Probabilidade Cap 2
Transcript of Probabilidade Cap 2
2. Noções de probabilidade
2.1 Experiências aleatórias. Espaço de resultados.Acontecimentos.
DefiniçãoUm procedimento ou conjunto de circunstâncias que produza resultadosobserváveis e para o qual:
se conhecem todos os resultados possíveis previamente à sua realização,1.mas não é possível prever o resultado de cada realização,2.
diz-se uma experiência aleatória.
DefiniçãoO conjunto formado por todos os resultados possíveis de uma experiência aleatóriadiz-se o seu espaço de resultados (Ω).
Exemplo - Algumas experiências aleatóriasE1 : lançamento de um dado cúbico
E2 : lançamento de duas moedas
E3 : lançamento de uma moeda até sair "cara"
E4 : ensaio da duração de uma lâmpada nova
DefiniçãoUm qualquer subconjunto de Ω diz-se um acontecimento.
Seja Ω = {ω1, …, ωn, …} um espaço de resultados. Destaquemos alguns acontecimentos
notáveis:
∅ acontecimento impossível
{ωi} acontecimento elementar
Ω acontecimento certo
DefiniçãoO conjunto de todos os acontecimentos definidos num espaço de resultados diz-se oespaço de acontecimentos de uma experiência aleatória (𝒜 ).
1 de 6
Um espaço de acontecimentos é uma σ-álgebra, ou seja:
A ∈ 𝒜 ⇒ A‾ ∈ 𝒜 ;1.
A1, …, An, … ∈ 𝒜 ⇒ ⋃i=1
+∞Ai ∈ 𝒜 .2.
DefiniçãoUma função P : 𝒜 → ℝ diz-se uma função de probabilidade. Para um qualquer
acontecimento A ∈ 𝒜 , o número real P(A) diz-se a probabilidade da ocorrência
de A.
DefiniçãoO terno (Ω, 𝒜 , P) diz-se o espaço de probabilidade de uma experiência aleatória.
2.2 Noção de probabilidade: interpretações de Laplace,frequencista e subjectivista. Axiomática de probabilidade eteoremas decorrentes.
Como definir uma função de probabilidade ou como interpretar o conceito deprobabilidade?Não há uma definição de probabilidade! É antes um conceito primitivo que tem tido,ao longo do tempo, diferentes interpretações.
Interpretação de Laplace (1749-1827)
Consideremos um espaço de resultados formado por n resultados (#Ω = n) e A ∈ 𝒜 tal
que #A = nA.
Então
P(A) =#A
#Ω=nA
n.
Limitações
Ω finito.
Resultados equiprováveis.
Interpretação frequencista
Considerem-se n repetições de uma experiência aleatória e seja nA o número de
ocorrências de um acontecimento A nessas n repetições. Então
P(A) = limn→ +∞
nA
n.
2 de 6
Limitações
Só se aplica se a experiência for repetível.É apenas uma interpretação que não fornece uma regra de cálculo.
Exemplo - 1000 lançamentos de uma moeda
Axiomática de Kolmogorov (1903-1987)
P(A) ≥ 0, ∀ A ∈ 𝒜 ;1.
P(Ω) = 1;2.
sendo A1, …, An, … acontecimentos mutuamente exclusivos então3.
P⎛⎝⎜ ⋃i=1
+∞Ai
⎞⎠⎟ = ∑
i=1
+∞P(Ai).
A partir destes axiomas pode-se provar um grande número de propriedades de umafunção de probabilidade.
Alguns exemplos
P(A‾ ) = 1 − P(A), ∀ A ∈ 𝒜 ;1.
P(∅) = 0;2.
∀ A, B ∈ 𝒜 : A ⊂ B ⇒ P(A) ≤ P(B);3.
P(A) ≤ 1, ∀ A ∈ 𝒜 ;4.
P(A∩B‾ ) = P(A ∖ B) = P(A) − P(A∩B), ∀ A, B ∈ 𝒜 ;5.
P(A∪B) = P(A) + P(B) − P(A∩B), ∀ A, B ∈ 𝒜 .6.
DefiniçãoSe P(A) = 0(1) então A diz-se um acontecimento quase impossível (quase certo).
Frequência relativa de caras
200 400 600 800 1000
0.2
0.4
0.6
0.8
1.0
3 de 6
Cálculo de probabilidades em espaços de resultados finitos
Seja Ω = {ω1, …, ωn}. Quantos acontecimentos podemos definir?
Seja A = {ω1* , …, ωk
* } ⊂ Ω.
P(A) = P(
⋃i=1
k
{ωi*})
= ∑i=1
kP({ωi
*})
Caso particular: resultados equiprováveis P({ωi}) = 1 / n, ∀ i.
P(A) =k
n=
#A
#Ω
2.3 Probabilidade condicional.Não vimos ainda como levar em conta no cálculo de probabilidades o facto de aocorrência de um acontecimento poder afectar a probabilidade de outrosacontecimentos ocorrerem.
DefiniçãoSeja B ∈ 𝒜 tal que P(B) > 0. A probabilidade condicional da ocorrência de A
dado que B ocorreu é definida por
P(A ∣∣ B) =P(A∩B)
P(B), ∀ A ∈ 𝒜 .
Toda a probabilidade é condicional!
TeoremaSeja B ∈ 𝒜 tal que P(B) > 0 e defina-se a função P(• ∣∣ B) de 𝒜 em ℝ. Então
(Ω, 𝒜 , P(• ∣∣ B)) é um espaço de probabilidade.
Como consequência do teorema anterior todas as propriedades de uma função de
probabilidade são satisfeitas por P(• ∣∣ B).
Alguns exemplos
P(A‾ ∣∣ B) = 1 − P(A ∣∣ B), ∀ A ∈ 𝒜 ;1.
P(∅ ∣∣ B) = 0;2.
∀ A1, A2 ∈ 𝒜 : A1 ⊂ A2 ⇒ P(A1 ∣∣ B) ≤ P(A2 ∣∣ B);3.
P(A1∪A2 ∣∣ B) = P(A1 ∣∣ B) + P(A2 ∣∣ B) − P(A1∩A2 ∣∣ B), ∀ A1, A2 ∈ 𝒜 .4.
2.4 Teoremas da probabilidade composta e daprobabilidade total. Teorema de Bayes. Acontecimentos
4 de 6
independentes.Uma aplicação das probabilidades condicionais
P(A∩B) = P(A)P(B ∣∣ A), P(A) > 0
= P(B)P(A ∣∣ B), P(B) > 0
Teorema da probabilidade compostaP(A1∩A2∩…∩An) = P(A1)×P(A2 ∣∣ A1)×…
…× P(An−1 ∣∣ A1∩A2∩…∩An−2)×
× P(An ∣∣ A1∩A2∩…∩An−1)
DefiniçãoUma sucessão de acontecimentos A1, …, An tais que
Ai∩Aj =∅, ∀ i ≠ j1.
⋃i=1
nAi = Ω2.
diz-se uma partição do espaço de resultados Ω.
Teorema da probabilidade totalSendo A1, …, An uma partição de Ω então
P(B) = ∑i=1
nP(B ∣∣ Ai)P(Ai), ∀ B ∈ 𝒜 .
Teorema de Bayes (1702-1761)Sendo A1, …, An uma partição de Ω e B ∈ 𝒜 tal que P(B) > 0, então
P(Ak ∣∣ B) =P(B ∣∣ Ak)P(Ak)
∑i=1n P(B ∣∣ Ai)P(Ai)
, ∀ k = 1, …, n.
DefiniçãoOs acontecimentos A e B dizem-se independentes se e só se P(A∩B) = P(A)P(B).
Notas:
A e B independentes ⇒ P(A ∣∣ B) = P(A), se P(B) > 0 e P(B ∣∣ A) = P(B), se P(A) > 0;1.
todo o acontecimento é independente de ∅ e Ω.2.
Poderão dois acontecimentos disjuntos serem independentes?
5 de 6
DefiniçãoSeja H ∈ 𝒜 tal que P(H) > 0. Dois acontecimentos A e B dizem-se
condicionalmente independentes (dado H) se e só se
P(A∩B ∣∣ H) = P(A ∣∣ H)P(B ∣∣ H).
6 de 6