Probabilidade condicional e Teorema de Bayes

Prof. Wagner Hugo Bonat

Departamento de Estatística
Universidade Federal do Paraná

Prof. Wagner Hugo Bonat Probabilidade condicional e Teorema de Bayes 1

 Probabilidade condicional

Prof. Wagner Hugo Bonat Probabilidade condicional e Teorema de Bayes 2

Probabilidade condicional

P(B ∩ A)
I Fenômenos podem ocorrer em etapas. P(A) P(B |
A)
I O que ocorre em uma etapa pode P(B c
|A ) P(B c ∩ A)
afetar o resultado das demais. | Ω)
P( A
I Podemos ganhar informação, e P(Ω)

podemos recalcular as probabilidades P(A c

| Ω)
P(B ∩ Ac )
c)
de interesse. P(Ac ) P ( B |A
I Probabilidades recalculadas recebem P(B c
|A c) P(B c ∩ Ac )
o nome de probabilidades
condicionais. Figura 1. Ilustração da árvore de probabilidade.

Prof. Wagner Hugo Bonat Probabilidade condicional e Teorema de Bayes 3

Exemplo: Lançamento do dado

Considere o seguinte exemplo:

I Um dado foi lançado, qual é a probabilidade de ter ocorrido face 4?
Ω = {1,2,3,4,5,6}, n(Ω) = 6.
n(A)
A = face 4 = {4}, n(A) = 1 ⇒ P(A) = n(Ω) = 61 .
I Suponha que o dado foi jogado e, sem saber o resultado, você recebe a informação
de que ocorreu face par. Qual é a probabilidade de ter saido face 4 com essa “nova”
informação?
n(B)
B = face par = {2, 4, 6}, n(B) = 3 ⇒ P(B) = n(Ω) = 63 .
n(C )
C = face 4, dado que ocorreu face par = {4}, P(C ) = n(B) = 31 .

Prof. Wagner Hugo Bonat Probabilidade condicional e Teorema de Bayes 4

Definição: Probabilidade condicional

I Dados dois eventos A e B, a probabilidade condicional de A ocorrer, dado que

ocorreu B, é representado por P(A|B) e dada por

P(A ∩ B)
P(A|B) = , para P(B) > 0.
P(B)

I Caso P(B) = 0, definimos P(A|B) = P(A).

Prof. Wagner Hugo Bonat Probabilidade condicional e Teorema de Bayes 5

Exemplo: Lançamento do dado (cont.)

Usando a definição formal:

n(A∩B) 1
I P(A ∩ B) = n(Ω) = 6
n(B) 3
I P(B) = n(Ω) = 6

P(A ∩ B)
P(A|B) =
P(B)
1/6
=
3/6
1
= .
3

Prof. Wagner Hugo Bonat Probabilidade condicional e Teorema de Bayes 6

Regra do produto

A regra do produto é uma expressão derivada do conceito de probabilidade condicional.

Uma vez que

P(A ∩ B)
P(A|B) =
P(B)

temos que

P(A ∩ B) = P(A|B) · P(B).

Essa expressão permite calcular probabilidades em espaços amostrais que são

realizados em sequência, onde a ocorrência da segunda etapa depende (ou não) da
ocorrência da primeira etapa.

Prof. Wagner Hugo Bonat Probabilidade condicional e Teorema de Bayes 7

Exemplo: Baralho

I Qual a probabilidade de se obter dois ases em seguida, quando se extraem duas

cartas de um baralho comum de 52 cartas, se:
I A primeira carta é reposta no baralho antes da extração da segunda carta.

4 4
P(A1 ∩ A2 ) = P(A2 |A1 ) · P(A1 ) = P(A2 ) · P(A1 ) = · .
52 52

I A primeira carta extraída não é reposta antes da extração da segunda carta.

3 4
P(A1 ∩ A2 ) = P(A2 |A1 ) · P(A1 ) = .
51 52

Prof. Wagner Hugo Bonat Probabilidade condicional e Teorema de Bayes 8

 Independência

Prof. Wagner Hugo Bonat Probabilidade condicional e Teorema de Bayes 9

Eventos independentes

I Vimos que, em algumas situações, saber que B ocorreu nos dá uma informação
“extra” sobre a ocorrência de A.
I Porém, existem algumas situações nas quais saber que o evento B ocorreu não tem
qualquer interferência na ocorrência ou não de A.
I Nestes casos, podemos dizer que os eventos A e B são independentes.

Prof. Wagner Hugo Bonat Probabilidade condicional e Teorema de Bayes 10

Definição: Eventos independentes

Os eventos A e B são eventos independentes se a ocorrência de B não altera a

probabilidade de ocorrência de A, ou seja, eventos A e B são independentes se

P(A|B) = P(A) e também que P(B|A) = P(B).

Com isso, e a regra do produto, temos que

P(A ∩ B) = P(B) · P(A|B) = P(B) · P(A).

P(A ∩ B) = P(A) · P(B|A) = P(A) · P(B).

Prof. Wagner Hugo Bonat Probabilidade condicional e Teorema de Bayes 11

Exemplo: Lançamento do dado
I Considere o lançamento de um dado e os seguintes eventos
A = “resultado é um número par”
B = “resultado é um número menor ou igual a 4”
Os eventos A e B são independentes?

1
2 A
6
4
3

Prof. Wagner Hugo Bonat Probabilidade condicional e Teorema de Bayes 12

Exemplo: Lançamento do dado (cont.)

Pela definição intuitiva:

2/6
P(A) = 1/2, P(A|B) = P(A ∩ B)/P(B) = 4/6 = 1/2
2/6
P(B) = 2/3, P(B|A) = P(B ∩ A)/P(A) = 3/6 = 2/3.
Portanto: P(A|B) = P(A) e P(B|A) = P(B)
Pela definição formal:
1 2
P(A ∩ B) = P(A) · P(B) = 2 · 3 = 1/3
2
P(A ∩ B) = 6 = 1/3, assim P(A ∩ B) = P(A) · P(B)
Portanto, os eventos A e B são independentes. Saber que A ocorreu não muda a
probabilidade de B ocorrer e vice-versa.

Prof. Wagner Hugo Bonat Probabilidade condicional e Teorema de Bayes 13

Exemplo: Peças defeituosas

Uma empresa produz peças em duas máquinas I e II, que podem apresentar desajustes
com probabilidade 0,05 e 0,10, respectivamente.
No início do dia de operação, um teste é realizado e, caso a máquina esteja fora de
ajuste, ela ficará sem operar nesse dia passando por revisão técnica.
Para cumprir o nível mínimo de produção, pelo menos uma das máquinas deve operar.
Você diria que a empresa corre o risco de não cumprir com suas metas de produção?

Prof. Wagner Hugo Bonat Probabilidade condicional e Teorema de Bayes 14

Exemplo: Peças defeituosas (cont.)
I Primeiro passo é definir os eventos
I D1 : Máquina 1 defeituosa; D1c : Máquina 1 não defeituosa.
I D2 : Máquina 2 defeituosa; D2c : Máquina 2 não defeituosa.
I Possibilidades:

D2

D1 0.10

0.90 D2c
5
I P(D1 ∩ D2 ) = 0,05 · 0,10 = 0,005.
0.0 I P(D1 ∩ D2c ) = 0,05 · 0,90 = 0,045.
Inicio
I P(D1c ∩ D2 ) = 0,95 · 0,10 = 0,095.
0.9 D2 I P(D1c ∩ D2c ) = 0,95 · 0,90 = 0,855.
5
D1c 0.10

0.90 D2c

I P(Não cumprir com

Prof. Wagner Hugo a meta)
Bonat =condicional
Probabilidade P(D ∩e Teorema
D ) =de0,005.
Bayes 15
Exemplo: Fábrica de sorvetes
I Probabilidades informadas:
Suponha que um fabricante de sorvetes re- I P(F1 ) = 0,20;
cebe 20% de todo o leite que utiliza de uma I P(F2 ) = 0,30;
fazenda F1 , 30% de uma outra fazenda F2 e I P(F3 ) = 0,50;
50% de F3 . I P(A|F1 ) = 0,20;
Um órgão de fiscalização inspecionou as fa- I P(A|F2 ) = 0,05;
zendas de surpresa e observou que 20% do I P(A|F3 ) = 0,02;
leite produzido por F1 estava adulterado por
adição de água, enquanto para F2 e F3 , essa
proporção era de 5% e 2%, respectivamente.
Na indústria de sorvetes os galões de leite A
são armazenados em um refrigerador sem F1 F3

identificação das fazendas. Para um galão

escolhido ao acaso, qual a probabilidade do F2

leite estar adulterado?

A = (A ∩ F1 ) ∪ (A ∩ F2 ) ∪ (A ∩ F3 )

Prof. Wagner Hugo Bonat Probabilidade condicional e Teorema de Bayes 16

Exemplo: Fábrica de sorvetes (cont.)
I O que queremos calcular?

P(A) = P((A ∩ F1 ) ∪ (A ∩ F2 ) ∪ (A ∩ F3 ))
= P(A|F1 )P(F1 ) ∪ P(A|F2 )P(F2 ) ∪ P(A|F3 )P(F3 )
I Probabilidades = 0,20 · 0,20 + 0,05 · 0,30 + 0,02 · 0,50 = 0,065.
informadas:
I P(F1 ) = 0,20;
I P(F2 ) = 0,30;
I P(F3 ) = 0,50;
I P(A|F1 ) = 0,20;
A
I P(A|F2 ) = 0,05; F1 F3

I P(A|F3 ) = 0,02;
F2

A = (A ∩ F1 ) ∪ (A ∩ F2 ) ∪ (A ∩ F3 )
Prof. Wagner Hugo Bonat Probabilidade condicional e Teorema de Bayes 17
 Teorema de Bayes

Prof. Wagner Hugo Bonat Probabilidade condicional e Teorema de Bayes 18

Partição do espaço amostral
Dizemos que os eventos C1 , C2 , ..., Ck formam uma partição do espaço amostral, se eles
não tem interseção entre si, e se sua união é igual ao espaço amostral. Isto é,

[
k
Ci ∩ Cj = ∅ para i 6= j e Ci = Ω.
i=1

Cn

C1
... Cn−2

C2
C3
Cn−1

Figura 2. Partição do espaço amostral.

Prof. Wagner Hugo Bonat Probabilidade condicional e Teorema de Bayes 19

Teorema de Bayes
Suponha que os eventos C1 , C2 , . . . , Ck formem uma partição de Ω e que suas
probabilidades sejam conhecidas. Suponha, ainda, que para um evento A, se conheçam
as probabilidades P(A|Ci ) para todo i = 1, 2, . . . , k. Então, para qualquer j,

P(Cj ) · P(A|Cj )
P(Cj |A) = Pk , j = 1,2, . . . ,k.
i=1 P(Ci ) · P(A|Ci )

I Demonstração: trivial usando a definição de probabilidade condicional.

P(Cj ∩ A)
P(Cj |A) = → (Definição de probabilidade condicional)
P(A)
P(A|Cj ) · P(Cj )
P(Cj |A) = → (Regra do produto)
P(A)
P(Cj ) · P(A|Cj )
P(Cj |A) = Pk → (Partição do espaço amostral)
i=1 P(C i ) · P(A|Ci )
Prof. Wagner Hugo Bonat Probabilidade condicional e Teorema de Bayes 20
Exemplo: Fábrica de sorvetes (cont.)
I Suponha agora que estamos interessados também na probabilidade de uma
amostra adulterada ter sido obtida a partir da fazenda F1 , ou seja, P(F1 |A).
I Note a ideia de inversão das informações.
I Como proceder para este cálculo? USE A DEFINIÇÃO!

P(F1 ∩ A)
P(F1 |A) = → (Definição de probabilidade condicional)
P(A)
P(A|F1 ) · P(F1 )
P(F1 |A) = → (Regra do produto)
P(A)
P(A|F1 ) · P(F1 )
P(F1 |A) = → (Exemplo anterior)
P(A|F1 ) · P(F1 ) + P(A|F2 ) · P(F2 ) + P(A|F3 ) · P(F3 )
0,20 · 0,20
P(F1 |A) = ≈ 0,615.
0,065

Prof. Wagner Hugo Bonat Probabilidade condicional e Teorema de Bayes 21

 Considerações finais

Prof. Wagner Hugo Bonat Probabilidade condicional e Teorema de Bayes 22

Considerações finais

Revisão

I Probabilidade condicional.
I Regra do produto.
I Eventos independentes.
I Partição do espaço amostral.
I Teorema de Bayes.

Figura 3. Foto do Pixabay no Pexels.

Prof. Wagner Hugo Bonat Probabilidade condicional e Teorema de Bayes 23