoto é 1=10. Qual é a pro- babilidade de, em um grupo de 10 homens, haver pelo menos um canhoto? Resp.: aproximadamente 0; 65. Exercício 8 Sacam-se, sucessivamente e sem reposição, duas cartas de um baralho comum (52 cartas). Calcule a probabilidade de a primeira carta ser uma dama e a segunda ser de copas. Resp.: 1=52. Exercício 9 Uma moeda é lançada. Se ocorre cara, um dado é lançado e o seu resultado é registrado. Se ocorre coroa, dois dados são lançados e a soma dos pontos é registrada. Qual a probabilidade de ser registrado o número 2? Resp.: 1=12. Exercício 10 A m de se investigar o efeito de uma vacina para uma dada pa- tologia em animais, foram selecionados 100 unidades experimentais para a amostra, obtendo-se o seguinte resultado no domínio da frequência: Contraíram Doença Não Contraíram Doença Vacinados 18 42 Não Vacinados 12 28 Veri que se contrair ou não a doença é independente de ser ou não vacinado. Resp.: As categorias são independentes, pois vale a regra do produto. 18 Exercício 11 A m de se investigar a relação entre criminoso e vítima, uma pesquisa foi realizada obtendo-se os seguintes resultados na tabela abaixo: Homicídio Furto Assalto Estranho 12 379 727 Conhecido/Parente 39 106 642 Ignorado 18 20 57 (a) Se uma pessoa é selecionada aleatoriamente, qual é a probabilidade de ela ter sido vítima de um estranho, dado que foi escolhida uma vítima de furto? (b) Escolhida uma vítima de assalto, qual a probabilidade de o criminoso ser um estranho? Resp.: (a) 75%, (b) 51% Exercício 12 Um determinado paciente tem uma consulta marcada com seu médico. Sabe-se que a probabilidade de que ele compareça no dia e hora marcados é de 90%. Por outro lado, a probabilidade de que o médico receba um chamado urgente que o obrigue a desmarcar a consulta é de 5%. Admitindo-se que há independência entre esses dois eventos e que esses são os dois únicos motivos que poderão fazer com que a consulta não ocorra no dia e hora marcados, determine a probabilidade de que a consulta não seja realizada. Resp.: 14,5% Exercício 13 Uma relação de candidatos a um emprego consiste em cinco homens e três mulheres. Entre essas oito pessoas, apenas duas serão escolhidas ao acaso para serem entrevistadas. Qual a probabilidade de que os entrevistados sejam um homem e uma mulher? Resp.: 53,57% Exercício 14 Considere uma urna com 100 bolas numeradas de 1 a 100. Uma bola é extraída aleatoriamente da urna e seu número é registrado. Qual a probabilidade de o número obtido ser divisível por 2 ou por 3 ou por 5? Exercício 15 Dois jogadores A e B jogam 120 partidas de xadrez, das quais A ganha 60, B ganha 40 e 20 terminam empatadas. A e B concordam em jogar novamente três partidas. Determinar a probabilidade de: (a) A ganhar todas as três; (b) duas partidas terminarem empatadas; (c) A e B ganharem alternadamente. Resp.: (a) 1/8; (b) 5/72; (c) 5/36. 19