Revisao de Probabilidade

09/09/2015
REVISÃO DE PROBABILIDADE
Prof. Cícero F F CostaFilho
UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho
Tópicos:
Introdução
Calculando Probabilidades de eventos
Teoria de Conjuntos x Probabilidade
Probabilidade condicional
Teorema da Probabilidade Total para eventos
Teorema de Bayes para eventos
Variáveis Randômicas (VR)
Função de Distribuição de Probabilidade
Função de Densidade de Probabilidade
Funções de Densidade de Probabilidade Especiais
Distribuição de Probabilidade Condicional para Variáveis
randômicas
Teorema da Probabilidade Total para VR
Teorema da Bayes para VR
1
09/09/2015
Objetivo da Revisão: Chegar à demonstração do teorema de Bayes para eventos e para

variáveis aleatórias
( ⁄ ) ( )
Teorema de Bayes para Eventos: ( ⁄ ) = ( ⁄ 1 ) ( 1 )+ ( ⁄ 2 ) ( 2 )+⋯.. ( ⁄ ) ( )
( ⁄ = )
Teorema de Bayes para variáveis aleatórias: ( ⁄ )= . ( )
( )
Introdução:
A probabilidade preocupa-se com a ocorrência dos eventos, que são possíveis saídas de
experimentos.
Define-se o conjunto L, denominado de espaço de um experimento, como o conjunto

formado por todos os possíveis resultados desse experimento.
Exemplo: no experimento de um lançamento de dados, os possíveis resultados são:

f1 – face do dado com o número 1; f2 – face do dado com o número 2; f3 – face do
dado com o número 3; f4 – face do dado com o número 4; f5 – face do dado com o
número 5 e f6 – face do dado com o número 6.
Assim, o conjunto L para esse experimento é:

L = { f1, f2, f3, f4, f5, f6}
O número de subconjuntos que podem ser formados a partir de um conjunto L com n

elementos é dado por: 2n.
No exemplo anterior temos: número de subconjuntos = 26 = 64
Lista de subconjuntos: {∅}, { 1 }, … . . { 1 , 2 }, … …, {f1, f2, f3, f4, f5, f6}
Em probabilidade o conjunto L é denominado de evento certo e seus elementos de

possíveis resultados de um experimento. Qualquer subconjunto de L é denominado
simplesmente de evento. O subconjunto {∅} é denominado de evento impossível.
Calculando Probabilidades de eventos

No experimento de lançamento de dados definamos os seguintes eventos:
L, {f1}, {f1, f2, f3}
Qual a probabilidade de ocorrer um desses eventos?
Solução:
1) Abordagem das frequências relativas:
Repetir o experimento um número n de vezes muito grande de vezes e calcular os
valores de probabilidade:
( ) = lim →∞
Em que: − ú
− ú çõ
2
09/09/2015
Para o lançamento de dados teríamos:

( 1 ) = 1 ,…., ( 6 ) = 6
Em que:
− ú
− ú ç
2) Abordagem Clássica
De acordo com essa abordagem a probabilidade de um evento ( ) pode ser
calculada através da expressão:
( )=
Em que: − ú í á
− ú í
Para o lançamento de dados teríamos:

1
({ 1 }) = 0 =
6
3 1
({ 1 , 2 , 3 }) = =
6 2
6
({ 1 , 2 , 3 , 4 , 5 , 6 }) = ( )= =1
6
Exercício 1: Joga-se dois dados e deseja-se saber a probabilidade P da somados

números resultar em 7.
Teoria de Conjuntos x Probabilidade
Teoria de Conjuntos Probabilidade Probabilidade

A e B dois conjuntos A e B dois eventos
A+B união entre dois conjuntos A+B - ocorrência do evento A ou do
evento B
A.B - intersecção entre dois conjuntos A.B – ocorrência simultânea dos eventos
AeB
A.B = {∅} – intersecção vazia entre os A.B = {∅} – os eventos A e B nunca
conjuntos A e B ocorrem simultaneamente e são ditos
mutuamente exclusivos
⊂ – o conjunto A está contido no ⊂ – Se o evento A ocorrer o evento B
conjunto B sempre ocorrerá também. Exemplo: Se
no lançamento de dado ocorrer o evento
{f5} o evento {face ímpar} sempre
ocorrerá.
3
09/09/2015
Assim como os conjuntos a probabilidade de ocorrência dos eventos pode ser

representada através de áreas no diagrama de Venn.
AB P(AB)
A+B P(A+B)
Exemplo: No experimento do lançamento de dados a probabilidade dos eventos

individuais P(f1),..P(f6) podem ser representados no diagrama de Venn por seis áreas com
igual tamanho:
4
09/09/2015
Axiomas da Probabilidade
Seja A um evento qualquer:
1) ( ) ≥ 0
2) ( ) = 1
3) . = {∅} ã ( + ) = ( )+ ( )
Corresponde à soma as áreas no diagrama de Venn:
Propriedades (Deduzidas a partir dos axiomas):
1) Proposição: {∅} = 0
3
Prova: = + {∅} → ( ) = ( + {∅}) ⎯⎯⎯⎯⎯ = ( ) + {∅}. {∅} = 0
2) Proposição: ( ) = 1 − ( ̅) ≤ 1
3
Prova: + ̅ = → ( + ̅) = ( ) = 1 ⎯⎯⎯⎯⎯ ( + ̅) = ( ) + ( ̅) = 1→
( ) = 1 − ( ̅)
3) Proposição: ( + ) = ( ) + ( ) − ( )
Prova: Escreve-se A+B e B como a soma de dois eventos exclusivos:
( + ) = ( ) + ( ̅ ) (1)
( )= ( )+ ( ̅ ) → ( ̅ ) = ( )− ( ) (2)
P(A) P(B) P(AB) P(ÃB)
Substituindo ̅ encontrado em (2) em (1) resulta:

( + ) = ( )+ ( )− ( )
5
09/09/2015
4) Se ⊂ então
( ) = ( )+ ( )≥ ( )
Probabilidade condicional
A probabilidade de ocorrer um evento A dado que ocorreu um evento M,
denominada de probabilidade condicional, é dada pela seguinte expressão:
( , )
( )=
( )
Se ⊂ ã ( ⁄ )=1
Interpretação de Frequência:
Denotando de , , o número de ocorrências dos eventos , ,
respectivamente, concluímos que:
( )≃ , ( )≃ ( )= ,
Disso vem que:
( , ) . ⁄
( )= ( )
≃ ⁄
=
Interpretação da equação anterior: se descartarmos os experimentos nos quais
não ocorre e retivermos apenas os experimentos onde ocorre ( ), então ( ⁄ ) é
a frequência relativa do evento A nesses experimentos ( ⁄ ).
Exercício 2: No experimento de lançamento de dados, determinar a probabilidade

condicional do evento unitário { 2 }, assumindo que o evento par ({ 2 , 4 , 6 }) ocorreu.
Exercício 3: Seja t a idade que uma pessoa morre. A probabilidade que ≤ 0 é dada
por:
( ≤ 0 ) = ∫0 0 ∝ ( ) , em que ∝ ( ) é uma função determinada por registros de
morte. Assuma que ∝ ( ) = 3 10−9 2 (1 − )2 , 0 ≤ ≤ 100 e 0 caso contrário.
Qual a probabilidade da pessoa morrer entre 60 e 70 anos.
Exercício 4: Uma caixa contém três bolas 1, 2 3 e duas bolas vermelhas

1 2 . Remove-se ao acaso duas bolas uma após a outra. Qual a probabilidade que a
primeira bola removida seja branca e a segunda vermelha?
Teorema da Probabilidade Total para eventos

Definição: Denomina-se uma partição P de um evento certo L, um conjunto de
eventos mutuamente exclusivos que envolva todos os resultados desse evento certo L.
Exemplo: Considerando o conjunto L como formado pelos possíveis resultados do

lançamento de dados, = { 1 , 2 , 3 , 4 , 5 , 6 }. Seja os eventos: 1 = { 1 , 2 } 2 =
{ 3 , 4 , 5 , 6 } . Então = { 1 , 2 } é uma partição de L.
6
09/09/2015
Proposição: Seja = { 1 , 2 , … } uma partição de L e B um evento arbitrário.

Então: ( ) = ( ⁄ 1 ). ( 1 ) + ⋯ + ( ⁄ ). ( )
Prova:
Temos que: = . = ( 1 + 2 + ⋯ ) = 1+ 2 +⋯+
Disso vem: ( ) = ( 1 + 2 + ⋯+ )
Como os eventos 1, 2, … são mutuamente exclusivos resulta:
( ) = ( 1) + ( 2) + ⋯ + ( )
Da expressão para a probabilidade condicional obtemos: ( ) = ( ⁄ ). ( ).
Substituindo esse resultado na expressão para ( ) resulta:
( ) = ( ⁄ 1 ). ( 1 ) + ⋯ + ( ⁄ ). ( )
Teorema de Bayes para eventos

Proposição: Seja ={ 1, 2, … } uma partição de L e B um evento arbitrário.
Então:
( ⁄ ). ( )
( )=
( )
Prova: Da expressão para a probabilidade condicional obtemos:
( ) = ( ⁄ ). ( ) e ( ) = ( ⁄ ). ( )
Igualando essas duas expressões para ( ) resulta:
( ⁄ ). ( ) = ( ⁄ ). ( )
( ⁄ ). ( )
Disso vem: ( )=
( )
Exemplo: Num experimento existem 4 caixas. A caixa 1 contém 2000 componentes,

dos quais 5% são defeituosos. A caixa 2 contém 500 componentes, dos quais 40% são
defeituosos. A caixa 3 e 4 contêm 1000 componentes cada com 10% de defeitos.
Seleciona-se ao acaso uma das caixas e remove-se ao acaso um componente. Pergunta-
se:
a) Qual a probabilidade do componente ser defeituoso?
b) Examinou-se o componente selecionado no item a e determinou-se que o mesmo
era defeituoso. Com base nessa evidência, qual a probabilidade do componente
ter vindo da caixa 2?
Solução:
a) Consideraremos inicialmente os seguintes eventos que são mutuamente exclusivos:
A1 – Pegar um componente da caixa 1, P(A1)=1/4
Consideraremos a seguir o evento:
B – Pegar um componente defeituoso
Utilizando o teorema da probabilidade total temos:
( ) = ( ⁄ 1 ). ( 1 ) + ( ⁄ 2 ). ( 2 ) + ( ⁄ 3 ). ( 3 ) + ( ⁄ 4 ). ( 4 )
7
09/09/2015
Os valores de P(B/Ai) são dados por:

P(B/A1) = 0,05
P(B/A2)=0,4
P(B/A3)=0,1
P(B/A4)=0,1
Assim resulta:
P(B)=0,05*0,25+0,4*0,25+0,1*0,25+0,1*0,25 = 0,1625
b) Pelo teorema de Bayes temos que:

( ⁄ ). ( )
( )=
( )
Já calculamos P(Ai) ,P(B) e P(B/Ai).
( ⁄ 2 ). ( 2 ) 0,4 0,25
Tem-se então: ( 2 )= ( )
= 0,1625
= 0,615
Variáveis Randômicas (VR)

Definição: Uma variável randômica é uma função x, que atribui um número à saída de
um experimento. O seu domínio é o conjunto L de possíveis saídas de um experimento e
a sua imagem é o conjunto das variáveis randômicas x.
Exemplo: No experimento do dado pode-se atribuir para cada resultado fi os números

x(fi) = 10i. Assim,
x(f1)=10, x(f2)=20,...x(f6)=60.
Nesse caso, a variável randômica x pode assumir um dentre os seguintes valores:
{10,20,30,40,50,60}
Eventos Gerados pelas Variáveis Randômicas
No estudo das variáveis randômicas os seguintes tipos de questões aparecem:
1) Qual a probabilidade de uma VR x ser menor do que um valor x?

Como uma probabilidade pode ser atribuída apenas a um evento, o objetivo da
pergunta acima visa atribuir uma probabilidade ao seguinte evento:
={ ≤ }
2) Qual a probabilidade de uma VR x sem maior ou igual que um valor x1 e menor ou

igual que um valor x2?
Como uma probabilidade pode ser atribuída apenas a um evento, o objetivo da
pergunta acima visa atribuir uma probabilidade ao seguinte evento:
= { 1 ≤ ≤ 2}
8
09/09/2015
Exemplo: No experimento do dado, com uma RV x(fi)=10i ser:

a) Menor ou igual a 35: = { ≤ 35}?
O evento = { ≤ 35} corresponde ao evento = { 1 , 2 , 3 }. Logo a
3
probabilidade ( ) = = 50%
6
b) Maior ou igual a 20 e menor ou igual a 35: = {20 ≤ ≤ 35}?
c) O evento = {20 ≤ ≤ 35} corresponde ao evento = { 2 , 3 }. Logo a
2
probabilidade ( ) = = 33%
6
Função de Distribuição de Probabilidade

Definição: A função de distribuição de uma variável randômica x é a função:
( ) = ( ≤ ) , definida para todo x de −∞ + ∞
O termo ( ) = ( ≤ )
O termo ( ) = ( ≤ )
Exemplo: No experimento do dado, a VR é tal que ( ) = 10 . Se o dado não é

viciado, qual a distribuição de probabilidade da função x?
Solução:
(100) = ( ≤ 100) = ( 1 , 2 , 3 , 4 , 5 , 6 ) = ( ) = 1
(65) = ( ≤ 65) = ( 1 , 2 , 3 , 4 , 5 , 6 ) = ( ) = 1
(55) = ( ≤ 55) = ( 1 , 2 , 3 , 4 , 5 ) = 5⁄6 = 0,83
(50,1) = ( ≤ 50,1) = ( 1 , 2 , 3 , 4 , 5 ) = 5⁄6 = 0,83
(49,9) = ( ≤ 49,9) = ( 1 , 2 , 3 , 4 ) = 4⁄6 = 0,67
(45) = ( ≤ 45) = ( 1 , 2 , 3 , 4 ) = 4⁄6 = 0,67
(35) = ( ≤ 35) = ( 1 , 2 , 3 ) = 3⁄6 = 0,5
(25) = ( ≤ 25) = ( 1 , 2 ) = 2⁄6 = 0,33
(15) = ( ≤ 15) = ( 1 ) = 1⁄6 = 0,16
Essa distribuição é traçada no gráfico abaixo:
9
09/09/2015
Exercício: Uma chamada telefônica ocorre randomicamente no intervalo entre (0,1).

Nesse experimento a VR é o instante de tempo t entre 0 e 1 e a probabilidade que t
esteja entre t1 e t2 é dada por: P{ 1 ≤ ≤ 2 } = 2 − 1 . Encontre a distribuição de
probabilidade dessa VR.
Propriedades da Função de Distribuição de Probabilidade
1. (+∞) = 1 (−∞) = 0
Prova: (+∞) = ( ≤ ∞) = ( ) = 1
(−∞) = ( ≤ −∞) = 0
2. Se 1 ≤ 2 ã ( 1) ≤ ( 2)
Prova: O evento { ≤ 1 } está contido no evento { ≤ 2 }. Logo, pela propriedade 4
das probabilidades, temos que: ( 1 ) = ( ≤ 1 ) ≤ ( ≤ 2 ) = ( 2 )
3. { > } = 1 − ( )
Prova: Os eventos { ≤ } { > } são mutuamente exclusivos e:
{ ≤ } + { > }=L . Logo P{ ≤ } + { > } = ( ).
Disso vem: P{ ≤ } + { > } = 1 → ( ) + { > } = 1 → { > } = 1 −
( )
Função de Densidade de Probabilidade

( )
Definição: A derivada ( ) = é denominada de função densidade de
probabilidade da VR x. É também expressa por ( ).
Observações:
Se a VR x é discreta então:
( )= ( − ), = { = }
Exemplo: Encontre a função f(x) da distribuição de probabilidade do exemplo anterior.

1
Solução: Temos que: ( ) = 6 . [ ( − 10) + ( − 20) + ( − 30) + ( − 40) +
( − 50) + ( − 60)]. Essa função é mostrada no gráfico abaixo à direita.
UFAM
→
Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho
10
09/09/2015
Propriedades da função densidade de probabilidade:
1. Como F(x) é monotônica segue-se que f(x)≥ 0

( )
2. Integrando a expressão ( ) = de −∞ e usando o fato de (−∞) = 0
resulta:
( ) = ∫−∞ ( )
Uma vez que (∞) = 1, a expressão da integral acima resulta:
∞
∫−∞ ( ) = 1
A partir da primeira expressão de integral acima resulta:
( 2) − ( 1) = ∫ 2 ( )
1
2
Assim: ( 1 ≤ ≤ 2) =∫ ( )
1
Funções de Densidade de Probabilidade Especiais:

1. Função densidade de probabilidade normal
Curva Normal ou Gaussiana

1 − 2 ⁄2
( )=
√2
11
09/09/2015
Prova:
∞ − 2 ∞ − 2 ∞ − 2
∫−∞ = ∫−∞ ∫−∞
∞ − 2 ∞ − 2
∫−∞ ∫−∞
∞ ∞ − ( + )
∫−∞ ∫−∞
2 2 2
Usando coordenadas polares: = + , = =
rdϴ
dr
Disso vem:
∞ − 2 2 ∞ − 2 1 − 2 ∞
∫−∞ = ∫0 ∫0 = 2 − =
2 0
2
1 ∞ −
Em (∞) = . ∫−∞ 2 , a=1/2.
√2
1
Assim: (∞) = . √2 = 1
√2
Relação entre ( ) e erf( )

A função erf( ) é definida como:
1 2
( )= . ∫0 − ⁄2
√2
Temos que:
0
( ) = ∫−∞ ( ) = ∫−∞ ( ) + ∫0 ( )
Uma vez que ( ) é simétrica, a primeira integral do lado direito é metade da
∞
integral ∫−∞ ( ) = 1
0 1
Logo ∫−∞ ( ) = 2
Disso vem:
1 1 1
( ) = + ∫0 ( ) = 2 + erf( ) → erf( ) = ( ) − 2
2
A tabela a seguir mostra valores de erf( ):
12
09/09/2015
Calculando (− ): (− ) = 1 − ( )
Prova:
Temos:
( ) = (− ) (curva simétrica, pois x é levado ao quadrado)
e
( ) = ∫−∞ ( )
e
−
(− ) = ∫−∞ ( )
Fazendo y=-z → dy=-dz e:
∞
(− ) = ∫∞ − (− ) = ∫ ( )
Somando ( ) com (− ) vem:
∞ ∞
( ) + (− ) = ∫−∞ ( ) + ∫ ( ) = ∫−∞ ( ) = 1
Logo:
( ) + (− ) = 1 → (− ) = 1 − ( )
13
09/09/2015
Função de densidade e função de distribuição normal

Na função de densidade normal a variável independente é substituída por:
− 1
e a função é multiplicada por :
1 −
( )= .
Em que:
− é
− ã
1
A multiplicação por visa fazer com que a integral dessa função de −∞ a ∞ seja 1,
ou seja:
− 2
1 − 1 1 − 2
( ) = ∫−∞ . = ∫−∞ . dx
√2
−
Fazendo = , vem: =
1 1 − 2 ⁄2 1 − 2 ⁄2
∴ ( ) = ∫−∞ . = ∫−∞
√2 √2
1 − 2 ⁄2
∴ ( )= ∫−∞
√2
1 ∞ − 2 ⁄2
∴ (∞) = ∫−∞ =1
√2
Observação: Para indicar que uma variável que uma VR x tem uma densidade normal
usaremos a notação ( ; ).
Exemplo: Uma RV x é N(1000;50). Encontre a probabilidade de x encontrar-se entre

900 e 1050.
Solução:
(900 ≤ ≤ 1050) = (1050) − (900) = (1) − (−2)
Usando o fato de (− ) = 1 − ( ) resulta:
(900 ≤ ≤ 1050) = (1) + (2)-1
1 1
Da tabela 1 tem-se que: (1) = 0,341 + 2 (2) = 0,477 + . Disso resulta:
2
(900 ≤ ≤ 1050) = 0,341 + 0,477 + 1 − 1 = 0,819
2. Função de Densidade de Probabilidade Uniforme

Uma VR é dita uniforme no intervalo entre x1 e x2 se a função densidade de
probabilidade é constante nesse intervalo e zero fora do mesmo, de acordo com a
seguinte expressão:
1
, 1 ≤ ≤ 2
( )= 2− 1
0, á
A função de distribuição F(x) correspondente é uma rampa. Na figura a seguir

mostramos f(x) e F(x) para uma densidade de probabilidade uniforme.
14
09/09/2015
1
x1  x 2
x1 x2
Exercício 4: Um resistor r é uma VR entre 900 e 1100 Ω. Determinar a probabilidade de
que r esteja entre 950 e 1050. Assuma uma densidade uniforme no intervalo entre 900 e
1100.
Observação: Existem outras funções de densidade como: Binomial, Poisson, Gamma e

Earling, etc.
Distribuição de Probabilidade Condicional para Variáveis

randômicas
Definição: A função de distribuição condicional de uma variável randômica x é a
função:
( ≤ , )
( / )= ( ≤ | )=
( )
Na equação anterior o evento { ≤ , } é a intersecção dos eventos { ≤ } ,

isto é, todos os eventos consistindo de todos os eventos para os quais x( ) ≤ e
∈ .
Propriedades da Distribuição de Probabilidade Condicional

1. (∞| ) = 1
2. (−∞| ) = 0
( ≤ ≤ 2, )
3. ( 1 ≤ ≤ 2 | ) = ( 2 | ) − ( 1 | ) = 1 ( )
Densidade de probabilidade condicional
Definição: A função densidade de probabilidade condicional é definida como:

( | ) ( ≤ ≤ +∆ | )
( | )= = lim
∆ →0 ∆
( | ) é não negativa e sua área é igual a 1.
Exemplo: Determinar a distribuição de probabilidade condicional ( / ) de uma VR

( ) = 10 do experimento do lançamento de dado, em que M={ 2 , 4 , 6 } é o evento
par.
15
09/09/2015
Solução:
Se ≥ 60 temos que ( ≤ 60, ) = { 2, 4, 6} =1e ( )=1
Disso vem:
( / )=1
2
Se 40 ≤ < 60 temo que ( < , )={f2,f4}=3 ( )=1
Disso vem:
2/3
( / ) = 1 = 2/3
1
Se 20 ≤ < 40 temo que ( < , )={f2}=3 ( )=1
Disso vem:
1/3
( / ) = 1 = 1/3
Se < 20 temo que ( < , )={∅}=0 ( )=1

Disso vem:
0
( / )= 1=0
Teorema da Probabilidade Total para VR

Da expressão deduzida anteriormente para a probabilidade total tem-se:
( ) = ( ⁄ 1 ). ( 1 ) + ⋯ + ( ⁄ ). ( )
Fazendo = { ≤ } na expressão anterior resulta:
{ ≤ } = ( ≤ ⁄ 1 ). ( 1) + ⋯+ ( ≤ ⁄ ). ( )
Como ( ≤ ⁄ 1 ). ( 1) = ( ⁄ 1) ( 1) e { ≤ } = F(x) a expressão

anterior resulta:
16
09/09/2015
( ) = ( ⁄ 1 ). ( 1) + ⋯+ ( ⁄ ). ( )
Derivando em relação a x resulta:
( ) = ( ⁄ 1 ). ( 1) +⋯+ ( ⁄ ). ( )
Teorema da Bayes para VR

O teorema de Bayes para eventos afirma que:
( | ) ( )
( | )=
( )
Fazendo ={ 1 ≤ ≤ 2} na primeira expressão resulta:
( 1 ≤ ≤ 2 | ) ( ) ( 2 ⁄ )− ( 1 ⁄ )
( | 1 ≤ ≤ 2) = = ( )− ( ) . ( )
( 1 ≤ ≤ 2) 2 1
Fazendo 1 = 2 = + ∆ na expressão anterior temos:
( ⁄ )− ( +∆ ⁄ )
( | ≤ ≤ +∆ ) = . P(A)
( +∆ )− ( )
Dividindo ambos os temos do lado direito por ∆ e aplicando o limite resulta:
( ⁄ )− ( +∆ ⁄ )
∆
lim∆ →0 ( | ≤ ≤ + ∆ ) = lim∆ →0 ( +∆ )− ( ) . ( )
∆
( ⁄ )
( | )= ( )
. ( )
17

Revisao de Probabilidade

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Revisao de Probabilidade

Caricato da

Copyright:

Formati disponibili

09/09/2015

Prof. Cícero F F CostaFilho

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

Objetivo da Revisão: Chegar à demonstração do teorema de Bayes para eventos e para

Define-se o conjunto L, denominado de espaço de um experimento, como o conjunto

Exemplo: no experimento de um lançamento de dados, os possíveis resultados são:

Assim, o conjunto L para esse experimento é:

O número de subconjuntos que podem ser formados a partir de um conjunto L com n

Em probabilidade o conjunto L é denominado de evento certo e seus elementos de

Calculando Probabilidades de eventos

Para o lançamento de dados teríamos:

Para o lançamento de dados teríamos:

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

Exercício 1: Joga-se dois dados e deseja-se saber a probabilidade P da somados

Teoria de Conjuntos x Probabilidade

Teoria de Conjuntos Probabilidade Probabilidade

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

Assim como os conjuntos a probabilidade de ocorrência dos eventos pode ser

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

Exemplo: No experimento do lançamento de dados a probabilidade dos eventos

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

Propriedades (Deduzidas a partir dos axiomas):

Substituindo ̅ encontrado em (2) em (1) resulta:

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

Exercício 2: No experimento de lançamento de dados, determinar a probabilidade

Exercício 4: Uma caixa contém três bolas 1, 2 3 e duas bolas vermelhas

Teorema da Probabilidade Total para eventos

Exemplo: Considerando o conjunto L como formado pelos possíveis resultados do

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

Proposição: Seja = { 1 , 2 , … } uma partição de L e B um evento arbitrário.

Teorema de Bayes para eventos

Exemplo: Num experimento existem 4 caixas. A caixa 1 contém 2000 componentes,

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

Os valores de P(B/Ai) são dados por:

b) Pelo teorema de Bayes temos que:

Variáveis Randômicas (VR)

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

Exemplo: No experimento do dado pode-se atribuir para cada resultado fi os números

Eventos Gerados pelas Variáveis Randômicas

No estudo das variáveis randômicas os seguintes tipos de questões aparecem:

1) Qual a probabilidade de uma VR x ser menor do que um valor x?

2) Qual a probabilidade de uma VR x sem maior ou igual que um valor x1 e menor ou

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

Exemplo: No experimento do dado, com uma RV x(fi)=10i ser:

Função de Distribuição de Probabilidade

Exemplo: No experimento do dado, a VR é tal que ( ) = 10 . Se o dado não é

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

Essa distribuição é traçada no gráfico abaixo:

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

Exercício: Uma chamada telefônica ocorre randomicamente no intervalo entre (0,1).

Propriedades da Função de Distribuição de Probabilidade

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

Função de Densidade de Probabilidade

Exemplo: Encontre a função f(x) da distribuição de probabilidade do exemplo anterior.

Propriedades da função densidade de probabilidade:

1. Como F(x) é monotônica segue-se que f(x)≥ 0

Funções de Densidade de Probabilidade Especiais:

Curva Normal ou Gaussiana

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

Relação entre ( ) e erf( )

A tabela a seguir mostra valores de erf( ):