Professional Documents
Culture Documents
tambm pertence
- Se A
1
, A
2
, , A
n
pertencem lgebra, ento a interseco
tambm pertence
Note aqui que as propriedades definidoras de uma lgebra implicam que se AeF e BeF, ento ABeF.
Prova: Pelas leis de DeMoivre, (AB)
c
=A
c
B
c
, isto , o complemento da interseco a unio dos
complementos, logo AB=( A
c
B
c
)
C
, que, j sabemos, pertence a F, pelas suas propriedades definidoras de
fechamento em relao a unio e complementao. Uma lgebra , portanto, tambm fechada em relao a
operaes de complementao.
Geratriz da lgebra uma partio P de O, tal que:
AeP AeF
B um subconjunto prprio de algum elemento de P, ento BeF.
Toda lgebra tem uma partio geratriz, e ela nica; toda partio de O induz uma lgebra de
subconjuntos de O : toda partio tem uma lgebra associada, e vice-versa.
Nota : Dado um conjunto no vazio qualquer, A, uma maneira construir uma lgebra de subconjuntos de A
consiste em, primeiro, particionar A em n subconjuntos e, no segundo passo, compor a classe formada pelo
vazio e todas as unies, 1 a 1, 2 a 2, 3 a 3, at n a n (isto , o prprio A), dos elementos da partio. Assim,
de um conjunto A, pode-se formar tantas lgebras de subconjuntos de A quantas forem as parties
diferentes possveis de A.
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
6
tomos de uma lgebra so os elementos da partio geratriz da lgebra. Um elemento de uma lgebra
um tomo se nenhum subconjunto prprio pertence lgebra. Neste sentido, os tomos de uma lgebra
so os blocos bsicos, os menores elemetos, indivisveis, da mesma. Eles so os blocos bsicos indivizveis,
formadores dos elementos da mesma; assim, cada elemento da lgebra, ou o vazio, ou um tomo, ou a
unio de dois ou mais daqueles tomos.
Estamos prontos, agora para definir Probabilidade, formalmente :
Probabilidade qualquer funo real definida em F e tomando valores no intervalo fechado [0, 1], com as
seguintes propriedades:
1. P(|)=0
2. Se AeF, ento P(A)=1-P(A
c
)
3. Se AeF e BeF so disjuntos (isto , AB=|) ento P(AB)=P(A)+P(B) .
Uma funo de probabilidade fica completamente definida com a definio de seu valor para cada tomo da
geratriz de F.
No caso dos experimentos binrios, O={S, F}, e a partio P={ {S} , {F} } define uma lgebra com 4 elementos,
a nica relevante no caso; a outra F
o
={|, O}. A funo de probabilidades definida por P{S}=p, com
0<p<1. Consequentemente, P{F} = 1 P{S} = 1 p = q, com p+q=1. Nestas notas designaremos por E
p
ao
experimento aleatrio binrio com P{S}=p.
Exemplo 1.1.1 Seja O={1, 2, 3, 4, 5, 6} e a partio P={ {1, 2, 3}, {4, 5}, {6} }.
a - Construa, elemento a elemento, a lgebra F de subconjuntos de O gerada por P.
Para simplificar, vamos dar nomes a cada elemento da partio: A={1, 2, 3}, B={4, 5}, C={6}; eles sero
os tomos, ou blocos bsicos, da lgebra. Ento,
F={ |, A, B, C, AB, AC, BC, ABC} ou, F={ |, A, B, C, AB, AC, BC, O}
b Defina arbitrariamente uma funo de probabilidades P, escolhento valores consistentes para P dos
tomos da rgebra, e use as propriedades definidoras de uma funo de probabilidades para
determinar P de forma completa, isto , para cada elemento de F.
Arbitremos : P(A)=0,5, P(B)=0,4 e P(C)=0,1. Note que, como ABC=O, ento, para consistncia,
necessrio que P(A)+P(B)+P(C)=1. Em seguida, obedecendo aos axiomas bsicos : P(|)=0, P(AB)=0,9,
P(AC)=0,6, P(BC)=0,3 e, naturalmente, P(ABC)=P(O)=1. A funo P : FR, assim definida, uma
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
7
funo de probabilidades no espao (O, F). Nota : possvel que voc esteja associando esse espao
amostral ao experimento de arremessar um dado. Neste caso, voc acha que P(A)=0,5, P(B)=1/3 e
P(C)=1/6 seria a definio correta para P, e que a definio proposta no faz sentido. Quanto a isto,
alguns comentrios so apropriados: (1)Como no estamos modelando nenhum experimento aleatrio
em particular, mas apenas construindo um modelo abstrato de probabilidades, a definio dada
correta, uma vez que cumpre todas as condies de uma funo de probabilidade ; (2)a segunda
definio tambm correta, desde que os valores de P para os demais eventos em A sejam calculados
segundo as leis bsicas ; e, (3)para modelar apropriadamente o experimento concreto do lanamento
de um dado normal, a segunda , certamente, a proposta adequada.
Espao de Probabilidades a trade composta por um espao amostral, uma lgebra de
subconjuntos deste espao amostral, e uma funo de probabilidades definida sobre esta lgebra:
(O, F, P)
Evento Mensurvel Um evento A (isto , Ac O) dito mensurvel se ele pertence lgebra, ou seja,
se P(A) for bem definida.
No Exemplo 1.1.1, o evento {1, 2, 3, 6} mensurvel mas {1, 2, 4}, no. Dizer que um evento
mensurvel equivale a dizer que ele tem um valor bem definido de probabilidade no espao mtrico
construdo.
1.2 Probabilidade Condicional, Independncia e o Teorema de Bayes, com aplicaes
O conceito de probabilidade condicional tem um papel central na teoria do conhecimento. Mais
recentemente ele tem ganhado grande visibilidade pelo seu papel central em estratgias de busca
automtica na internet.
1.2.1 - Fundamentos
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
8
Probabilidade Condicional Seja (O, F, P) um espao de probabilidade e B um evento mensurvel
(isto , BeF) de probabilidade no nula. A funo P
B
: F R representada P[ {A}\{B} ] (l, se:
probabilidade do evento A, dada a ocorrncia do evento B, ou, mais simplesmente, probabilidade de A
dado B), definida como
Tambem representada como P
B
[A], a probabilidade condicional uma funo probabilidade no espao
mtrico (O, F, P).
Exemplos:
1. Seja o experimento D
5
2
, conforme definido, cujo espao amostral, O={11 12 54 55} tem
cardinalidade 25. Definindo F como a lgebra completa, e P a funo natural de probabilidades
para o experimento, considerando-se dados equilibrados, d probabilidade 0,04 para cada um dos
eventos unitrios em F. Desta forma, definindo:
A={o maior resultado 3}={13 23 31 32}
e B={a soma dos resultados 4}={13 22 31}
temos que P[A]=0,16, P[B]=0,12, e, pela definio de probabilidade condicional:
P[A\B] = P[AB]/P[B] = P{13 31}/P[B] = 0,08/0,12 = 2/3
E P[B\A] = P[AB]/P[A] = P{13 31}/P[A] = 0,08/0,16 = 1/2
Interpretando os resultados acima, temos que a probabilidade do maior resultado ser 3 dado que a
soma dos dois resultados foi 4 igual a 2/3; j a probabilidade da soma dos resultados ser quatro,
dado que o maior dos dois resultados foi trs, igual a 0,50.
2. Uma urna contm 3 bolas, sendo uma vermelha e duas amarelas. Uma
segunda urna contm tambm trs bolas, sendo duas vermelhas e uma
amarela. Um experimento realizado em dois estgios. No primeiro, uma
das urnas selecionada ao acaso, ao arremesso de um dado : {1, 2}u
1
, {3,
4, 5}u
2
; no segundo, dela sorteada uma bola e sua cor anotada...
Qual a probabilidade de que a segunda bola seja amarela dado que a
primeira foi vermelha?
O espao amostral melhor adequado a este experimento
O={u
1
a, u
1
v, u
2
a, u
2
v}
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
9
3.
D2. Eventos Independentes Se dois eventos mensurveis A e B so tais que P
B
bem definida e P
B
(A) =
P(A), ento dizemos que A e B so independentes. Neste caso, P[AB]=P[A]P[B].
Exemplo 1.3.1 Um experimento aleatrio consiste de 2 arremessos sucessivos de um dado equilibrado. O espao
amostral associado a este experimento
O = {(1 1) , (1 2) , (1 3) , (1 4) , (1 5) , (1 6) ,
(2 1) , (2 2) , (2 2) , (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) }
Seja F a classe de todos os subconjuntos de O; os tomos de F so, portanto, os 36 subconjuntos unitrios de O, e
a partio geratriz de F { {(1 1)}, {(2 6)}, , {(6 6)} }.
Sabemos que a funo de probabilidades fica completamente definida quando definimos seus valores para cada um
dos tomos da lgebra considerada. Sabemos que
P{1 no primeiro lanamento} = P{(1 1) , (1 2) , (1 3) , (1 4) , (1 5) , (1 6) }= 1/6
Da mesma forma como
P{3 no segundo lanamento} = P{ (1 3), (2 3), (3 3), (4 3), (5 3), (6 3) } = 1/6,
e assim por diante. Ora, no caso concreto de dois arremessos sucessivos de um dado, os dois eventos listados so
independentes, logo
P( {1 no primeiro lanamento}{3 no segundo lanamento}) = P{13} = (1/6)x(1/6) = 1/36
Podemos fazer o mesmo para cada um dos 35 demais eventos unitrios, obtendo 1/36 todas as vezes. Assim, a
funo de probabilidade que associa a cada subconjunto unitrio de O o valor 1/36, fiel s caractersticas do
experimento em questo. A funo P, assim definida, a funo de probabilidade natural neste experimento em
que o dado equilibrado e os dois arremessos so feitos de forma independente. Assim, se AcO ento, neste caso,
por hiptese, AeF, (isto , A mensurvel) e P(A)=#(A)/36. A trade (O, F, P) um espao de probabilidades. Por
exemplo, o evento A, definido por
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
10
A = {os dois resultados so iguais} = {(1 1) ,(2 2) ,(3 3) , (4 4) , (5 5) , (6 6)}
um exemplo de evento mensurvel. Neste caso, #(A)=6 ento P(A)=6/36=1/6.
Seja agora outro evento mensurvel que denominamos B:
B = { a soma dos dois resultados maior que 8 }
= { (3 6) , (4 5) , (4 6) , (5 4) , (5 5) , (5 6) , (6 3) , (6 4) , (6 5) , (6 6) }
Sua probabilidade 10/36. Como P(B)>0, podemos definir a funo de probabilidade P
B
:FR como
P
B
(A)=P(AB)/P(B), a probabilidade condicional de A, dado B. Assim, se A como definido acima, temos que AB =
{(4 4) , (5 5) , (6 6)} e P(A B)=1/12, isto , a probabilidade de se ter dois resultados iguais e a soma dos mesmos
maior que 7.
Podemos dizer, ento, que, em dois arremessos sucessivos de um dado, a probabilidade de se ter dois resultados
iguais, dado que a soma dos dois resultados superior a 8, 0,3. Podemos tambm calcular a probabilidade de se
ter um total superior a 8 dado que os dois resultados foram iguais. D 0,333 ; confira.
Da mesma forma como a probabilidade condicional de A, dado B, foi calculada, tambm se pode calcular a
probabilidade condicional em B, de qualquer elemento de F. Por exemplo, se C = {o primeiro resultado 6}, ento
C= {6 1 , 6 2 , 6 3 , 6 4 , 6 5 , 6 6}, e
CB={6 3 , 6 4 , 6 5 , 6 6} e P
B
[C]=4/10 = 0,4.
Exemplo 1.3.2 Considerando o mesmo espao mtrico do exemplo anterior, seja agora o evento B definido como
B={O segundo resultado parcial seis}={1 6, 2 6, 3 6, 4 6, 5 6, 6 6}, com P[B]=1/6. A funo de probabilidade P
B
: F
R definida por P
B
[A]=P[AB]/P[B] para qualquer AeF a probabilidade condicional de A, dado B. Esta funo
fica completamente definida quando definimos seu valor para cada um dos tomos de F:
Como {ij}{16, 26, 36, 46, 56, 66} igual a | se j=6 e a {ij} se j=6
{ }
| |
| |
= =
= =
=
=
6
6
1
6
1
36
1
] [
} {
6 0
] [
] [
} {
j se
B P
ij P
j se
B P
P
B P
B ij P
ij P
B
|
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
11
Em outras palavras, os tomos {1 6}, {2 6}, {3 6}, {4 6}, {5 6} e {6 6}, que tm interseco no vazia com B tm, cada
um, P
B
igual a 1/6; os demais 30 tomos de F tm P
B
zero.
O valor de PB para qualquer dos demais elementos no atmicos de F fica perfeitamente determinado a
partir das propriedades fundamentais das funes de probabilidade. Por exemplo, PB {1 2, 2 3, 3 4, 4 5, 5 6} = 1/6.
Exemplo 1.3.3 Ainda no mesmo contexto do Exemplo 4, seja o evento:
C={o primeiro resultado parcial impar}
BC={1 6, 3 6, 5 6}, temos que P[BC]=3/36=1/12. Logo
| |
2
1
6
1
12
1
] [
] [
] / [ = =
= =
B P
C B P
B C P C P
B
Como P
B
[C]=P[C], conclumos que, neste espao de probabilidades, os eventos
B={O segundo resultado parcial 6} e C={O primeiro resultado parcial mpar}
so independentes, um resultado que pode ser facilmente interpretado no contexto fsico do exemplo.
Exemplo 1.3.4 Continuemos no espao de probabilidades do Exemplo 4. Seja a funo X:OR, definida por
X(ij)=i+j, a soma dos dois resultados parciais. Note que X assume valores no conjunto {2, 3, 4, 5, 6, 7, 8, 9, 10, 11,
12} e define uma partio prpria de O em 11 tomos, P
X
={A
2
, A
3
, A
4
, ., A
12
} com A
i
={(e
1
+e
2
)eO, tais que
e
1
+e
2
=i }, para i=2, 3, 4, ..., 12. Ilustrando
A
2
={11} , A
3
={12 , 21}, A
4
={13, 22, 31}, A
5
={14, 23, 32, 41},
e assim por diante... Como X constante dentro dos tomos de A, conclumos que X uma varivel aleatria. Na
verdade, como adotamos neste exemplo a partio mxima de O, na qual cada tomo constitudo de um nico
elemento de O, qualquer funo real definida em O ser uma varivel aleatria.
Seja F
X
a lgebra gerada por PX. Como cada tomo de PX.
formado pela unio de tomos de P, dizemos que esta
partio um refinamento daquela. Como a partio PX.
mais grossa que P, a lgebra F
X
define sobre O uma
estrutura mtrica de menor resoluo mais grosseira que aquela definida por F. Por outro lado, como qualquer
tomo de F
X
a unio de tomos de F, conclumos que F
X
cF. Na figura abaixo temos uma representao grfica
do espao amostral O e das suas duas parties consideradas neste exemplo.
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
12
A funo de probabilidade P pode ser reduzida a uma verso definida sobre F
X
, denominada P
X
, de forma que
(O,F
X
,P
X
) menos refinado que (O, F, P), mas suficiente para estudar a varivel aleatria X. Lembrando que
F
X
c F , qualquer elemento A de F
X
tambm elemento de F, e P
X
[A]=P[A]. Por outro lado, existem elementos
de F que no so elementos de F
X
. o caso, por exemplo, do evento D={O primeiro resultado parcial 2} = {(2
1), (2 2), (2 3), (2 4), (2 5), (2 6)}. Os eventos desta classe so mensurveis no espao (O,F
X
, P) mas no o so no
espao (O,F
X
, P
X
). Isto significa que eventos como D tm valor bem definido para P, mas no para P
X
. No caso
ilustrado temos: P[D]=1/6 e P
X
[D]=indefinido. Finalmente, a lgebra F
X
a mais simples mais grossa que
ainda permite a mensurabilidade de X. Qualquer reduo da mesma e a funo X perde a condio de varivel
aleatria.
A varivel aleatria X assume valores no conjunto {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}. A funo de distribuio de
probabilidades de X dada na tabela abaixo.
x
2 3 4 5 6 7 8 9 10 11 12
P[X=x] 0,0278 0,0556 0,0833 0,1111 0,1389 0,1667 0,1389 0,1111 0,0833 0,0556 0,0278
Exerccios 1.3. : [Todos os exerccios desta seqncia se referem ao espao de probabilidades e ao evento B do exemplo
anterior]
1. Determine explicitamente e calcule a probabilidade condicional P
B
dos seguintes eventos:
a. |
b. O
c. {O segundo resultado seis}
d. {A soma dos dois resultados d um nmero primo}
e. {O segundo resultado maior que o primeiro}
f. {O resultado parcial 1 no ocorre}
g. {O resultado parcial 1 ocorre pelo menos uma vez}
2. Encontre um evento que seja independente de B.
3. Seja o evento D={O primeiro resultado maior que o segundo}. Defina a funo de probabilidade
condicional P
D
, e calcule a P
D
para todos os eventos citados no exemplo anterior e no exerccio 12.
a. Seja a funo X: O R definida como a soma dos dois resultados parciais.
b. Mostre que X uma varivel aleatria no espao de probabilidades (O,F, P).
c. Determine P
X
, a partio de O induzida pela varivel aleatria X.
d. Mostre que se F
X
a lgebra gerada por P
X,
ento F
X
cF.
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
13
e. Determine a funo de distribuio de probabilidades de X e trace seu grfico.
f. Calcule E(X) e V(X)
g. Determine explicitamente o evento S
6
={X>6}
h. Determine a distribuio condicional de X dado S
6
.
4. Determine E(X/S
6
) e V(X/S
6
) a esperana e varincia condicionais de X, dado S
6
.
5. Seja A
1
={O primeiro resultado 6} e A
2
={O segundo resultado 3}. Verifique que A
1
e A
2
so
independentes.
6. Sejam X
1
e X
2
definidas como o valor do primeiro e o segundo resultado parcial, respectivamente.
Determine F
X1 e F
X2.
7.
Exemplo 1.3.5 Uma urna contm 3 bolas, sendo uma vermelha e duas amarelas.
Uma segunda urna contm tambm trs bolas, sendo duas vermelhas e uma
amarela. Um experimento realizado em dois estgios. No primeiro, uma das
urnas selecionada ao acaso e com chances iguais, no segundo, dela sorteada
uma bola e sua cor anotada...
Antes de repor a bola, uma segunda bola ser sorteada da mesma urna.
Qual a probabilidade de que a segunda bola seja amarela dado que a primeira foi vermelha?
O espao amostral melhor adequado a este experimento
O={u
1
aa, u
1
av, u
1
va, u
2
av, u
2
va, u
2
vv}
Note que os resultados u
1
vv e u
2
aa no foram incluidos em O, pois no podem ocorrer. Numa outra versao
de O esses dois resultados poderiam ser includos, desde que, na definio de P, se cuidasse de fazer
P{u
1
vv}=P{u
2
aa}=0.
Seja F a classe de todos os subconjuntos de O; para a definio da funo de probabilidade P associada
naturalmente ao experimento vamos inicialmente dar nome a alguns eventos interessantes:
U
1
={ A urna 1 foi selecionada } = { u
1
aa, u
1
av, u
1
va} e U
2
=U
1
c
A
1
={A primeira bola selecionada amarela} = { u
1
aa, u
1
va, u
2
va } e V
1
=A
1
c
A
2
={A segunda bola selecionada amarela}={ u
1
aa, u
1
va, u
2
va } e V
2
=A
2
c
Pelas hiptesers do experimento, sabemos que
P[U
1
] = 0,5
P[A
1
\ U
1
] = 2/3 , P[V
1
\ U
1
] = 1/3, P[A
1
\ U
2
] = 1/3 e P[V
1
\ U
2
] = 2/3
P[A
2
\ (U
1
A
1
)]= P[V
2
\ (U
1
A
1
)] = 1/2, P[A
2
\ (U
2
A
1
)] = 0 e P[V
2
\ (U
1
A
1
)] =1/2
P[A
2
\ (U
1
V
1
)] = 1
P[V
2
\ (U
1
V
1
)] = 0
P[A
1
\ U
2
] = 1/3 e P[V
1
\ U
2
] = 2/3
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
14
Estamos agora equipados para responder pergunta: Qual a probabilidade de que a segunda bola seja amarela
dado que a primeira foi vermelha ?
Exerccios 1.3. :
8. Modifiquemos um pouco o experimento original no exemplo acima: o segundo sorteio feito na
outra urna. Calcule P[A
2
\ V
1
].
9. Ainda no experimento modificado, calcule a probabilidade de que a urna sorteada tenha sido a
primeira, dado que a primeira bola foi amarela: P[U
1
\ A
1
]?
10. Em cada uma das duas variaes do experimento das duas urnas, calcule P[V
1
\ A
2
]
11. No caso do arremesso de dois dados, tratado anteriormente, calcule a probabilidade de que o
primeiro resultado tenha sido par dado que a soma dos dois resultados foi maior que 8.
1.3.2 Regra do Valor Total e Teorema de Bayes
Seja um espao de probabilidades qualquer, (O, F, P), uma
partio enumervel e mensurvel de O: A={A
1
, A
2
, A
3
, .} e um
evento mensurvel qualquer B. Neste caso, A
B
={A
1
B, A
2
B,
A
3
B, .} forma uma partio disjunta e mensurvel do evento
B, e portanto
Mas P[A
i
B]=P[B/A
i
]P[A
i
], logo
Vejamos um exemplo simples de aplicao deste resultado.
Exemplo 1.3.6 Trs urnas contm 100 bolinhas cada, todas idnticas, exceto na cor. Na primeira, 90 bolinhas
so vermelhas, na segunda 50 e na terceira, uma. As restantes so amarelas. Uma urna escolhida segundo
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
15
um sorteio com probabilidades 0,10, 0,50 e 0,40 para as urnas 1, 2 e 3, respectivamente. Da urna sorteada,
uma bolinha selecionada ao acaso, e sua cor registrada.
Podemos montar o espao de probabilidades para este caso, sem dificuldade:
O={ u
1
a, u
1
v, u
2
a, u
2
v, u
3
a, u
3
v}
F a classe de todos os subconjuntos de O
Outras definies operacionais teis:
U
1
={a urna selecionada foi a 1}={u
1
a, u
1
v}
A = {a bola selecionada amarela} = {u
1
a, u
2
a, u
3
a}
e assim por diante.
A funo P fica completamente definida quando definimos seu valor para
cada um dos eventos unitrios como:
P{u
1
a} = P(U
1
A)
=
P{U
1
}P{A/U
1
}= 0,10x0,10 = 0,01,
De maneira anloga os demais valores so calculados:
P{u
1
v}= 0,09 , P{u
2
a}= 0,25 , P{u
2
v}= 0,25 , P{u
3
a}= 0,396, P{u
3
v}= 0,004
A probabilidade de V={a bolinha sorteada vermelha} pode ser calculada pela regra do valor total, j que {U
1
,
U
2
, U
3
} uma partio disjunta e mensurvel de O e o conjunto V={a bolinha sorteada vermelha} um
evento mensurvel. Assim
P(V) = P(V \ U
1
) x P(U
1
) + P(V \ U
2
) x P(U
2
) + P(V \ U
3
) x P(U
3
)
=0,9 x 0,10 + 0,5 x 0,50 + 0,01 x 0,4 = 0,090 + 0,250 + 0,004 = 0,344
Como A o complemento de V, P(A) = 1-P(V) = 0,656.
Da estrutura do problema, conhecemos a probabilidade condicional de se obter a cor vermelha, dado que a
urna selecionada foi a nmero 1. Invertendo o ponto de vista, podemos agora responder a perguntas como
qual a probabilidade de que a urna selecionada tenha sido a nmero 1, dado que a bolinha selecionada foi
vermelha?, ou seja, P(U
1
\V). Vejamos
Observe a elegncia como a expresso acima promove a inverso de ponto de vista P(V\U
1
) P(U
1
\V).
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
16
Ou ainda, por um outro ngulo, agrupando os termos de outra forma, a maneira como a probabilidade a priori
da urna transformada na probabilidade condicional da urna, dada a cor da bola sorteada:
A probabilidade condicional , por si prpria, uma medida de probabilidade: P
V
(U
1
)=P(U
1
\V). Logo, j que {U
1
,
U
2
, U
3
} uma partio disjunta de O, a soma P
V
(U
1
) + P
V
(U
2
) + P
V
(U
3
) igual a 1. De fato, como podemos ver:
Da mesma forma, conhecendo P(A)=1-P(V)=0,654, determinamos P(U
i
\A)
A tabela abaixo e a figura ao lado comparam as 3 distribuio de
probabilidades entre as 3 urnas: a distribuio a priori, distribuies
condicionais, dado que a bola selecionada vermelha e dado que
amarela. Note como, dado que a bola selecionada foi vermelha, a urna 3
onde esta cor rara se torna relativamente implausvel, com a
probabilidade a priori de 40% caindo para apenas 1,16%. Efeito
semelhante se verifica na urna 1, quando a bola selecionada amarela.
interessante notar
i P(Ui) P(Ui \ V) P(Ui \ A)
1 0,1 0,2616 0,0152
2 0,5 0,7267 0,3811
3 0,4 0,0116 0,6037
0,0
0,2
0,4
0,6
0,8
u1 u2 u3
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
17
como, neste exemplo, pudemos determinar P(U
1
/ V) a partir de P(V / U
i
) e de P(U
i
), para todo i. Este um
recurso muito til na anlise de diversas classes de problemas probabilsticos interessantes, conforme veremos
mais adiante.
O resultado implcito no desenvolvimento acima pode ser consolidado no Teorema de Bayes.
Sejam (O , F , P) um espao de probabilidades, P = {A
1
, A
2
, A
3
, ... , A
n
} uma partio enumervel,
mensurvel e disjunta de O, e B um evento mensurvel qualquer com P[B]>0, ento,
Ora, o resultado acima, o Teorema de Bayes, j havia sido sugerida e utilizada na seo anterior. Ela uma
decorrncia imediata da definio de probabilidade condicional e da regra do valor total:
Na estrutura do experimento voltamos aqui ao exemplo das trs urnas, para ilustrao a determinao
de P[B/A
i
] imediata, sendo decorrncia direta da sua prpria construo: a probabilidade de uma bola
vermelha, dado que a urna selecionada foi a primeira, 0,10; da mesma forma, P[V \ U
2
)= 0,50 e P[V \
U
3
)=0,01. A frmula de Bayes permite uma reverso da ordem natural do experimento. Com ela podemos,
por exemplo, calcular a probabilidade de U
1
dado V.
A frmula de Bayes causa certo desconforto ao formalista mais rigoroso da Teoria da Probabilidade. Se, por
um lado, natural perguntar: A urna u1 foi selecionada; qual a probabilidade, agora, de se sortear uma
bola vermelha?, a pergunta reversa parece violar a ordem natural do experimento: uma bola vermelha foi
sorteada; qual a probabilidade de que a urna 1 tenha sido selecionada?.
A rigor, tendo uma bola vermelha sido selecionada, queda implcito que o estgio do experimento no qual a
urna selecionada j foi realizado. Neste caso, no haveria mais probabilidade envolvida, e a pergunta:
qual a probabilidade de que a urna u1..., seria uma impropriedade formal.
Analogamente, ao se preparar para arremessar uma moeda, voc sabe que a probabilidade de Cara .
Estando j o arremesso no passado, mesmo que voc ainda no tenha conhecimento do resultado, no seria
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
18
prprio perguntar qual a probabilidade de que o resultado tenha sido cara?, ou afirmar a probabilidade
de que o resultado tenha sido cara . A idia de probabilidade no se aplicaria a experimentos pretritos.
Para contornar este desconforto formal, os estatsticos criaram o conceito de nvel de confiana, e uma
maneira objetiva de quantific-lo. Se uma urna contm 100 bolas idnticas, exceto na cor cinco so
amarelas e 95 so vermelhas sabemos que, ao sortear aleatoriamente uma bolinha desta urna, a
probabilidade de sair uma bolinha amarela 0,05. Digamos agora que eu sorteio aleatoriamente uma
bolinha da urna e a mantenho fechada na minha mo. Voc no sabe a cor da bolinha, mas no precisa dizer
que a probabilidade de que ela seja vermelha 0,95. Em vez disto, voc pode dizer que como a bolinha foi
selecionada aleatoriamente de uma urna com 100 bolinhas, das quais 95 so vermelhas, eu tenho 95% de
confiana de que a bolinha na sua mo vermelha.
Viu? A questo foi tratada com elegncia formal, sem usar probabilidade num experimento pretrito. E o
conceito de nvel de confiana, central em Estatstica, foi introduzido. Mais adiante voltaremos a ele.
A Frmula de Bayes fala de probabilidade, associada a um experimento pretrito, causando desconforto
formal; e causar ainda mais desconforto quando sugerir o conceito de probabilidade subjetiva. Tanto que
provocar a diviso dos estatsticos e probabilistas em dois campos mais ou menos antagnicos e mais ou
menos irreconciliveis, o dos freqentistas e o dos bayesianos. H ainda um campo intermedirio, dos
pragmticos, que procuram utilizar o ferramental terico e operacional dos dois lados, maximizando a
eficcia no tratamento de problemas reais.
E os Bayesianos tm realmente ferramentas muito interessantes, conforme veremos adiante, num contexto
bem bsico.
Exemplo 1.3.7: Um pequeno restaurante em Paris muito freqentado por turistas de todo o mundo; em
particular, de Portugal e do Brasil.
Chega um grupo de turistas e o recepcionista percebe que eles falam Portugus, mas seu conhecimento do
idioma de Cames apenas vestigial, e ele no consegue distinguir, pelo sotaque, se so brasileiros ou
portugueses. Acontece que, conforme se sabe no pequeno bistr, historicamente, cerca de 80% dos turistas de
lngua portuguesa que aparecem por l so brasileiros e os outros, portugueses (para simplicidade, e com todo
o respeito, no consideramos aqui, os demais paises que compartilham conosco a ltima flor do Lcio, e que
contribuem para fazer do nosso o quarto idioma mais falado no mundo.). H ainda outros fatos histricos, de
conhecimento do perceptivo recepcionista. Observador atento de hbitos e costumes se sua clientela
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
19
internacional, ele sabe, por exemplo, que 80% dos seus clientes brasileiros tomam cerveja e os demais tomam
vinho. Entre os portugueses diferente: apenas 10% tomam cerveja; 90% preferem vinho. Pois bem, um grupo
de turistas chega, falando portugus. Ele sabe, ento, a priori que, com probabilidade 0,80, eles so brasileiros
e com 0,20, portugueses.
a Qual a probabilidade de que o grupo pea vinho?
Uma definio conveniente do espao amostral para este experimento O={bc, bv, pc, pv}; a lgebra
a completa (com todos os 16 subconjuntos O e a funo prpria de probabilidades neste caso definida a
partir das probabilidades dos tomos da lgebra mxima (que so, portanto, os subconjuntos unitrios de
O.
P{bc}= P[B]P[C\B]=0,80,8=0,64
P{bv}= P[B]P[V\B]=0,80,2=0,16
P{pc}= P[P]P[C\P]=0,20,1=0,02
P{pv}= P[P]P[V\P]=0,20,9=0,18
Podemos agora calcular P[V]=P{bv, pv}=P{bv}+P{pv)=0,16+0,18=0,34
b Qual a probabilidade de que eles sejam portugueses, dado que pediram vinho?
A probabilidade a priori de que os clientes sejam portugueses apenas 0,20. Dado que eles pediram vinho,
uma ao fortemente associada aos portugueses, a probabilidade de serem portuguesas deve aumentar.
Vejamos:
V
P P V P V \ P P P
0,90 0,20 0,18 18
P P P P \ V 0,529
P V P V \ B P B P V \ P P P 0,20 0,80 0,90 0,20 0,16 0,18 34
( ( (
= = = = = = = ( (
+ + + ( ( ( ( (
Como P
V
uma funo de probabilidades em (O, F ), logo P
V
(B) =P
V
(P
c
)=1-P
V
(P)=0,471. Este resultado
pode, naturalmente, ser confirmado pelo clculo direto da expresso de P
V
[P].
c Qual a probabilidade de que eles sejam brasileiros, dado que pediram cerveja?
Neste caso, a bebida corrobora a avaliao a priori de que eles seriam brasileiros. O nvel de convico na
brasilidade dos turistas deve, ento, aumentar, a partir do resultado experimental: eles pediram cerveja.
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
20
E, portanto, P
C
[P]=0,030. A priori, a probabilidade de o grupo ser brasileiro j elevada; ao pedir cerveja
o grupo refora a evidncia ao nvel de quase certeza: eles so mesmo brasileiros.
d Vamos agora admitir que uma distribuio a priori objetiva no exista para a nacionalidade
brasileira ou portuguesa dos clientes que entram no bistr falando portugus. Mas o recepcionista,
pessoa observadora e inteligente, tem uma percepo subjetiva aguda. Por motivos que ele no consegue
definir de forma nem clara nem objetiva, ele sente os recm chegados so brasileiros. Treinado a pensar
estatisticamente, ele consegue, inclusive, quantificar subjetivamente o grau de convico neste seu
feeling: jai 90% de conviccin que ils sont brasilienes.
Pois bem, admitindo ento a distribuio a priori de probabilidades, podemos calcular, moda
bayesiana, a distribuio a posteriori de probabilidades (brasileiros ou portugueses) relativa aos
turistas. Novamente, se eles pedirem cerveja, a convico do matre ser reforada:
As outras trs probabilidades condicionais de interesse poderiam aqui ser calculadas de forma anloga.
Deixo a tarefa ao leitor.
No exemplo anterior vimos como a Frmula de Bayes permite conjugar informao a priori, muitas vezes de
natureza subjetiva, com resultados experimentais objetivos, compondo uma distribuio a posteriori de
convices. A grande utilidade da abordagem decorre do fato que muitas vezes conhecimento no baseado
em experimentos cuidadosamente planejados e executados, so valiosos por agegarem percepes e
aprendizado adquirido de forma expontnea, como atravs do acmulo gradual de experincia sobre
fenmenos especficos.
Teremos adiante mais exposio ao mtodo e pensamento bayesianos.
Exerccios 1.3. :
12. Determinada doena tem, numa dada populao, prevalncia igual a, em mdia, cinco casos para cada 100 mil
indivduos. Um exame clnico para diagnosticar esta doena tem especificidade 98% e sensibilidade 99%. Isto
quer dizer que a probabilidade deste exame dar um falso positivo, ou seja P
{+}, igual a =0,02, enquanto que
a probabilidade de um falso negativo, isto P
+
{}, 0,01. Um indivduo selecionado ao acaso desta
populao e examinado. Calcule :
a. P{Resultado d positivo}
b. P
+
{+}, a probabilidade que o paciente seja realmente doente, dado que o resultado deu positivo.
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
21
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
22
1.3.3 Jogando dados e contando
O arremesso de um dado oferece um contexto frtil para o desenvolvimento e consolidado de algumas
idias bastante sofisticadas em probabilidade; vamos elaborar mais sobre o D
5
e suas variantes. De quantas
maneiras diferentes se pode obter 16 pontos em 4 arremessos de D
5
? A resposta a esta pergunta essencial
para se determinar P{S
4
=16}. A resposta 35. E de quantas maneiras diferentes se pode obter 60 pontos em
D
5
20
, ou 20 arremessos de nosso numericamente amigvel dado de 5 lados? A resposta agora
5,966,636,799,745, fazendo P{S
20
=60}=S
20
0,2
20
igual
a 0.062564721 ou, aproximadamente, 6,26%. Como
foram feitos esses clculos?
Seja D
5
o experimento aleatrio que corresponde ao
lanamento de um dado no viesado de cinco lados, e
D
5
n
o experimento composto por n repeties
sucessivas e independentes de D
5
. Seja X
i
o resultado
parcial do i-simo lanamento. Temos agora uma
linguagem para este problema: queremos determinar
#{S
n
=s}. Vamos desenvolver uma soluo recursiva.
Como S
n
=s pode ser alcanado a partir dos valores s-1,
s-2, s-3, s-4 e s-5 para S
n-1
, sempre de uma nica
maneira, com X
n
igual a 1, 2, 3, 4 ou 5,
respectivamente, conclui-se que
Na tabela ao lado tem-se #{S
n
=s} para n de 1 ao 8; seu
formato sugere o esquema construtivo. As clulas
sombreadas mostram como cada valor obtido, a
partir da primeira coluna, para n=1. Por exemplo:
= 3535 + 4795 + 6055 + 7140 + 7875
Com uma planilha tipo Excel simples; as colunas
podem ir sendo construdas sucessivamente. Este
mtodo recursivo pode ser adaptado para clculos
anlogos em diversas situaes, como lanamentos de dados de qualquer nmero de faces, entre outros.
s
#{S
n
=s}
n=1 n=2 n=3 n=4 n=5 n=6 n=7 n=8
1 1
2 1 1
3 1 2 1
4 1 3 3 1
5 1 4 6 4 1
6
5 10 10 5 1
7
4 15 20 15 6 1
8
3 18 35 35 21 7 1
9
2 19 52 70 56 28 8
10
1 18 68 121 126 84 36
11
15 80 185 246 210 120
12
10 85 255 426 455 330
13
6 80 320 666 875 784
14
3 68 365 951 1520 1652
15
1 52 381 1246 2415 3144
16
35 365 1506 3535 5475
17
20 320 1686 4795 8800
18
10 255 1751 6055 13140
19
4 185 1686 7140 18320
20
1 121 1506 7875 23940
21
70 1246 8135 29400
22
35 951 7875 34000
23
15 666 7140 37080
24
5 426 6055 38165
25
1 246 4795 37080
26
126 3535 34000
27
56 2415 29400
28
21 1520 23940
29
6 875 18320
30
1 455 13140
31
210 8800
32
84 5475
33
28 3144
34
7 1652
35
1 784
36
330
37
120
38
36
39
8
40
1
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
23
Como os resultados individuais de D
5
so equiprovveis, as probabilidades de eventos como {S
n
=s} so
determinadas diretamente: P{S
n
=s}=#{S
n
=s}0,2
n
, podemos determinar P{S
8
=21}=0,075266. Simples.
Queremos agora desenvolver uma abordagem para a resposta a questes como:
Em D
5
4
,
dado que S
4
=16, qual o valor mais provvel de X
1
? Posto numa linguagem coloquial: se, em
quatro lanamentos de D
5
, a pontuao acumulada foi 16, qual o resultado do primeiro
lanamento mais provvel de ter acontecido?
Generalizando: Em D
5
n
, se S
n
=s, qual a distribuio de X
m
, para msn? e para m>n?
Exemplo
Seja o experimento aleatrio D
5
20
. Qual a distribuio de X
15
, dado S
20
=50?
Ora, podemos determinar a distribuio a priori (incondicional) de X
15
: uniforme sobre o suporte {1, 2, 3, 4, 5}.
Queremos saber como o conhecimento de S
20
=50 distorce esta distribuio. Para isto, temos que determinar
P{X
15
=x / S
20
= 50}, para todo x em O
x
={1, 2, 3, 4, 5}. Primeiro, vamos determinar P{X
15
=1 / S
20
= 50}.
De forma anloga determinamos P{X
15
=x}, para x=2, 3, 4 e 5, obtendo,
respectivamente, 0.246527, 0.192365, 0.145987 e 0.107695. A figura ao lado
mostra as distribuies a priori, em vermelho, e a posteriori, em verde, de X
15
.
Vemos como a informao de que S
20
=50 distorce a distribuio de
probabilidades de X
15
, aumentando a verossimilhana de valores baixos e
diminuindo a de valores altos. Isto era esperado, uma vez que S
20
=50 um
resultado baixo, inferior ao valor mdio esperado, 60. Valores ainda mais baixos
diminuiriam ainda mais a plausibilidade de {X
15
=5}. Para S
20
=40, a probabilidade
condicional de {X
15
=5} fica reduzida a 4,41% enquanto a de {X
15
=1} sobe para 45,2%. Todos estes clculos foram
feitos diretamente sobre a tabela estendida de #{S
n
=s}, da qual apresentamos um segmento acima.
Vamos agora explorar uma outra questo. J resolvemos o desafio numrico associado determinao da
distribuio exata a priori, ou incondicional, de S
n
. Que tal agora enfrentar o seguinte desafio: Qual a
distribuio de S
m
, dado S
n
, para m<n? E para m>n? O desenvolvimento segue a mesma linha:
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
24
Note que
igual probabilidade de S
m
ser igual a m e os n-m arremessos seguintes
resultarem em um total de s
n
-s pontos. Os dois eventos, {S
m
=s}={X
1
+ X
2
+ +X
m
= s} e {S
n
-S
m
=s
n
-s} = {X
m+1
+
X
m+2
++X
n
=s
n
-s} so, obviamente, independentes, logo a probabilidade da interseco deles o produto de
suas probabilidades. Alem disto, tambm obviamente, P{X
m+1
+ X
m+2
++X
n
=s
n
-s} igual a P{X
1
+ X
2
+ +X
n-m
=
s
n
-s}, que a probabilidade de se totalizar s
n
-s pontos em n-m arremessos, portanto igual a P{S
n-m
=s
n
-s}.
Assim explica-se a passagem anterior. As contagens so obtidas da tabela de #{S
n
=s}, da qual um segmento
foi apresentado acima.
Na figura abaixo temos a distribuio a priori de S
15
( em vermelho) e a diatribuio a priori de S
15
, dado
S
20
=70. Note que um resultado muito grande de S
20
, bem acima do valor mdio esperado, E(S
20
)=60, tornam
improvveis valores pequenos de S
15
; como nos do 15 ao 20 a mxima pontuao possvel 25, valores de
S
15
menores que 45, dado que S
20
=70, so impossveis; pelo mesmo motivo, tambm so impossveis valores
de S
15
superiores a 65.
A distribuio de S
20
est dada na figura abaixo. Note que o resultado 70 realmente grande, o que induziu
o deslocamento da distribuio de S
15
para a direita.
0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0,16
1
5
1
7
1
9
2
1
2
3
2
5
2
7
2
9
3
1
3
3
3
5
3
7
3
9
4
1
4
3
4
5
4
7
4
9
5
1
5
3
5
5
5
7
5
9
6
1
6
3
6
5
6
7
6
9
7
1
7
3
7
5
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
2
0
2
2
2
4
2
6
2
8
3
0
3
2
3
4
3
6
3
8
4
0
4
2
4
4
4
6
4
8
5
0
5
2
5
4
5
6
5
8
6
0
6
2
6
4
6
6
6
8
7
0
7
2
7
4
7
6
7
8
8
0
8
2
8
4
8
6
8
8
9
0
9
2
9
4
9
6
9
8
1
0
0
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
25
As figuras abaixo mostram, sobre a distribuio a priori de S
15
, em vermelho, as distribuies contidicionais de S
15
,
condicionais a S
20
igual a, respectivamente, 50, 60 e 70.
0,00
0,05
0,10
0,15
1
5
1
7
1
9
2
1
2
3
2
5
2
7
2
9
3
1
3
3
3
5
3
7
3
9
4
1
4
3
4
5
4
7
4
9
5
1
5
3
5
5
5
7
5
9
6
1
6
3
6
5
6
7
6
9
7
1
7
3
7
5
0,00
0,05
0,10
0,15
1
5
1
7
1
9
2
1
2
3
2
5
2
7
2
9
3
1
3
3
3
5
3
7
3
9
4
1
4
3
4
5
4
7
4
9
5
1
5
3
5
5
5
7
5
9
6
1
6
3
6
5
6
7
6
9
7
1
7
3
7
5
0,00
0,05
0,10
0,15
1
5
1
7
1
9
2
1
2
3
2
5
2
7
2
9
3
1
3
3
3
5
3
7
3
9
4
1
4
3
4
5
4
7
4
9
5
1
5
3
5
5
5
7
5
9
6
1
6
3
6
5
6
7
6
9
7
1
7
3
7
5
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
26
Captulo 2
Variveis Aleatrias
D3. Varivel Aleatria Dado um espao de probabilidades (O, F, P), varivel aleatria qualquer funo
real X:OR que constante dentro dos tomos de F, isto , se e
1
e e
2
so dois elementos de O
pertencentes a um mesmo tomo de F, ento
X(e
1
)=X(e
2
).
Continuando o Exemplo 1.1.1: Na tabela ao lado, X
1
no
uma varivel aleatria ; X
2
e X
3
so. E X
4
?
D4. Partio de O induzida por uma Varivel Aleatria X Se X uma varivel aleatria no espao de
probabilidades (O, F, P), ento P
X
a partio que divide O em regies de X constantes: isto , se e
1
e
e
2
so dois elementos de O, ento X(e
1
)=X(e
2
) se e
1
e e
2
pertencem a um mesmo elemento de P
X
, e
X(e
1
)= X(e
2
) no caso contrrio.
Exemplo 1.1.2 Um experimento consiste em arremessar uma moeda trs vezes, anotando os resultados. O
espao amostral, neste caso, O={CCC, CCc, CcC, cCC, Ccc, cCc, ccC, ccc}. Seja P a partio de O em oito
elementos unitrios, e F a lgebra induzida por esta partio simplesmente a classe, de cardinalidade 256, de
todos os subconjuntos de O. A funo de probabilidade que adotaremos a naturalmente associada ao
experimento assumindo moeda no viciada, isto , P{C}=P{c}=0,5 ento, P{CCC}=1/8, assim como a de
qualquer outro evento unitrio. Vamos agora definir uma varivel aleatria X : OR, como X(e)=nmero de caras
em e. A varivel aleatria X induz uma partio de O menos fina que P :
P
X
= { X
-1
(0), X
-1
(1), X
-1
(2), X
-1
(3)} = { {ccc}, {ccC, cCc, Ccc}, {cCC, CcC, CCc}, {CCC} }
Note que X naturalmente particiona O segundo P
X
. A induzida por X mais grosseira que P uma vez que dois de
X
e
1 2 3 4 5 6
X1(e) 1 4 9 16 25 36
X 2(e) 1 1 1 2 2 3
X3(e) -1 -1 -1 1 1 1
X4(e) -1 -1 0 0 1 1
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
27
seus quatro tomos so iguais a tomos de P, mas os outros dois so unies de tomos de P. Na figura acima, P
2
um refinamento de P
1
e refinada por P
3
; P
4
, todavia, guarda uma relao de ordem de refinamento com
nenhuma das 3 anteriores.
Exerccio 1.1.1 Prove que se X uma varivel aleatria no espao de probabilidades (O, F, P), ento P
X
_P, onde
P a partio geratriz de F.
D5. lgebra de subconjuntos de O induzida por uma Varivel Aleatria X Se X uma varivel aleatria
no espao de probabilidades (O, F, P), ento F
X
a lgebra induzida pela partio P
X.
Nota: Prove que F
X
_F.
Exemplo 1.1.3 Um experimento consiste em arremessar uma moeda trs vezes, anotando os resultados. O
espao amostral, neste caso, O={CCC, CCc, CcC, cCC, Ccc, cCc, ccC, ccc}. Seja P a partio de O em oito
elementos unitrios, e F a lgebra induzida por esta partio simplesmente a classe, de cardinalidade 256, de
todos os subconjuntos de O. A funo de probabilidade que adotaremos a naturalmente associada ao
experimento assumindo moeda no viciada, isto , P{C}=P{c}=0,5 ento, P{CCC}=1/8, assim como a de
qualquer outro evento unitrio. Vamos agora definir uma funo X : OR, como X(e)=nmero de caras em e. A
varivel aleatria X induz uma partio, P
X
, de O menos fina que P :
P
X
= { X
-1
(0), X
-1
(1), X
-1
(2), X
-1
(3)} = { {ccc}, {ccC, cCc, Ccc}, {cCC, CcC, CCc}, {CCC} }
Como cada elemento de P
X
est contido em F, ento X uma funo mensurvel no espao (O, F, P), portanto
uma varivel aleatria neste espao. A lgebra F
X
de subconjuntos de, induzida por P
X
, a que contm os 4
elementos de P
X
como blocos bsicos, ou tomos ; ela contm apenas 2
4
elementos, e qualquer elemento seu
tambm elemento de F, ou seja, F
X
cF. Note que a funo X tambem mensurvel no espao de probabilidades
(O, F
X
, P).
Vamos agora definir outra funo, Y: OR, correspondente representao binria com C=1 e c=0, logo Y(ccc)=0,
Y(ccC)=1, Y(cCc)=2, Y(cCC)=3, Y(Ccc)=4, Y(CcC)=5, Y(CCc)=6, Y(CCC)=7 (A funo Y tambem poderia ser descrita
como Y=4x
1
+2x
2
+x
3
, com x
1
, x
2
e x
3
igual ao nmero de caras no primeiro, segundo e terceiro lanamento,
respectivamente). Note que, diferente de X, a partio P
Y
induzida por Y em O to fina quanto P ; de fato, P
Y
=P
e, portanto, F
Y
=F.. Desta forma, a lgebra que induz a prpria F. Portanto, para ser mensurvel, a funo Y
mais exigente que X em termos de espao mtrico. Verifique que Y mensurvel, portanto uma varivel aleatria,
em (O, F, P), mas no em (O, F
X
, P).
Exerccio 1.1.2 Seja D
5
um dado no viesado de 5 lados. Considere um experimento estocstico consistindo de 2
arremessos sucessivos e independentes deste dado.
a Construa o espao amostral O correspondente ;
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
28
b Descreva a lgebra mais fina de subconjuntos de O, F ;
c Defina de forma sucinta, mas completa, a funo de probabilidades P :FR, fsicamente adequada ao
experimento ;
d Defina X : O R como a soma dos pontos nos dois arremessos, descreva P
X
de forma econmica e
completa ;
e Determine O
X
, o conjunto de valores possveis de X, e determine P{X=x}, para todo xeO
X
;
f descreva o espao de probabilidades (O, F
x
, P), F
x
a lgebra induzida por P
X
, e P consistente com o
experimento. ;
g Defina Y : O R, como Y(w
1
, w
2
)=5(w
1
-1)+(w
2
-1), onde w
1
e w
2
so os resultados do primeiro e do segundo
arremesso, respectivamente ; descreva P
Y
, compare-a com
P
X
;
h Mostre que Y mensurvel portanto uma varivel aleatria em (O, F, P), mas no em (O, F
X
, P).
I Defina uma funo Z : O R, que induza uma partio P
Z
de O, situada entre P
X
e P
Y
em termos de
refinamento ; determine O
Z
e P{Z=z}, para todo zeO
z
.
D6. Esperana de uma Varivel Aleatria: E(X) Seja (O, F, P) um espao de probabilidade, P ={A
1
, A
2
, A
3
,
.} a partio geratriz de F, e X(e)=x
i
o valor de X para todo eeA
i
, ento
E(X) pode ser definida de forma alternativa mas equivalente como
com O
X
o conjunto de todos os valores possveis de X, e {X=x} ao subconjunto de O dos elementos tais que
X(e)=x.
Varincia de uma Varivel Aleatria: V(X) Seja (O,F, P) um espao de probabilidade, P = {A
1
, A
2
, A
3
,
.} a partio geratriz de A, e X(e)=x
i
o valor de X para todo eeA
i
, ento
Ou, alternativamente,
Os conceitos de esperana e varincia desempenham papel central em Probabilidade.
Propriedades bsicas da Esperana e da Varincia
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
29
Seja X uma varivel aleatria no espao (O, F, P), e sejam a e b constantes reais, com a=0. Ento, Y=aX+b
uma varivel aleatria.
Prova : Y : OR tal que Y(e)=aX(e)+b, para todo eeO. Ento, O
Y
={y=ax+b ; xeO
X
}, e {Y=y} = {eeO ;
Y(e)=y} = {X=(y-b)/a} = {eeO ; X(e)=x}, logo {Y=y} mensurvel em (O, F, P), uma vez que X sendo, por
hiptese, uma varivel aleatria, {X=(y-b)/a} mensurvel.
A varivel aleatria Y, uma transformao linear de X, tem as seguintes propriedades :
i E(Y) = aE(X) + b
Partindo da definio de Esperana, e aplicando as propriedades da somatria, temos:
ii V(Y) = a
2
V(X)
Partindo da definio de varincia, e lembrando que E(X) uma constante na verdade um parmetro
associado distribuio da varivel aleatria X, e no mais uma varivel aleatria e, portanto,
E[E(X)]=E(X), temos:
e
iii V(X) = E(X
2
) E
2
(X)
Sendo X uma varivel aleatria, X
2
tambm o [prove]. Partindo da definio de varincia e das
propriedades do operador somatrio, temos:
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
30
Exemplo 1.1.4 Seja o espao amostral O={a, b, c, d, e} e os eventos A={a, b} e B={c, d, e}.
A classe F = {|, A, B, O} uma lgebra de subconjuntos de O. A funo P: F R definida por:
P(|)=0 P(A)=0,2 P(B)=0,8 e P(O)=1
uma funo de probabilidade. Note que os eventos A e B formam uma partio disjunta de O. A trade (O, A , P)
um espao de probabilidades.
Exemplo 1.1.5 Um modelo probabilstico para o arremesso de um dado pode ser construdo como se segue:
O={1, 2, 3, 4, 5, 6}
F ={todos os subconjuntos de O}, cuja geratriz P ={{1}, {2}, {3}, {4}, {5}, {6}}
P definida por P{1} = P{2} = P{3} = P{4} = P{5} = P{6} = 1/6. Como cada tomo tem a mesma probabilidade
1/6, a probabilidade de qualquer evento no unitrio simplesmente o nmero de elementos do evento,
vezes 1/6. Assim, por exemplo, P{1,3,5}=3x1/6=1/2.
Exemplo 1.1.6 No espao de probabilidades definido no exemplo acima, sejam as seguintes variveis aleatrias e
suas propriedades fundamentais:
a X{i} = i.
b Y{i} = 2X{i} 1, com X{i}=i, como em (a)
Neste caso, E(Y)=2E(X) 1= 7 1 = 6
V(Y) = 2
2
V(X)=4G8/3 = 32/3 ~ 10,67
c Z{i} = X
2
{i}, com X{i}=i, como em (a)
Como j visto em (a), E(Z)=E(X
2
)=91/6. Para V(Z), calcularemos primeiro E(Z
2
) que equivale a
E(X
4
)=(1
4
+2
4
+.+6
4
)/6 = 2275/6. Logo V(X) = 2275/6 (91/6)
2
~149,14
Exemplo 1.1.7 Um experimento consiste em arremessar um dado; o espao amostral O={1, 2, 3, 4, 5, 6}.
Seja F a lgebra completa de subconjuntos de O ; ela contm 2
6
=64 elementos, sendo seus tomos os 6
subconjuntos unitrios de O. Qualquer funo de probabilidades em (O, F ) ser completamente definida, pela
definio de seus valores para esses tomos. Em particular, a funo melhor associada s propriedades fsicas
do experimento, considerando-se que o dado bem equilibrado, a que d valor 1/6 para cada tomo. Vamos
agora definir uma varivel aleatria X :OR, de forma trivial : X(w)= w. Assim, X pode assumir valores inteiros
de 1 a 6, com probabilidades iguais a 1/6. Vamos calcular E(X) e V(X)
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
31
Para o clculo de V(X), lembramos que V(X) = E(X
2
) E
2
(X). Mas X
2
, por sua vez, uma varivel aleatria,
funo da varivel aleatria original, X ; poderamos at dar-lhe um nome provisrio, digamos, Y. Assim, Y=X
2
,
e pode assumir valores 1, 4, 9, 16, 25 e 36, com probabilidades implcitas pelas probabilidades
correspondentes do X. Por exemplo, P{Y=4}=P{X=2}=1/6. Ento
Portanto,
Seria natural o leitor, nesta altura, se perguntar o que os valores 3,5 e 2,916666, respectivamente Esperana
e Varincia da v.a. X, tem a ver com o prosaico experimento estocstico do arremesso de um dado equilibrado.
S para dar um sabor das coisas que viro nas prximas aulas, adianto que, por exemplo, em mil arremessos
sucessivos de um dado equilibrado, a probabilidade do resultado mdio, vamos cham-lo
Como nesse caso, a explorao dos fundamentos da Probabilidade revelar um mundo
inteiramente novo, onde o leitor assumir o controle intelectual de fenmenos que julgava, at
agora, completamente fora de qualquer possibilidade de entendimento, previso e controle. A
propsito, generalizando o resultado acima, arriscando um pouco, construa um intervalo de
probabilidade 0,99, para
Acomodando X e Y no espao mtrico produto (O, F, P), adequadamente definido, e definindo Z=X+Y, temos
que Z uma varivel aleatria (os subconjuntos de O do tipo {Z=z} pertencem a F), e
Para V(Z), lembramos que V(Z)=E(Z
2
)-E
2
(Z). Sendo E(Z) j conhecida, resta-nos determinar E(Z
2
):
Portanto,
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
37
Temos ento, completos, dois resultados muito importantes relativos soma de duas variveis
independentes: Se X e Y so duas variveis aleatrias independentes, e Z=X+Y, ento a esperana de Z a
soma das esperanas de X e de Y, e a varincia de Z a soma das varincias de X e de Y.
Exemplos:
1.2.2 Um experimento elementar D
5
consiste do arremesso de um dado de cinco lados. O experimento (D
5
)
2
composto por duas repeties sucessivas e independentes de D
5
. Sejam X
1
e X
2
variveis aleatrias
independentes, correspondentes pontuao em cada repetio de D
5
, e seja Y= X
1
+ X
2
.
O espao de probabilidades (O, F, P) melhor ajustado a este problema tem O = {1 1, 1 2, 1 3, 1 4, 1 5, 2 1, 2 2,
, 5 3, 5 4, 5 5}, com 25 elementos; F a lgebra completa de subconjuntos de O (tem, portanto, 2
25
elementos no vamos list-los todos, portanto), e P bem definida uma vez que qualquer evento unitrio
tem probabilidade 0,2
2
=0,04.
J sabemos que E(X
i
)=3 e V(X
i
)=2, portanto E(Y)=6 e V(Y)=4. Podemos verificar esses resultados diretamente,
determinando a distribuio de probabilidades de Y. Sabemos que Y assume valores em O
Y
={2, 3, , 10};
precisamos agora determinar a probabilidade de cada um desses 9 valores:
P{Y=2} = P{1 1} = 0,04 P{Y=3} = P{1 2, 2 1} = 20,04 = 0,08 P{Y=4} = P{1 3, 2 2, 3 1} = 0,12
P{Y=5} = P{1 4, 2 3, 3,2 4 1} = 0,16 P{Y=6} = P{1 5, 2 4, 3 3, 4 2, 5 1} = 0,20 P{Y=7} = P{2 5, 3 4, 4 3, 5 2} = 0,16
P{Y=8} = P{3 5, 4 4, 5 3} = 0,12 P{Y=9} = P{4 5, 5 4} = 0,08 P{Y=10} = P{5 5} = 0,04
Note que, enquanto a distribuio de probabilidades de X uniforme sobre seus 5 valores possveis, a de Y
no, concentrando mais probabilidade nos valores centrais que nos
extremos, como mostra a figura ao lado. Veremos mais adiante como
esta uma tendncia geral.
O valor mdio esperado de Y pode ser calculado diretamente como
Para calcular a varincia de Y, primeiro vamos calcular E(Y
2
):
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
38
Portanto, V(Y) = E(Y
2
) - E
2
(Y) = 40 - 6
2
= 4, conforme j havamos previsto pelas propriedades da soma de duas
variveis aleatrias independentes.
As propriedades da soma de duas variveis aleatrias independentes, demonstradas acima (para variveis
discretas), pode ser facilmente generalizada para a soma de
um nmero n qualquer de variveis aleatrias
independentes. Assim, se X
1
, X
2
, X
3
, , X
n
so variveis
aleatrias independentes, tais que E(X
i
)=
i
e V(X
i
)=o
i
2
, ento
.
A figura ao lado mostra a distribuio de probabilidades de
S
n
, para n de 1 a 8; abaixo v-se a distribuio de
probabilidades de S
30
, a soma dos resultados individuais de
30 arremessos sucessivos e independentes de D
5
. Embora,
teoricamente os valores possveis so os inteiros de 30 a 150,
os valores de 75 a 105 totalizam probabilidade superior a
0,95, enquanto que a probabilidade total acumulada dos
valores inferiores a 60 apenas 26,6 milionsimos, o mesmo
valendo para valores acima de 120, j que a distribuio,
naturalmente, simtrica.
Exemplos
1.2.3 Seja E
p
o experimento binrio elementar, com P{S}=p. Um experimento composto (E
p
)
n
consiste em
repetir E
p
sucessiva e independentemente, n vezes. O espao amostral para (E
p
)
n
o produto cartesiano de {S,
F} por si mesmo, n vezes: O = {S, F} {S, F} {S, F} {S, F} {S, F}. Os elementos de O so sequncias de Ss e
Fs de comprimento n, indo desde uma sequncia de n Ss at uma de n Fs, passando por sequncias com um
F e n-1 Ss existem n dessas ; com dois Fs e n-2 Ss das quais existem
Generalizando :
.
Na expresso anterior, #{Y=y} representa a cardinalidade ou nmero de elementos de {Y=y}.
Este resultado tem extraordinria importncia e ter papel central neste curso. Voltaremos logo e
frequentemente a ele.
Exerccios:
1.2.1 Um experimento elementar D
5
consiste em arremessar um dado de cinco lados. O experimento (D
5
)
n
composto de n repeties sucessivas e independentes de D
5
. Seja X o resultado uma realizao de D
5
e Y a
soma dos n resultados. Monte um espao de probabilidades apropriado a este experimento composto,
assumindo-se que o dado no viesado. Descreva genericamente o espao amostral O para (D
5
)
n
cardinalidade, cardinalidade do evento {Y=y}, etc. procure desenvolver uma expresso para P{Y=y}, mas,
mesmo que no consiga, determine E(Y) e V(Y).
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
40
1.2.2 Sejam dois experimentos aleatrios independentes, E
1
e E
2
; o primeiro consiste do arremesso de
quatro moedas e o segundo o de dois dados D
5
. Um experimento E composto por E
1
, seguido de E
2
.
Assumindo moedas e dados no viciados, construa o espao de probabilidades adequado ao caso. Definindo X
1
como o nmero de Caras em E
1
, e X
2
como a pontuao total em E
2
e Y=X
1
+X
2
, determine a esperana e a
varincia de cada uma dessas trs variveis aleatrias.
Um experimento elementar E
1
pode ser repetido sucessiva e independentemente, um nmero arbitrrio n
de vezes. Suponha uma varivel aleatria X associada a este experimento elementar ; repetido n vezes,
teremos X
1
, X
2
, X
3
, , X
n
, variveis aleatrias independentes e identicamente distribuidas. Interessa-nos, em
particular, o comportamento probabilstico da mdia aritmtica desses n resultados individuais :
Denominando
, onde
X
e
concluimos :
Notem que a mdia de repeties independentes de uma varivel X, tem a mesma esperana que X, mas
uma varincia que cai com o nmero de observaes, n. Este resultado extraordinariamente importante,
conforme veremos a adiante. Antes vamos provar um resultado bsico fundamental, a Desigualdade de
Tchebyshev.
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
41
Desigualdade de Tchebyshev : Seja uma varivel aleatria X, com esperana
X
e varincia
, e c uma
constante positiva arbitrariamente pequena ; ento :
A ideia da prova deste resultado simples e charmosa :
Logo, como a somatria no segundo membro da
desigualdade acima no negativa, conclumos que :
E, da, o resultado :
Conforme queramos demonstrar.
Ao limite
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
42
chegamos a concluses notveis, como, por exemplo, que, medida que n cresce, a mdia
vai sendo
espremida probabilisticamente para uma vizinhana cada vez mais estreita de sua esperana
X
. Dizemos
que
a pontuao mdia
por repetio. Podemos agora provar que, medida em que n cresce,
vai ficando
probabilsticamente confinada em uma vizinhana cada vez mais estreita de 3, a esperana de X.
Ora, sabemos que
c to grande
quanto desejarmos, bastando fazer n suficientemente grande.
Como ilustrao, seja c=0,01. Vamos determinar n para que possamos garantir, pela desigualdade
de Tchebychev, a probabilidade de
cair entre 2,99 e 3,01 seja pelo menos 0,99. Por Tchebychev,
temos :
Logo :
c
Portanto :
Concluimos, ento, que aps 2 milhes de arremessos do dado no viciado, de 5 lados, a mdia dos
resultados estar, com probabilidade pelo menos 0,99, entre 2,99 e 3,01.
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
43
A desigualdade de Tchebychev, de valor terico extraordinrio, tem relativamente pouca utilidade
no clculo prtico de probabilidades, uma vez que, sendo muito conservadora, fornece limites
inferiores
altos demais, como nesse exemplo, o que leva a exigncias exageradas sobre n. Mais
adiante introduziremos resultados tericos mais poderosos. Com eles podemos determinar o valor preciso de
n para se garantir
.
d Repita E
1
, sucessiva e independentemente, n vezes. Para isto, a rigor, voc dever fazer sorteio com
reposio : cada indivduo sorteado medido e devolvido populao, podendo inclusive vir a ser sorteado
novamente. Seja
.
e Usando a desigualdade de Tchebychev, determine um limite superior para
, para
n=1.000 e para n=10.000.
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
44
f Usando-se
como estimativa de E(X) a altura mdia da populao para n=1000, qual a probabilidade
de se cometer um erro superior a 1cm ?
g Qual deveria ser o nmero de repeties n de E para que o limite superior de Tchebychev para que
seja 0,05.
Nota: a desigualdade de Tchebychev tem extraordinrio valor terico mas, como vimos, valor prtico limitado. Seu
limite superior geralmente muito frouxo, frequentemente dando valores superiores a 1. Mais adiante
desenvolveremos ferramental especfico para tratar de problemas prticos como o sugerido no exerccio anterior.
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
45
1.4 Alguns Modelos Discretos Importantes
Desenvolveremos aqui alguns modelos probabilsticos discretos importantes, explorando suas propriedades
e possibilidades de aplicao a problemas concretos. Comearemos com modelos derivados de
experimentos binrios.
1.4.1 O Modelo Binomial
Seja um experimento binrio com P{S} = p, que representamos por E
p
. Um experimento composto consiste
em repetir E
p
, independentemente, n vezes. O espao amostral associado a este experimento composto
vamos represent-lo por E
p
n
contm, portanto, 2
n
elementos, Nos casos para n=3 e n=4, os espaos
amostrais so: O3 ={FFF, FFS, FSF, SFF, FSS, SFS, SSF, SSS}
O4 ={ FFFF, FFFS, FFSF, FSFF, SFFF, FFSS, FSFS, FSSF, SFFS, SFSF, SSFF, FSSS, SFSS, SSFS, SSSF, SSSS }
Uma funo X: OR interessante aquela que
conta os sucessos em cada eeO. Com n=4, por
exemplo, X(SFSF)=2. Para estudar o comportamento
probabilstico desta funo, vamos definir F como a
lgebra mxima de subconjuntos de O isto , a
classe de todos os subconjuntos de O. A funo de
probabilidade P: F [0, 1] naturalmente associada
s caractersticas concretas do experimento tal
que P{e}=p
x
(1-p)
n-x
, onde x o nmero de Ss em e,
para qualquer eeO
A funo X, como definida, uma varivel aleatria
no espao de probabilidades (O,F, P)
1
, uma vez que
a partio de O induzida por X est contida em F.
1
A rigor, a lgebra mxima no necessria para se acomodar X como uma varivel aleatria. Para isto bastaria a lgebra gerada pela
0, A1, A2,., An}, onde Ai o conjunto de todos os elementos de e e O com X(e)=i.
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
46
No caso n=4, a partio induzida por X tem 5 elementos:
A
0
= {X=0} = {FFFF}
A
1
= {X=1} = {FFFS, FFSF, FSFF, SFFF}
A
2
= {X=2} = {FFSS, FSFS, FSSF, SFFS, SFSF, SSFF}
A
3
= {X=3} = {FSSS, SFSS, SSFS, SSSF}
A
4
= {X=4} = {SSSS}
Uma descrio completa do comportamento probabilstico da varivel aleatria X dada pela sua funo de
distribuio de probabilidades. Esta funo d a probabilidade de X assumir cada um de seus valores
possveis. No caso dos experimentos binomiais, a funo de distribuio de probabilidades de X
desenvolvida seguindo-se um roteiro lgico muito simples. Como sabemos, qualquer evento unitrio {e}
tem probabilidade igual a p
x
(1-p)
n-x
, onde x o nmero de Ss em e, logo, para o clculo de P{X=x}, basta
determinar a cardinalidade do evento {X=x}, e multiplic-la por p
x
(1-p)
n-x
. Por exemplo, com n = 3 :
P{SSF} = P{SFS} = P{FSS} = p
2
q
P{X=2} = P{SSF, SFS , FSS} =
2
3
C p
2
q = 3p
2
q
Com n=4...
P{FFSS} = P{FSFS} = P{FSSF} = P{SFFS} = P{SFSF} = P{SSFF} = p
2
q
2
P{X=2} = P{FFSS, FSFS, FSSF, SFFS, SFSF, SSFF} =
2
4
C p
2
q
2
= 6p
2
q
Ora, o evento {X=x} o conjunto de todos os elementos de O compostos de x sucessos e,
consequentemente, (n-x) fracassos. Como a probabilidade associada a qualquer evento unitrio com estas
caracterscicas , simplesmente, p
x
q
n-x
, para calcular P{X=x} suficiente determinar o nmero de maneiras
diferentes que se pode compor uma seqncia de comprimento n, formada por de x sucessos e (n-x)
fracassos e multiplicar este nmero por p
x
q
n-x
. Este nmero
x
n
C , ou seja:
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
47
Portanto:
Dizemos que uma varivel aleatria como X, que representa o nmero de sucessos em n repeties
independentes de um mesmo experimento binrio E
p
, tem distribuio binomial, com parmetros n e p, e
representamos por X~b(n, p). A denominao binomial vem da estreita associao formal da expresso
algbrica de P{X=x} com o binmio de Newton. De fato, a expanso do binmio de Newton (p+q)
n
algebricamente idntica a soma de, justificando a denominao. Para 0<p<1 e fazendo q=1-p:
n n
n n x x n x
n
x 0 x 0
1 1 (p q) C p q P{X x} 1
= =
= = + = = = =
O clculo de P{X=x} para X~b(n, p) pode ser feito sem grandes dificuldades mesmo para valores grandes de
n como por exemplo no caso X~b(1000, 0,5)
Neste caso a frmula recursiva
n x p
P{X x 1} P{X x}
x 1 q
= + = =
= =
s s = = = =
.
A figura abaixo, representa, de uma forma mais aproriada, o comportamento de binomiais muito menos
extremas: X~b(100, p), para p=0,10, 0,20, 0,30, 0,40 e 0,50.
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
48
Exerccios 1.4. : (use computador quando necessrio):
13. Seja X ~ b(10, 0,3). Calcule, utilizando as expresses e definies apropriadas:
c. P{X=5]
d. A tabela completa da funo de distribuio de probabilidades de X.
e. A esperana de X
f. A varincia de X
14. Um dado arremessado duas vezes. Seja X igual ao maior dos resultados, e Y o menor. Determine a
funo de distribuio de probabilidades, a esperana e a varincia, tanto de X como de Y. Mostre
atravs de um argumento simples e direto que as duas variveis aleatrias no so independentes.
15. Expanda a soluo acima para 3 arremessos do dado, e depois generalize a soluo acima para n de
arremessos.
16. Um dado arremessado 120 vezes. Seja X o nmero de vezes que se conseguiu o resultado
mximo.
g. Calcule P{X=18}.
h. Calcule E(X) e V(X)
i. Calcule P{X<10}
17. Uma moeda no tendenciosa arremessada 1000 vezes. Seja X o nmero de caras obtidas. Calcule
j. P{X=500}
k. P{X<400}
l. P{450sXs550}
m. Determine o menor valor inteiro positivo a, tal que o intervalo de valores inteiros [500-a,
500+a] tenha probabilidade superior a 0,95.
18. Uma urna tem 100 bolinhas idnticas, menos na cor: 5 so brancas e as restantes so pretas. Uma
bolinha retirada por sorteio aleatrio; sua cor anotada e ela devolvida urna. Esta operao
0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56 58 60 62 64 66 68 70
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
49
repetida 100 vezes. Qual a probabilidade de que, no final, uma bolinha branca tenha sado
exatamente 5 vezes?
19. Os eleitores de uma cidade muito grande esto divididos: 30% pensam em votar no candidato A, os
demais tm outras preferncias, ou ainda no decidiram. Voc sorteia 10 eleitores aleatoriamente.
Qual a probabilidade de que, entre eles
n. tenham exatamente 3 eleitores de A?
o. no tenha nem um eleitor de A?
p. sejam, todos, eleitores de A?
q. O nmero de eleitores de A esteja no intervalo [2, 4]
20. Refaa o exerccio anterior para, agora, uma amostra aleatria de n eleitores. Qual a probabilidade
de que, entre eles
r. tenham exatamente 30 eleitores de A?
s. no tenha nem um eleitor de A?
t. sejam, todos, eleitores de A?
u. O nmero de eleitores de A esteja no intervalo [20 , 40].
21. No contexto dos 2 exerccios anteriores voc vai, agora, sortear 1000 eleitores, aleatoriamente. E
voc usar a frao de eleitores de A na amostra (X/1000) como uma estimativa da frao de
eleitores de A na cidade (admita que a populao seja to grande que p pode ser considerado
constante ao longo do processo amostral).
v. Qual a probabilidade de que o erro absoluto cometido |(X/1000-0,30)| seja superior a
0,05.?
w. Qual a probabilidade de que sua estimativa seja inferior a 0,20. E superior a 0,40?
x. Determine um intervalo em torno do valor verdadeiro, 0,30, no qual a probabilidade de
sua estimativa cair seja igual ou superior a 0,95.
y. Comente sobre o potencial deste procedimento para se estimar p em uma populao
muito grande, a partir de amostra de uma frao muito pequena da mesma.
22. Sejam n repeties de um mesmo experimento binrio E
p
. Seja X o nmero de Ss nas n repeties,
U
m
o nmero de Ss nas m primeiras e V
m
o nmero de Ss nas m ltimas repeties de E
p
, com
msn. Seja n=10 e p=0,40.
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
50
a) Calcule
a. P[X>5 / U
6
<3]
b. P[V
7
<3 / U
5
>2]
c. P[U
1
=0 / X=9]
b) Determine a distribuio condicional de U
6
, dado V
7
=3
c) E(U
6
/ V
7
=3) a esperana condicional de U
6
, dado V
7
=3.
d) Mostre que U
5
e V
5
so independentes
23. Um ponto (x, y) escolhido aleatriamente no plano cartesiano, uniformemente sobre o
quadrado (-1, 1) x (-1, 1). Se o mesmo cai dentro do crculo de raio
unitrio, com centro em (0, 0), o experimento dito ser um sucesso. Em
400 repeties independentes deste experimento, seja X o nmero total
de sucessos obtidos.
z. Calcule E(X) e V(X)
aa. P{ X>300 }
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
51
Algumas propriedades bsicas da Distribuio Binomial.
Seja E
p
um experimento binomial com, com O={S, P}, F={|, {S}, {F},
O}, e P definida por P{S}=p. O espao de probabilidades (O, F, P)
uma estrutura extraordinariamente simples ; no se pode pensar
em espao mtrico mais simples. Neste espao vamos definir a
funo T : OR, como T(S)=1 e T(F)=0. A funo T mensurvel,
logo uma varivel aleatria, com P{T=1}=1-P{T=0}=p.
Uma varivel aleatria assim definida binria, com P{T=1}=1-
P{T=0}= p dita ter distribuio de Bernoulli, com parmetro p, o
que se representa por T~B(p). Sua esperana E(T)=0(1-p)+1p=p
e sua varincia V(T) = E(T
2
) E
2
(T) = p p
2
= p(1 p) = pq
Sumarizando : Se T~B(p), ento E(T) = p e V(T) =p(1-p) = pq
Repetindo-se E
p
sucessiva e independentemente, n vezes, teremos
T
1
, T
2
, , T
n
, n variveis aleatrias independentes, com mesma
distribuio B(p). Definindo
= =
= =
Substituindo no somatrio, y=x-1 e m=n-1, teremos
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
52
( )
m
y m m y m
m
y 0
E X np C p q np (p q) np
=
= = + =
Quod erat demonstrandum.
Teorema 2 Se X~b(n, p), ento V(X)=npq.
Prova: Por definio, V(X) = E[(X E(X)]
2
, logo
V(X) = E[X
2
2XE(X) + E
2
(X)] = E(X
2
) 2E[XE(X)] + E
2
(X) = E(X
2
) 2E
2
(X) + E
2
(X)
V(X) = E(X
2
) E
2
(X)
Como, no caso da distribuio binomial, E(X) j conhecida, passemos determinao de E(X
2
).
( )
{ }
( )
( )
( ) ( )
n n n n
2 2 2 x x n x 2 x n x x 1 n x
n
x 0 x 1 x 1 x 1
n 1 !
n!
E X x P X x x C p q x p q np x p q
x! n x ! x 1 ! n x !
= = = =
= = = = =
Substituindo na expresso acima, y=x-1 e m=n-1 e fazendo Y~b(m, p) temos.
( )
( )
( )
{ } { } ( ) ( )
m m m
2
2 y m y 2
y 0 y 0 y 0
m!
E X np y 1 p q np y P Y y P Y y np mp 1 np n 1 p 1 np np np
y! m y !
= = =
(
(
( = + = = + = = + = + = + (
(
(
( )
( ) ( ) ( )
2 2
2
E X np np 1 p np npq = + = +
( )
( )
( ) ( ) ( )
2 2
2 2
V X E X E X np npq np npq = = + =
Q.E.D.
Teorema 3 Se X~b(n, p), ento P[X=x] atinge o valor mximo para x=x
max
igual ao valor inteiro mais
prximo de
Prova : Para X~b(n, p), o P{X=0}=q
n
, e cresce medida em que x cresce, enquanto P{X=x+1}/P{X=x}>1.
Usaremos esta abordagem para determinar x
max
, o valor de x em {0, 1, 2, ... , n} para o qual P{X=x} assume
seu valor mximo int(np-q)+1.
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
53
{ }
{ }
( ) ( )
( )
( )
( )
x 1 x 1 n x 1
n
x x n x
n
n!
P X x 1 x 1 ! n x 1 ! n x ! C p q p x! p n x p
n!
P X x q x 1 ! n x 1 ! q x 1 q
C p q
x! (n x)!
+ +
= + +
= = = =
= + +
Ento
n x p
1 np q x
x 1 q
> >
+
Portanto, P{X=x} cresce com x, enquanto x<np-q, logo x
max
=int(np-q)+1. Note que, se np-q for inteiro, ento
P{X=x} ser mximo tanto para x=np-q como para x=np-q+1.
Q.E.D.
Exemplo 1.4.1 O Brasil tem cerca de 140 milhes de eleitores. Numa grande eleio nacional, o candidato A
tem uma frao p das intenes j definidas de votos, e o candidato B tem 1-p. Para se estimar p, a frao de
eleitores de A, planeja-se uma pesquisa amostral, com uma amostra sorteada aleatoriamente, de mil eleitores.
A frao de eleitores de A na amostra ser considerada a estimativa da frao de eleitores de A no eleitorado
todo. primeira vista, parece uma amostra pequena demais para to grande tarefa; afinal, so 140 milhes de
elitores. Vejamos.
Suponha p=0,55. Qual a probabilidade de se cometer um erro inferior a, digamos, 3 pontos
percentuais. Mais formalmente, seja X o nmero de respostas favorveia a A. Como, a cada eleitor sorteado
(chances iguais para todos os eleitores no universo), a probabilidade de ser sorteado um eleitor de A p,
sabemos que, a cada sorteio, o nmero de eleitores de A (0 ou 1) tem uma distribuio B(p), e os n resultados
so completamente independentes entre si, concluimos que X~b(n, p) (Nota : se voc estiver se sentindo
desconfortvel com o fato de que a composio do universo vai se alterando medida que eleitores forem
sendo sorteados, fazendo com que a frao de eleitores de A v se alterando, suponha que o sorteio se d com
reposio, isto , cada eleitor sorteado restitudo ao cadastro, podendo inclusive vir a ser sorteado
novamente. Na prtica, com uma amostra to menor que o universo a perturbao daquela neste
desprezvel, e tal preocupao exagerada e desnecessria). Pois bem, queremos ento determinar
, onde
O clculo exige computador ou uma boa calculadora cientfica. Usando o Excel, obtive
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
54
Como se v, a probabilidade de se acertar prximo do valor verdadeiro grande, e no apenas para p=0,55,
como voc pode verificar, agora que j construiu um programa para fazer os clculos.
Exemplo 1.4.2 Uma grande montadora automobilstica produz e vende cem mil unidades de um dado
modelo, por ms. Nos trs primeiros meses do ano, 38 veculos voltaram ao revendedor por apresentar um
tipo de defeito considerado grave, desses que expem o usurio a riscos de acidente srio, e a montadora a
danos de reputao e legais. Aes so tomadas com o objetivo de, gradualmente, corrigir a fonte de defeitos.
Uma comisso especial formada dentro do poderoso Departamento de Melhoria Contnua da Qualidade e
Produtividade da empresa. No ms seguinte, so registrados apenas 8 casos, e a empresa celebra a reduo da
taxa de ocorrncia, como indicativo do progresso dos trabalhos da comisso. Ainda sem todo o ferramental
necessrio para uma abordagem formal completa da questo, vamos mostrar, apelando em parte para a
intuio, mas j procurando lanar as bases para ideias que esto por vir, que a celebrao precipitada; os
dados no s no do suporte tese de que melhoria tenha sido alcanada, como tambm no comprova que
no tenha havido, de fato, deteriorao.
A ocorrncia de 38 casos em 300 mil unidades produzidas, sugere que a montadora produz itens defeituosos,
aleatoriamente, a uma taxa p em torno de 0,0001267 (em situaes como esta conveniente referir a p com
milhonsimos, ou partes por milho ; assim: 126,7ppm). Contudo, valores vizinhos deste, abaixo ou acima,
podem tambm ser probabilisticamente compatveis com o resultado observado (38 em 300 mil).
importante aqui a percepo de que, como unidade de produo, a montadora tambm um sistema que
produz, aleatriamente, de forma no intencional, certamente indesejada, e por causas desconhecidas, itens
defeituosos segundo um processo binrio com probabilidade p de sucesso (novamente o significado invertido
do termo): a cada unidade produzida realiza-se um experimento aleatrio binrio; probabilidade p de unidade
defeituosa e (1-p) de unidade conforme. Como em 300 mil repeties do experimento, produziu-se 38 itens
defeituosos, a taxa 126,7ppm uma estimativa natural para o verdadeiro p subjecente ao processo produtivo
da montadora, o qual vamos admitir aqui sem adequada fundamentao, mas para simplicidade conceitual
constante.
Mas o resultado observado no permite uma avaliao exata do p subjacente; existe uma faixa de
possibilidades para este parmetro. A largura desta regio e de incerteza mede a incerteza estatstica
associada nossa estimativa de p a partir dos resultados observados. Obviamente, valores muito distantes da
frequencia observada de 126,7ppm, como 0,001 ou 10.000ppm so completamente incompatveis, de um
ponto de vista probabilistico, com o resultado observado e no merecem ser considerados. Por outro lado,
valores prximos de 126,7ppm, ( 80, 100, 150 ppm ?) podem ser compatveis com o resultado observado, no
podendo, portanto, serem descartados como provvel valor verdadeiro de p.
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
55
Um critrio para avaliar o grau de compatibilidade de determinado candidato a p digamos p
0
medir a
probabilidade de se obter 38 casos positivos em 300 mil tentativas, sob a hiptese p=p
0
, ou seja, computar
Existe, portanto um bom nvel de compatibilidade entre a hiptese p=0,0001267 e o resultado, digamos, X=38,
o que j era esperado, uma vez que esta foi a taxa observada. J a hiptese p=0,01 , naturalmente,
incompatvel com o resultado observado. Se a taxa p de defeituosos produzidos pela montadora fosse 0,01, ou
1%, o resultado observado teria sido algo prximo de 3 mil, um desastre que provavelmente traria enormes
danos de reputao e dificuldade econmica sria para montadora. Em todo o caso, qual a probabilidade, sob
a hiptese p=0,01, de X=38 defeituosos em 300 mil unidades produzidas? Vejamos:
Realmente, um valor to abismalmente pequeno revela a absoluta incompatibilidade entre a hiptese (p=0,01)
e o resultado observado. Como no podemos descartar o resultado fato emprico observado descartamos,
com absoluta segurana, a hiptese.
Mesmo uma hiptese aparentemente menos antagnica com os dados, p=0,001, no passa pelo teste de
compatibilidade: a probabilidade de 38 carros defeituosos em 300 mil carros produzidas, sob a hiptese de
que, a cada carro produzido, a probabilidade de ocorrncia do defeito 0,001, de 1,185910
-81
, revelando a
total e absoluta incompatibilidade da hiptese com os fatos observados.
Vamos usar este critrio o da probabilidade do
resultado observado sob cada hiptese alternativa
sobre p para testar a compatibilidade de valores de
p numa vizinhana do candidato natural: X/n, ou
38/300000.
O resultado desta investigao de uma elegncia
extraordinria, como ilustra a figura ao lado, o
grfico de P{X=38 em 300000}, em funo de p (em
ppm), na regio em torno de p = 126,7ppm.
O mximo, de cerca de 6,4%, ocorre para p=0,0001267=126,7ppm, mas valores de p desde 80 at 180ppm so
razoavelmente compatveis com o resultado observado. Concluso: o resultado observado nos primeiros 3
meses do ano permitem estimar o intervalo de 80 a 180ppm como faixa de valores provveis para p, a taxa de
falha implcita no processo produtivo da montadora. Valores centrais desse intervalo so mais provveis.
0%
1%
2%
3%
4%
5%
6%
7%
0 50 100 150 200 250
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
56
At este ponto, podemos dizer que ao longo dos trs primeiros meses do ano, por causas desconhecidas, a
montadora operou com uma taxa de falha (a probabilidade, suposta constante, de ocorrncia do defeito em
questo a cada unidade produzida) situada no intervalo de 80 a 180 ppm.
Uma comisso formada em regime de urgncia,
vem trabalhando no sentido de localizar e eliminar
(ou, pelo menos, atenuar) as causas dos defeitos. O
resultado do quarto ms (`apenas` 8 casos em cem
mil unidades produzidas, ou 80ppm) levou a direo
da montadora a concluir que melhoras substanciais
j haviam sido alcanadas aps um ms de
trabalhos da comisso, provocando celebraes
entusiasmadas. A figura co lado, contudo, recomenda cautela. O grfico mostra P{X=8 em 100000}, em funo
de p:
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
58
Severino tem 83,86% de chances de no perder uma mo no prximo ano, mas a perder com probabilidade
0,1614. A probabilidade dele passar inclume pelos seus primeiros 5 anos na atividade igual a
0,8386
5
=0,4148.
b) Quantos trabalhadores perdero a mo no prximo ano?
A probabilidade de um trabalhador perder a mo no ano 0,1614. So 120 trabalhadores, portanto o nmero
deles que perder a mo antes do final do primeiro ano de trabalho uma varivel alatria, digamos, com
distribuio binomial :Y~b(120, 0,1614). A distribuio de probabilidades de Y dada por
. Aqui
assumimos, sem perda de generalidade, dado que o muito pequeno, tendendo ao infinitesimal, que c/o
inteiro.
Podemos agora promover uma distribuio casual perfeita, fazendo o0. Assim, empregando um resultado
bem conhecido de limite
*
,
No caso do exemplo, com a concentrao mdia de 5 acidentes por km por ano, com distribuio
perfeitamente casual, a probabilidade de um segmento pr definido de um quilmetro de pista (digamos,
por exemplo, aquele que comea na placa de 13km), no testemunhar, ao longo de todo o ano, nenhum
acidente, igual a e
-5/km1km
= e
-5
= 0,0067. uma probabilidade baixa, mas, considerando-se os 100
segmentos de um quilmetro, a probabilidade de que pelo menos um deles passe o ano em branco, j
sabemos calcular, igual a [1 (1 0,0067)
100
] = 0,4914, bastante considervel; com em mdia uma
ocorrncia a cada dois anos.
Definimos como X o nmero de ocorrncias num dado trecho de comprimento c, e calculamos P{X=0}.
Devemos agora calcular P{X=x}, para x=1, 2, 3, Primeiro, P{X=1}. Ora, o nmero de sucessos em c/o
sorteios com probabilidade de sucesso igual a /o em cada sorteio, segue uma distribuio binomial, com
parmetros (n, p), com n=c/o e p=o, logo
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
63
Passando ao limite,
De forma anloga, podemos determinar
Generalizando,
O desenvolvimento original do conceito apresentado se deve a S. D. Poisson e, em sua homenagem, uma
varivel aleatria com esta distribuio de probabilidade dita ter distribuio de Poisson, com parmetro
c. Na forma padro, para comprimento unitrio c=1, temos
, e representamos por
X~P(). Adiante veremos suas propriedades bsicas, mas antes, vamos calcular P{X=x} para X~P(5).
Como se pode ver, numa rodovia de 100km onde se verificou uma mdia de 5 ocorrncias por quilmetro
no ano anterior, dividida em 100 trechos de 1km, pode-se ter trechos com apenas 1 acidente (em torno de 3
x P{X=x}
x P{X=x}
0 0,0067
9 0,0363
1 0,0337
10 0,0181
2 0,0842
11 0,0082
3 0,1404
12 0,0034
4 0,1755
13 0,0013
5 0,1755
14 0,0005
6 0,1462
15 0,0002
7 0,1044
16 0,0000
8 0,0653
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
64
dos cem trechos), e outros com 10 acidentes (cerca de dois dos cem), mesmo que os acidentes tenham sido
distribuidos de maneira completamente casual.
Da mesma forma como modelamos distribuies casuais de pontos longitudinalmente sobre uma linha,
podemos tambm modelar ocorrncias ao longo do tempo. Uma situao clssica a ocorrncia, ao longo
do tempo, de fisses atmicas ocorrendo numa amostra de material radioativo. Um registro grfico de
ocorrncias ao longo de um eixo do tempo, pode resultar em uma figura como a abaixo.
Novamente, sob a aparncia de um regime catico e irregular est, na verdade, um sistema governado por
lei probabilstica simples, estvel e, sobretudo, completamente compreendida. Seus resultados so
previsveis em termos probabilsticos no curto prazo e, de forma progressivamente determinstica, no longo
prazo. (explicar melhor). Sabendo o nmero de tomos do elemento radioativo na amostra, podemos
deduzir, a partir da anlise dos dados acima, seu fator de decaimento e tempo de meia vida.
Exemplo 1.4.1 Uma amostra contendo 1 mol de Carbono, extrada de um pedao de madeira fossilizado
analisada num contador de emisses radioativas. Sabe-se que a concentrao de
14
C em carbono atmosfrico
natural de 1ppt (uma parte por trilho), e que o tempo de meia vida deste istopo radioativo de 5730
anos. Quer-se estimar a idade do objeto fssil do qual a amostras de C foi extrada. A amostra mantida no
contador por 30 horas, com registro do instante preciso (hh :mm :ss) de cada emisso. Ao final,
(continua)
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
65
Distribuies casuais no plano
Vimos como se distribui pontos, casualmente, ao longo de uma linha. As ideias podem ser generalizadas
para duas ou mais dimenses.
A distribuio casual no
intencional, totalmente
desprovida de propsitos ou
preferncias cria padres
curiosos que, frequentemente,
enganam o observador.
Nas duas figuras ao lado tem-
se, esquerda, o desenho feito
no asfalto pelas primeiras
gotas de uma chuva fina,
mansa e sbita, num final de
tarde em Campos do Jordo e,
direita, a distribuio, por
sorteio aleatrio, de 1600 pontos sobre um quadrado. Observe a semelhana.
Para as duas figuras ao lado, o quadrado foi inicialmente dividido numa grade de 40x40, em 1600 clulas. Na
da esquerda, os 1600 pontos so distribudos de maneira totalmente intensional, no centro de cada uma das
clulas da grade, numa estrutura cristalina absolutamente
previsvel, regular. Na da direita, um ponto foi colocado, no no
centro, mas
aleatoriamente, dentro
de cada um dessas 1600
clulas. Decidir se uma
distribuio linear, plana
ou espacial de pontos
segue uma distribuio
perfeitamente casual, ou apresenta algum tipo de regularidade, de
previsibilidade, de manifestao implicita de propsito ou
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
66
intenso, est no centro de muito processo de investigao cientfica. Tratamos aqui da questo de decidir
se uma dada distribuio de pontos casual, ou no.
Exemplo 1.4.2 Um experimento cientfico busca estudar o efeito de diferentes frmulas no estmulo ou
inibio da formao de colnias de certa bactria, em um
tipo de cultura. Uma placa de 20cmX30cm dividida, na
forma de grade, em 150 clulas quadradas de 4cm
2
cada. A
placa coberta com uma pelcula da cultura, e cada clula
impregnada de uma formulao diferente dos agentes
inibidores/estimulantes. A placa mantida por tempo pr
deterrminado em atmosfera contaminante. Ao final, a placa
submetida a um banho quimico que revela os focos de
colnias de bactrias formados. Os pesquisadores
procuraro localizar as clulas
mais contaminadas e
associaro o tratamento
correspondente a possvel
efeito estimulante formao
de culturas, e as clulas menos
contaminadas a provvel efeito
inibidor das formulaes correspondentes. A tabela ao lado d o nmero de
clulas por nmero de focos apresentados. Foram contadas, no total, 223 colnias espalhadas pela placa. Das
150 clulas, 35 no apresentaram nenhum foco, enquanto, no outro extremo, uma clula apresentaram 6
colnias, e outras duas, cinco colnias cada. Analise os dados e verifique se existe evidncia em favor da
existncia de clulas mais hospitaleiras e clulas mais inspitas s bactrias. Ou no.
Nmero
de focos
Nmero de
clulas
0
35
1
48
2
40
3
17
4
7
5
2
6
1
Introduo aos Modelos Probabilsticos
Prof. Sebastio de Amorim
UNICAMP - 2012
67