Discuta afirmação a seguir. Como as probabilidades são medidas da incerteza, a probabilidade que associamos a um evento futuro crescerá à medida que recebemos mais informação a respeito.

Passo 1

O enunciado apresenta a afirmação: “Como as probabilidades são medidas da incerteza, a probabilidade que associamos a um evento futuro crescerá à medida que recebemos mais informação a respeito.”
O que é pedido: discutir essa afirmação — isto é, avaliar se ela é verdadeira sempre, quando é verdadeira, quando é falsa e explicar por quê.
Informações relevantes dadas (implícitas na afirmação):
  • Probabilidades são tratadas como medidas de incerteza (interpretação epistemic/Bayesiana).
  • A afirmação sugere uma relação monotônica: mais informação ⇒ probabilidade atribuída a um evento futuro aumenta.

Passo 2

Entender claramente o que significa “atualizar uma probabilidade quando chega informação” (noções básicas, passo a passo).
  1. Representação das crenças: imagine um evento A (por exemplo: “vai chover amanhã”). A nossa crença inicial sobre A é a probabilidade a priori P(A). Essa é uma medida numérica entre 0 e 1 que representa o grau de crença antes de ver informações novas.
  2. Informação e probabilidade condicional: quando recebemos uma evidência E (por exemplo: “o radar mostrou nuvens”), passamos a usar a probabilidade condicional P(A\mid E). Por definição,
P(A\mid E)=\frac{P(A\cap E)}{P(E)},
desde que P(E)>0. Isso é apenas a forma precisa de dizer “a probabilidade de A dado que E ocorreu”.
  1. Regra de Bayes (ferramenta prática para atualizar): ao ver evidência E, obtemos
P(A\mid E)=\frac{P(E\mid A)\,P(A)}{P(E)}.
Aqui:
  • P(A) é o prior (crença antes);
  • P(E\mid A) é a probabilidade de observar a evidência se A for verdadeira;
  • P(E) é a probabilidade total da evidência, que pode ser calculada por
P(E)=P(E\mid A)P(A)+P(E\mid A^c)P(A^c).
Explicação didática: Bayes mostra como combinar a força da evidência ( P(E\mid A) versus P(E\mid A^c)) com a crença inicial P(A) para obter a crença posterior P(A\mid E).

Passo 3

Exemplos numéricos — mostrar que a probabilidade pode aumentar ou diminuir com informação.
Exemplo em que a probabilidade aumenta:
  • Prior: P(A)=0,5.
  • Suponha evidência E com P(E\mid A)=0,9 e P(E\mid A^c)=0,2.
    Calcule P(A\mid E):
P(E)=0,9\cdot0,5+0,2\cdot0,5=0,45+0,10=0,55,
P(A\mid E)=\frac{0,9\cdot0,5}{0,55}=\frac{0,45}{0,55}\approx0,818.
Aqui a probabilidade subiu de 0,5 para \approx0,818.
Exemplo em que a probabilidade diminui:
  • Mesma prior P(A)=0,5.
  • Outra evidência F com P(F\mid A)=0,1 e P(F\mid A^c)=0,6.
    Calcule P(A\mid F):
P(F)=0,1\cdot0,5+0,6\cdot0,5=0,05+0,30=0,35,
P(A\mid F)=\frac{0,1\cdot0,5}{0,35}=\frac{0,05}{0,35}\approx0,143.
Aqui a probabilidade caiu de 0,5 para \approx0,143.
Conclusão prática desses exemplos: informação relevante pode tanto aumentar quanto diminuir a probabilidade de um evento.

Passo 4

Resultado geral e formalidade (por que não existe uma regra “sempre aumenta”) — propriedades matemáticas das atualizações.
  1. Modelando informação acumulada: suponha que observamos evidências sequenciais E_1,E_2,\dots,E_n. Denote por \mathcal{F}_n a informação disponível até o tempo n. A probabilidade que atribuímos a A com essa informação é P(A\mid \mathcal{F}_n).
  2. Propriedade do “martingale” (intuição e fórmula):
    Defina a variável aleatória X_n:=P(A\mid \mathcal{F}_n). Esta é a esperança condicional do indicador do evento A:
X_n = E[1_A\mid \mathcal{F}_n].
Pela propriedade torre das esperanças condicionais (ou pela definição de esperança condicional), tem-se, para n e n+1,
E[X_{n+1}\mid \mathcal{F}_n] = E\bigl(E[1_A\mid \mathcal{F}_{n+1}]\mid \mathcal{F}_n\bigr) = E[1_A\mid \mathcal{F}_n] = X_n.
Isto diz que a sequência (X_n)_{n\ge0} é um martingale em relação à filtração (\mathcal{F}_n).
  1. Significado prático do martingale:
  • Em palavras simples: a sua expectativa condicional da nova crença, dado o que já sabia, é exatamente a crença atual. Ou seja, não há ganho médio esperado que aumente sistematicamente a probabilidade inicial para cima — a ação de atualizar com evidência, em média (ou seja, antes de ver a evidência), não altera o valor esperado da probabilidade.
  • Consequência: não existe uma lei que diga “mais informação sempre torna P(A) maior”. A atualização pode ir para cima ou para baixo; só sabemos que, antes de olhar a evidência, o valor esperado da nova probabilidade é o valor antigo.

Passo 5

Reconciliação com a intuição “mais informação reduz incerteza” — entropia e concentração das crenças.
  1. Medida de incerteza: entropia de Shannon. Para uma variável binária com probabilidade p de sucesso, a entropia é
H(p)=-p\log p-(1-p)\log(1-p).
  1. Informação tipicamente reduz incerteza: em média, condicionar reduz entropia. Formalmente, E[H(P(A\mid \mathcal{F}_{n+1}))]\le E[H(P(A\mid \mathcal{F}_n))]. Intuição: à medida que recebemos evidências, nossas crenças tendem a se mover para valores mais extremos (próximos de 0 ou 1), o que diminui a entropia média.
  2. Como casar isso com o martingale? Mesmo que a esperança de X_n permaneça a mesma ( E[X_n]=P(A) para todo n), a distribuição de X_n pode ficar mais espalhada para os extremos. Exemplo clássico: antes da evidência P(A)=0,5; após, com probabilidade 1/2 passa a 0,9 e com probabilidade 1/2 passa a 0,1. A média continua 0,5, mas a incerteza (entropia média) diminuiu porque as probabilidades ficaram mais certas (próximas de 0 ou 1).

Passo 6

Resposta direta e conclusão didática (o que gravar para a prova — passo a passo aplicável):
  • A afirmação original, dita de forma absoluta (“a probabilidade que associamos a um evento futuro crescerá à medida que recebemos mais informação”), é falsa. Não há garantia de crescimento monotônico: evidência pode aumentar ou diminuir a probabilidade de um evento.
  • O que é correto: mais informação leva a uma atualização da probabilidade para a probabilidade condicional apropriada P(A\mid\text{informação})çã, calculada por Bayes quando apropriado. Em média (antes de observar a nova informação) o valor esperado da probabilidade posterior é igual à probabilidade atual:
E\bigl[P(A\mid \text{nova informação})\bigr]=P(A).çã
  • Outra verdade importante: tipicamente a informação reduz a incerteza média (entropia média) — as probabilidades tendem a se concentrar mais em 0 ou 1, embora a direção (aumentar ou diminuir P(A)) dependa dos dados observados.
  • Regra prática para provas: nunca assuma que um dado pedaço de informação necessariamente eleva a probabilidade; calcule usando P(A\mid E)=\dfrac{P(E\mid A)P(A)}{P(E)} e interprete P(E\mid A) vs P(E\mid A^c). Lembre-se também da propriedade do martingale se a questão pedir justificativa teórica sobre média ou comportamento de atualizações.

Resposta

A afirmação é falsa em geral: informação pode tanto aumentar quanto diminuir a probabilidade de um evento. O correto é que a probabilidade é atualizada para a probabilidade condicional P(A\mid\text{informação})çã (via Bayes); em média, antes de ver a informação, a expectativa da probabilidade posterior permanece igual à probabilidade atual, enquanto a informação tende a reduzir a incerteza média (entropia), concentrando as crenças para valores mais próximos de 0 ou 1.

Exercícios relacionados