🔍 Aula 03: Probabilidade Condicional, Independência Estatística, Teorema da Probabilidade Total e Teorema de Bayes

MOC da Disciplina • MOC da Área 01 ← Aula Anterior: Teoria Geral de Probabilidades • Próxima Aula: Variáveis Aleatórias Unidimensionais →

---

Integração Curricular & Contexto

• Disciplina: Probabilidade e Estatística
• Área: 01 Matemática e Estatística
• Material Oficial Base: Probabilidade condicional e independência
• Objetivo: Compreender como a introdução de informação parcial altera o espaço amostral e redefine a distribuição de incerteza em sistemas físicos e operacionais. Dominar a definição axiomática de probabilidade condicional $P(A|B)$ e a regra da multiplicação sequencial. Caracterizar a independência estatística de eventos e suas implicações em sistemas redundantes. Formular a partição do espaço amostral, deduzir o Teorema da Probabilidade Total e aplicar o Teorema de Thomas Bayes para atualização de crenças a priori em distribuições a posteriori, modelando sistemas de detecção e localização de faltas elétricas e canais de comunicação com ruído.

---

📌 Sumário da Aula

1. 1. Conceito Fundamental de Probabilidade Condicional
   • 1.1 Redução do Espaço Amostral
   • 1.2 Definição Formal
   • 1.3 Regra do Produto (Multiplicação)
2. 2. Independência Estatística de Eventos
   • 2.1 Definição Matemática
   • 2.2 Diferença Conceitual: Independência versus Mutuamente Exclusivos
3. 3. Partição do Espaço Amostral e Teorema da Probabilidade Total
   • 3.1 Definição de Partição
   • 3.2 Teorema da Probabilidade Total
4. 4. O Teorema de Bayes e a Inferência Inversa
   • 4.1 Dedução da Fórmula de Bayes
5. 5. Aplicações em Engenharia Elétrica
   • 5.1 Diagnóstico de Falha em Relé de Proteção Digital
   • 5.2 Canal Binário Simétrico (BSC)
6. 6. 💻 Laboratório Computacional em Python (Inferência Bayesiana)
7. 7. 📚 Questões de Fixação Resolvidas e Exercícios Práticos (Auditadas)
   • Questão 01 (Oficial - Material Base / ANPEC: Conceitos de Probabilidade Condicional)
   • Questão 02 (Oficial - Material Base: Lançamento de Dados com Condicional)
   • Questão 03 (Oficial - Material Base / ANPEC: Extração Sequencial sem Reposição)
   • Questão 04 (Oficial - Material Base: Teste Diagnóstico e Teorema de Bayes)
8. 8. Considerações Finais e Próximos Passos

---

1. Conceito Fundamental de Probabilidade Condicional

1.1 Redução do Espaço Amostral

Quando dispomos da informação prévia de que determinado evento $B$ ocorreu (com $P(B)>0$), o espaço amostral original $\Omega$ é imediatamente reduzido para o subconjunto $B$. A nova probabilidade de que $A$ ocorra restringe-se aos pontos que pertencem simultaneamente a $A$ e $B$.

Figura 1: Probabilidade Condicional, Independência, Partição do Espaço Amostral e Teorema de Bayes.

1.2 Definição Formal

Dados dois eventos $A$ e $B$ com $P(B)>0$: $P(A|B)=\frac{P(A\cap B)}{P(B)}$

Validade dos Axiomas

A probabilidade condicional $P(\cdot |B)$ é uma medida de probabilidade legítima e satisfaz todos os axiomas de Kolmogorov:

1. $0\le P(A|B)\le 1$
2. $P(B|B)=\frac{P(B\cap B)}{P(B)}=1$
3. Se $A_1,A_2,\dots$ forem disjuntos: $P\left({\bigcup }_{i=1}^{\infty }{A}_i|B\right)={\sum }_{i=1}^{\infty }P(A_i|B)$.

1.3 Regra do Produto (Multiplicação)

Isolando a interseção: $P(A\cap B)=P(B)\cdot P(A|B)=P(A)\cdot P(B|A)$ Para $n$ eventos arbitrários $A_1,A_2,\dots ,A_n$ com interseção não nula: $P(A_1\cap A_2\cdots \cap A_n)=P(A_1)\cdot P(A_2|A_1)\cdot P(A_3|A_1\cap A_2)\dots P(A_n|A_1\cap \cdots \cap A_{n-1})$

---

2. Independência Estatística de Eventos

2.1 Definição Matemática

Dois eventos $A$ e $B$ são estatisticamente independentes se, e somente se, o conhecimento prévio de que $B$ ocorreu não altera a probabilidade da ocorrência de $A$: $P(A|B)=P(A)(\text{com }P(B)>0)$ Substituindo na fórmula da probabilidade condicional: $P(A\cap B)=P(A)\cdot P(B)$

2.2 Diferença Conceitual: Independência versus Mutuamente Exclusivos

Um erro frequente consiste em confundir eventos disjuntos com eventos independentes:

• Mutuamente Exclusivos: $A\cap B=\varnothing ⟹P(A\cap B)=0$. Se $P(A)>0$ e $P(B)>0$, eles nunca podem ser independentes, pois a ocorrência de um proíbe categoricamente a ocorrência do outro ($P(A|B)=0\ne P(A)$).
• Independentes: $P(A\cap B)=P(A)\cdot P(B)>0$. Para que ocorram de forma descorrelacionada, a interseção deve ser obrigatoriamente não vazia.

---

3. Partição do Espaço Amostral e Teorema da Probabilidade Total

3.1 Definição de Partição

Uma coleção de eventos $\{A_1,A_2,\dots ,A_n\}$ constitui uma partição do espaço amostral $\Omega$ se:

1. $A_i\cap A_j=\varnothing ,\forall i\ne j$ (mutuamente exclusivos);
2. ${\bigcup }_{i=1}^n{A}_i=\Omega$ (coletivamente exaustivos);
3. $P(A_i)>0,\forall i$.

Em termos conjuntistas, a partição decompõe o espaço amostral em blocos disjuntos que cobrem integralmente $\Omega$. Qualquer evento $B$ pode então ser fragmentado na união disjunta de suas fatias em cada bloco da partição: $B={\bigcup }_{i=1}^n(B\cap A_i)$, com $(B\cap A_i)\cap (B\cap A_j)=\varnothing$ para $i\ne j$.

3.2 Teorema da Probabilidade Total

Seja $\{A_1,A_2,\dots ,A_n\}$ uma partição de $\Omega$. Para qualquer evento arbitrário $B\subseteq \Omega$: $B=B\cap \Omega =B\cap \left({\bigcup }_{i=1}^n{A}_i\right)={\bigcup }_{i=1}^n(B\cap A_i)$ Como os conjuntos $(B\cap A_i)$ são disjuntos, pelo 3º axioma e pela regra do produto: $P(B)={\sum }_{i=1}^{n}P(B\cap A_i)={\sum }_{i=1}^{n}P(A_i)\cdot P(B|A_i)$

---

4. O Teorema de Bayes e a Inferência Inversa

O Teorema de Bayes permite inverter a relação de causalidade condicional: dado que observamos o sintoma ou efeito $B$, qual é a probabilidade de que ele tenha sido originado pela causa $A_k$?

4.1 Dedução da Fórmula de Bayes

Pela definição de probabilidade condicional: $P(A_k|B)=\frac{P(A_k\cap B)}{P(B)}$ Aplicando a regra da multiplicação no numerador e o Teorema da Probabilidade Total no denominador: $P(A_k|B)=\frac{P(A_k)\cdot P(B|A_k)}{{\sum }_{i=1}^{n}P(A_i)\cdot P(B|A_i)}$

• $P(A_k)$: Probabilidade a Priori (conhecimento prévio sobre a incidência da causa);
• $P(B|A_k)$: Verossimilhança (Likelihood, probabilidade do sinal dado o defeito);
• $P(A_k|B)$: Probabilidade a Posteriori (probabilidade atualizada à luz da evidência empírica).

---

5. Aplicações em Engenharia Elétrica

5.1 Diagnóstico de Falha em Relé de Proteção Digital

Um relé de distância digital monitora uma linha de transmissão aérea de $230\text{ kV}$:

• A linha opera em regime permanente normal ($H_0$) $98\%$ do tempo e entra em falta ($H_1$) $2\%$ do tempo ($P(H_1)=0,02$).
• Se houver falta ($H_1$), o algoritmo de detecção dispara com sensibilidade de $99\%$ ($P(Disparo|H_1)=0,99$).
• Devido a ruídos de chaveamento e transitórios, há uma taxa de falso alarme de $1\%$ ($P(Disparo|H_0)=0,01$). Se o relé emite um sinal de disparo de abertura do disjuntor, qual é a probabilidade real de que a linha esteja efetivamente sob curto-circuito? $P(H_1|Disparo)=\frac{P(H_1)P(Disparo|H_1)}{P(H_1)P(Disparo|H_1)+P(H_0)P(Disparo|H_0)}=\frac{0,02\times 0,99}{(0,02\times 0,99)+(0,98\times 0,01)}=\frac{0,0198}{0,0198+0,0098}=\frac{0,0198}{0,0296}\approx 66,89\%$

5.2 Canal Binário Simétrico (BSC)

Em telecomunicações, um transmissor envia símbolos binários $\{0,1\}$ com probabilidades $P(X=0)=0,6$ e $P(X=1)=0,4$. O canal introduz ruído com probabilidade de inversão de bit $ϵ=0,05$: $P(Y=1|X=0)=0,05,P(Y=1|X=1)=0,95$ Recebido o símbolo $Y=1$ no receptor, a probabilidade a posteriori de que o transmissor tenha enviado $X=1$ é: $P(X=1|Y=1)=\frac{0,4\times 0,95}{(0,4\times 0,95)+(0,6\times 0,05)}=\frac{0,38}{0,38+0,03}=\frac{0,38}{0,41}\approx 92,68\%$

---

6. 💻 Laboratório Computacional em Python (Inferência Bayesiana)

Parâmetros de Projeto e Considerações Analíticas:

• Probabilidade conjunta P(A_i e B)
• Teorema da Probabilidade Total: P(B)
• P(A_i | B)
• Caso dos Relés de Proteção

---

7. 📚 Questões de Fixação Resolvidas e Exercícios Práticos (Auditadas)

Questão 01 (Oficial - Material Base / ANPEC: Conceitos de Probabilidade Condicional)

Considere as proposições a respeito de eventos $A$ e $B$ em um espaço amostral $\Omega$ com $P(B)>0$ e assinale a alternativa incorreta:

• A) Se $A$ e $B$ são eventos independentes com probabilidades não nulas, então $P(A|B)=P(A)$.
• B) A probabilidade condicional satisfaz os axiomas de Kolmogorov, de modo que $P(A^c|B)=1-P(A|B)$.
• C) Se $A$ e $B$ são mutuamente exclusivos com probabilidades estritamente positivas, então $A$ e $B$ são eventos independentes.
• D) Se $A\subseteq B$, então $P(A|B)=\frac{P(A)}{P(B)}$.
• E) A lei da multiplicação estabelece que $P(A\cap B)=P(B)\cdot P(A|B)$.

Gabarito Comentado e Dedução Passo a Passo

Alternativa Incorreta: C

Dedução Analítica:

1. Analisando a proposição C: Se $A$ e $B$ são mutuamente exclusivos, temos por definição que sua interseção é vazia ($A\cap B=\varnothing$), logo $P(A\cap B)=0$.
2. Se fossem independentes, deveríamos ter $P(A\cap B)=P(A)\cdot P(B)$.
3. Como o enunciado declara que $P(A)>0$ e $P(B)>0$, o produto $P(A)\cdot P(B)>0$.
4. Portanto: $P(A\cap B)=0\ne P(A)\cdot P(B)>0$
5. Logo, eventos disjuntos com probabilidades positivas são sempre dependentes. A assertiva C é formalmente falsa (sendo o gabarito procurado).

---

Questão 02 (Oficial - Material Base: Lançamento de Dados com Condicional)

Considere o lançamento simultâneo de dois dados perfeitos e não viciados de seis faces. Sejam os eventos:

• $A$: A soma das faces superiores é igual a $6$;
• $B$: Ambas as faces apresentam números pares. Qual é a probabilidade condicional de a soma ser igual a $6$, dado que ambos os números obtidos são pares ($P(A|B)$)?
• A) $1/36$
• B) $1/18$
• C) $2/9$
• D) $5/36$
• E) $1/4$

Gabarito Comentado e Dedução Passo a Passo

Alternativa Correta: C ($2/9$)

Dedução Analítica:

1. Espaço amostral total: $|\Omega |=6\times 6=36$ pares ordenados $(d_1,d_2)$.
2. Determinamos o evento condicionante $B$ (ambas as faces pares: $\{2,4,6\}\times \{2,4,6\}$): $B=\{(2,2),(2,4),(2,6),(4,2),(4,4),(4,6),(6,2),(6,4),(6,6)\}$ Portanto, $|B|=3\times 3=9$ elementos $⟹P(B)=\frac{9}{36}$.
3. Determinamos os elementos do evento $A$ (soma igual a 6) que pertencem a $B$ ($A\cap B$):
   • Soma 6 com ambas as faces pares: $(2,4)$ e $(4,2)$ ($2+4=6$ e $4+2=6$).
   • O par $(3,3)$ tem soma 6, mas não é formado por pares; $(1,5)$ e $(5,1)$ também não. Logo: $A\cap B=\{(2,4),(4,2)\}⟹|A\cap B|=2⟹P(A\cap B)=\frac{2}{36}$.
4. Calculando a probabilidade condicional: $P(A|B)=\frac{P(A\cap B)}{P(B)}=\frac{2/36}{9/36}=\frac{2}{9}$

---

Questão 03 (Oficial - Material Base / ANPEC: Extração Sequencial sem Reposição)

Cinco parafusos defeituosos foram misturados inadvertidamente com sete outros parafusos perfeitos numa bancada de oficina (totalizando $12$ parafusos). Um técnico retira da caixa, aleatoriamente e sucessivamente, sem reposição, quatro parafusos. Qual é a probabilidade exata de que os quatro parafusos escolhidos sejam todos defeituosos?

• A) $1/99$
• B) $5/495$
• C) $1/99$
• D) $5/396$
• E) $1/120$

Gabarito Comentado e Dedução Passo a Passo

Alternativa Correta: A / C ($1/99$)

Dedução Analítica:

1. Aplicando a regra da probabilidade condicional para retiradas sucessivas sem reposição:
   • $1ª$ retirada: $5$ defeituosos em $12⟹P(D_1)=\frac{5}{12}$.
   • $2ª$ retirada: restam $4$ defeituosos em $11⟹P(D_2|D_1)=\frac{4}{11}$.
   • $3ª$ retirada: restam $3$ defeituosos em $10⟹P(D_3|D_1\cap D_2)=\frac{3}{10}$.
   • $4ª$ retirada: restam $2$ defeituosos em $9⟹P(D_4|D_1\cap D_2\cap D_3)=\frac{2}{9}$.
2. Pela regra da multiplicação: $P(D_1\cap D_2\cap D_3\cap D_4)=\frac{5}{12}\times \frac{4}{11}\times \frac{3}{10}\times \frac{2}{9}$
3. Simplificando os fatores: $\frac{5\times 4\times 3\times 2}{12\times 11\times 10\times 9}=\frac{120}{11880}=\frac{1}{99}$

---

Questão 04 (Oficial - Material Base: Teste Diagnóstico e Teorema de Bayes)

Um teste de bancada para placas de circuito impresso detecta um defeito de solda em $95\%$ dos circuitos que efetivamente possuem o defeito (sensibilidade de $0,95$). No entanto, o equipamento acusa falsamente o defeito em $1\%$ dos circuitos que estão em perfeito estado (falso positivo de $0,01$). Sabendo que na linha de produção apenas $0,5\%$ ($0,005$) dos circuitos apresentam defeito de solda, determine a probabilidade de uma placa sorteada ter de fato o defeito, dado que o teste indicou a presença dele ($P(Defeito|+)$):

• A) $0,323$
• B) $0,500$
• C) $0,950$
• D) $0,050$
• E) $0,232$

Gabarito Comentado e Dedução Passo a Passo

Alternativa Correta: A ($\approx 0,323$)

Dedução Analítica:

1. Identificamos as probabilidades a priori e condicionais:
   • $P(D)=0,005⟹P(\bar{D})=0,995$.
   • $P(+|D)=0,95$.
   • $P(+|\bar{D})=0,01$.
2. Pelo Teorema da Probabilidade Total, calculamos a probabilidade de um teste acusar positivo $P(+)$: $P(+)=P(D)\cdot P(+|D)+P(\bar{D})\cdot P(+|\bar{D})$ $P(+)=(0,005\times 0,95)+(0,995\times 0,01)=0,00475+0,00995=0,0147$
3. Aplicamos o Teorema de Bayes para encontrar a probabilidade a posteriori: $P(D|+)=\frac{P(D)\cdot P(+|D)}{P(+)}=\frac{0,00475}{0,0147}\approx 0,3231(32,31\%)$
4. Conclusão: Embora o teste tenha sensibilidade alta ($95\%$), a baixa prevalência do defeito ($0,5\%$) faz com que a maioria dos testes positivos advenha do contingente maciço de peças saudáveis ($99,5\%\times 1\%$).

---

8. Considerações Finais e Próximos Passos

A probabilidade condicional e o Teorema de Bayes constituem a espinha dorsal de algoritmos preditivos, classificação estatística de distúrbios de rede e confiabilidade de sistemas elétricos complexos. Na próxima aula avançaremos para o estudo de Variáveis Aleatórias Unidimensionais, definindo funções de probabilidade ($pmf$), funções densidade de probabilidade ($pdf$), a função de distribuição acumulada ($CDF$) e seus operadores fundamentais: Esperança Matemática e Variância.