Usuário(a):MGromov/Testes48

Página inicial: Testes

Edições completas: Mecânica estatística  • Modelo Hodgkin-Huxley  • Neurociência computacional  • Modelo probabilístico para redes neurais  • Teoria de campo médio  • Modelo FitzHugh–Nagumo  • Processo Lévy  • Cadeias de Markov  • Processo de Poisson  • Galves–Löcherbach model  • Stochastic chains with memory of variable length  • Lesão do plexo braquial  • Somatotopia  • Função densidade  • Modelos de grafos aleatórios exponenciais • Processo de Gram-Schmidt  • Equação de Chapman–Kolmogorov  • Predefinição:Processos estocásticos  • Algoritmo de autovalores  • Transição de fase  • Hipótese do cérebro crítico  • Critical brain hypothesis  • Passeio aleatório  • Plasticidade sináptica  • Potencial pós-sináptico excitatório  • Potencial pós-sináptico inibitório  • Modelo de Morris-Lecar  • Plexo braquial  • Processo gaussiano  • Campo aleatório de Markov  • Eletroencefalografia  • Modelo de Hindmarsh-Rose  • Sistemas de partícula em interação  • Medida de Gibbs  • Nervo escapular dorsal  • Nervo radial  • Nervo peitoral lateral  • Nervo musculocutâneo  • Medida de Dirac  • Nervo torácico longo  • Sigma-álgebra  • Nervo peitoral medial  • Nervo ulnar  • Potencial evocado  • Estimulação magnética transcraniana repetitiva  • Teorema de Donsker  • Desigualdade de Boole  • Codificação neural  • Aprendizado de máquina  • Independência condicional  • Inferência estatística  • Nervo subclávio  • Nervo supraescapular  • Nervo mediano  • Nervo axilar  • Movimento browniano geométrico  • Caminho autoevitante  • Tempo local  • Nervo subescapular superior  • Nervo toracodorsal  • Nervo subscapular inferior  • Caminho (teoria dos grafos)  • Campo aleatório  • Lei do logaritmo iterado

Edições em andamento: Nervo cutâneo medial do braço (N)  • Nervo cutâneo medial do antebraço (N)  • Cérebro estatístico (N)  • Statistician brain  • Distribuição de probabilidade condicional (N)  • Esperança condicional (N)  • Integral de Itō (N)  • Martingale  • Variação quadrática (N)  • Processo Ornstein–Uhlenbeck  • Ruído branco  • Teoria ergódica  • Avalanche neuronal (N)  • Teoria da percolação (N)  • Função totiente de Euler  • Ruído neuronal (N)  • Distribuição de Poisson  • Córtex cerebral  • Estímulo (fisiologia)

Referência: Boole's inequality

Teoria das probabilidades
Axiomas de probabilidade
Espaço de probabilidade Espaço amostral Evento primário Evento Variável aleatória Medida de probabilidade
Evento complementar Eventos mutuamente exclusivos Probabilidade conjunta Probabilidade marginal Probabilidade condicional
Independência Independência condicional Lei da probabilidade total Lei dos grandes números Teorema de Bayes Desigualdade de Boole
Diagrama de Venn Diagrama de árvore

Em teoria da probabilidade, a desigualdade de Boole diz que, para qualquer conjunto de eventos finito ou contável, a probabilidade de que pelo menos um dos eventos aconteça não é maior que a soma das probabilidades dos eventos individuais. A desigualdade de Boole é nomeada em homenagem a George Boole.

Formalmente, para um conjunto contável de eventos de A₁, A₂, A₃, ..., temos

${\mathbb {P} }{\biggl (}\bigcup _{i}A_{i}{\biggr )}\leq \sum _{i}{\mathbb {P} }(A_{i}).$

Em termos de teoria da medida, a desigualdade de Boole segue do fato de que uma medida (e, certamente, qualquer medida de probabilidade) é σ-sub-aditivo.

Prova

Prova usando indução

A desigualdade de Boole pode ser provada para conjuntos de eventos finitos, utilizando o método de indução.

Para o caso $n=1$, segue-se que

$\mathbb {P} (A_{1})\leq \mathbb {P} (A_{1})$.

Para o caso $n$, tem-se que

${\mathbb {P} }{\biggl (}\bigcup _{i=1}^{n}A_{i}{\biggr )}\leq \sum _{i=1}^{n}{\mathbb {P} }(A_{i})$.

Como $\mathbb {P} (A\cup B)=\mathbb {P} (A)+\mathbb {P} (B)-\mathbb {P} (A\cap B)$, e porque a operação de união é associativa, tem-se que

${\mathbb {P} }{\biggl (}\bigcup _{i=1}^{n+1}A_{i}{\biggr )}={\mathbb {P} }{\biggl (}\bigcup _{i=1}^{n}A_{i}{\biggr )}+\mathbb {P} (A_{n+1})-{\mathbb {P} }{\biggl (}\bigcup _{i=1}^{n}A_{i}\cap A_{n+1}{\biggr )}$.

Como

${\mathbb {P} }{\biggl (}\bigcup _{i=1}^{n}A_{i}\cap A_{n+1}{\biggr )}\geq 0$,

pelo primeiro axioma de probabilidade, tem-se que

${\mathbb {P} }{\biggl (}\bigcup _{i=1}^{n+1}A_{i}{\biggr )}\leq {\mathbb {P} }{\biggl (}\bigcup _{i=1}^{n}A_{i}{\biggr )}+\mathbb {P} (A_{n+1})$,

e, portanto,

${\mathbb {P} }{\biggl (}\bigcup _{i=1}^{n+1}A_{i}{\biggr )}\leq \sum _{i=1}^{n}{\mathbb {P} }(A_{i})+\mathbb {P} (A_{n+1})=\sum _{i=1}^{n+1}{\mathbb {P} }(A_{i})$.

Prova sem o uso de indução

Para quaisquer eventos $A_{1}...A_{i}$ em um espaço de probabilidade, tem-se que

$\mathbb {P} (\bigcup _{i}A_{i})\leq \sum _{i}\mathbb {P} (A_{i})$

Um dos axiomas de um espaço de probabilidade é que, se $B_{1}...B_{i}$ são subconjuntos disjuntos do espaço de probabilidade, então

$\mathbb {P} (\bigcup _{i}B_{i})=\sum _{i}\mathbb {P} (B_{i})$

o que é chamado de aditividade contável.

Se $B\subset A$ então $\mathbb {P} (B)\leq \mathbb {P} (A)$

De fato, a partir dos axiomas de uma distribuição de probabilidade,

$\mathbb {P} (A)=\mathbb {P} (B)+\mathbb {P} (A-B)$

Observando-se que ambos os termos à direita são não-negativos.

Então é preciso modificar os conjuntos de $A_{i}$ para que eles se torne disjuntos.

$B_{i}=A_{i}-\bigcup _{j=1}^{i-1}A_{j}$

Se $B_{i}\subset A_{i}$, então sabe-se que

$\bigcup _{i=1}^{\infty }B_{i}=\bigcup _{i=1}^{\infty }A_{i}$

Portanto, pode-se fazer a seguinte equação:

$\mathbb {P} (\bigcup _{i}A_{i})=\mathbb {P} (\bigcup _{i}B_{i})=\sum _{i}\mathbb {P} (B_{i})\leq \sum _{i}\mathbb {P} (A_{i})$

Desigualdades de Bonferroni

A desigualdade de Boole pode ser generalizada para encontrar limitantes superiores e inferiores sobre a probabilidade de uniões finitas de eventos. Estes limites são conhecidos como desigualdades de Bonferroni, em homenagem à Carlo Emilio Bonferroni.

Definindo

$S_{1}:=\sum _{i=1}^{n}{\mathbb {P} }(A_{i}),$

e

$S_{2}:=\sum _{1\leq i<j\leq n}{\mathbb {P} }(A_{i}\cap A_{j}),$

bem como

$S_{k}:=\sum _{1\leq i_{1}<\cdots <i_{k}\leq n}{\mathbb {P} }(A_{i_{1}}\cap \cdots \cap A_{i_{k}})$

para todos os números inteiros de k em {3, ..., n}.

Então, para k ímpares em {1, ..., n},

${\mathbb {P} }{\biggl (}\bigcup _{i=1}^{n}A_{i}{\biggr )}\leq \sum _{j=1}^{k}(-1)^{j-1}S_{j}$,

e para k pares em {2, ..., n},

${\mathbb {P} }{\biggl (}\bigcup _{i=1}^{n}A_{i}{\biggr )}\geq \sum _{j=1}^{k}(-1)^{j-1}S_{j}$.

A desigualdade de Boole é recuperada definindo k = 1. Quando k = n, então a igualdade se mantém e a identidade resultante é o princípio da inclusão–exclusão.

Veja também

• Conjuntos
• Evento
• Princípio da inclusão–exclusão diluído
• Teoria dos conjuntos

References

• Bonferroni, Carlo E. (1936), «Teoria statistica delle classi e calcolo delle probabilità», Pubbl. d. R. Ist. Super. di Sci. Econom. e Commerciali di Firenze (em Italian), 8: 1–62, Zbl 0016.41103  !CS1 manut: Língua não reconhecida (link)
• Dohmen, Klaus (2003), Improved Bonferroni Inequalities via Abstract Tubes. Inequalities and Identities of Inclusion–Exclusion Type, ISBN 3-540-20025-8, Lecture Notes in Mathematics, 1826, Berlin: Springer-Verlag, pp. viii+113, MR 2019293, Zbl 1026.05009 
• Galambos, János; Simonelli, Italo (1996), Bonferroni-Type Inequalities with Applications, ISBN 0-387-94776-0, Probability and Its Applications, New York: Springer-Verlag, pp. x+269, MR 1402242, Zbl 0869.60014 
• Galambos, János (1977), «Bonferroni inequalities», Annals of Probability, 5 (4): 577–581, JSTOR 2243081, MR 0448478, Zbl 0369.60018, doi:10.1214/aop/1176995765 
• Galambos, János (2001), «Bonferroni inequalities», in: Hazewinkel, Michiel, Enciclopédia de Matemática, ISBN 978-1-55608-010-4 (em inglês), Springer 

Este artigo incorpora material de Bonferroni inequalities do PlanetMath, que é licenciado sob GFDL.

Categoria:Estatística Categoria:Probabilidade Categoria:Teoria dos conjuntos