Baixe o app para aproveitar ainda mais
Prévia do material em texto
Aula 3 Introduc¸a˜o a` Probabilidade e aos Processos Estoca´sticos Vinı´cius A. Armentano1 Paulo A. Valente Ferreira2 1Departmento de Engenharia de Sistemas 2Departamento de Telema´tica Faculdade de Engenharia Ele´trica e Computac¸a˜o Universidade Estadual de Campinas Vinı´cius,Valente Introduc¸a˜o a` Probabilidade e aos Processos Estoca´sticos Aula 3 Conteu´do 1 Probabilidade Condicional Regra da Multiplicac¸a˜o Teorema da Probabilidade Total Regra de Bayes 2 Independeˆncia Independeˆncia Condicional Vinı´cius,Valente Introduc¸a˜o a` Probabilidade e aos Processos Estoca´sticos Probabilidade Condicional Independeˆncia Regra da Multiplicac¸a˜o Teorema da Probabilidade Total Regra de Bayes Probabilidade Condicional Regra da Multiplicac¸a˜o Assuma que todos os eventos condicionantes teˆm probabilidades positivas. Dado que P(∩ni=1Ai) = P(A1) P(A1 ∩ A2) P(A1) · · P(A1 ∩ A2 ∩ A3) P(A1 ∩ A2) · · · P(∩ni=1Ai) P(∩n−1i=1 Ai) , obte´m-se P(∩ni=1Ai) = P(A1)P(A2 | A1) · · P(A3 | A1 ∩ A2) · · ·P(An | ∩n−1i=1 Ai). Vinı´cius,Valente Introduc¸a˜o a` Probabilidade e aos Processos Estoca´sticos Probabilidade Condicional Independeˆncia Regra da Multiplicac¸a˜o Teorema da Probabilidade Total Regra de Bayes Probabilidade Condicional Visualizac¸a˜o PSfrag replacements A1 A2 A3 An−1 An P(A1) P(A2 | A1) P(A3 | A1 ∩ A2) P(An | ∩n−1i=1 Ai) A1 ∩ A2 ∩ A3 A1 ∩ A2 ∩ · · · ∩ An P(A1 ∩ A2 ∩ A3) = P(A1)P(A2 | A1)P(A3 | A1 ∩ A2). Vinı´cius,Valente Introduc¸a˜o a` Probabilidade e aos Processos Estoca´sticos Probabilidade Condicional Independeˆncia Regra da Multiplicac¸a˜o Teorema da Probabilidade Total Regra de Bayes Probabilidade Condicional Exemplo Treˆs cartas sa˜o retiradas sem reposic¸a˜o de um baralho (52 cartas). Qual a probabilidade de nenhuma ser um ouro? Qualquer carta tem a mesma probabilidade de ser retirada. Seja Ai = {a i-e´sima carta na˜o e´ ouro}, i = 1, 2, 3. Deseja-se obter P(A1 ∩ A2 ∩ A3). As probabilidades condicionais sa˜o P(A1) = 39 52 , P(A2 | A1) = 38 51 , P(A3 | A1 ∩ A2) = 37 50 . Logo, P(A1 ∩ A2 ∩ A3) = 39 52 · 38 51 · 37 50 ≈ 0.41. Vinı´cius,Valente Introduc¸a˜o a` Probabilidade e aos Processos Estoca´sticos Probabilidade Condicional Independeˆncia Regra da Multiplicac¸a˜o Teorema da Probabilidade Total Regra de Bayes Probabilidade Condicional Exemplo Uma classe consiste de 4 alunos de po´s-graduac¸a˜o e 12 alunos de graduac¸a˜o. A classe e´ dividida aleatoriamente em 4 grupos de 4 alunos. Aleatoriamente significa: dada a alocac¸a˜o de alguns alunos a certas vagas, os alunos restantes teˆm a mesma chance de serem alocados a`s vagas restantes. Qual a probabilidade de cada grupo inclua um aluno de graduac¸a˜o? Defina aluno de graduac¸a˜o 1, 2, 3 e 4 e A1 = {alunos 1 e 2 em grupos diferentes}, A2 = {alunos 1, 2 e 3 em grupos diferentes}, A3 = {alunos 1, 2, 3 e 4 em grupos diferentes}. Vinı´cius,Valente Introduc¸a˜o a` Probabilidade e aos Processos Estoca´sticos Probabilidade Condicional Independeˆncia Regra da Multiplicac¸a˜o Teorema da Probabilidade Total Regra de Bayes Probabilidade Condicional Exemplo (Continuac¸a˜o) Deseja-se obter P(A3) = P(A1 ∩ A2 ∩ A3) = P(A1)P(A2 | A1)P(A3 | A1 ∩ A2). Existem 12 vagas em grupos diferentes dos do aluno 1 e 15 vagas no total, excluindo o aluno 1. Logo, P(A1) = 12/15. Existem 8 vagas em grupos diferentes dos dos alunos 1 e 2, e 14 vagas no total, excluindo os alunos 1 e 2. Logo, P(A2 | A1) = 8/14. Vinı´cius,Valente Introduc¸a˜o a` Probabilidade e aos Processos Estoca´sticos Probabilidade Condicional Independeˆncia Regra da Multiplicac¸a˜o Teorema da Probabilidade Total Regra de Bayes Probabilidade Condicional Exemplo (Continuac¸a˜o) Existem 4 vagas em grupos diferentes dos dos alunos 1, 2 e 3, e 13 vagas no total, excluindo os alunos 1, 2 e 3. Logo, P(A3 | A1 ∩ A2) = 4 13 . A probabilidade desejada e´ P(A3) = P(A1)P(A2 | A1)P(A3 | A1 ∩ A2) = 12 15 · 8 14 · 4 13 ≈ 0.14. Vinı´cius,Valente Introduc¸a˜o a` Probabilidade e aos Processos Estoca´sticos Probabilidade Condicional Independeˆncia Regra da Multiplicac¸a˜o Teorema da Probabilidade Total Regra de Bayes Probabilidade Condicional Sejam A1, A2, . . . , An eventos disjuntos que formam uma partic¸a˜o do espac¸o amostral Ω. Teorema da Probabilidade Total (TPT) Assuma que P(Ai) > 0 para i = 1, 2, . . . , n. Enta˜o P(B) = P(A1 ∩ B) + P(A2 ∩ B) + · · · + P(An ∩ B) = P(A1)P(B | A1) + · · · + P(An)P(B | An). A probabilidade que B ocorra e´ uma me´dia ponderada da sua probabilidade condicional sob cada cena´rio (evento). A ponderac¸a˜o de cada cena´rio e´ a sua probabilidade incondicional. Vinı´cius,Valente Introduc¸a˜o a` Probabilidade e aos Processos Estoca´sticos Probabilidade Condicional Independeˆncia Regra da Multiplicac¸a˜o Teorema da Probabilidade Total Regra de Bayes Probabilidade Condicional Visualizac¸a˜o PSfrag replacements A1A1 A2 A2 A3 A3 B B B B Bc Bc Bc An A1 ∩ B A2 ∩ B A3 ∩ B Vinı´cius,Valente Introduc¸a˜o a` Probabilidade e aos Processos Estoca´sticos Probabilidade Condicional Independeˆncia Regra da Multiplicac¸a˜o Teorema da Probabilidade Total Regra de Bayes Probabilidade Condicional Exemplo Voceˆ entra num torneio de xadrez no qual sua probabilidade de vencer e´ de 0.3 contra metade dos jogadores - tipo 1. 0.4 contra um quarto dos jogadores - tipo 2. 0.5 contra um quarto dos jogadores - tipo 3. Voceˆ joga com um jogador escolhido ao acaso. Qual e´ a sua probabilidade de vencer? Defina Ai = {jogar com jogador do tipo i}, i = 1, 2, 3. Neste caso, P(A1) = 0.5, P(A2) = 0.25 e P(A3) = 0.25. Vinı´cius,Valente Introduc¸a˜o a` Probabilidade e aos Processos Estoca´sticos Probabilidade Condicional Independeˆncia Regra da Multiplicac¸a˜o Teorema da Probabilidade Total Regra de Bayes Probabilidade Condicional Exemplo Seja B o evento em que voceˆ vence um jogador escolhido ao acaso. As probabilidades condicionais foram dadas: P(B | A1) = 0.3, P(B | A2) = 0.4, P(B | A3) = 0.5. A probabilidade de que voceˆ venc¸a e´ P(B) = P(A1)P(B | A1) + P(A2)P(B | A2) + P(A3)P(B | A3) = 0.5 · 0.3 + 0.25 · 0.4 + 0.25 · 0.5 = 0.38. O TPT e´ u´til para calcular a probabilidade de eventos B para os quais as probabilidades P(B | Ai) sa˜o conhecidas. A escolha da partic¸a˜o A1, A2, . . . , An e´ crucial. Vinı´cius,Valente Introduc¸a˜o a` Probabilidade e aos Processos Estoca´sticos Probabilidade Condicional Independeˆncia Regra da Multiplicac¸a˜o Teorema da Probabilidade Total Regra de Bayes Probabilidade Condicional Sejam A1, A2, . . . , An eventos disjuntos que formam uma partic¸a˜o do espac¸o amostral. Assuma P(Ai) > 0 para todo i . Regra de Bayes Para todo evento B tal que P(B) > 0, P(Ai | B) = P(Ai)P(B | Ai) P(B) = P(Ai)P(B | Ai) P(A1)P(B | A1) + · · · + P(An)P(B | An) . A regra de Bayes relaciona probabilidades condicionais P(A | B) com probabilidades na forma reversa, P(B | A). Vinı´cius,Valente Introduc¸a˜o a` Probabilidade e aos Processos Estoca´sticos Probabilidade Condicional Independeˆncia Regra da Multiplicac¸a˜o Teorema da Probabilidade Total Regra de Bayes Probabilidade Condicional Infereˆncia A regra de Bayes e´ usada frequ¨entemente para se fazer uma infereˆncia. Assuma que existam va´rias causas que podem resultar num certo efeito. Exemplo: surge um ponto na tela do radar (efeito). O ponto e´ causado por uma aeronave ou por outra coisa. Observa-se o efeito, evento B. Deseja-se determinar a causa, um dos eventos A1, A2, . . . , An. P(B | Ai) e´ a probabilidade de se observar o efeito B quando a causa Ai esta´ presente. Vinı´cius,Valente Introduc¸a˜o a` Probabilidade eaos Processos Estoca´sticos Probabilidade Condicional Independeˆncia Regra da Multiplicac¸a˜o Teorema da Probabilidade Total Regra de Bayes Probabilidade Condicional Exemplo (Detecc¸a˜o por Radar) Considere os eventos A = {uma aeronave esta´ presente} e B = {o radar registra a presenc¸a}. As probabilidades sa˜o P(A) = 0.05, P(B | A) = 0.99 e P(B | Ac) = 0.1. Defina A1 = A, A2 = Ac . A probabilidade da aeronave estar presente dado que o radar fez um registro e´ P(A | B) = P(A)P(B | A)P(B) = P(A)P(B | A) P(A)P(B | A) + P(Ac)P(B | Ac) = 0.05 · 0.99 0.05 · 0.99 + 0.95 · 0.1 ≈ 0.34. Vinı´cius,Valente Introduc¸a˜o a` Probabilidade e aos Processos Estoca´sticos Probabilidade Condicional Independeˆncia Regra da Multiplicac¸a˜o Teorema da Probabilidade Total Regra de Bayes Probabilidade Condicional Exemplo (Problema do Falso-Positivo) Um teste para uma certa doenc¸a rara e´ positivo com probabilidade 0.95 se a pessoa tem a doenc¸a. O mesmo teste e´ negativo com probabilidade 0.95 se a pessoa na˜o tem a doenc¸a. Uma pessoa selecionada de uma certa populac¸a˜o tem probabilidade 0.001 de ter a doenc¸a. Dado que o teste da pessoa e´ positivo, qual a probabilidade da pessoa ter a doenc¸a? Seja A o evento ”pessoa tem a doenc¸a” e B o evento ”o teste e´ positivo”. Deseja-se determinar P(A | B). Vinı´cius,Valente Introduc¸a˜o a` Probabilidade e aos Processos Estoca´sticos Probabilidade Condicional Independeˆncia Regra da Multiplicac¸a˜o Teorema da Probabilidade Total Regra de Bayes Probabilidade Condicional Exemplo (Continuac¸a˜o) Pela Regra de Bayes P(A | B) = P(A)P(B | A)P(B) = P(A)P(B | A) P(A)P(B | A) + P(Ac)P(B | Ac) = 0.001 · 0.95 0.001 · 0.95 + 0.999 · 0.05 ≈ 0.02. Embora o teste seja relativamente preciso, e´ pouco prova´vel que uma uma pessoa cujo teste seja positivo tenha a doenc¸a. Vinı´cius,Valente Introduc¸a˜o a` Probabilidade e aos Processos Estoca´sticos Probabilidade Condicional Independeˆncia Independeˆncia Condicional Independeˆncia Um importante caso particular da probabilidade condicional surge quando a ocorreˆncia de B na˜o altera a probabilidade do evento A ocorrer. Independeˆncia Diz-se que os eventos A e B sa˜o independentes se P(A | B) = P(A). Pela definic¸a˜o de probabilidade condicional, A e B sa˜o independentes se P(A ∩ B) = P(A)P(B). Por simetria, se A e´ independente de B, enta˜o B e´ independente de A. Vinı´cius,Valente Introduc¸a˜o a` Probabilidade e aos Processos Estoca´sticos Probabilidade Condicional Independeˆncia Independeˆncia Condicional Independeˆncia Dois eventos sa˜o independentes se forem disjuntos? Se P(A) > 0, P(B) > 0 e P(A ∩ B) = 0, os eventos na˜o sa˜o independentes! Exemplo Experimento envolvendo dois lanc¸amentos sucessivos de um dado tetrae´drico. Dezesseis resultados igualmente prova´veis. a) Os eventos Ai = {1o. lanc¸amento e´ i} e Bj = {2o. lanc¸amento e´ j} sa˜o independentes? P(Ai ∩ Bj) = 1/16, P(Ai) = 4/16, P(Bj) = 4/16. Como P(Ai ∩ Bj) = P(Ai)P(Bj), independentes. Vinı´cius,Valente Introduc¸a˜o a` Probabilidade e aos Processos Estoca´sticos Probabilidade Condicional Independeˆncia Independeˆncia Condicional Independeˆncia Exemplo (Continuac¸a˜o) b) Os eventos A = {1o. lanc¸amento e´ 1} e B = {a soma dos lanc¸amentos e´ 5} sa˜o independentes? Sim, pois P(A ∩ B) = 1/16, P(A) = 4/16, P(B) = 4/16. c) Os eventos A = {ma´ximo dos lanc¸amentos e´ 2} e B = {mı´nimo dos lanc¸amentos e´ 2} sa˜o independentes? Na˜o, pois P(A ∩ B) = 1/16, P(A) = 3/16, P(B) = 5/16. Vinı´cius,Valente Introduc¸a˜o a` Probabilidade e aos Processos Estoca´sticos Probabilidade Condicional Independeˆncia Independeˆncia Condicional Independeˆncia Dado um evento C, os eventos A e B sa˜o condicionalmente independentes se P(A ∩ B | C) = P(A | C)P(B | C). Pela definic¸a˜o de probabilidade condicional e regra da multiplicac¸a˜o, P(A ∩ B | C) = P(A ∩ B ∩ C)P(C) = P(C)P(B | C)P(A | B ∩ C) P(C) = P(B | C)P(A | B ∩ C). Vinı´cius,Valente Introduc¸a˜o a` Probabilidade e aos Processos Estoca´sticos Probabilidade Condicional Independeˆncia Independeˆncia Condicional Independeˆncia Comparando as experesso˜es P(A ∩ B | C) = P(A | C)P(B | C) e P(A ∩ B | C) = P(B | C)P(A | B ∩ C) obte´m-se (P(B | C) 6= 0) P(A | B ∩ C) = P(A | C). Dado que C ocorreu, a informac¸a˜o de que B tambe´m ocorreu na˜o altera a probabilidade de A. A independeˆncia de dois eventos com respeito a` probabilidade incondicional na˜o implica em independeˆncia condicional ou vice-versa. Vinı´cius,Valente Introduc¸a˜o a` Probabilidade e aos Processos Estoca´sticos Probabilidade Condicional Independeˆncia Independeˆncia Condicional Independeˆncia Exemplo Dois lanc¸amentos independentes de uma moeda. Existem quatro resultados igualmente prova´veis. Defina H1 = {1o. lanc¸amento e´ cara}, H2 = {2o. lanc¸amento e´ coroa}, D = {os lanc¸amentos teˆm resultados diferentes}. Os eventos H1 e H2 sa˜o independentes. Pore´m P(H1 | D) = 1/2, P(H2 | D) = 1/2, P(H1 ∩ H2 | D) = 0. e H1 e H2 sa˜o condicionalmente dependentes. Vinı´cius,Valente Introduc¸a˜o a` Probabilidade e aos Processos Estoca´sticos Probabilidade Condicional Independeˆncia Independeˆncia Condicional Independeˆncia Exemplo Duas moedas, uma azul, outra vermelha. Escolhe-se uma ao acaso (probabilidade 1/2) e faz-se dois lanc¸amentos independentes. As moedas sa˜o polarizadas: com a azul, a probabilidade de cara e´ 0.99; com a vermelha, 0.01. Seja B o evento em a moeda azul e´ selecionada. Seja Hi o evento em que o i-e´simo lanc¸amento resulta em cara. Escolhida a moeda, os eventos H1 e H2 sa˜o condicionalmente independentes. Assim P(H1 ∩ H2 | B) = P(H1 | B)P(H2 | B) = 0.992 ≈ 0.98. Vinı´cius,Valente Introduc¸a˜o a` Probabilidade e aos Processos Estoca´sticos Probabilidade Condicional Independeˆncia Independeˆncia Condicional Independeˆncia Exemplo (Continuac¸a˜o) Entretanto, os eventos H1 e H2 na˜o sa˜o independentes. Se o 1o. lanc¸amento e´ cara, suspeita-se que a moeda seja azul. Matematicamente, pelo TPT, P(H1) = P(B)P(H1 | B) + P(Bc)P(H1 | Bc) = 0.5 · 0.99 + 0.5 · 0.01 = 0.5. Do mesmo modo, P(H2) = 0.5. Ale´m disso, P(H1 ∩ H2) = P(B)P(H1 ∩ H2 | B) + P(Bc)P(H1 ∩ H2) | Bc) = 0.5 · 0.992 + 0.5 · 0.012 ≈ 0.5, e os eventos H1 e H2 sa˜o dependentes. Vinı´cius,Valente Introduc¸a˜o a` Probabilidade e aos Processos Estoca´sticos Probabilidade Condicional Independeˆncia Independeˆncia Condicional Independeˆncia Se A e B sa˜o eventos independentes, o mesmo ocorre com os eventos A e Bc . Independeˆncia de uma Colec¸a˜o de Eventos Diz-se que os eventos A1, A2, . . . , An sa˜o independentes se P ( n⋂ i∈S Ai ) = n∏ i=1 P(Ai) para todo subconjunto S de {1, 2, . . . , n}. Exemplo Se n = 3, enta˜o a igualdade acima deve ser verificada para S = {1, 2}, S = {1, 3}, S = {2, 3} e S = {1, 2, 3}. Vinı´cius,Valente Introduc¸a˜o a` Probabilidade e aos Processos Estoca´sticos Aula 3 Probabilidade Condicional Regra da Multiplicação Teorema da Probabilidade Total Regra de Bayes Independência Independência Condicional
Compartilhar