Академический Документы
Профессиональный Документы
Культура Документы
Probabilidade
Contedo
1.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2
1.2.1
Experimento aleatrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.2
Espao amostral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.3
Eventos aleatrios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.1
Interseo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.2
Excluso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.3
Unio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.4
Complementao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.5
Diferena . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.6
1.3
14
2.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14
2.2
14
2.3
18
CONTEDO
3 Probabilidade condicional e independncia de eventos
3.1
3.2
29
Probabilidade condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
29
3.1.1
Regra da multiplicao . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
35
Independncia de eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
41
45
4.1
Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
45
4.2
Os teoremas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
55
5 Exerccios propostos
Departamento de Estatstica
59
ii
Captulo 1
Probabilidade: conceitos bsicos
1.1
Introduo
No nosso cotidiano, lidamos sempre com situaes em que est presente a incerteza do
resultado, embora, muitas vezes, os resultados possveis j sejam conhecidos. Por exemplo:
o sexo de um embrio pode ser masculino ou feminino, mas s saberemos o resultado exato
quando o beb nascer. Se estivermos interessados na face voltada para cima ao jogarmos
um dado, os resultados possveis sero 1, 2, 3, 4, 5, 6. Mas s saberemos o resultado quando
o experimento se completar, ou seja, quando o dado atingir a superfcie sobre a qual foi
lanado. conveniente, ento, dispormos de uma medida que exprima a incerteza presente
em cada um desses acontecimentos. Tal medida a probabilidade.
No estudo das distribuies de frequncias, vimos como essas so importantes para
entendermos a variabilidade de um fenmeno aleatrio. Por exemplo, quando sorteamos
uma amostra de empresas para analisar a distribuio do nmero de empregados, sabemos que uma outra amostra fornecer resultados diferentes. No entanto, se sortearmos um
grande nmero de amostras, esperamos que surja um determinado padro que ir refletir
a verdadeira distribuio da populao de todas as empresas. Atravs de um modelo terico, construdo com base em suposies adequadas, podemos reproduzir a distribuio de
frequncias quando o fenmeno for observado diretamente. Esses modelos so chamados
modelos probabilsticos e sero estudados na segunda parte deste curso. A probabilidade
a ferramenta bsica na construo de tais modelos e ser estudada nesta primeira parte.
1.2
1
6
1
6
1
6
1
6
1
6
Total
1
Suponhamos que uma mulher esteja grvida de trigmeos. Sabemos que cada beb
pode ser do sexo masculino (M) ou feminino (F). Ento, as possibilidades para o sexo das
trs crianas so: MMM, MMF, MFM, FMM, FFM, FMF, MFF, FFF. Uma suposio razovel
que todos esses resultados sejam igualmente provveis, o que equivale a dizer que cada
beb tem igual chance de ser do sexo masculino ou feminino. Ento cada resultado tem uma
chance de 18 de acontecer. Assim, o modelo probabilstico para esse experimento seria
Sexo
MMM
1
Freq. terica
8
MMF
MFM
FMM
FFM
FMF
MFF
FFF
1
8
1
8
1
8
1
8
1
8
1
8
1
8
Total
1
1
8
3
8
3
8
1
8
Total
1
Nesses exemplos, vimos que a especificao de um modelo probabilstico para um fenmeno casual depende da especificao dos resultados possveis e das respectivas probabilidades. Vamos, ento, estabelecer algumas definies antes de passarmos definio
propriamente dita de probabilidade.
1.2.1
Experimento aleatrio
1.2.2
Espao amostral
1.2.3
Eventos aleatrios
Os subconjuntos de so chamados de eventos aleatrios e os elementos de so chamados de eventos elementares. Os eventos, sendo conjuntos, sero representados por letras
maisculas do nosso alfabeto, enquanto os elementos de um evento sero representados por
letras minsculas.
EXEMPLO 1.1 Lanamento de uma moeda
O lanamento de uma moeda um experimento aleatrio, uma vez que, em cada lanamento,
mantidas as mesmas condies, no podemos prever qual das duas faces (cara ou coroa) cair
para cima. Por outro lado, se colocarmos uma panela com gua para ferver e anotarmos a
temperatura de ebulio da gua, o resultado ser sempre 100o C. Logo, este um experimento
determinstico.
EXEMPLO 1.2 Lanamento de um dado
Departamento de Estatstica
Soluo
Considerando a numerao das bolas, o espao amostral pode ser definido como:
= {(i, j) : i = 1, 2, 3, 4; j = 1, 2, 3, 4; i 6= j}
= {(1, 2), (1, 3), (1, 4), (2, 1), (2, 3), (2, 4), (3, 1), (3, 2), (3, 4), (4, 1), (4, 2), (4, 3)}
Os eventos so:
A = {(i, j) : i = 1, 2; j = 1, 2, 3, 4; i 6= j}
= {(1, 2), (1, 3), (1, 4), (2, 1), (2, 3), (2, 4)}
B = {(i, j) : i = 1, 2, 3, 4; j = 1, 2; i 6= j}
= {(2, 1), (3, 1), (4, 1), (1, 2), (3, 2), (4, 2)}
C = {(i, j) : i = 1, 2; j = 1, 2; i 6= j}
= {(1, 2), (2, 1)}
Departamento de Estatstica
Soluo
Vamos denotar por A, V , P e B as cores azul, vermelha, preta e branca, respectivamente.
Ento,
= {(x1 , x2 , x3 ) : xi = A, V , P, B; i = 1, 2, 3}
Os eventos so:
A = {(V , V , V )}
B = {(V , A, P), (V , P, A), (A, V , P), (A, P, V ), (P, V , A), (P, A, V )}
(B, A, P), (B, P, A), (A, B, P), (A, P, B), (P, B, A), (P, A, B)
Como temos quatro cores diferentes e apenas trs extraes, no possvel obter todas
as cores. Logo,
D =
1.3
1.3.1
x AB
xA
xB
(1.1)
1.3.2
Excluso
1.3.3
Unio
x AB
xA
ou
xB
(1.2)
1.3.4
Complementao
O complementar de um evento A, denotado por A ou Ac , a negao de A. Ento, o complementar de A formado pelos elementos que no pertencem a A (ver Figura 1.4).
xA
e tambm que
x
/ A
(1.3)
AA=
(1.4)
1.3.5
Diferena
x A\B
e tambm que
xA
x
/ B
x AB
A = (A \ B) (A B)
(1.5)
(1.6)
1.3.6
Departamento de Estatstica
(1.7)
A = A
A = A
(1.8)
3. Involuo
=
=
(1.9)
AA =
AA =
(1.10)
A = (Ac )c = A
4. Idempotncia
AA = A
AA = A
(1.11)
AB = BA
AB = BA
(1.12)
(A B) C = A (B C )
(A B) C = A (B C )
(1.13)
A (B C ) = (A B) (A C )
A (B C ) = (A B) (A C )
(1.14)
5. Comutatividade
6. Associatividade
7. Distributividade
Departamento de Estatstica
10
11
8. Absoro
A (A B) = A
A (A B) = A
(1.15)
AB = AB
AB = AB
(1.16)
9. Leis de De Morgan
Departamento de Estatstica
12
Departamento de Estatstica
13
Captulo 2
Probabilidade: axiomas e propriedades
2.1
Introduo
Considere, mais uma vez, o experimento aleatrio que consiste no lanamento de um dado
equilibrado. Como j visto, o espao amostral desse experimento = {1, 2, 3, 4, 5, 6}, e
alguns eventos de interesse so A =sair face 2, B =sair face par, etc. A questo que se
coloca, agora, como atribuir probabilidade a esses eventos. Ou seja, queremos determinar
um nmero que expresse a verossimilhana de cada um desses eventos.
Uma soluo seria lanar o dado um grande nmero de vezes e observar a proporo
dos lanamentos que resultam no evento A. Se denotarmos por n(A) o nmero de vezes que
ocorreu o evento A em n lanamentos, a definio de probabilidade com base na frequncia
relativa
n(A)
P(A) = lim
n n
Essa definio tem alguns problemas, a saber: quo grande deve ser n? quem garante
que a razo n(A)
converge e converge sempre para o mesmo nmero cada vez que repetimos
n
o experimento? Temos que buscar, ento, uma nova forma de definir probabilidade.
2.2
Departamento de Estatstica
15
Departamento de Estatstica
16
Departamento de Estatstica
17
Figura 2.3 B A
6. P(A) 1 para qualquer evento A .
Demonstrao
Esse resultado consequncia imediata da propriedade anterior, uma vez que A
P(A) P() = 1
2.3
Vamos considerar, agora, uma situao especial, em que o espao amostral finito e
todos os seus eventos elementares so igualmente provveis. Esse contexto leva definio
clssica de probabilidade, que foi a primeira definio formal de probabilidade, explicitada
por Girolamo Cardano (1501-1576).
Departamento de Estatstica
18
1
1
=
N
n()
Mas, qualquer evento A pode ser escrito como unio de eventos elementares. Logo,
P(A) =
n(A)
n(
1
1
=
N
n()
n(A)
n()
19
Considere um baralho usual composto de 52 cartas divididas em 4 naipes: ouros, copas, paus
e espadas, cada naipe com 13 cartas. As cartas dos 2 primeiros naipes so vermelhas e as
dos dois ltimos, pretas. Em cada naipe, as cartas podem ser s, 2, 3, 4, 5, 6, 7, 8, 9, 10,
Valete, Dama e Rei. Essas trs ltimas so figuras que representam a realeza. Retira-se,
ao acaso, uma carta desse baralho. Qual a probabilidade de que seja
(a) uma figura?
(b) uma carta preta?
(c) uma figura ou uma carta preta?
Soluo
Temos um espao amostral finito em que os eventos elementares so igualmente provveis, pois estamos retirando a carta aleatoriamente. Como h 52 cartas ao todo, n() = 52.
Vamos denotar por F o evento carta retirada uma figura e por P o evento carta retirada
preta.
(a) Em cada um dos 4 naipes h trs figuras. Logo, o nmero total de figuras 4 3, ou
seja, n(F ) = 12. Logo,
3
12
=
.
P(F ) =
52
13
(b) Metade das cartas de cor preta. Logo,
P(P) =
26
1
= .
52
2
12 26
6
32
8
+
=
=
52 52 52
52
13
Departamento de Estatstica
20
10
1
=
20
2
8
2
=
20
5
4
1
=
20
5
Uma urna contm 6 bolas pretas, 2 bolas brancas e 8 bolas verdes. Uma bola escolhid,a
ao acaso, desta urna. Qual a probabilidade de que essa bola
(a) no seja verde?
(b) seja branca?
Departamento de Estatstica
21
8
8
1
=
=
16
16
2
n(B)
2
1
=
= .
n()
16
8
(c) Se a bola no branca nem verde, ela tem de ser preta. Observe que estamos pedindo
P(B V ). Pela lei de De Morgan e pela Propriedade 2 e Axioma III, temos
P(B V ) = P(B V ) = 1 P(B V )
= 1 [P(B) + P(V )] = 1
=
2
8
6
=
16 16
16
3
= P(P)
8
Dado
1
1
2
3
4
5
6
1
(1, 1)
(2, 1)
(3, 1)
(4, 1)
(5, 1)
(6, 1)
2
3
4
5
6
7
Departamento de Estatstica
2
(1, 2)
(2, 2)
(3, 2)
(4, 2)
(5, 2)
(6, 2)
3
4
5
6
7
8
3
(1, 3)
(2, 3)
(3, 3)
(4, 3)
(5, 3)
(6, 3)
4
5
6
7
8
9
(1, 4)
(2, 4)
(3, 4)
(4, 4)
(5, 4)
(6, 4)
5
6
7
8
9
10
5
(1, 5)
(2, 5)
(3, 5)
(4, 5)
(5, 5)
(6, 5)
6
7
8
9
10
11
6
(1, 6)
(2, 6)
(3, 6)
(4, 6)
(5, 6)
(6, 6)
7
8
9
10
11
12
22
n() = 36
n(A) = 18
18
1
=
36
2
P (B) =
6
1
=
36
6
P (C ) =
12
1
=
36
3
C1 , C2 = B1 , B2 , B3 , B4 , V1 , V2 , V3 ;
C1 6= C2 }
A primeira bola pode ser qualquer uma, logo, h 7 bolas possveis. Como a extrao sem
reposio, para a segunda bola, s h 6 possibilidades. Assim, o nmero total de pares
7 6 = 42, ou seja, n() = 42.
Departamento de Estatstica
23
12
2
=
42
7
1
6
=
42
7
interessante notar o seguinte fato sobre a extrao das bolas: em vez de fazermos extraes
sequenciais, podemos retirar 2 bolas simultaneamente. Em ambos os casos, as extraes so
sem reposio, ou seja, a mesma bola no pode sair duas vezes. O que muda, ento?
Soluo
Nas extraes simultneas, no podemos diferenciar a ordem das bolas: por exemplo,
os pares V1 V2 e V2 V1 so os mesmos. Dessa forma, a cardinalidade do espao amostral fica
reduzida por 2, que 2!, nmero de maneiras de organizar as 2 bolas. Se fossem 3 bolas,
ficaria reduzido por 3! = 6. Para ajudar na compreenso dessa diferena, vamos listar o
Departamento de Estatstica
24
2 bolas
verdes
Branca
e verde
Verde
e
branca
Extraes sequenciais
B1 B2 , B1 B3 , B1 B4 ,
B2 B1 , B2 B3 , B2 B4 ,
B3 B1 , B3 B2 , B3 B4 ,
B4 B1 , B4 B2 , B4 B3 ,
V1 V2 , V 1 V3 ,
V2 V1 , V 2 V3 ,
V3 V1 , V 3 V2 ,
B1 V1 , B1 V2 , B1 V3 ,
B2 V1 , B2 V2 , B2 V3 ,
B3 V1 , B3 V2 , B3 V3 ,
B4 V1 , B4 V2 , B4 V3 ,
V1 B1 , V 1 B2 , V 1 B3 , V 1 B4 ,
V2 B1 , V 2 B2 , V 2 B3 , V 2 B4 ,
V3 B1 , V 3 B2 , V 3 B3 , V 3 B4
Evento
2 bolas
brancas
Extraes simultneas
B1 B2 , B1 B3 , B1 B4 ,
B2 B3 , B2 B4 ,
B3 B4 ,
2 bolas
verdes
V1 V2 , V 1 V3 ,
V2 V3 ,
Uma
branca
e uma
verde
B 1 V1 , B 1 V2 , B 1 V3 ,
B 2 V1 , B 2 V2 , B 2 V3 ,
B 3 V1 , B 3 V2 , B 3 V3 ,
B 4 V1 , B 4 V2 , B 4 V3
Extraes sequenciais
P(2 verdes)
6
= 71
42
Extraes simultneas
3
21
1
7
P(2 brancas)
12
= 27
42
6
21
2
7
P(cores diferentes)
24
= 47
42
12
21
4
7
EXEMPLO 2.8 Ou exclusivo
Prove que:
P
A B A B = P(A) + P(B) 2 P(A B)
Departamento de Estatstica
P AB
= P(A) P (A B)
P AB
= P(B) P (A B)
25
P
A B A B = P(A) + P(B) 2 P (A B)
Em uma prova, caram dois problemas. Sabe-se que 132 alunos acertaram o primeiro, 86
erraram o segundo, 120 acertaram os dois e 54 acertaram apenas um. Sorteando-se, ao
acaso, um desses alunos, qual a probabilidade de que o sorteado:
(a) no tenha acertado qualquer um dos dois problemas?
(b) tenha acertado apenas o segundo problema?
Soluo
Vamos denotar por P1 e P2 os eventos acertar problema 1 e acertar problema 2
respectivamente. Os dados do problema nos do que:
n(P1 P2 )
n(P1 )
n(P 2 )
n P1 P 2 (P 1 P2 )
Usando o resultado do exemplo anterior,
n P1 P 2 (P 1 P2 )
54
n(P2 )
=
=
=
=
120
132
86
54
(acertar os 2)
(acertar o primeiro)
(errar o segundo)
(acertar apenas um)
tem-se que:
= n(P1 ) + n(P2 ) 2n(P1 P2 )
= 132 + n(P2 ) 2 120
= 162
26
+
248 248 248
74
37
=
=
248
124
(b) Pela Propriedade 3, tem-se que:
162 120
42
21
P P2 P 1 = P(P2 ) P(P1 P2 ) =
=
=
248
248
124
EXEMPLO 2.10 Atribuio de probabilidade
Dado que = {1, 0, 1} , verifique se possvel definir uma medida de probabilidade em
tal que
P ({1, 1}) = 0, 6
P ({0, 1}) = 0, 9
P ({1, 0}) = 0, 5
Justifique sua resposta.
Soluo
Note que o evento {1, 1} = {1}{1}. Logo, as probabilidades dadas se transformam
no seguinte sistema de 3 equaes com 3 incgnitas:
P (1) + P(1) = 0, 6
P(0) + P(1) = 0, 9
P(1) + P(0) = 0, 5
Da primeira equao, obtemos P(1) = 0, 6 P(1). Substituindo na segunda, obtemos o
seguinte sistema de 2 equaes e 2 incgnitas:
P(0) + 0, 6 P(1) = 0, 9
P(1) + P(0) = 0, 5
Departamento de Estatstica
27
Departamento de Estatstica
28
Captulo 3
Probabilidade condicional e
independncia de eventos
3.1
Probabilidade condicional
4
,
10
ou seja,
4
=
P(A|B) =
10
4
36
10
36
P(A B)
P(B)
Esses dois exemplos ilustram o fato geral que est representado na Figura 3.1. Se
sabemos que aconteceu o evento B, esse evento passa a ser o novo espao amostral e,
nesse novo espao amostral, a nica parte de A presente A B a parte sombreada mais
clara.
Note que, nessa definio, temos que supor que o evento B um evento possvel, j
que ele ocorreu. Logo, bvio que P(B) > 0.
Departamento de Estatstica
30
Um grupo de 100 alunos foi classificado quanto ao sexo e atividade de lazer preferida,
obtendo-se a distribuio dada na tabela a seguir.
Sexo
Atividade de lazer
Cinema Praia Esporte Total
Masculino
10
12
13
35
Feminino
15
41
9
65
Total
25
53
22
100
1. Qual a probabilidade de que uma pessoa, escolhida ao acaso nesse grupo, seja do
sexo masculino?
2. Se a pessoa escolhida preferir a praia como atividade de lazer, qual ser a probabilidade
de ser um homem?
Soluo
Vamos definir os seguintes eventos: M = masculino; F = feminino; C = cinema;
P = praia; E = esporte.
1. O problema pede P(M). Como h 35 homens dentre as 100 pessoas,
P(M) =
35
= 0, 35
100
P(M P)
=
P(P)
12
100
53
100
12
0, 2264
53
De um total de 500 empregados de uma empresa, 200 possuem plano pessoal de aposentadoria complementar, 400 contam com o plano de aposentadoria complementar oferecido
pela empresa e 200 empregados possuem ambos os planos. Sorteia-se, aleatoriamente, um
empregado dessa empresa.
Departamento de Estatstica
31
2
200
=
500
5
P(E) =
400
4
=
500
5
P(P E) =
200
2
=
500
5
Note que essas informaes podem ser dispostas em forma de tabela, como podemos
ver a seguir:
Plano pessoal
Sim
No
Plano da Sim 200
200
Empresa No
0
100
Total
200
300
Total
400
100
500
2 4 2
4
+ =
5 5 5
5
Departamento de Estatstica
4
1
=
5
5
32
P(P E)
=
P(E)
2
5
4
5
P(P E)
P(E|P) =
=
P(P)
2
5
2
5
=1
P(P|E) =
(d) O problema pede
1
2
EXEMPLO 3.3 Campanha publicitria
A probabilidade de que uma nova campanha publicitria fique pronta antes do prazo
estipulado pela diretoria foi estimada em 0,60. A probabilidade de que a diretoria aprove
essa campanha de 0,50. A probabilidade de que ambos os objetivos sejam atingidos 0,30.
(a) Qual a probabilidade de que pelo menos um dos objetivos seja atingido?
(b) Qual a probabilidade de que nenhum objetivo seja atingido?
(c) Se a campanha ficar pronta antes do prazo estipulado, qual a probabilidade de ela ser
a provada pela diretoria?
Soluo
Vamos definir os eventos P = campanha pronta antes do prazo e A = diretoria aprova
campanha. O problema fornece as seguintes informaes:
P(P) = 0, 6
P(A) = 0, 5
P(A P) = 0, 3
P(A P)
0, 3
=
= 0, 5.
P(P)
0, 6
33
P(A B)
0
P(B)
P(B)
P( B)
=
=1
P(B)
P(B)
P(B)
= 1, toda a probabilidade condicional est concentrada
P(B)
em B, o que justifica considerarmos B como o novo espao amostral para essa nova lei de
probabilidade.
Na verdade, como P(B|B) =
Axioma 3:
Sejam A1 e A2 dois eventos mutuamente exclusivos (veja a Figura 3.2). Usando a propriedade distributiva, temos
P(A1 A2 |B) =
P[(A1 A2 ) B]
P[(A1 B) (A2 B)]
=
P(B)
P(B)
P(A1 A2 |B) =
Departamento de Estatstica
34
3.1.1
Regra da multiplicao
P(B) P(A|B)
P(A B) =
P(A) P(B|A)
Se um avio est presente em determinada rea, um radar detecta sua presena com
probabilidade 0,99. No entanto, se o avio no est presente, o radar detecta erradamente
a presena de um avio com probabilidade 0,02. A probabilidade de um avio estar presente
nessa rea de 0,05. Qual a probabilidade de um falso alarme? Qual a probabilidade
de o radar deixar de detectar um avio? (Note que esses so os dois erros possveis nessa
situao.)
Soluo
Departamento de Estatstica
35
Pr(A) = 0, 05
Pr(A) = 0, 95
falso alarme
36
Considere que duas cartas de um baralho (13 cartas de cada um dos naipes copas, paus,
ouros, espadas) sejam extradas, sem reposio, uma depois da outra. Qual a probabilidade
de
(a) nenhuma das duas ser de copas?
(b) pelo menos uma carta ser de copas?
Soluo
Para solucionar esse problema, devemos notar que as cartas no baralho so igualmente
provveis, antes e depois da primeira extrao. Vamos definir os seguintes eventos:
C1 =
C2 =
Na segunda extrao, dado que na primeira saiu copas, temos 12 cartas de copas e 39
cartas que no so de copas em um baralho com 51. O evento representado pelo caminho
superior da rvore C1 C2 e sua probabilidade
P(C1 C2 ) = P(C1 ) P(C2 |C1 ) =
Departamento de Estatstica
13 12
52 51
37
13 39
52 51
52 51
39 38
P(C 1 C 2 ) = P(C 1 ) P(C 2 |C 1 ) =
52 51
P(C 1 C2 ) = P(C 1 ) P(C2 |C 1 ) =
Suponhamos agora a extrao de trs cartas sem reposio e o evento nenhuma carta
de copas. Como podemos generalizar a regra da multiplicao para esse caso?
Soluo
Departamento de Estatstica
38
13/52
C1
C3
39/50
12/50
C3
C2
39/51
C3
38/50
12/50
C3
C1
39/52
13/51
C2
C2
38/51
C3
38/50
13/50
C3
C3
37/50
Departamento de Estatstica
13 12 11
52 51 50
39
39 38 37
52 51 50
Em uma pesquisa realizada com um grupo de alunos da UFF, constatou-se que 10%
dos estudantes no utilizam transporte pblico para ir s aulas e que 65% dos estudantes
que utilizam o transporte pblico fazem refeies no bandejo do campus. Selecionando-se,
aleatoriamente, um estudante desse grupo, calcule a probabilidade de que ele use transporte
pblico e faa refeies no bandejo.
Soluo
Vamos definir os seguintes eventos: T = aluno utiliza transporte pblico e B = aluno
come no bandejo. O problema nos fornece
P(T ) = 0, 10
O problema pede
P(B|T ) = 0, 65
40
=
11 10 9 11 10 9
4
2
2
=
+
=
33 33
11
3.2
Independncia de eventos
Considere novamente um baralho usual, com 52 cartas, 13 de cada naipe, do qual ser
retirada uma carta. Vamos definir os seguintes eventos:
C =
R =
V =
J vimos que P(C ) =
13
52
= 41 ; P(R) =
4
52
carta de copas
carta um rei
carta vermelha
=
1
13
e P(V ) =
26
52
= 12 .
P(R C )
=
P(C )
P(V |C ) =
P(V C )
P(C )
=
= 1 6= P(V )
P(C )
P(C )
Departamento de Estatstica
1
52
1
4
4
1
=
= P(R)
52
13
41
P(A B)
= P(A) P(A B) = P(A) P(B)
P(B)
P(A B)
P(A) P(B)
=
= P(A) A, B independentes.
P(B)
P(B)
42
P(A) P(B)
P(B A)
=
= P(B) B, A independentes.
P(A)
P(A)
Se A e B so independentes A, B so independentes.
Demonstrao
P(AB) = P(B)P(AB) = P(B)P(A) P(B) = P(B)[1P(A)] = P(B) P(A) A, B independentes.
A e B independentes A, B independentes.
Demonstrao
P(A B) =
=
=
=
=
=
=
=
P(A B)
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)]
P(A) P(B) P(A)
P(A)[1 P(B)]
P(A) P(B) A, B independentes.
43
P(A|B) =
P(A B
= 0 6= P(A) A, B no so independentes.
P(B)
Total
400
100
500
Naquele exemplo, estudamos os eventos E = empregado tem o plano de aposentadoria complementar da empresa e P = empregado possui plano pessoal de aposentadoria
complementar. Vamos ver se esses eventos so independentes.
Soluo
Temos
2
4
P(E) =
5
5
2
P(P E) =
6
=
P(P) P(E)
5
P(P) =
200
4
= 1 6= P(E) =
200
5
Departamento de Estatstica
44
Captulo 4
Teorema da Probabilidade Total e
Teorema de Bayes
Neste captulo, voc estudar dois importantes teoremas da teoria das probabilidades e
ver suas aplicaes em diversas situaes envolvendo tomadas de deciso. Esses teoremas,
conhecidos como Teorema da Probabilidade Total e Teorema de Bayes, resultam diretamente
da definio de probabilidade condicional e das propriedades j vistas da probabilidade.
Sua apresentao ser feita, inicialmente, atravs de exemplos, para que voc compreenda
bem o contexto de sua aplicao. Em seguida, ser apresentada a formulao geral desses
teoremas.
4.1
Exemplos
M2
Departamento de Estatstica
n
S
i=1
Ai =
46
P(M1 ) P(D|M1 )
P(M1 )Pr(D|M1 ) + P(M2 ) P(D|M2 )
0, 35 0, 05
=
0, 35 0, 05 + 0, 65 0, 025
0, 0175
=
= 0, 5185
0, 03375
Compare os resultados:
Sem qualquer informao sobre o resultado do experimento, nossa estimativa para
a probabilidade de ocorrncia de M1 pea produzida pela mquina 1 era 0,35.
Departamento de Estatstica
47
(a) O espao amostral desse experimento est ilustrado no diagrama de rvore da Figura
4.2.
48
P(D|M1 ) = 0, 05
P(D|M2 ) = 0, 025
P(D|M3 ) = 0, 02
P(M1 ) P(D|M1 )
P(M1 ) P(D|M1 ) + P(M2 ) P(D|M2 ) + P(M3 ) P(D|M3 )
0, 30 0, 05
=
0, 30 0, 05 + 0, 35 0, 025 + 0, 35 0, 02
0, 015
=
= 0, 487805
0, 03075
P(M2 |D) =
P(M2 ) P(D|M2 )
P(M1 ) P(D|M1 ) + P(M2 ) P(D|M2 ) + P(M3 ) P(D|M3 )
0, 35 0, 025
=
0, 30 0, 05 + 0, 35 0, 025 + 0, 35 0, 02
0, 00875
=
= 0, 284553
0, 03075
Departamento de Estatstica
49
P(M3 |D) =
P(M3 ) P(D|M3 )
P(M1 ) P(D|M1 ) + P(M2 ) P(D|M2 ) + P(M3 ) P(D|M3 )
0, 35 0, 02
=
0, 30 0, 05 + 0, 35 0, 025 + 0, 35 0, 02
0, 007
=
= 0, 227642
0, 03075
50
P(U|C ) = 0, 10
P(U|C ) = 0, 01
P(C ) = 0, 05
P(C U)
P (U)
O soro pode indicar culpado, sendo o suspeito culpado (acerto do diagnstico), ou inocente (erro no diagnstico), ou seja:
P (U) = P (U C ) + P U C
= P (U|C ) P(C ) + P U|C P(C )
= 0, 90 0, 05 + 0, 01 0, 95
= 0, 045 + 0, 0095 = 0, 0545
Departamento de Estatstica
51
P U C = P U|C P(C ) = 0, 01 0, 95 = 0, 0095
Logo,
P(C |U) =
0, 0095
= 0, 1743
0, 0545
1
2
P(K |M2 ) = 1
2
3
Como a moeda lanada escolhida aleatoriamente, temos
P(M1 ) = P(M2 ) = P(M3 ) =
1
3
52
1 1
1
=
3 2
6
+1+
=
=
3
2
3
3
6
18
(c) O problema pede
P (M1 ) P (K |M1 )
P (K M1 )
=
=
P (M1 |K ) =
P (K )
P (K )
1
6
13
18
3
13
Departamento de Estatstica
53
54
P(I C )
P(C )
Mas o gerente pode recusar o emprstimo sendo o cliente inadimplente ou no, ou seja,
P(C ) = P(C I) + P(C I)
= P(I) P(C |I) + P(I) P(C |I)
= 0, 15 0, 80 + 0, 85 0, 10 = 0, 205
Logo,
P(I C )
P(C )
P(I) P(C |I)
=
P(I) P(C |I) + P(I) P(C |I)
0, 15 0, 80
= 0, 5854
=
0, 205
P(I|C ) =
4.2
Os teoremas
A2
A1
A3
B
A4
A6
A7
A8
A5
A9
Departamento de Estatstica
55
P (Ai ) P (B|Ai )
P(B) =
i=1
P (Ai B)
P(B)
56
Teorema de Bayes
P(M) = 0, 35
P(C |H) = 0, 70
P(C |M) = 0, 82
57
P(M|C ) =
Departamento de Estatstica
58
Captulo 5
Exerccios propostos
60
61
Resultado
Total
Tratamento Total
A
B
Cura total (T)
24
16
40
Cura parcial (P) 24
16
40
Morte (M)
12
8
20
60
40
100
62
Departamento de Estatstica
63
64
65
Departamento de Estatstica
66