UNIVERSIDADE FEDERAL DO

MARANHÃO CURSO DE MATEMÁTICA

NÚCLEO DE EDUCAÇÃO A
DISTÂNCIA
DISCIPLINA – ESTATÍSTICA E PROBABILIDADE

 PROBABILIDADE
Introdução
 O cálculo das probabilidades pertence ao campo da
Matemática, entretanto a maioria dos fenômenos de
que trata a Estatística são de natureza aleatória ou
probabilística.

 O conhecimento dos aspectos fundamentais do cálculo

das probabilidades é uma necessidade essencial
para o estudo da Estatística Indutiva ou Inferência.
Inferência Estatística
 Consiste em obter e generalizar conclusões; ou seja,
inferir propriedades para o todo com base na parte,
no particular.

 É tratada através de técnicas e métodos que se

fundamentam na Teoria de Probabilidades.

 Em estatística utilizaremos extensivamente os termos

população e amostra.
Experimentos
Todo processo desenvolvido para realizar observações e obter
dados com um determinado objetivo é denominado experimento.

 Experimento determinístico: é quando o evento acontece com

certeza.
 Exemplo: Ao soltar uma pedra do alto de um edifício,
sabemos que esta pedra irá em direção ao chão.
 Experimento Aleatório: é quando não há certeza da ocorrência
do evento.
 Exemplo: jogar um dado homogêneo e observar o

número de sua face superior.

 Experimento Aleatório (E ou )
 São fenômenos que, mesmo repetidos várias vezes sob condições
semelhantes, apresentam resultados imprevisíveis. O resultado final
depende do acaso.
 Embora não se possa prever que resultados ocorrerão, pode-se

descrever o conjunto de resultados possíveis (espaço amostral).

 Exemplo
Da afirmação "é provável que o meu
time ganhe a partida hoje" pode resultar:

que ele ganhe que ele perca que ele empate

Este resultado final pode ter três possibilidades.
Experimento Aleatório - Exemplos

a) Lançar uma moeda honesta

b) Lançar um dado

c) Lançar duas moedas

d) Retirar uma carta de um baralho completo, com 52

cartas

e) Determinar a vida útil de um componente

 Espaço Amostral (U, S ou )
 É o conjunto universo ou o conjunto de resultados possíveis de um
experimento aleatório.

1. Lançamento de um dado: Ω={1,2,3,4,5,6} – quantitativo

discreto

2. Observação dos momentos de entrada de clientes em uma loja,

entre as 14 e 16 horas: Ω = {(X,Y): 14 < X < Y < 16} -
quantitativo contínuo

3. Observação do sexo de cada cliente que entrou na loja: Ω =

{Masculino, Feminino} - qualitativo
Espaço Amostral - Exemplos
a) Lançar uma moeda honesta
 Ω = {c, r}
b) Lançar um dado
 Ω = {1,2,3,4,5,6}
c) Lançar duas moedas
 Ω = {(c, r), (c,c), (r,c), (r,r)}
d) Retirar uma carta de um baralho completo, com 52
cartas
 Ω = {A0, ..., K0, Ap, ..., Kp, AE, .., KE, AC, ..., KC}
e) Determinar a vida útil de um componente
 Ω = {t / t ≥ 0}
Evento
 É qualquer subconjunto do espaço amostral de um experimento
aleatório.
 Um evento é representado por letras maiúsculas A, B, etc.

 Exemplo:

 Considerando o Experimento (E): Lançamento de um dado,

temos o seguinte espaço amostral Ω = {1,2,3,4,5,6}.
 Assim um possível evento A = {sair face par}, será
representado por:

A = {2,4,6}
Evento
 Se considerarmos  como espaço amostral e A como evento:
Assim, qualquer que seja A, se A   (A está contido em  ), então
A é um evento de  .
 Se A =  , A é chamado de evento certo.

Se A   e A é um conjunto unitário, A é chamado de

evento elementar.

 Se A = Ø , A é chamado de evento impossível.

 Número de Eventos de ()
 É o conjunto formado de todos os eventos (subconjuntos) do espaço
amostral.
 Considere como exemplo um espaço amostral finito:
 Ω = {a, b, c, d}

 A classe de eventos aleatórios F(Ω)

4
   
0 
4
 
 (a),(b),(c),(d) 1 
4
 
 (a,b), (a,c), (a,d), (b,c) , (b,d), (c,d) 2
 (a,b,c), (a,b,d), (a,c,d), (b,c,d) 4
 
4
3 
 (a,b,c, d)  4 
 
 O número de eventos de um espaço amostral é F(Ω)=2n
 Usando esse espaço amostral temos que o número de eventos é 16
Propriedades com Eventos Aleatórios

Considere Ω = {e1, e2, ..., en}. Sejam A e B dois eventos de F(Ω).

Operações

União: A  B = {ei Ω / ei A OU ei B}
O evento formado pelos elementos que pertencem a pelo
menos um dos eventos.

A B

A∪B
Propriedades com Eventos Aleatórios

 Interseção: A ∩ B = {ei   / ei  A E ei  B}
 O evento formado pelos elementos que pertencem
simultaneamente aos dois eventos.
A B

A∩B
◦ Complementação: Ω  A  A  {e i  Ω/e i  A}

A
__
Α
Eventos Mutuamente Exclusivos
 Dois eventos são mutuamente exclusivos se não podem ocorrer
simultaneamente:

A∩B=
 Exemplos:

1. Ao lançar um dado, A = saída ímpar e B = saída par

A = {1,3,5}, B = {2,4,6}

2. Ao analisar uma imagem de satélite, A = floresta, B = deserto

e C = oceano. Uma área analisada pode pertencer apenas a
uma destas classes.
Partição de um Espaço Amostral
 Dizemos que os eventos A1, ..., An formam uma partição do
espaço amostral Ω se:
 Não há eventos vazios a) A i   , i  1,..., n
 Não há interseção entre b) A i  A j   , i  j
os eventos n
 A união dos eventos da c)  A i  Ω
partição é o espaço i1

amostral

Exemplo:

Ω
Probabilidade
 O problema fundamental da probabilidade consiste em atribuir
um número a cada evento (E), o qual avaliará quão possível será a
ocorrência de "E", quando o experimento for realizado.
 A seguir serão apresentadas algumas definições de
probabilidades, tais como:
 Clássica;

 Empírica ou frequentista;

 Subjetiva.

 Além disso, serão apresentados os axiomas e os teoremas

fundamentais de probabilidade.
 Definições de Probabilidade
 DEFINÇÃO CLÁSSICA
 O enfoque clássico aplica-se a situações que têm resultados

igualmente prováveis.
 Quando os resultados são igualmente prováveis, a probabilidade

de cada resultado será:

1
n º de resultados possíveis
Exemplo:

1- No lançamento de uma moeda.  = { ca, co } = 2 A = {ca} = 1

P(A) = 1/2 = 0,5

 Definições de Probabilidade
 DEFINÇÃO CLÁSSICA
Se existe "a" resultados possíveis favoráveis a ocorrência de um

evento “A" e "b” resultados possíveis não favoráveis, sendo os

mesmos mutuamente excludentes, então:
n º de elementos do evento A

n º de resultados possíveis

Exemplo:

1- No lançamento de um dado.  = { 1,2,3,4,5,6 } = 6 A = { 2,4,6 } = 3

P(A) = 3/6 = ½ = 0,5

Definições de Probabilidade
 DEFINÇÃO EMPÍRICA OU FREQUENTISTA
 Há casos em que os resultados não são igualmente prováveis.

 Nestes casos, é necessário obter dados empíricos, obtidos através

de observação, numa tentativa de estimar as probabilidades.
Uma possível maneira de tratar a questão seria determinar a

frequência relativa de um evento A.

 Definições de Probabilidade
 DEFINÇÃO EMPÍRICA OU FREQUENTISTA
 Surgem, no entanto, dois problemas:

 Qual deve ser o número de repetições do experimento ()

 A sorte ou habilidade do experimentador poderá influir nos
resultados, de forma tal que a probabilidade é definida como
sendo:

P(A) = lim n fa

(Lei dos Grandes Números)

onde "n" é o número de repetições do experimento .

Definições de Probabilidade
 DEFINÇÃO EMPÍRICA OU FREQUENTISTA
 Exemplo:

 Se jogarmos uma moeda 100 vezes e obtivermos cara 60 vezes,

será razoável estimar a probabilidade de cara, em jogadas futuras
como sendo:

P(A) = 60/100 = 0,60

Definições de Probabilidade
 DEFINÇÃO SUBJETIVA

 As probabilidades determinadas pelos métodos clássico

e da frequência relativa são ditos objetivos.

 A probabilidade subjetiva é uma avaliação pessoal do

grau de viabilidade de um evento.
Axiomas da Probabilidade
 Seja um experimento E, seja () um espaço amostral
associado a (E). A cada evento (A) associa-se um número
real representado por P(A) e denominaremos de
probabilidade de A, satisfazendo as seguintes
propriedades:

a) 0P(A)1;
b) P() = 1
c) Se A e B são eventos mutuamente excludentes, então:
P(AB) = P(A) + P(B)
Axiomas da Probabilidade
d) Se A1, A2, ..., An são eventos mutuamente excludentes
dois a dois, então:

P(A1A2 ... An) = P(A1) + P(A2)+ ...+P(An)

ou
Teoremas Fundamentais
1) Se  for evento vazio, então P() = 0
2) Se o evento Ac for o evento complementar de A, então
P(Ac) = 1 - P(A)
3) Se A e B são eventos quaisquer, então: (regra da adição)
P(A U B) = P(A) + P(B) - P(A  B)
4) De acordo com o teorema acima. Sejam A1, A2, ..., An
eventos quaisquer:, teremos
Probabilidade Condicional
 As probabilidades estudadas até este momento são
denominadas probabilidades se referem ao experimento,
resultados igualmente prováveis (equiprovável).

 Há casos em que nos interessa rever a probabilidade

de um evento, pois há informações adicionais que podem
afetar o resultado.
Probabilidade Condicional
Por exemplo, dentro do mesmo espaço amostral, a
probabilidade de que aconteça o evento X sabendo que
aconteceu o evento Y é obtida a partir do espaço
amostral reduzido definido pelo evento Y.

 A probabilidade P(X/Y) é denominada probabilidade

condicional.
Probabilidade Condicional
 Exemplo
 Seja E: lançar um dado e o evento A ={sair nº 3}, então

P(A) = 1/6
 Considerando o evento B= {sair um nº ímpar}= {1,3,5}.

Para o cálculo das probabilidades calculamos as

probabilidades condicionadas.
 No exemplo, podemos estar interessados no resultado
do evento A condicionada a ocorrência do evento B.
 Em símbolos P(AlB): probabilidade de A dado B.
Probabilidade Condicional
 Exemplo - continuação
 Seja E: lançar um dado e o evento A ={sair nº 3} = {1}
e B= {sair um nº ímpar}= {1,3,5}. Assim,

P(AlB) = 1/3

 Observem que o espaço amostral condicionado a B fica

reduzido, ou seja, o que antes era {1,2,3,4,5,6} agora
será {1,3,5}
Probabilidade Condicional
 DEFINIÇÃO
 Dado dois eventos A e B, denotaremos P(AlB) a
probabilidade condicionada do evento A, quando B tiver
ocorrido, por:

 com B  0, pois B já ocorreu

Probabilidade Condicional
 LEI DA MULTIPLICAÇÃO
 Dado dois eventos A e B, denotaremos P(AB) a
probabilidade da interseção entre o evento A, quando B
tiver ocorrido e o evento B, quando A tiver ocorrido,
respectivamente, por:

P(AB)= P(B).P(A/B)

ou

P(AB)= P(A).P(B/A)
Probabilidade Condicional
 Exemplo
Independência
 Dois eventos A e B, dizemos que são independentes se
a probabilidade de um evento não interfere na ocorrência
de outro evento, então:

P(A/B) = P(A) e P(B/A) = P(B)

assim,

P(AB)= P(B).P(A/B) = P(A) . P(B)

Independência
 Dados “n” eventos A1, A2…An , diz-se que eles são
independentes se o forem 2 a 2, 3 a 3… n a n, ou seja,

 P(A1 A2  ... An) = P(A1) . P(A2) . P(An)

Lema da Probabilidade Total
 Considere uma partição do espaço amostral  em dois
eventos mutuamente excludentes, por exemplo Ac e A, sendo Ac
o complementar de A. Seja B um evento qualquer de , como
está representado.
Ac A
B

 Assim a P(B), será:

P(B) = P(B/A).P(A) + P(B/Ac).P(Ac)
Lema da Probabilidade Total
Lema da Probabilidade Total

B = (A1 B)(A2 B)  ... (AK B)

P(B) = P(B/A1). P(A1) + P(B/A2). P(A2)+...+ P(B/AK).P(AK)
 Teorema de Bayes
Considere novamente o espaço amostral , com a
partição representada abaixo:

A1, A2, ... An são n eventos mutuamente excludentes, tais que

A1  A2  ...  AK = 
Teorema de Bayes
 Sejam P(Ai), as probabilidades conhecidas dos eventos
da partição, e seja B um evento qualquer de  tal que
conhecemos todas as probabilidades condicionais P(B/Ai),
então, para cada i teremos:

que constitui o teorema de Bayes.

Teorema de Bayes - Exemplo
 Considere 3 urnas onde cada urna possui bolas pretas,
brancas e vermelhas, distribuídas da seguinte maneira:

Escolhendo-se uma urna ao acaso e dela extrai-se uma

bala branca. Qual a probabilidade da bola branca ter
vindo da urna 1? Ou da urna 3?