Slide Pep 915 Aula 1

Introduo Probabilidade Probabilidade Condicional Independncia Varivel Aleatria
Aula 1: Introduo Probabilidade

Prof. Leandro Chaves Rgo
Programa de Ps-Graduao em Engenharia de Produo - UFPE
Recife, 07 de Maro de 2012
Experimento Aleatrio
Um experimento qualquer processo de observao. Por exemplo, considere
medirmos a corrente eltrica em um o de cobre ou medirmos o peso de um
tijolo. Quando repetimos tal experimento, os resultados podem diferir. Esta
variao de resultados denominada de componente aleatrio do nosso
experimento.
Se as variaes forem desprezveis, estas podem ser ignoradas. Porm,
frequentemente nos deparamos com situaes onde importante levar as
variaes em considerao.
O objetivo de se estudar Probabilidade e Estatstica compreender, quanticar
e modelar os tipos de variaes ou fenmenos aleatrios que encontramos com
frequncia.
Experimento Aleatrio
Os seguintes traos caracterizam um experimento aleatrio:
(a) Se for possvel repetir as mesmas condies do experimento, os resultados
do experimento em diferentes realizaes podem ser diferentes, ou seja,
existem variveis ou fatores que no consegue-se controlar.
(b) Pode-se descrever o conjunto de todos os possveis resultados do
experimento.
(c) Quando o experimento for repetido um grande nmero de vezes, uma
congurao denida ou regularidade surgir. esta regularidade que
torna possvel construir um modelo probabilstico.
Os resultados de um experimento aleatrio so caracterizados pelos seguintes
componentes:
1
o conjunto de resultados possveis ;
2
a coleo de conjuntos de resultados de interesse A;
3
um valor numrico P da verossimilhana ou probabilidade de ocorrncia
de cada um dos conjuntos de resultados de interesse.
Espao Amostral
O conjunto de possveis resultados de um experimento aleatrio chamado de
espao amostral. Existem quatro pontos que so desejveis da especicao de
um espao amostral:
SS1. listar os possveis resultados do experimento;
SS2. faz-lo sem duplicao;
SS3. faz-lo em um nvel de detalhamento suciente para os interesses
desejados;
SS4. especicar essa lista completamente em um sentido prtico, embora
usualmente no completa no que se refere a todos os resultados
logicamente ou sicamente possveis.
Por exemplo, em uma nica jogada de uma moeda poderamos ter:
1
= {cara, coroa};
2
= {cara, coroa, borda}; ou
3
= {(x, y) IR
2
},
onde (x, y) so as coordenadas do centro da moeda aps parar.
Espaos amostrais podem ser enumerveis ou no enumerveis; se os elementos
do espao amostral podem ser colocados em uma correspondncia 1-1 com um
subconjunto dos inteiros, o espao amostral enumervel.
Exemplos
Exemplo
Se estivermos interessados no nmero de chamadas que chega a uma central
telefnica em um dado intervalo de tempo, temos que o espao amostral
pode ser o conjunto de inteiros no-negativos IN.
Exemplo
Se estivermos medindo o peso de 1 tijolo produzido em uma fbrica, temos
que o espao amostral pode ser o conjunto de reais no-negativos IR
+
. Se
estivermos medindo o peso de 2 tijolos produzidos em uma fbrica, temos
que o espao amostral pode ser o conjunto IR
+
IR
+
.
Eventos e Coleo de Eventos
Um evento um subconjunto do espao amostral.
Se ao realizarmos um experimento aleatrio, o resultado pertence a um
dado evento A, dizemos que A ocorreu.
Utilizaremos as operaes Booleanas de conjuntos (complementar, unio,
interseco, diferena) para expressar eventos combinados de interesse.
Denio
Dado um espao amostral e um conjunto qualquer I, uma partio
= {A
, I} de uma coleo de eventos que satisfaz:

P1. Para todo = , A
= ;
P2.
I
A
= .
Portanto, cada elemento pertence a um, e somente um, dos eventos A
de uma partio.
Se dois eventos no possuem nenhum resultado em comum, diz-se que so
disjuntos ou mutuamente exclusivos.
Alguns Exemplos
Exemplo
Sejam A, B, e C eventos em um mesmo espao amostral . Expresse os
seguintes eventos em funo de A, B, e C e operaes Booleanas de
conjuntos.
(a) Pelo menos um deles ocorre.
(b) Exatamente um deles ocorre.
(c) Pelo menos dois ocorrem.
(d) No mximo dois deles ocorrem.
(e) Ambos A e B ocorrem, mas C no ocorre.
Exemplo
A coleo de intervalos {(n, n + 1] : n Z} uma partio dos nmeros reais
IR.
Frequncias Relativas
Resta-nos discutir o terceiro elemento para modelagem do raciocnio
probabilstico, a associao de uma medida numrica a eventos que
representam a probabilidade com que eles ocorrem. As propriedades desta
associao so motivadas em grande parte pelas propriedades de frequncia
relativas. Ao repetirmos um experimento aleatrio n vezes sua frequncia
relativa nada mais que a frao de vezes que este evento ocorre, ou seja,
Denio
A frequncia relativa de um evento A determinada por n repeties de um
experimento aleatrio
r
n
(A) =
N
n
(A)
n
,
onde N
n
(A) o nmero de vezes que o evento A ocorreu nas n realizaes
do experimento.
Exemplo
Suponha que lana-se um dado 10 vezes e obtm-se a seguinte sequncia de
resultados: {1, 2, 2, 6, 5, 4, 4, 4, 6, 1}. A frequncia relativa do evento A = {2, 4}
igual a r
10
(A) = 5/10, a frequncia relativa do evento B = {3, 5} igual a
r
10
(B) = 1/10 e a frequncia relativa de A B igual a r
10
(A B) = 6/10.
Frequncias Relativas
Propriedades chaves da frequncia relativa so:
FR0. r
n
: A IR.
FR1. r
n
(A) 0.
FR2. r
n
() = 1.
FR3. Seja A
i
, i = 1, 2, . . . , k, uma coleo nita de eventos disjuntos par a par.
Ento, r
n
(
k
i =1
A
i
) =
k
i =1
r
n
(A
i
).
Assumiremos que ao aumentarmos o nmero de repeties do experimento, a
frequncia relativa de um evento A tende a se estabilizar ao redor de um
nmero P(A), que chamamos de probabilidade do evento A. Salientamos que o
sentido de convergncia quando n cresce s pode ser explicado pela Lei dos
Grandes Nmeros, que no ser discutida em detalhes neste curso. Esta
tendncia da frequncia relativa de estabilizar em um certo valor conhecida
como regularidade estatstica. Deste modo, P herdar propriedades da
frequncia relativa r
n
.
Axiomas de Kolmogorov
So um conjunto de propriedades que denem que tipos de funes
matemticas podem ser adotadas para descrever um modelo probabilstico. Os
primeiro quatro axiomas podem ser motivados pelas propriedades de frequncia
relativa.
K0. Inicial. O experimento aleatrio descrito pelo espao de probabilidade
(, A, P) que consiste do espao amostral , de uma coleo A de
eventos de , e de uma funo de valores reais P : A IR.
K1. No-negatividade. A A, P(A) 0.
K2. Normalizao Unitria. P() = 1.
K3. Aditividade Finita. Seja A
i
, i = 1, 2, . . . , n, uma coleo nita de eventos
disjuntos par a par. Ento, P(
n
i =1
A
i
) =
n
i =1
P(A
i
).
Um ltimo axioma foi proposto por Kolmogorov para garantir um certo grau de
continuidade da medida de probabilidade.
K4. -aditividade. Se {A
i
} uma coleo enumervel de eventos disjuntos
dois a dois, ento
P(
i =1
A
i
) =
i =1
P(A
i
).
Medida de Probabilidade
Denio
Uma funo que satisfaz K0K4 chamada de uma medida de
probabilidade.
Observao
Os axiomas de Kolmogorov no descrevem um nico modelo probabilstico,
eles apenas determinam uma famlia de modelos probabilsticos, a escolha
de um modelo especco satisfazendo os axiomas feito pelo
analista/estatstico familiar com o fenmeno aleatrio sendo modelado.
Exemplos de Medidas de Probabilidade
Exemplo
Se for um conjunto nito, ento temos que a probabilidade clssica que
assume que todos os resultados so igualmente provveis, um exemplo de
uma medida de probabilidade. Neste caso, temos que
P(A) =
||A||
||||
,
onde ||A|| o nmero de elementos de A. O fato que 0 ||A|| |||| e que
||A B|| = ||A|| +||B|| ||A B||,
permitem que veriquemos que P satisfaz os axiomas de Kolmogorov.
Exemplo
Seja = {
1
,
2
, . . . ,
n
} um conjunto nito, e seja P({
i
}) = p
i
, onde
p
i
0,
n
i =1
p
i
= 1, e P(A) =
i
A
P({
i
}). Neste caso, tambm fcil
vericar que P uma medida de probabilidade vericando os axiomas.
Portanto, no caso de qualquer conjunto nito (ou innito enumervel),
pode-se calcular a probabilidade de qualquer evento somando-se as
probabilidades dos eventos que consistem de resultados individuais.
Propriedades de Probabilidade
Teorema
Se P uma medida de probabilidade, ento
1
P(A
c
) = 1 P(A).
2
P() = 0.
3
P(A) 1.
4
Se A B, ento P(A) P(B).
5
P(A B) max(P(A), P(B)) min(P(A), P(B)) P(A B).
6
P(A B) = P(A) + P(B) P(A B).
7
Se {A
i
} uma partio enumervel de feita de conjuntos em A, ento
para todo B A
P(B) =
i
P(B A
i
).
8
P(
n
i =1
A
i
)
n
i =1
P(A
i
).
9
P(A
1
A
2
A
3
) = P(A
1
) + P(A
2
) + P(A
3
) P(A
1
A
2
) P(A
1

A
3
) P(A
2
A
3
) + P(A
1
A
2
A
3
).
Exerccios
Exemplo
Uma pea selecionada para teste igualmente provvel de ser produzida em
qualquer uma de seis ferramentas de corte.
(a) Qual o espao amostral?
(b) Qual a probabilidade da pea ser proveniente da ferramenta 3 ou 5?
(c) Qual a probabilidade da pea no ser da ferramenta 4?
Exerccios (cont.)
Exemplo
Se A, B e C forem eventos mutuamente excludentes, com P(A) = 0,2,
P(B) = 0,3 e P(C) = 0,4, determine:
(a) P(A B C).
(b) P(A
c
(B C)).
(c) P((A B) C).
Exemplo
Se A, B e C forem eventos mutuamente excludentes, ser possvel obter
P(A) = 0,3, P(B) = 0,4 e P(C) = 0,5? Justique.
Princpios de Contagem
Amostragem com Reposio. Dado um conjunto com n elementos
distintos, existem n
k
sequncias distintas de comprimento k escolhida
desse conjunto com repetidas selees do mesmo elemento sendo
permitida.
Amostragem sem Reposio. Dado um conjunto com n elementos
distintos, existem n(n 1)(n 2)(n k + 1) sequncias distintas de
comprimento k escolhida desse conjunto com repetidas selees do
mesmo elemento no sendo permitida.
Permutaes. Dado um conjunto com n elementos distintos, existem
n(n 1)(n 2) (2)(1) n! maneiras de ordenar sequncialmente estes
elementos. n! chamado de em fatorial de n.
Subconjuntos. Dado um conjunto com n elementos distintos, existem
n!
k!(nk)!
=
n
k
diferentes subconjuntos de k elementos. Recorde que em

um conjunto a ordem dos elementos no importa, por isso existem menos
subconjuntos que sequncias de um mesmo tamanho de um dado
conjunto.

n
k
chamado de binomial de n, k a k, e determina o nmero

de maneiras de se escolher k elementos de um conjuntos com n
elementos.
Exerccios (cont.)
Exemplo
Dentre 8 nmeros positivos e 6 negativos, escolhem-se ao acaso 4 nmeros
(sem reposio) e multiplicam-se esses nmeros. Qual a probabilidade que
o produto seja um nmero positivo?
Exerccios (cont.)
Exemplo
Em um grupo de r pessoas qual a probabilidade de haver pelo menos duas
pessoas que faam aniversrio no mesmo dia, assumindo que a distribuio
de aniversrios uniforme ao longo do ano e desprezando a existncia de
anos bissextos?
Exerccios (cont.)
Soluo: O nmero de resultados possveis para os aniversrios de r pessoas
365
r
. O nmero de casos possveis onde todas as pessoas fazem aniversrio em
dias diferentes dado por 365 364 (365 (r 1)). Portanto, o
nmero de casos possveis onde pelo menos duas pessoas fazem aniversrio no
mesmo dia a diferena entre o nmero total de aniversrios possveis e o
nmero de casos onde as pessoas tm aniversrios em datas diferentes, ou seja,
igual a
365
r
365 364 (365 (r 1)).
Logo, a probabilidade deste evento :
1
365 364 (365 (r 1))
365
r
.
Para r = 23, temos que essa probabilidade aproximadamente igual a 0, 51. E
para r = 50, essa probabilidade igual a 0, 97.
Exerccios (cont.)
Exemplo
Doze pessoas so divididas em trs grupos de 4. Qual a probabilidade de
duas determinadas dessas pessoas carem no mesmo grupo?
Exerccios (cont.)
Soluo: O nmero total de divises de doze pessoas em 3 grupos de 4 igual
a
12
4
8
4
4
4
. Vamos agora contar o nmero de casos favorveis ao nosso

evento. Existem 3 opes de escolhermos em qual grupo as duas pessoas
determinadas podem car. Das 10 pessoas restantes, temos que escolher mais
duas para estarem neste grupo, o que podemos fazer de
10
2
maneiras
diferentes. E temos
8
4
4
4
maneiras diferentes de dividir as outras 8 pessoas

nos dois grupos restantes. Portanto, a probabilidade de duas determinadas
pessoas carem no mesmo grupo :
3
10
2
8
4
4
4
12
4
8
4
4
4
=
3
11
.
Probabilidade Condicional
Probabilidade baseada em informao e conhecimento. Nosso objetivo
saber como atualizar o valor da probabilidade quando esta base de informao
ou conhecimento alterada. Em particular, como alterar a probabilidade de um
dado evento A quando sabe-se que um determinado evento B ocorreu?
Seja n o nmero de vezes que repete-se um experimento. Seja N
A
(resp.,
N
B
> 0 e N
AB
) o nmero de vezes que o evento A (resp., B e A B) ocorre
nessas n repeties. A probabilidade condicional de A dado que sabe-se que B
ocorreu, P(A|B), segundo uma interpretao frequentista, sugere que ela deve
ser igual ao limite das frequncias relativas condicionais do evento A dado o
evento B, isto , deve ser o limite N
AB
/N
B
quando n tende ao innito. Seja
r
A
= N
A
/n a frequncia relativa do evento A. Note que N
AB
/N
B
= r
AB
/r
B
e
que segundo a interpretao frequentista de probabilidade r
AB
/r
B

aproximadamente igual a P(A B)/P(B) para valores grandes de n.
Denio
Seja (, A, P) um espao de probabilidade. Se A, B A e P(B) > 0 a
probabilidade condicional de A dado B denida por
P(A|B) =
P(A B)
P(B)
Teorema
Seja B um evento tal que P(B) > 0, ento:
1
P(A|B) 0.
2
P(|B) = 1.
3
Se A
1
, A
2
, . . . uma coleo enumervel de eventos disjuntos par a par,
ento P(
i
A
i
|B) =
i
P(A
i
|B).
Observao
Este teorema implica que para um evento xo B que satisfaz P(B) > 0, a
funo P(|B) : A IR satisfaz todos os axiomas de Kolmogorov e portanto
uma medida de probabilidade. Logo, todas as propriedades vlidas para
probabilidade incondicional continuam vlidas para probabilidade
condicional.
A probabilidade condicional tambm satisfaz as seguintes propriedades:
1
P(B|B) = 1;
2
P(A|B) = P(A B|B);
3
se A B, ento P(A|B) = 1;
4
P(A B|C) = P(A|B C)P(B|C).
5
P(A
1
A
2
) = P(A
1
|A
2
)P(A
2
).
6
P(A
1
A
2
A
3
) = P(A
1
|A
2
A
3
)P(A
2
A
3
) =
P(A
1
|A
2
A
3
)P(A
2
|A
3
)P(A
3
).
Exemplos
Exemplo
Certo experimento consiste em lanar um dado equilibrado duas vezes,
independentemente. Dado que os dois nmeros sejam diferentes, qual a
probabilidade condicional de
(a) pelo menos um dos nmeros ser 6,
(b) a soma dos nmeros ser 8?
Soluo: Para parte (a), note que existem 30 resultados possveis para os
lanamentos do dado de modo que o mesmo nmero no se repita, dos
quais 10 o nmero 6 ocorre. Portanto, esta probabilidade igual a 1/3.
Para parte (b), note que existem 4 resultados possveis que somam 8 dado
que os nmeros so diferentes, logo esta probabilidade igual a 4/30.
Exemplo
Um lote contm 15 moldes provenientes de um fornecedor local e 25 de um
fornecedor de um estado vizinho. Trs moldes so selecionados ao acaso e sem
reposio. Seja A
i
o evento um que o i -simo molde selecionado seja
proveniente do fornecedor local. Determine:
(a) P(A
1
).
(b) P(A
2
|A
1
).
(c) P(A
1
A
2
).
(d) P(A
1
A
2
).
(e) P(A
1
A
2
A
3
).
(f) P(A
1
A
2
A
c
3
).
Teorema da Probabilidade Total
Utilizando este teorema pode-se obter uma probabilidade (incondicional) de
uma probabilidade condicional.
Teorema
Seja a sequncia de eventos B
1
, B
2
, . . . uma partio de , ento para todo
A A
P(A) =
i :P(B
i
)=0
P(A|B
i
)P(B
i
)
Interpretao: B
1
, B
2
, . . . so possveis causas e o evento A um efeito
particular associado a uma causa, P(A|B
i
) especica a relao estocstica
entre a causa B
i
e o efeito A.
Teorema da Probabilidade Total
Por exemplo, seja {D, D
c
} uma partio do espao amostral, onde D o
evento que um dado indivduo possui uma certa doena. Seja A o evento que
determinado teste para o diagnstico da doena deu positivo. Ento,
P(A|D
c
) - falso positivo.
P(A
c
|D) - falso negativo.
Estas probabilidades determinam a qualidade do teste, quanto menores as
probabilidades de falso negativo e falso positivo melhor a qualidade do
teste.
Caso as probabilidades P(D), P(A|D), P(A|D
c
) sejam conhecidas pode-se
usando o Teorema da Probabilidade Total obter a probabilidade incondicional
de determinado exame dar positivo P(A). Porm geralmente, o que se busca
saber que dado que o resultado de um exame deu positivo qual a probabilidade
de que o indivduo esteja doente.
Frmula de Bayes
Pode-se obter esta probabilidade utilizando a famosa frmula de Bayes:
P(D|A) =
P(A D)
P(A D) + P(A D
c
)
=
P(A|D)P(D)
P(A|D)P(D) + P(A|D
c
)P(D
c
)
.
Mais geralmente, quando temos uma partio B
1
, B
2
, . . ., a frmula de Bayes
dada por:
P(B
i
|A) =
P(A B
i
)
j
P(A B
j
)
=
P(A B
i
)
j:P(B
j
)=0
P(A B
j
)
=
P(A|B
i
)P(B
i
)
j:P(B
j
)=0
P(A|B
j
)P(B
j
)
.
As probabilidades P(B
i
) so usualmente chamadas de probabilidades a priori e
as probabilidades condicionais P(B
i
|A) so chamadas de probabilidades a
posteriori.
Exemplos
Exemplo
Jogos do campeonato paulista de futebol ocorrem durante a semana e
tambm nos ns de semana. Suponha que exatamente metade dos jogos
ocorram nos ns de semana. Suponha ainda que o So Paulo ganhe 50%
dos jogos durante o m de semana, e perca em 20% de seus jogos no m de
semana. Finalmente, suponha que o So Paulo ganhe todos os jogos que
ocorrem durante a semana.
(a) Determine a probabilidade do So Paulo empatar um jogo qualquer.
(b) Dado que o So Paulo ganhou seu ltimo jogo, qual a probabilidade
deste jogo ter ocorrido durante a semana?
Exemplos
Exemplo
Uma urna contm 4 bolas brancas e 6 bolas pretas. Sacam-se,
sucessivamente e sem reposio, duas bolas dessa urna. Determine a
probabilidade da primeira bola ser branca sabendo que a segunda bola
branca.
Soluo: Sejam B
1
e B
2
os eventos a primeira bola branca e a segunda
bola branca, respectivamente. Queremos calcular P(B
1
|B
2
). Utilizando a
frmula de Bayes, temos
P(B
1
|B
2
) =
P(B
2
|B
1
)P(B
1
)
P(B
2
|B
1
)P(B
1
) + P(B
2
|B
c
1
)P(B
c
1
)
.
Mas P(B
2
|B
1
) =
3
9
, P(B
2
|B
c
1
) =
4
9
, P(B
1
) =
4
10
e P(B
c
1
) =
6
10
. Logo,
P(B
1
|B
2
) =
3
9

4
10
3
9

4
10
+
4
9

6
10
=
2
15
2
5
=
1
3
.
Exemplos
Exemplo
Se P(C|D) = 0, 4 e P(D|C) = 0, 5, que evento mais provvel C ou D?
Exemplos
Exemplo
Uma fbrica tem 3 mquinas que produzem o mesmo tem. As mquinas A e
B so responsveis, cada uma, por 40% da produo. Quanto qualidade,
as mquinas A e B produzem 10% de tens defeituosos cada uma, enquanto
a mquina C apenas 2%. Um tem selecionado ao acaso da produo
dessa fbrica.
(a) Qual a probabilidade do tem selecionado ser defeituoso?
(b) Se o tem selecionado for defeituoso, qual a probabilidade que tenha
sido produzido pela mquina A?
Independncia
Intuio: dois eventos so independentes se eles no tm nada haver um com o
outro, eles so totalmente no relacionados; a ocorrncia de um no tem
nenhuma inuncia sobre o outro. Por exemplo, resultados de lanamentos
sucessivos de uma moeda.
Pode-se usar probabilidades condicionais para formalizar esta intuio da
seguinte forma, A independente de B se P(A|B) = P(A). Mas usando a
denio de probabilidade condicional, chega-se a seguinte concluso A
independente de B se P(A B) = P(A)P(B). Como esta ltima expresso
denida inclusive para o caso de P(B) = 0, ela a expresso adotada como a
denio de independncia entre eventos.
Denio
O evento A independente do evento B se P(A B) = P(A)P(B).
Independncia
Note que esta denio de independncia implica que independncia um
conceito simtrico em teoria da probabilidade, isto , A independente de B se
e somente se B independente de A. Note que esta denio tambm implica
que eventos A e B so independentes se P(A) = 0 ou P(B) = 0.
Teorema
A independente dele mesmo se e somente se P(A) = 0 ou P(A) = 1.
Prova:
P(A A) = P(A) = P(A)P(A)
P(A) = 0 ou P(A) = 1.
Independncia
Intuitivamente, se A independente de B o fato que B no ocorreu, ou seja
que B
c
ocorreu, no deve alterar a probabilidade de A. Portanto, de se
esperar que se A e B so independentes, ento A e B
c
tambm so. O
seguinte teorema prova que esta intuio verdadeira.
Teorema
Se A e B so eventos independentes, A e B
c
(resp., A
c
e B, A
c
e B
c
) tambm
o so.
Independncia
O conceito de independncia tambm se aplica a uma coleo arbitrria de
eventos {A
i
}
i I
, onde I um conjunto de ndices. Neste caso, tm-se duas
denies.
Denio
Uma coleo de eventos {A
i
}
i I
independente par a par se para todo
i = j I, A
i
e A
j
so eventos independentes.
Denio
Uma coleo qualquer de eventos {A
i
}
i I
mutuamente independente se
para todo J I nito,
P(
i J
A
i
) =
i J
P(A
i
).
Exemplos
Considere os seguintes exemplos que ilustram o conceito de independncia.
Exemplo
Se = {1, 2, 3, 4} e P({w}) = 1/4, ento A = {1, 2}, B = {1, 3}, e C = {2, 3}
so eventos independentes par a par. Pode-se vericar isto pelo fato que
P(A B) = P({1}) =
1
4
=
1
2
1
2
= P(A)P(B).
Similarmente, pode-se provar o mesmo resultado para os outros pares.
Contudo, a probabilidade
P(A B C) = P() = 0 = P(A)P(B)P(C) =
1
8
.
Ento, A, B, e C no so mutuamente independentes.
Exemplos
Exemplo
Assuma que A
1
, . . . , A
n
so eventos mutuamente independentes e que
P(A
i
) = p
i
. Ns calculamos as probabilidades dos seguintes eventos:
O evento A o evento que todos estes eventos ocorrem, ento
P(A) = P(
n
i =1
A
i
) =
n
i =1
P(A
i
) =
n
i =1
p
i
O evento B o evento que nenhum desses eventos ocorre, ento
P(B) = P(
n
i =1
A
c
i
) =
n
i =1
P(A
c
i
) =
n
i =1
(1 p
i
)
O evento C o evento que pelo menos um desses eventos ocorre, ento
C = B
c
P(C) = P(B
c
) = 1 P(B) = 1
n
i =1
(1 p
i
)
Exemplos
Exemplo
Considere que um dado honesto lanado duas vezes. Dena os seguintes
eventos:
A = {O primeiro dado igual a 1, 2, ou 3.}
B = {O primeiro dado igual a 3, 4, ou 5.}
C = {A soma dos resultados das duas jogadas igual a 9.}
(a) Mostre que P(A B C) = P(A)P(B)P(C).
(b) Os eventos A, B, e C so mutuamente independentes? Justique sua
resposta.
Varivel Aleatria
Suponha que uma moeda lanada cinco vezes. Qual o nmero de caras?
Esta quantidade o que tradicionalmente tem sido chamada de varivel
aleatria. Intuitivamente, uma varivel porque seus valores variam,
dependendo da sequncia de lanamentos da moeda realizada; o adjetivo
aleatria usado para enfatizar que o seu valor de certo modo incerto.
Formalmente, contudo, uma varivel aleatria no nem aleatria nem
uma varivel.
Quando os possveis resultados do experimento aleatrio no so numricos
conveniente resumir estes resultados atravs de um nmero. Por isto,
importante trabalhar com variveis aleatrias.
Denio
Seja (, A, P) um espao de probabilidade. Uma funo X : IR
chamada de varivel aleatria se para todo evento de interesse A em IR,
X
1
(A) = {w : X(w) A} A.
Exemplo
Considere trs lanamentos de uma moeda honesta. O espao amostral para
este experimento aleatrio consiste de todas as possveis sequncias de
tamanho 3 de caras e coroas, isto :
= {(cara, cara, cara), (cara, cara, coroa), (cara, coroa, cara),
(cara, coroa, coroa), (coroa, cara, cara), (coroa, cara, coroa),
(coroa, coroa, cara), (coroa, coroa, coroa)}.
Seja A o conjunto de todos os subconjuntos de . Neste caso qualquer funo
real de uma varivel aleatria. Por exemplo, seja X a diferena entre o
nmero de caras e o nmero de coroas obtidos nos trs lanamentos. Ento, X
pode assumir quatro valores, 3, 1, -1, ou -3. Nosso objetivo estudar a
probabilidade de X assumir cada um desses possveis valores. Para isso
veremos, diferentes maneiras de descrever o comportamento probabilstico de
X dependendo se X assumir valores discretos ou contnuos.
Como a moeda honesta cada um dos possveis resultados em tem a mesma
probabilidade 1/8. Como poderemos obter ento a probabilidade de X ser
negativo?
Probabilidade Induzida
Dada uma varivel aleatria X e uma coleo de eventos de interesse B de IR,
pode-se denir uma probabilidade induzida P
X
para todo A B da seguinte
maneira: P
X
(A) = P(X
1
(A)). Por denio de varivel aleatria, tem-se que
X
1
(A) A, ento P
X
est bem denida. Pode-se provar que P
X
satisfaz os
axiomas de Kolmogorov e portanto satisfaz todas as propriedades de uma
medida de probabilidade.
No exemplo anterior, temos que se o evento de interesse A so todos os reais
negativos, ento X
1
(A) so todos os resultados do experimento que nos do
valores negativos para X, ou seja, so os resultados que contm menos caras
que coroas: (cara, coroa, coroa), (coroa, cara, coroa), (coroa, coroa, cara) e
(coroa, coroa, coroa). Portanto, P
X
(A) = 4 1/8 = 1/2.
Observaes
Em muitos casos, os possveis resultados do experimento aleatrio j so
numricos e podemos descrev-lo por (IR, B, P
X
), onde X(w) = w, w IR, ou
seja, os resultados dos experimento aleatrio j so numricos e descrevem a
caracterstica de interesse que queremos analisar.
importante enfatizar que usual se referir a variveis aleatrias por letras
maisculas X, Y, Z, . . . e aos valores que tais variveis podem assumir por
letras minsculas x, y, z, . . ..
Observao
Muitas vezes escreve-se P(X A) para representar P({w : X(w) A}).
Por exemplo, P(X 5) = P({w : X(w) 5}).
Exemplo
Exemplo
Considere que lanamos 3 vezes uma moeda que tem probabilidade de cair
cara igual 2/3 . Seja X o nmero de coroas obtido. Determine:
(a) P(X < 3).
(b) P(1 < X < 3).
(c) P(X > 1|X < 3).
Funo de Distribuio Acumulada
Para uma varivel aleatria X, uma maneira simples e bsica de descrever a
probabilidade induzida P
X
utilizando sua funo de distribuio acumulada.
Denio
A funo de distribuio acumulada de uma varivel aleatria X,
representada por F
X
, denida por
F
X
(x) = P(X x), x IR.
Propriedades da Funo de Distribuio
Acumulada
A funo de distribuio acumulada F
X
satisfaz as seguintes propriedades:
F1. No-decrescente. Se x y, ento F
X
(x) F
X
(y).
F2. Continua Direita. Se x
n
x
+
, ento F
X
(x
n
) F
X
(x).
F3. Se x
n
, ento F
X
(x
n
) 0, e se x
n
, ento F
X
(x
n
) 1.
Teorema
Uma funo real G satisfaz F1F3 se e somente se G uma funo de
distribuio acumulada de alguma varivel aleatria X.
Propriedades da Funo de Distribuio
Acumulada
Condio F2 signica que toda funo de distribuio acumulada F
X
continua
direita. Ainda mais, como F
X
no-decrescente e possui valores entre 0 e 1,
pode-se provar que ela tem um nmero enumervel de descontinuidades do tipo
salto e que o tamanho do salto da funo em um dado ponto a igual a
probabilidade da varivel aleatria assumir este valor, ou seja,
P
X
(a) = F
X
(a) F
X
(a
).
Observao
F
X
(a
) = lim
xa
F
X
(x) o limite de F
X
(x) quando x tende a a por valores
menores que a, ou seja, o limite a esquerda F
X
(x) quando x tende a a.
Determinando Probabilidades de Intervalos
Suponha que saibamos que a funo de distribuio acumulada de uma varivel
aleatria X dada por F
X
. Vamos ver como determinar a probabilidade de X
pertencer a um dado intervalo real. Considere nmeros reais a e b, tais que
a < b, ento:
P(X a) = F
X
(a).
P(X > a) = 1 P(X a) = 1 F
X
(a).
P(X < a) = P(X a) P(X = a) = F
X
(a) (F
X
(a) F
X
(a
)) = F
X
(a
).
P(X a) = 1 P(X < a) = 1 F
X
(a
).
P(a < X b) = P(X b) P(X a) = F
X
(b) F
X
(a).
P(a < X < b) = P(X < b) P(X a) = F
X
(b
) F
X
(a).
P(a X b) = P(X b) P(X < a) = F
X
(b) F
X
(a
).
P(a X < b) = P(X < b) P(X < a) = F
X
(b
) F
X
(a
).
Exerccios
Exemplo
Determine quais das seguintes funes so funes de distribuio
acumuladas, especicando a propriedade que no for satisfeita caso a
funo no seja uma distribuio acumulada.
(a)
e
x
1+e
x
(b) e
|x|
Exerccios
Exemplo
Considere a seguinte funo G(x).
G(x) =
a 2b se x < 0,
ax se 0 x < 1,
a + b(x 1) se 1 x < 2,
1 se x 2.
(a) Determine as restries que as constantes a e b devem satisfazer para
que a funo G(x) seja funo de distribuio acumulada de alguma
varivel aleatria X.
(b) Determine o valor de P(1/2 X 3/2) em funo de a e b.

Slide Pep 915 Aula 1

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Slide Pep 915 Aula 1

Diunggah oleh

Hak Cipta:

Format Tersedia

Introduo Probabilidade Probabilidade Condicional Independncia Varivel Aleatria

Aula 1: Introduo Probabilidade

, I} de uma coleo de eventos que satisfaz:

diferentes subconjuntos de k elementos. Recorde que em

chamado de binomial de n, k a k, e determina o nmero

. Vamos agora contar o nmero de casos favorveis ao nosso

maneiras diferentes de dividir as outras 8 pessoas

Anda mungkin juga menyukai