Probabilidade

Espaço amostral (S): Conjunto de todos os resultados possíveis

ex: Moeda.

S={cara (c), coroa (k)}

Subconjuntos:
S:{1, 2, 3, 4, 5, 6} A:{1, 2} B:{2, 3}

𝐴′ = {3, 4, 5, 6}
𝐴 ∪ 𝐵 = {1, 2, 3}
𝐴 ∩ 𝐵 = {2}
(𝐴 ∪ 𝐵)′ = 𝐴′ ∩ 𝐵′ = {4, 5, 6}
Contagem: Número de combinações desejadas que for possível em um espaço amostral.
ex: 2 moedas (deseja-se pelo menos uma cara)

𝑆 = {𝒄𝒄, 𝒄𝑘, 𝑘𝒄, 𝑘𝑘} ← 3 𝑐𝑜𝑚𝑏𝑖𝑛𝑎çõ𝑒𝑠 𝑝𝑜𝑠𝑠í𝑣𝑒𝑖𝑠

Permutação (P): É uma sequência ordenada dos elementos.

𝑛!
𝑛𝑃𝑟 =
(𝑛 − 𝑟)!
Onde:

P: Número de permutações possíveis.

n: Número de elementos distintos.

r: Número de elementos selecionados.

ex: Sequência de duas letras selecionadas (sem repetições).

𝑆 = {𝐴, 𝐵, 𝐶}

AA BA CA

AB BB CB

AC BC CC
𝑛! 3!
𝑛𝑃𝑟 = → 3𝑃2 = =6
(𝑛 − 𝑟)! (3 − 2)!

Combinações (C): É o número de subconjuntos r elementos que pode ser selecionado a partir de um conjunto de
n elementos.
𝑛!
𝐶𝑟𝑛 =
𝑟! ∙ (𝑛 − 𝑟)!
Onde:

C: Número de combinações.

n: Número de elementos.

r: Tamanho do subconjunto.
ex: Um componente pode ser colocado em 8 posições diferentes em uma placa de circuito impresso. Se 5 componentes
idênticos forem colocados na placa, quantos projetos (combinações) diferentes são possíveis?
𝑛! 8!
𝐶𝑟𝑛 = → 𝐶58 = = 56
𝑟! ∙ (𝑛 − 𝑟)! 5! ∙ (8 − 5)!

Probabilidade da ocorrência de um evento P(E) :

𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 𝑑𝑒𝑠𝑒𝑗𝑎𝑑𝑜𝑠 𝑛(𝐸)

𝑃(𝐸) = → 𝑃(𝐸) =
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 𝑝𝑜𝑠𝑠í𝑣𝑒𝑖𝑠 𝑛(𝑆)

Probabilidade condicional: Há casos onde a probabilidade deve ser reavaliada a medida que informações
adicionas se tornarem disponíveis.

ex: Probabilidade de dar 4.

1- Foi lançado um dado de 6 faces.

P(X=4)= 1/6.

2- Sabe-se que virou um número par.

P(X=4)= 1/3.

Variáveis:
Variável Aleatória: É uma variável quantitativa, cujos valores depende de fatores aleatórios.
 Variável Aleatória Discreta: Os possíveis valores estão contidos em um conjunto finito e enumerável (pode
ser contado; número de unidades).
 Variável Aleatória Contínua: Os possíveis resultados abrangem todo um intervalo de números reais
(comprimento de peças).

Variáveis Aleatórias Discretas:

Distribuição de probabilidades: Consiste de uma tabela que contém os valores possíveis que uma variável
pode assumir e suas respectivas probabilidades.

ex: Lançamento de dado.

Função de probabilidade: Uma função de probabilidade deve atender:

∑ 𝑃(𝑋𝑖 ) = 1 𝑃 (𝑋𝑖 ) ≥ 0
𝑖

Multiplicação de probabilidades:

ex: Probabilidade de uma pastilha passar no teste P(passar)=0,8 e probabilidade de falhar no teste P(falhar)=0,2.
Probabilidades para duas pastilhas:

Pastilha 1 Pastilha 2 Probabilidade

P P 𝑃(𝑝) ∙ 𝑃(𝑝) = 0,8 ∙ 0,8 0,64
P X 𝑃(𝑝) ∙ 𝑃(𝑓) = 0,8 ∙ 0,2 0,16
X P 𝑃(𝑓) ∙ 𝑃(𝑝) = 0,2 ∙ 0,8 0,16
X X 𝑃(𝑓) ∙ 𝑃(𝑓) = 0,2 ∙ 0,2 0,04
Média ou valor esperado:
𝑘

𝜇 = 𝑥 = 𝐸(𝑥) = ∑ 𝑋𝑗 ∙ 𝑃𝑗
𝑗=1

Variância:
𝑘
2 2 2
𝜎 = 𝑠 = 𝑉(𝑥) = ∑(𝑋𝑗 − 𝜇) ∙ 𝑃𝑗
𝑗=1

Desvio padrão:
𝜎 = 𝑠 = 𝐷𝑃(𝑥) = √𝜎 2

Recomenda-se utilizar a tabela abaixo para dados muito grandes ou para se fazer o cálculo em planilha eletrônica.

ex: Bits de canais diferentes podem ser transmitidos com erros. Seja X o número de bits com erro nos próximos 4 bits
transmitidos. Os valores prováveis para X são {0, 1, 2, 3, 4}. Suponha que:

P(X=0)=0,6561 P(X=1)=0,2916 P(X=2)=0,0486 P(X=3)=0,0036 P(X=4)=0,0001

Determine a média, a variância e o desvio padrão.

𝜇 = ∑ 𝑋𝑛 ∙ 𝑃(𝑋𝑛 ) = 0 ∙ 0,6561 + 1 ∙ 0,2916 + 2 ∙ 0,0486 + 3 ∙ 0,0036 + 4 ∙ 0,0001 = 0,4

𝜎 2 = ∑(𝑋𝑛 − 𝜇)2 ∙ 𝑃(𝑋𝑛 )

= (0 − 0,4)2 ∙ 0,6561 + (1 − 0,4)2 ∙ 0,2916 + (2 − 0,4)2 ∙ 0,0486 + (3 − 0,4)2 ∙ 0,0036 + (4 − 0,4)2
∙ 0,0001 = 0,36

𝜎 = √𝜎 2 = 0,6

Distribuição de Bernoulli: São os casos típicos de sucesso ou fracasso.

ex:
X P(X)
X=1 → Sucesso 0 1-P
1 P
X=0 → Fracasso Total 1
ex: Lançar um dado e verificar se dá 6 ou não.

X=1 → Sucesso (6) X P(X)

0 5/6
X=0 → Fracasso (1, 2, 3, 4, 5) 1 1/6
Total 1

Valor esperado:
𝐸(𝑋) = 𝑛 ∙ 𝑃

Variância:
𝑉(𝑋) = 𝑛 ∙ 𝑃 ∙ (1 − 𝑃)

ex: A chance de 1 bit ser recebido com erro é de P(erro)=0,1. X é o número de bits com erro nos próximos 4 bits. Qual a
probabilidade de P(X=2)?

Resultado X 𝑃(○○ ●●) = 𝑃(○) ∙ 𝑃(○) ∙ 𝑃(●) ∙ 𝑃(●) → 𝑃(○○ ●●) = 0,9 ∙ 0,9 ∙ 0,1 ∙ 0,1 = 0,0081
○○○○ 0
○○○● 1 𝑃(○ ● ○ ●) = 0,9 ∙ 0,1 ∙ 0,9 − 0,1 = 0,0081
○○●○ 1 𝑃(○ ●● ○) = 0,9 ∙ 0,1 ∙ 0,1 − 0,9 = 0,0081
○○●● 2
○●○○ 1 𝑃(● ○○ ●) = 0,1 ∙ 0,9 ∙ 0,9 − 0,1 = 0,0081
○●○● 2
○●●○ 2 𝑃(● ○ ● ○) = 0,1 ∙ 0,9 ∙ 0,1 − 0,9 = 0,0081
○●●● 3
●○○○ 1 𝑃(●● ○○) = 0,1 ∙ 0,1 ∙ 0,9 − 0,9 = 0,0081
●○○● 2
●○●○ 2
●○●● 3
●●○○ 2 ∑ 𝑃(𝑋 = 2) = 0,0081 ∙ 6 = 0,0486
●●○● 3
●●●○ 3
●●●● 4

Distribuição Binomial:

Coeficiente binomial:
𝑛 𝑛!
( )=
𝑋 𝑋! ∙ (𝑛 − 𝑋)!

Expressão geral:
𝑛
𝑓(𝑋) = ( ) ∙ 𝑃 𝑋 ∙ (1 − 𝑃)𝑛−𝑋
𝑋

Onde:

X: Resultado desejado.

n: Número de amostras.

P: Probabilidade de X.
ex: Cada amostra tem 10% de chance de conter determinado poluente. Amostras independentes com relação a presença
do poluente. Encontre a probabilidade de que nas próximas 18 amostras, 2 contenham o poluente.

10% → 𝑃(𝑋) = 0,1

18 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑠 → 𝑛 = 18
𝑃(𝑋 = 2) → 𝑋 = 2

18 18!
( )= = 153
2 2! ∙ (18 − 2)!
18
𝑓(𝑋) = ( ) ∙ 0,12 ∙ (1 − 0,1)18−2 = 0,28 𝑜𝑢 28%
2

Distribuição Hipergeométrica:

Esperança:
𝐸(𝑋) = 𝑛 ∙ 𝑃

Variância:
𝑁−𝑛
𝑉(𝑋) = 𝑛 ∙ 𝑃 ∙ (1 − 𝑃) ∙
𝑁−1

Probabilidade:
𝑟 𝑁−𝑟
( )∙( )
𝑋 𝑛−X
𝑃(𝑋) =
𝑁
( )
𝑛

Onde:

N: Unidades no lote.

n: Unidades por amostra.

r: Unidades com defeito no lote.

X: Unidades com defeito que se deseja encontrar na amostra.

ex: Lote de 30 unidades. Amostra com 5 unidades. Se nenhuma unidade falhar, o lote é aprovado. Se uma unidade falhar,
todo o lote é inspecionado. Supondo que há 3 unidades com defeito, qual a probabilidade do controle de qualidade
apontar uma inspeção total?

𝐿𝑜𝑡𝑒 𝑐𝑜𝑚 30 𝑢𝑛. → 𝑁 = 30

𝐴𝑚𝑜𝑠𝑡𝑟𝑎 𝑑𝑒 5 𝑢𝑛. → 𝑛 = 5
3 𝑢𝑛. 𝑐𝑜𝑚 𝑑𝑒𝑓𝑒𝑖𝑡𝑜 𝑛𝑜 𝑙𝑜𝑡𝑒 → 𝑟 = 3
𝑃𝑎𝑟𝑎 𝑎𝑚𝑜𝑠𝑡𝑟𝑎 𝑐𝑜𝑚 0 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝑑𝑒𝑓𝑒𝑖𝑡𝑢𝑜𝑠𝑎𝑠 → 𝑋 = 0
 3 30 − 3
( )∙( )
𝑃(𝑋 = 0) = 0 5 − 0 = 1 ∙ 80730 = 0,5665
30 142506
( )
5

∑ 𝑃(𝑋) = 1 → 𝑃(𝑋 ≠ 0) = 1 − 𝑃(𝑋) = 1 − 0,5665 = 0,4335

Variáveis Aleatórias Contínuas:

ex: Considerando um círculo inicial, é possível dividi-lo em algumas partes, e calcular a probabilidade dessas partes. Porém
conforme for aumentado o número de divisões, fica difícil representar em um gráfico de barras. É então utilizado o
conceito de densidade de probabilidade.

Caso a função não seja um retângulo ou uma figura de fácil cálculo de área:

Existem 3 tipos de distribuições contínuas:

 Distribuição uniforme.
 Distribuição exponencial.
 Distribuição normal.
Distribuição normal: A normal é considerada a distribuição de probabilidades mais importante, pois permite
modelar uma infinidade de fenômenos naturais e, além disso, possibilita realizar aproximações para calcular
probabilidades de muitas variáveis aleatórias que tem outras distribuições. A distribuição normal é caracterizada por uma
função de probabilidade, cuja função descreve uma curva em forma de sino. Essa forma de distribuição evidencia que há
maior probabilidade de a variável aleatória assumir valores próximos ao centro.
  Suas média, mediana e moda são iguais.
 Tem forma de sino e é simétrica em torno da média.
 A área sob a curva é de 100%
 A medida que a curva se afasta da média, aproxima-se do eixo x, mas nunca o toca.
 Os pontos em que a curvatura muda são chamados pontos de inflexão. O gráfico curva-se para baixo entre os
pontos de inflexão e, para cima, à esquerda e à direita deles.

Escore Padrão ou Escore Z: Representa o número de desvios padrão que separa uma variável aleatória x da
média.
𝑣𝑎𝑙𝑜𝑟 − 𝑚é𝑑𝑖𝑎 𝑋 − 𝜇
𝑍= =
𝑑𝑒𝑠𝑣𝑖𝑜 𝑝𝑎𝑑𝑟ã𝑜 𝜎
A distribuição normal padrão tem média 0 e desvio padrão de 1. Se usar escores Z, pode transformar qualquer distribuição
normal em uma distribuição normal padrão.
Distribuições Amostrais:
Uma distribuição amostral é a distribuição de probabilidade de uma estatística da amostra formada quando amostras de
tamanho n são colhidas várias vezes de uma população. Se a estatística da amostra for a sua média simples, a distribuição
será uma distribuição amostral de médias das amostras.

A distribuição amostral consiste nos valores das médias da amostra, 𝑋̅1 , 𝑋̅2 , 𝑋̅3, 𝑋̅4...

O Teorema do Limite Central: