You are on page 1of 6

MAE0211 - Probabilidade I

Fernando Henrique Ferraz Pereira da Rosa


12 de março de 2003

Lista 31

4. Para condenar um acusado são necessários ao menos 9 votos de um júri


composto por 12 jurados. Suponha que a probabilidade de que um ju-
rado vote que um culpado seja inocente é 0.2 e a probabilidade de que
um jurado vote que um inocente seja culpado é 0.1. Se cada jurado age
independentemente e se 65% dos acusados são culpados, encontre a pro-
babilidade de que o júri tome a decisão correta. Que porcentagem de
culpados são condenados?
Sejam os eventos:
C : o acusado é condenado.
A : o acusado é inocentado.
I : o acusado é inocente.
P : o acusado é culpado.
K : o júri toma a decisão correta.
Podemos utilizar a regra da probablidade total, condicionando K pelos
eventos I e P .

P (K) = P (K|I)P (I) + P (K|P )P (P )

Do enunciado sabemos que P (I) = 0.35 e P (P ) = 0.65. Basta calcularmos


as duas probabilidades condicionais. Sejam as variáveis aleatórias:
X : jurados que votam que o acusado é culpado quando ele é culpado.
Y : jurados que votam que o acusado é inocente quando ele é inocente.
Do enunciado temos que X ∼ Bin(12, 0.8) e Y ∼ Bin(12, 0.9). Como
sabemos que ao menos 9 votos do júri são necessários para condenar um
acusado, temos que:

12
X
P (K|P ) = P (X ≥ 9) = P (X = i) = 0.79
i=9

Ainda interpretando o enunciado, temos que se ao menos 9 votos são


necessários para condenar um acusado, então ao menos 4 votos são ne-
cessários para inocentar um acusado. Daı́ temos:
1 Powered by LATEX 2ε , R and Slackware 8.1 - because it works

1
12
X
P (K|I) = P (Y ≥ 4) = P (Y = i) = 0.99
i=4

Voltando tudo na equação inicial:

P (K) = 0.99 · 0.35 + 0.79 · 0.65 = 0.86.

Logo a probabilidade do júri tomar a decisão correta é de 0.86.


Para o segundo item vamos novamente utilizar a regra da probabilidade
total, condicionando C pelos dois eventos I e P .

P (C) = P (C|I)P (I) + P (C|P )P (P )

Do enunciado temos P (I) e P (P ). Do item anterior já temos P (C|P ) (isso


nada mais é do que P (K|P ) = 0.79). Basta calcularmos P (C|I). Seja a
variável aleatória:
W : número de jurados que condenam um inocente
Onde W ∼ Bin(12, 0.1). Sabemos que para ser condenado precisamos de
ao menos 9 votos, então:

12
X
P (C|I) = P (W ≥ 9) = P (W = i) = 1.65 · 10−7
i=9

Temos então que:

P (C) = 1.65 · 10−7 · 0.35 + 0.79 · 0.65 = 0.51.

Logo 51% dos acusados são condenados.


6. O número de vezes que um indivı́duo tem gripe em determinado ano é
uma variável aleatória de Poisson com λ = 5. Suponha que um novo
medicamento reduz o parâmetro λ = 3 para 75% da população. Para os
25% restantes a droga não tem um efeito apreciável. Se um indivı́duo toma
o medicamento durante um e ano e tem duas gripes, qual a probabilidade
de que o medicamento é benéfico para ele (ela)?
Sejam os eventos:
G2 : o indivı́duo tem duas gripes no ano.
M : o medicamento é benéfico para ele.
Mc : o medicamento não é benéfico para ele.
E sejam as variáveis aleatórias:

N ∼ P oi(5)
T ∼ P oi(3)

Queremos saber P (M |G2 ), abrindo isso:

2
P (M ∩ G2 ) P (G2 |M )P (M )
P (M |G2 ) = =
P (G2 ) P (G2 )

Do enunciado temos P (M ) = 0.75 e P (G2 |M ) = P (T = 2). Resta-


nos encontrar P (G2 ). Para isto, usemos a regra de probabilidade total,
condicionando G2 pelos eventos M e M c :

P (G2 ) = P (G2 |M )P (M ) + P (G2 |M c )P (M c )

Substituindo com os valores que temos do enunciado:

e−3 32 e−5 52
P (T = 2) · 0.75 + P (N = 2) · 0.25 = · 0.75 + · 0.25 = 0.18908.
2! 2!

Voltando esse valor na primeira igualdade:

e−3 32
2! · 0.75
P (M |G2 ) = = 0.8886.
0.18908

A probabilidade do medicamento ser benéfico para ele é portanto 0.8886.


1−p
8. Uma famı́lia tem n crianças com probabilidade αpn , n ≥ 1, onde α ≤ p .

a. Qual a proporção de famı́lias que não tem criança?


Definimos a varı́avel aleatória N :
N : número de crianças na famı́lia.
Onde P (N = n) = αpn (com n ≥ 1). O que queremos calcular é:

X ∞
X
P (N = 0) = 1 − P (N = i) = 1 − αpn
i=1 n=0

Notemos que se −1 < p < 1 temos uma PG infinita, cuja soma é


p
dada por 1−p . Logo a proporção pedida é de:

p
1−
1−p

b. Se, independente de cada outra, cada criança tem mesma chance


de ser menino ou menina, qual a proporção de famı́lias contendo k
meninos?
Em primeiro lugar definimos o evento:
A : a famı́lia tem k meninos.
Notemos que um jeito de levar a informação que temos sobre N
para condicionar A é fazer uma partição do espaço amostral entre os
possı́veis valores de N . Temos portanto:

P (A) = P (A ∩ Ω) = P (A ∩ N ∈ {0, 1, 2, ...})

3
Abrindo isso por Bayes:

X ∞
X
P (A) = P (A|N = n)P (N = n) = P (A|N = n)P (N = n)
n=0 n=k

A última passagem se justifica pois a probabilidade condicional de


A dado N = n, com n < k é sempre 0, já que é impossı́vel ter k
meninos se a famı́lia só tem n (n < k) filhos.
Sabemos que P (N = n) = αpn . Resta-nos então achar P (A|N = n).
Basta expandirmos P (X = k) para X uma binomial com parâmetros
p = 21 e n, temos então:

∞  
X
n n 1
P (A) = αp .
k 2k
n=k

9. Suponha que o número de eventos que ocorrem em determinado intervalo


de tempo [0, t] é uma variável aleatória de Poisson com parâmetro λt. Se
cada evento é contado com probabilidade p, independentemente de todo
outro evento, mostre que o número de eventos que são contados em [0, t]
é uma varı́avel aleatória de Poisson com parâmetro λpt.
Sejam as varı́aveis aleatórias:
N : número de eventos em [0, t]
M : número de eventos contados.
Sabemos do enunciado que:

e−λt (λt)k
P (N = k) =
k!

Queremos achar uma expressão para P (M = k), que esperamos, seja uma
Poisson com parâmetro λpt. A única informação que temos para trabalhar
é a função de distribuição de probabilidade de N . Devemos usar isso
então para achar uma expressão para M . A única saı́da é usar a regra da
probabilidade total, notando que se variarmos N em todos os valores que
ela pode assumir, teremos todo o espaço amostral. Dessa forma:


X
P (M = k) = P (M = k, N = j)
j=0

Usando a regra da probabilidade total:


X
P (M = k) = P (M = k|N = j)P (N = j)
j=0

P (N = j) já temos do enunciado. Resta acharmos P (M = k|N = j).


Essa probabilidade condicional é dada por uma binomial com parâmetros
n = j e p. Temos então:

4
∞  
X j e−λt (λt)j
P (M = k) = pk (1 − p)j−k
j=0
k j!

A probabilidade condicional acima entretanto é 0 se k < j, portanto po-


demos fazer a somatória ir de k até infinito:

∞  
X j e−λt (λt)j
P (M = k) = pk (1 − p)j−k
k j!
j=k

X j! pk (1 − p)j−k e−λt (λt)j
= ·
j=0
k!(j − k)! j!

eλt (λtp)k X ((1 − p)λt)j−k
=
k! (j − k)!
j=k
λt k X∞
e (λtp) ((1 − p)λt)i
=
k! i=0
i!
λt k
e (λtp) (1−p)λt e−λtp (λtp)k
= e =
k! k!

O que mostra que M segue uma distribuição de Poisson com parâmetro


λpt.
10. Prove que:
n−1
e−λt (λt)i ∞
λn xn−1 e−λx
X Z
= dx
i=0
i! t (n − 1)!

Suponhamos λ > 0, tentemos expandir a parte direita da equação:


Z ∞ n n−1 −λx
λn
Z ∞
λ x e
dx = xn−1 e−λx dx
t (n − 1)! (n − 1)! t

Em primeiro lugar achemos essa primitiva, utilizando a regra do produto:


Z Z Z
xn−1 e−λx dx = udv = uv − vdu

Onde:
u = xn−1 du = (n − 1)xn−2 dx
v = −e λ
−λx
dv = e−λx dx
Segue:

−xn−1 e−λx (n + 1)
Z Z
xn−1 e−λx dx = + e−λx xn−2 dx.
λ λ
Vamos achar agora uma expressão para a integral imprópria, levando em
conta que:
−xn−1 e−λx 1 xn−1
lim = − lim −λx
x→∞ λ λ x→∞ e

5
Aplicando L’Hospital várias vezes, confirmamos o fato de que a função
exponencial cresce muito mais rapidamente que qualquer polinômio, o
que nos garante que o limite acima é 0. Voltando isso na integral inicial:

tn−1 e−λt
Z ∞
(n − 1) ∞ −λx n−2
Z
xn−1 e−λx dx = + e x dx
t λ λ t

Notemos agora que podemos desenvolver de forma análoga a integral


imprópria que resta, utilizando da indução finita. Temos:

tn−2 e−λt (n − 2) ∞ −λx n−3


Z ∞ Z
−λx n−2
e x dx = + e x dx
t λ λ t
tn−3 e−λt (n − 3) ∞ −λx n−4
Z ∞ Z
e−λx xn−3 dx = + e x dx
t λ λ t

Até que, na n − 1-ésima vez que aplicarmos isso, teremos:


Z ∞
e−λt
e−λx x0 dx =
t λ

Utilizando essas conclusões, e aplicando a distributiva recursivamente te-


mos:
tn−1 e−λt (n − 1)tn−2 e−λt (n − 1)!e−λt
Z ∞
xn−1 e−λx dx = + + ... +
t λ λ2 λn
n
λ
Multiplicando isso por (n−1)! que colocamos para fora no começo da de-
monstração temos:

e−λt (λt)0
Z ∞ n n−1 −λx
λ x e e−λt (λt)n−1 e−λt (λt)n−2
dx = + +···+
t (n − 1)! (n − 1)! (n − 2)! (0)!
n−1
X e−λt (λt)i
= .
i=0
i!

Concluindo a demonstração.

You might also like