Introdução à Probabilidade: conceitos fundamentais e exemplos

Projecto REANIMAT
INTRODUO PROBABILIDADE
Lusa Canto e Castro Loura

Maria Eugnia Graa Martins
Departamento de Estatstica e Investigao Operacional

Faculdade de Cincias da Universidade de Lisboa
Junho 2003
NDICE
Captulo 1 INTRODUO PROBABILIDADE .......................................................................... 1
1.1 Introduo .......................................................................................................... 3
1.2 Probabilidade e Estatstica ................................................................................ 6
1.3 Experincia aleatria. Espao de resultados. Acontecimentos ........................ 8
1.3.1 Operaes com acontecimentos ............................................................. 16
Captulo 2 MODELOS DE PROBABILIDADE ............................................................................ 19
2.1 Modelos de Probabilidade em espaos finitos ................................................ 21
2.1.1 Introduo ........................................................................................... 21
2.1.2 Modelos de Probabiliddae em situaes de simetria.
Regra de Laplace ............................................................................... 25
2.2 Aproximao frequencista de Probabilidade ................................................... 30
2.3 Definio axiomtica de Probabilidade ............................................................ 34
2.4 Consequncias da definio axiomtica de Probabilidade ............................. 37
2.5 Probabilidade condicional e independncia .................................................... 43
Captulo 3 MODELOS DE PROBABILIDADE DISCRETOS E CONTNUOS ............................ 59
3.1 Introduo. Varivel aleatria .......................................................................... 61
3.2 Modelos de probabilidade discretos. Funo massa de probabilidade ........... 65
3.2.1 Distribuio de probabilidades versus distribuio de frequncias .... 67
3.2.2. Valor mdio e desvio padro de uma varivel aleatria discreta ...... 69
3.2.2.1 Valor mdio de uma varivel aleatria discreta .................. 69
3.2.2.2 Desvio padro de uma varivel aleatria discreta .............. 74
3.2.3 Modelo Binomial............................................................................................. 75
3.3 Modelos de Probabilidade contnuos. Funo densidade de Probabilidade ... 79
3.3.1 Histograma versus funo densidade ................................................ 79
3.3.2 Modelo Normal ou Gaussiano ............................................................ 85
Anexo 1
........................................................................................................... 91
Bibliografia
........................................................................................................... 92
Introduo Probabilidade
1. Introduo Probabilidade
Junho 2003
Junho 2003
1.1 - Introduo
Todos os dias somos confrontados com situaes, que nos conduzem a utilizar, intuitivamente, a
noo de Probabilidade. Nos mais variados aspectos da nossa vida, est presente a incerteza:
dizemos que existe uma pequena probabilidade de ganhar o totoloto;
dizemos que existe uma grande probabilidade de chover num dia carregado de nuvens;
o poltico interroga-se sobre qual a probabilidade de ganhar as prximas eleies;
o aluno interroga-se sobre qual a probabilidade de obter positiva num teste de perguntas com
resposta mltipla, para o qual no estudou e responde sistematicamente ao acaso;
o mdico pretende saber se um medicamento novo tem maior probabilidade de cura que o
medicamento habitual, para tratar determinada doena;
o comerciante pretende saber se deve rejeitar um determinado carregamento de material,
pois ao verificar um certo nmero de peas, encontrou uma determinada percentagem de
defeituosas;
o fabricante desejaria saber se um produto que pretende lanar no mercado, ter uma boa
probabilidade de aceitao;
o corretor da bolsa interroga-se sobre se ser provvel que umas aces que tem em vista,
aumentem de cotao.
Embora no saibamos, para j, atribuir um valor numrico s probabilidades de realizao dos
acontecimentos envolvidos nos exemplos anteriores, h situaes em que no temos dvidas
nessa atribuio. Por exemplo, ningum hesita em afirmar que a probabilidade de um beb
nascer com dentes igual a zero, assim como tambm no ter dvida em dizer que igual a 1
a probabilidade de num dia em que est a chover, haver nuvens! Por outro lado, quando se
pretende tomar uma deciso ao acaso, para a qual existem duas opes, e no se sabe qual
escolher, tambm usual tomar a deciso mediante o resultado da sada de cara ou coroa, no
lanamento de uma moeda ao ar, pois existe a convico que a probabilidade de sair cara ou
coroa so iguais a 1/2.
No dia a dia comum atribuirmos probabilidades a determinados acontecimentos. Ao fazer isto,
no estamos mais que a exprimir o nosso grau de convico na realizao desses
acontecimentos. Podamos ento ser tentados a definir probabilidade de um determinado
acontecimento como uma medida da convico que temos na realizao desse acontecimento.
Mas claro, no nos podemos ficar por aqui. Este conceito to simples s por si demasiado
precrio para ser til Cincia. H necessidade de ir muito mais longe, j que no havendo mais
do que meras conjecturas e convices, diferentes com certeza de indivduo para indivduo, e
Junho 2003
quantas vezes incoerentes, no possvel fazer teoria. H assim necessidade de saber como
quantificar aquela medida de convico relativamente a qualquer acontecimento. Se em certas
situaes (como a relacionada com o lanamento de uma moeda) no temos dificuldade, h
outras em que isso j se no nos afigura simples, ou por falta de informao, ou por mera
incapacidade devido, por exemplo, prpria complexidade de que o acontecimento se reveste.
Sabemos, se no por convico, pelo menos pela prpria experincia, que a probabilidade de
nos sair o totoloto na prxima vez que jogarmos extremamente pequena. Mas, quantas
pessoas que no tenham estudado clculo das probabilidades so capazes de atribuir um
nmero a essa probabilidade? J em face de um dado equilibrado, somos levados a dizer que a
probabilidade de sair um 5 num lanamento 1/6. Porque que fazemos tal afirmao? Somos,
no entanto, capazes de ficar perplexos quando algum nos afirma que estudos estatsticos
indicam que a probabilidade de contrair cancro de pulmo, se se fumar mais de 20 cigarros por
dia, de 7%. Com que base que se pode fazer uma afirmao desta natureza?
Digamos que, com os dois exemplos apresentados, quantificmos a probabilidade de um
acontecimento por dois processos distintos. No segundo caso, a quantificao da probabilidade
de contrair cancro de pulmo se se fumar mais de 20 cigarros, foi feita recorrendo experincia,
identificando empiricamente a probabilidade de um acontecimento com a frequncia relativa com
que esse acontecimento se observa numa amostra representativa da populao em estudo. Em
termos estatsticos estimmos a probabilidade (desconhecida) da realizao de um
acontecimento pela frequncia relativa com que esse acontecimento se verifica. No primeiro
caso, o do dado equilibrado, o raciocnio feito com base no facto de haver uma possibilidade
em 6 de, ao lanar o dado uma vez, se observar a face 5. No precismos da experincia para
quantificar a probabilidade, j que estamos a admitir o pressuposto da simetria ou de equilbrio
(este pressuposto da simetria a base para a definio de probabilidade segundo o conceito
clssico ou de Laplace, de que falaremos posteriormente), isto , estamos a admitir que devido
simetria fsica do dado, no temos razo para atribuir probabilidade diferente sada de cada
face.
Imaginemos, no entanto, que estvamos a jogar um determinado jogo que obrigava ao
lanamento de um dado e que a sada da face 5 implicava um bnus. Depois de jogarmos um
grande nmero de vezes descobramos que a face 5 quase nunca saa. O nosso senso comum
levava-nos a supor que algo estava errado com o dado. Como poderamos averiguar isso?
Lanando o dado um grande nmero de vezes, digamos n, e calculando a frequncia relativa da
realizao do acontecimento de interesse, isto , sada de um 5. Estimvamos assim a
probabilidade de no lanamento daquele dado sair a face 5. A intuio diz-nos que se no
houver nada de errado com o dado, este valor deve flutuar volta de 0.166(6).
Junho 2003
A palavra probabilidade est presente sempre que estivermos perante um fenmeno aleatrio,
isto , um fenmeno para o qual no sabemos de antemo o que vai acontecer, na prxima
repetio, mas para o qual se admite uma certa regularidade a longo termo, ou seja, para um
grande nmero de repeties do fenmeno. Esta regularidade estatstica utilizada para definir
a probabilidade segundo o conceito frequencista, de que falaremos a seguir. Como veremos,
uma aproximao conceptual da probabilidade, muito utilizada, mas limitativa, na medida em que
s permite definir a probabilidade de acontecimentos que se possam repetir um grande nmero
de vezes nas mesmas condies.
Fenmenos aleatrios so fenmenos cujos resultados individuais so incertos, mas para os
quais se admite uma regularidade a longo termo, possibilitando a obteno de um padro
genrico de comportamento.
Associados s seguintes experincias ou situaes temos os seguintes exemplos de fenmenos,
considerados aleatrios:
Chave do totoloto em cada semana;
Resposta de uma doena a um tratamento feito com determinado medicamento;
Estado do tempo no dia seguinte;
Comportamento dos eleitores nas prximas eleies legislativas;
Comportamento de um aluno no exame de resposta mltipla, para o qual no estudou;
Comportamento do mercado perante um produto novo para lavar a roupa;
Etc.
importante apercebermo-nos do que que significa a regularidade a longo termo de que

falmos anteriormente.
Ser que o acaso pode ser governado? Ento no estamos a admitir que a longo termo
possvel obter um padro genrico de comportamento do fenmeno aleatrio?
Efectivamente, quando observamos o fenmeno em estudo um nmero suficientemente grande
de vezes verifica-se um comportamento que pode ser modelado, isto podemos arrranjar um
modelo para exprimir a aleatoriedade. Mas ateno! Esta regularidade no existe a no ser a
longo termo!
Exemplo 1.1.1 Na situao comum do lanamento de uma moeda ou de um dado, no
podemos dizer qual a face que sai no prximo lanamento. No entanto se lanarmos a moeda ou
o dado um nmero razovel de vezes, esperamos que aproximadamente metade das vezes saia
cara e aproximadamnete um sexto das vezes saia a face 1 do dado. Suponha agora que lana a
Junho 2003
moeda 8 vezes e que obteve a seguinte sequncia (representamos a cara por F e a coroa por
C):
C, F, C, C, F, F, F, F
Se lanar novamente a moeda, o que que espera que saia? Embora lhe apetecesse dizer que
no prximo lanamento mais provvel que saia coroa (C), para equilibrar o nmero de caras
com o nmero de coroas, na verdade no prximo lanamento tanto pode sair cara como coroa,
j que os sucessivos lanamentos da moeda so independentes uns dos outros (a moeda no
tem memria).
Exemplo 1.1.2 (adaptado de Moore, 1997) A regularidade a longo termo se no for bem
compreendida, pode acarretar alguns dissabores! Foi o que aconteceu com aquele casal que
tinha planeado ter 4 filhos. Depois de nascerem 4 raparigas, e na expectativa de terem um
rapazinho, ainda tentaram mais 3 vezes e ficaram com uma linda equipa de 7 raparigas! Depois
destas 7 raparigas o mdico assegurou-lhes que era praticamente certo que o beb seguinte
fosse rapaz. Infelizmente para este casal, os fenmenos aleatrios que consistem em ter mais
uma criana ou lanar mais uma vez a moeda, so idnticos. Efectivamente 8 raparigas de
seguida, muito improvvel, mas uma vez nascidas 7 raparigas, no de todo improvvel que o
prximo beb fosse rapariga e era!
O objectivo da Teoria da Probabilidade o estudo dos fenmenos aleatrios, atravs de
modelos matemticos, a que chamamos modelos probabilsticos.
1.2 - Probabilidade e Estatstica

Ser possvel fazer Estatstica sem utilizar a Probabilidade? De um modo geral no! A maior
parte das vezes em que necessrio utilizar tcnicas estatsticas, estamos perante situaes em
que necessrio fazer inferncia estatstica, isto , pretendemos tirar concluses para um
grande conjunto de indivduos (Populao), a partir do estudo de um nmero restrito desses
indivduos (Amostra). Assim, quando a partir do estudo de uma amostra pretendemos inferir para
a populao de onde a amostra foi recolhida, existe sempre um grau de incerteza, associado
aleatoriedade da escolha da amostra, que medido em termos de Probabilidade. Alguns
exemplos ajudar-nos-o a desenvolver esta ideia.
Exemplo 1.2.1 Admita que tem uma moeda equilibrada. Mas o que uma moeda equilibrada?
aquela em que estamos a admitir, partida, que existe igual possibilidade de sair cara ou
coroa no prximo lanamento que faamos com ela estamos a admitir o princpio da simetria,
Junho 2003
de que falmos anteriormente. Estamos, assim, a admitir, na nossa cabea, um modelo

matemtico em que assumimos que em qualquer lanamento da moeda, a probabilidade de sair
cara igual de sair coroa e igual a 1/2:
Modelo para o resultado do lanamento da moeda equilibrada
Resultado
Cara (F)
Coroa (C)
Probabilidade
1/2
1/2
No nos estamos a preocupar, por exemplo, com a fora ou direco com que atiramos a
moeda, nem to pouco com o desgaste acusado pela moeda aps sucessivos lanamentos!
Tambm no estamos a encarar a hiptese da moeda cair de p! Se nos estivssemos a
preocupar em arranjar um modelo que traduzisse mais fielmente a realidade, estaramos a
arranjar um modelo matemtico to complicado que seria impossvel de tratar e no nos serviria
para nada. O estatstico George Box dizia:
Todos os modelos so maus, alguns modelos so teis.
Assumindo ento o modelo anterior, um pouco simplista, para o lanamento da moeda, se
lanarmos a moeda repetidas vezes, esperamos que o nmero de caras seja aproximadamente
metade do nmero de lanamentos. Se, por outro lado, recolhermos uma amostra de dimenso
1, isto , fizermos um nico lanamento, no sabemos qual o resultado que se vai verificar, se
ser cara ou coroa, mas dizemos que a probabilidade de sair cara 1/2.
Suponha agora que no podamos invocar o princpio da simetria, isto , no sabamos se a
moeda era equilibrada. Neste caso a Populao que estamos a estudar no completamente
conhecida, pois conhecemos os resultados possveis em cada lanamento, mas no
conhecemos as suas probabilidades - o modelo no est completamente especificado. Como
obter alguma informao, para especificar um modelo para o lanamento da moeda? Um modo
possvel de obter mais alguma informao sobre o modelo probabilstico proceder a um certo
nmero de lanamentos e calcular a frequncia relativa da sada de cara, nos lanamentos
efectuados. Este valor vai-nos servir para estimar a probabilidade da sada de cara. Por
exemplo, se em 1000 lanamentos se obtiveram 324 caras, dizemos que um valor aproximado
para a probabilidade de se verificar cara 0.324 (ao fim de 1000 lanamentos verificou-se uma
certa estabilidade volta deste valor) e o valor aproximado para a probabilidade de sair coroa
ser 0.676.
Junho 2003
O comportamento de grandes grupos de indivduos, pode ser tambm considerado aleatrio e o

processo utilizado para definir um modelo, o de verificar o que que se passa com um grande
conjunto de indivduos.
Exemplo 1.2.2 (Moore, 1997) Se nos perguntassem qual a probabilidade de uma determinada
pessoa morrer no prximo ano, obviamente que no saberamos dizer. No entanto, se
observarmos milhes de pessoas, poderemos obter um padro para o comportamento das
mortes. assim que poderemos dizer que a proporo de homens, com idades compreeendidas
entre 25 e 34 anos, que morrero no prximo ano, anda volta de 0.0021. Esta proporo,
verificada para um conjunto grande de indivduos, ser entendida como a probabilidade de que
um homem jovem morra no prximo ano. Para as mulheres com aquela idade, a probabilidade
de morrer ser cerca de 0.0007. Estamos, a partir da observao de resultados verificados numa
amostra, a inferir para toda a populao constituda pelos indivduos da classe etria
considerada. Estes modelos tm muito interesse para as companhias de seguros, quando se
trata nomeadamente de seguros de vida, j que lhes vai permitir definir uma poltica de preos
para as aplices, sendo at natural que cobrem mais por um seguro de vida a um homem, do
que a uma mulher.
Com os exemplos anteriores tentmos exprimir o papel relativo da Probabilidade e da Estatstica.
Enquanto que ao assumirmos um determinado modelo de probabilidade Populao conhecida,
o que foi feito ao admitir que a moeda era equilibrada, estamos aptos a raciocinar do geral para o
particular, isto , da Populao para a Amostra, quando a Populao no conhecida utilizamos
a Estatstica para fazer raciocnios no sentido inverso, isto , inferir para a Populao resultados
observados na Amostra.
Para formalizarmos um pouco o conceito de Probabilidade, vamos introduzir alguma terminologia
prpria.
1.3
Experincia aleatria. Espao de resultados.

Acontecimentos.
Dissemos anteriormente que o objectivo da Teoria da Probabilidade o de estudar fenmenos

aleatrios, construindo modelos matemticos, a que chamamos modelos de probabilidade, que
os possam descrever convenientemente. A noo mais bsica para a formalizao desta teoria
a de experincia aleatria.
Junho 2003
Experincia aleatria o processo de observar um resultado de um fenmeno aleatrio. Numa

experincia aleatria obtm-se um resultado, de entre um conjunto de resultados conhecidos de
antemo, mas no se tem conhecimento suficiente de qual o resultado que sai em cada
realizao da experincia. Admite-se ainda que a experincia se pode repetir e que as
repeties so realizadas nas mesmas circunstnciias e so independentes.
Ao conjunto de todos os resultados possveis associados realizao de uma experincia
aleatria chamamos espao de resultados ou espao amostral.
Espao de resultados S conjunto cujos elementos so os que consideramos como possveis,

ao modelar um fenmeno aleatrio.
Exemplos de experincias aleatrias e de espaos de resultados associados:
Exemplo 1.3.1 Considere a experincia aleatria que consiste em perguntar primeira pessoa
que encontrar na rua, num determinado dia, ao sair de casa, qual o seu estado civil. O espao de
resultados constitudo pelos resultados
S = {Solteiro(a), casado(a), vivo(a), divorciado(a)}
Exemplo 1.3.2 Considere a experincia aleatria que consiste em perguntar a duas pessoas
escolhidas ao acaso, de uma dada cidade, quem ganha o prximo jogo Benfica Sporting. Um
conjunto que parece sensato escolher como espao de resultados
S = {(Benfica, Benfica), (Benfica, Sporting), (Benfica, Empate), (Sporting, Benfica), (Sporting,
Sporting), (Sporting, Empate), (Empate, Benfica), (Empate, Sporting), (Empate, Empate)}
Exemplo 1.3.3 Considere a experincia aleatria que consiste em, ao acordar num
determinado dia, ir janela e contar o nmero de carros encarnados que passam, num perodo
de 5 minutos. O espao de resultados constitudo pelos resultados
S = {0, 1, 2, 3, }
Exemplo 1.3.4 Quantidade de chuva que medida, num determinado dia, pelo Instituto de
Meteorologia, na estao do Aeroporto da Portela. O espao de resultados constitudo pelos
resultados
S = {t: t 0 } = [0, +[
Junho 2003
10
Como se depreende dos exemplos anteriores, podemos ter espaos de resultados finitos,
infinitos numerveis ou infinitos no numerveis.
Acontecimento um conjunto de resultados de uma experincia aleatria, isto , um
subconjunto do espao de resultados S.
Aos acontecimentos constitudos por um nico resultado, chamamos acontecimentos
elementares.
Exemplo 1.3.5 (Graa Martins et al, 1999) - Considere a experincia aleatria que consiste em
1
lanar dois dados e verificar as faces que ficam voltadas para cima. Identifique um espao de
resultados e os acontecimentos o nmero de pintas igual nos dois dados e a soma das
pintas 7.
Para descrever um espao de resultados vamos considerar dois dados, um preto e um branco,
para os distinguir. Neste contexto, o espao de resultados constitudo por todos os pares de
dados considerados na figura a seguir. O nmero de elementos do espao de resultados 36 =
6 6.
O espao anterior pode ser descrito de forma mais sinttica considerando os pares ordenados
(i,j), onde representamos por i o nmero de pintas do dado 1, ou seja do dado preto, e por j o
nmero de pintas do dado 2, ou seja do dado branco:
S = {(i,j): i=1,2,...,6; j=1,2,...6} = {1, 2, 3, 4, 5, 6}
No texto, um dado constitudo por 6 faces, com 1, 2, 3, 4, 5 ou 6 pintas, a menos que seja explicitamente referido o
contrrio.
2
O espao de resultados associado experincia aleatria em causa vai ser escolhido de forma
a que os resultados sejam equiprovveis, o que torna possvel a utilizao da regra de Laplace,
como veremos posteriormente. Um espao de resultados no equiprovveis seria S = {(1,1),
(1,2), (1,3), (1,4), (1,5), (1,6), (2,2), (2,3), (2,4), (2,5), (2,6), (3,3), (3,4), (3,5), (3,6), (4,4), (4,5),
(4,6), (5,5), (5,6), (6,6)}, construdo admitindo que os dados no so distinguveis.
Junho 2003
11
Chamamos a ateno que, por exemplo, o par (1,3) no o mesmo que o par (3,1). No par
ordenado, o primeiro elemento refere-se a um dos dados (neste caso o dado preto) e o segundo
elemento refere-se ao outro dado (o dado branco).
O acontecimento o nmero de pintas igual nos dois dados constitudo pelos pares
assinalados na figura seguinte, por uma linha a tracejado:
ou em notao em termos dos pares ordenados

A = { (1,1), (2,2), (3,3), (4,4), (5,5), (6,6)}
Finalmente o acontecimento a soma das pintas 7 constitudo pelos pares assinalados na
figura seguinte
ou em notao em termos dos pares ordenados

B = {(1,6), (2,5), (3,4), (4,3), (5,2), (6,1)}
Qual a diferena entre o espao de resultados associado experincia aleatria do lanamento
de dois dados e a experincia que consiste no lanamento do mesmo dado duas vezes? No
existe diferena, o espao de resultados idntico nas duas experincias. Considermos dados
Junho 2003
12
de cores distintas para justificar a nossa opo para descrever S como um conjunto de pares
ordenados, mas bvio que este mesmo espao serve para modelar o lanamento de dois
dados idnticosou dois lanamentos de um mesmo dado.
Nota Associado experincia que acabmos de descrever no exemplo anterior, poderamos
ter considerado o seguinte espao de resultados:
S = { sarem dois 1s, sair um 1 e um 2, sair um 1 e um 3, sair um 1 e um 4, sair um 1 e um 5,
sair um 1 e um 6, sarem dois 2s, sair um 2 e um 3, sair um 2 e um 4, sair um 2 e um 5, sair um
2 e um 6, sarem dois 3s, sair um 3 e um 4, sair um 3 e um 5, sair um 3 e um 6, sarem dois 4s,
sair um 4 e um 5, sair um 4 e um 6, sarem dois 5s, sair um 5 e um 6, sarem dois 6s}
Qual a desvantagem em considerar este espao de resultados? Como veremos mais frente, se
o espao de resultados for constitudo por resultados igualmente possveis, o que no acontece
nesta situao, podemos utilizar a regra de Laplace, para atribuir probabilidades a
acontecimentos associados ao fenmeno em estudo.
Exemplo 1.3.6 (Graa Martins et al, 1999) - Se lanar 3 dados e verificar as faces que ficam
voltadas para cima, como constitudo o espao de resultados associado a esta experincia
(admita que os 3 dados so distinguveis)?
Utilizando uma generalizao da notao do exemplo anterior, o espao de resultados ser
constitudo por todos os triplos (i, j, k), em que o i, j e k, podem assumir os valores de 1 a 6. O i
refere-se a um dos dados, por exemplo o 1 a ser lanado, ou se os quisermos distinguir a um
dado preto, o j refere-se ao 2 dado a ser lanado, ou a um dado branco e finalmente o k referese ao 3 dado a ser lanado, ou a um dado vermelho. O nmero de elementos do espao de
resultados, ou seja, o nmero de resultados possveis 216 = 6
6.
Nota histrica (Statistics, 1991) - No sculo XVII, os jogadores italianos costumavam fazer apostas sobre o
nmero total de pintas obtidas no lanamento de 3 dados. Acreditavam que a possibilidade de obter um
total de 9 era igual possibilidade de obter um total de 10. Por exemplo, diziam que uma combinao
possvel para dar um total de 9 seria
1 pinta num dos dados, 2 pintas num outro dado, 6 pintas no terceiro dado
Abreviando o resultado anterior para 1 2 6, todas as combinaes para dar o 9 so:
126
135
144
234
225
333
Analogamente, obtinham 6 combinaes para o 10:
145
136
226
235
244
334
Assim, os jogadores argumentavam que o 9 e o 10 deveriam ter a mesma possibilidade de se verificarem.
Contudo, a experincia mostrava que o 10 aparecia com uma frequncia um pouco superior ao 9. Pediram
a Galileu que os ajudasse nesta contradio, tendo este realizado o seguinte raciocnio: Pinte-se um dos
dados de branco, o outro de cinzento e o outro de preto. De quantas maneiras se podem apresentar os trs
dados depois de lanados? O dado branco pode apresentar 6 possibilidades diferentes. Para cada uma
destas possibilidades o dado cinzento pode apresentar 6 possibilidades, obtendo-se 6 6 possibilidades
Junho 2003
13
para os dois dados. Correspondendo a cada uma destas possibilidades, o dado preto pode apresentar 6
possibilidades obtendo-se no total 6 6 6 = 216 possibilidades. Galileu listou todas as 216 maneiras de 3
dados se apresentarem depois de lanados. Depois percorreu a lista e verificou que havia 25 maneiras de
obter um total de 9 e 27 maneiras de obter um total de 10.
O raciocnio dos jogadores no entrava em linha de conta com as diferentes maneiras como os dados se
podiam apresentar. Por exemplo o triplo 3 3 3, que d o 9, corresponde unicamente a uma forma de os
dados se apresentarem, mas o triplo 3 3 4 que d o 10, corresponde a 3 maneiras diferentes:
pelo que o raciocnio dos jogadores deve ser corrigido de acordo com a tabela seguinte:
Triplos para o 9 N de maneiras Triplos para o 10 N de maneiras
de obter o triplo
de obter o triplo
1
2
6
6
1
4
5
6
1
3
5
6
1
3
6
6
1
4
4
3
2
2
6
3
2
3
4
6
2
3
5
6
2
2
5
3
2
4
4
3
3
3
3
1
3
3
4
3
Total
25
Total
27
Tem especial interesse em Estatstica os modelos probabilsticos associados a situaes de

amostragem, isto , situaes em que se escolhe de forma aleatria alguns indivduos de uma
certa populao.
Extraces com reposio e sem reposio

Colocaram-se (Graa Martins et al, 1999) numa caixa 3 papis com o nome de 3 meninas: Ana,
Maria e Filipa. Considere a experincia aleatria que consiste em retirar da caixa 2 papis e
verificar os nomes que saram. Qual o espao de resultados? Para responder a esta questo
necessrio saber se a extraco se faz com reposio, isto , se uma vez retirado um papel e
verificado o nome se volta a colocar o papel na caixa, antes de proceder extraco seguinte,
ou se a extraco feita sem reposio, isto , uma vez retirado um papel, ele no reposto
antes de se proceder prxima extraco. No esquema seguinte procuramos representar as
duas situaes.
Junho 2003
14
Admitimos que na 1 extraco saiu o papel com o nome da Maria. Na 2 extraco, saiu o nome
da Filipa nos dois casos, mas na extraco com reposio havia uma possibilidade em trs de
ele sair, tal como na 1 extraco, enquanto que na extraco sem reposio havia uma
possibilidade em duas de ele sair. Quer dizer que neste caso havia uma maior probabilidade de
sair o nome da Filipa. Os espaos de resultados Sc e Ss correspondentes s duas situaes com
reposio e sem reposio, so respectivamente:
Sc = {(Ana, Ana), (Ana, Maria), (Ana, Filipa), (Maria, Ana), (Maria, Maria), (Maria, Filipa), (Filipa,
Ana); (Filipa, Maria), (Filipa, Filipa)}
Ss = {(Ana, Maria), (Ana, Filipa), (Maria, Ana), (Maria, Filipa), (Filipa, Ana), (Filipa, Maria)}.
O acontecimento saiu o nome da Maria constitudo pelos seguintes resultados, considerando
a extraco com reposio e sem reposio, respectivamente:
Ac= {(Ana, Maria), (Maria, Ana), (Maria, Maria), (Maria, Filipa), (Filipa, Maria)}
e As = {(Ana, Maria), (Maria, Ana), (Maria, Filipa), (Filipa, Maria)}.
Exemplo 1.3.7 - Considere a experincia aleatria que consiste em extrair 2 berlindes, de um
saco com 3 berlindes vermelhos e 2 azuis. Qual o espao de resultados?
Para j necessrio saber se a extraco se faz com reposio ou sem reposio. Vamos
considerar as duas situaes. Para identificar o espao de resultados ser mais fcil numerar os
berlindes, pelo que vamos numerar os berlindes vermelhos com 1, 2 e 3 e os azuis com 4 e 5.
Com reposio - Quando se retira um berlinde verifica-se a cor e torna-se a repor o berlinde no
saco antes de extrair o prximo. O espao de resultados constitudo por todos os resultados,
em nmero de 25, do esquema seguinte:
Junho 2003
15
Sem reposio - Neste caso o espao de resultados constitudo por todos os resultados do
espao do esquema anterior, exceptuando os pares constitudos pelo mesmo berlinde:
O acontecimento tirar 2 berlindes de cor diferente constitudo pelos resultados {(1,4), (1,5),
(2,4), (2,5), (3,4), (3,5), (4,1), (4,2), (4,3), (5,1), (5,2), (5,3)} tanto no esquema com reposio,
como sem reposio.
Junho 2003
16
1.3.1 Operaes com acontecimentos

Uma tcnica utilizada para visualizar acontecimentos consiste em utilizar um rectngulo para
representar o espao de resultados e crculos para representar os acontecimentos. A essas
representaes chamamos diagramas de Venn. Vamos utilizar esses diagramas para apresentar
a terminologia utilizada quando falamos de acontecimentos.
Assim, representando os acontecimentos por A, B, C, ..., temos:
- Acontecimento Complementar do acontecimento A:
C
O acontecimento complementar do acontecimento A, representa-se por A ou A
e o
acontecimento constitudo por todos os resultados de S, que no esto em A.
- Acontecimento A implica B
O acontecimento A implica a realizao do acontecimento B, quando todo o resultado de A um
resultado de B; indica-se este facto escrevendo A B.
S
A
- Acontecimento Interseco
Interseco dos acontecimentos A e B, AB, ou (A e B) o acontecimento que se realiza sse A
e B se realizam simultaneamente.
- Acontecimento Unio
Unio dos acontecimentos A e B, AB, ou (A ou B) o acontecimento que se realiza sse A ou
B se realizam.
Junho 2003
17
- Acontecimentos Disjuntos
Acontecimentos disjuntos ou acontecimentos mutuamente exclusivos, so acontecimentos
em que a realizao de um deles implica a no realizao do outro.
- Acontecimento Diferena
Acontecimento diferena entre A e B, A-B, o acontecimento que se realiza sse A se realiza,
sem que B se realize.
- Acontecimento Impossvel
Acontecimento impossvel o acontecimento que resulta da interseco de acontecimentos
mutuamente exclusivos. Analogamente ao que se passa na teoria dos conjuntos, representa-se
por ( smbolo do conjunto vazio, mas que aqui se l acontecimento impossvel e no
acontecimento vazio). Com esta notao introduzida para o acontecimento impossvel, temos:
Se dois acontecimentos so disjuntos, ento AB =
Junho 2003
18
Junho 2003
19
2. Modelos de Probabilidade
Junho 2003
20
Junho 2003
21
2.1 Modelos de probabilidade em espaos finitos

2.1.1 - Introduo
Dissemos anteriormente que o nosso objectivo definir modelos de probabilidade para
fenmenos aleatrios, que nos interessem estudar. Em espaos finitos, esta definio implica:
-
A identificao de um espao de resultados;
Uma forma de atribuir probabilidades a cada um dos resultados, isto , aos

acontecimentos elementares.
O processo de atribuir probabilidades deve ser tal, que algumas regras bsicas devam ser
satisfeitas para todos os modelos. Vamos ento considerar as seguintes regras, que so
intuitivas:
Regra 1 Uma probabilidade deve ser um nmero entre 0 e 1;
Regra 2 O conjunto de todos os resultados possveis tem probabilidade igual a 1;
Admitamos, para j, que tnhamos um processo de definir um modelo de probabilidade. Uma vez
definido esse modelo de probabilidade, como obter a probabilidade de acontecimentos?
Uma vez que um acontecimento um conjunto de resultados, vamos definir a probabilidade do
acontecimento A, que representamos por P(A), custa das probabilidades dos resultados qur
compem A:
Em espaos finitos, a probabilidade de um acontecimento A a soma das probabilidades dos
acontecimentos elementares que compem A.
Exerccios:
1. Para cada uma das situaes descritas a seguir, diga se constituem, ou no, modelos de
probabilidade. Justifique.
a) Quando se lana uma moeda, P(Cara) = 0.48 e P(Coroa) = 0.52
b) Quando se lana um dado, P(Face 1) = 0.20, P(Face 2) = 0.20,
P(Face 3) = 0.20, P(Face 4) = 0.20, P(Face 5) = 0.20, P(Face 6) = 0
c) Quando se lanam duas moedas, P(Cara, Cara) = 0.25,
P(Cara, Coroa) = 0.25, P(Coroa, Cara) = 0.25, P(Coroa, Coroa) =0.25
Junho 2003
22
d) Quando se lanam duas moedas, P(Cara, Cara) = 0.30,

P(Cara, Coroa) = 0.30, P(Coroa, Cara) = 0.30, P(Coroa, Coroa) =0.30
e) Quando se lana um dado, P(Face 1) = 0.20, P(Face 2) = 0.30,
P(Face 3) = 0.30, P(Face 4) = 0.20, P(Face 5) = 0.20, P(Face 6) = -0.20
2. O estatstico da equipa de andebol de uma certa escola, com base no historial de jogos
anteriores com o mesmo adversrio, sugeriu o seguinte modelo probabilstico para o resultado
final do prximo jogo:
Resultado
Probabilidade
Vitria
Empate
Derrota
0.4
0.1
0.5
O treinador, que acha que a equipa est a atravessar um bom momento de forma, de opinio
que a probabilidade de Vitria dever ser igual a 0.6 e no 0.4. Admitindo que a probabilidade de
Empate no se altera, qual a probabilidade da equipa vir a ser derrotada?
3. Um adepto da equipa anterior apresentou o seguinte modelo para o nmero de pontos
marcados pela equipa:
Nmero de pontos
De 0 a 10
De 5 a 15
Mais do que 15
0.3
0.6
0.3
Probabilidade
Ser que esta tabela representa um modelo probabilstico?

4. Quando questionado para predizer o campeo de basquetebol da Atlantic Coast Conference,
Las Vegas Zeke disse: - A probabilidade da North Carolina ganhar o dobro da de Duke. Noth
Carolina State e Virginia tm cada um uma probabilidade igual a 0.1 de ganharem, mas a
probabilidade de Duke o triplo daquela. Mais nenhuma outra equipa tem qualquer chance. Ser
que o modelo proposto por Zeke pode ser considerado um modelo de probabilidade para as oito
equipas do encontro? (Moore et al, 1996 )
5. As caixas de Smarties contm pastilhas de vrias cores. Com base no que o fabricante diz,
temos a seguinte tabela, para as probabilidades de obter uma pastilha de cada uma das
seguintes cores, quando seleccionada ao acaso:
Cor
Verde
Vermelha
Amarela
Castanha
Laranja
Roxa
Probabilidade
0.3
0.2
0.2
0.1
0.1
O fabricante esqueceu-se de dizer qual a probabilidade de obter a cor roxa.

a) Proponha uma probabilidade para a cor roxa de forma a obter um modelo de
probabilidade.
Junho 2003
23
b) Selecciona uma pastilha de uma caixa. A partir do modelo assumido anteriormente,

calcule a probabilidade de a cor ser:
1) Verde ou Vermelha
2) Verde, Vermelha ou Amarela
3) No ser Laranja
4) Ser Lils
5) Ser Verde, ou Vermelha, ou Amarela, ou Castanha, ou Laranja ou Roxa
6. Segundo o Census 91 um possvel modelo para o nmero de filhos em famlias

monoparentais o seguinte:
Nmero de filhos
Probabilidade
0.23 0.38 0.25 0.07
4
?
Mais do
que 5
0.03
Sabendo que a probabilidade de uma famlia ter 4 filhos um valor que est entre 0.01 e 0.02,
entre que valores estar a probabilidade de uma famlia ter 5 filhos?
7. Segundo o Census 2001, a populao portuguesa residente distribui-se segundo o seguinte
modelo:
Continente
Norte
MF
Probabilidade
0.356
Norte
M
Probabiliddae
0.357
*Lisboa e Vale do Tejo
Centro
MF
0.227
Centro
M
0.226
LVT*
MF
0.257
LVT(1)
M
0.255
Aores
Alentejo
MF
0.075
Alentejo
M
0.075
Algarve
MF
0.038
Algarve
M
0.039
MF
0.023
Aores
M
0.024
Madeira
MF
0.024
Madeira
M
0.023
a) Verifique se os modelos anteriores podem ser considerados modelos de probabilidade

para a distribuio da populao residente, quer consideremos indiferentemente o sexo
masculino e feminino ou s o sexo masculino.
b) Escolhendo ao acaso um indivduo de nacionalidade portuguesa, residente em Portugal,
qual a probabilidade de ser residente:
i)
No Continente
ii)
Nos Aores ou na Madeira
iii)
Fora do Continente
c) Escolhendo um homen ao acaso da populao portuguesa, qual a probabiliddae de ser

um homem do Norte?
8. Um aluno do 9 ano de escolaridade pode dar, no mximo, 12 faltas a Matemtica. Numa

certa escola fez-se um levantamento do nmero de faltas dadas a Matemtica pelos 125 alunos
do 9 ano, tendo-se obtido
Junho 2003
24
N de faltas
0
1
2
3
4
5
6
7
8
9
10
11
12
N de alunos
1
6
15
12
20
25
12
5
5
7
5
10
?
a) Determine o nmero de alunos que esto tapados por faltas.

b) Construa um modelo de probabilidade para a varivel X que representa o nmero de faltas
dadas a Matemtica por um dos 125 alunos do 9 ano dessa escola, escolhido ao acaso.
c) Com base no modelo da alnea anterior, calcule a probabilidade de um aluno ter menos de 3
faltas ou mais de 10.
Junho 2003
25
2.1.2 - Modelos de probabilidade em situaes de simetria. Regra de

Laplace
Consideremos de novo a experincia aleatria que consiste em lanar dois dados, dado1 e
dado2, e em verificar as faces que saem. Recordemos que o espao de resultados que
escolhemos para modelar esta experincia aleatria foi S = {(I,j), i=1, , 6; j= 1, , 6}, com
cardinal 6 6 = 36. Admitindo que os dados foram bem construdos, isto , que so simtricos,
razovel admitir que qualquer um destes resultados tem igual possibilidade de sair, pelo que lhe
atribumos a probabilidade 1/36. Obtemos assim o seguinte modelo de probabilidade:
P(sair face i no dado1 e face j no dado2) =
P(Face dado1=i, Face dado2=j) =
1
, i = 1, 2, ,6; j = 1, 2, ,6.
36
No lanamento de 2 dados, qual a probabilidade de obter uma soma igual a 7?

Os acontecimentos elementares que compem o acontecimento soma igual a 7 nos dois dados
so: (1,6), (2,5), (3,4), (4,3), (5,2) e (6,1). Como cada um destes acontecimentos elementares
tem probabilidade 1/36, vem que
P(soma igual a 7 nos dois dados) =
6
1
=
36
6
Repare-se que para obter a probabilidade anterior dividimos o nmero de casos favorveris
ocorrncia do acontecimneto, pelo nmero de casos possveis.
Exemplo 2.1.1 (Lusa Loura et al, 2002) - Suponhamos que numa turma com 20 alunos, 5 deles
tm 15 anos, 8 tm 16 anos e 7 tm 17 anos. No dispondo de qualquer outra informao
(como, por exemplo, a forma como os alunos esto sentados) qual o modelo probabilstico que
consideraria para a idade do 1 aluno a sair da sala aps o toque?
A resposta natural a esta questo
Idade do 1 aluno a sair da sala

Probabilidade
15
16
17
5/20
8/20
7/20
Este o modelo apropriado se admitirmos que qualquer dos alunos tem igual probabilidade de
ser o primeiro a sair da sala, ou seja, que qualquer dos alunos tem probabilidade 1/20 de ser o
Junho 2003
26
primeiro a sair. Como h 5 alunos com 15 anos obtemos o valor 5/20 para a probabilidade de
que saia primeiro um aluno de 15 anos, por exemplo.
E qual o modelo que consideraria para a idade dos 2 primeiros alunos a sair da sala?
Idade dos
2 primeiros
alunos a
sair da sala
Probabilid
ade
(15,15)
(15,16)
(15,17)
(16,15)
(16,16)
(16,17)
(17,15)
(17,16)
(17,17)
5/204/19 5/208/19 5/207/19 8/205/19 8/207/19 8/207/19 7/205/19 7/208/19 7/206/19
Observe-se que a sada de qualquer aluno faz alterar a composio da turma no que respeita s
idades dos alunos que ainda esto na sala (estamos a admitir que o aluno que sau da sala, no
voltou a entrar). Assim se o aluno que sair primeiro tiver 15 anos, dos 19 que ainda restam,
teremos 4 de 15 anos, 8 de 16 anos e 7 de 17 anos. com base neste facto que se obtm as
probabilidades indicadas.
Exerccio Obtenha o modelo de probabilidade adequado para a situao anterior, mas
admitindo que o primeiro aluno que sau, voltou a entrar.
Podemos ainda utilizar o modelo anterior para construir um modelo de probabilidade para a
soma e para a mdia das idades dos 2 primeiros alunos a sair da sala:
Soma das idades
dos 2 primeiros
alunos a sair da
sala
Mdia das idades
dos 2 primeiros
alunos a sair da
sala
Probabilidade
30
31
32
33
34
15
15.5
16
16.5
17
25/208/19
8/207/19+
25/207/19
28/207/19
5/204/19
7/206/19
Pressuposto de simetria
Qualquer um dos modelos apresentados nos exemplos anteriores foi construdo com base no
chamado pressuposto de simetria. Este termo deriva do facto de ser devido sua simetria fsica
que se atribui igual probabilidade sada de cada uma das faces de um dado. Sempre que ao
realizarmos uma experincia aleatria pudermos admitir que tudo se passa como se
estivssemos a lanar um dado homogneo e simtrico, ento no temos razo para no
atribuir igual probabilidade a todos os resultados da experincia. Analisemos o que se passa
com a experincia descrita no exemplo anterior. Temos 20 alunos de diferentes idades (5 de 15
anos, 8 de 16 anos e 7 de 17 anos) e um deles, ao acaso, sai da sala. Interessa-nos atribuir uma
probabilidade idade desse aluno. Em termos probabilsticos no h qualquer diferena entre
Junho 2003
27
esta experincia e o lanamento de um dado homogneo e simtrico de 20 lados, com 5 faces

numeradas com o 15, 8 faces numeradas com o 16 e 7 faces numeradas com o 17. Admitindo
que qualquer uma das faces (ou qualquer um dos alunos) tem igual probabilidade de sair,
deveremos atribuir o valor 1/20 probabilidade de sada de cada uma das 20 faces. Como 5
delas tm o nmero 15 inscrito, a probabilidade de sair uma face com o nmero 15 ser 5/20,
com o nmero 16 ser 8/20 e com o nmero 17 ser 7/20. O modelo obtido pois exactamente
o mesmo e deve-se salientar bem que o que esteve sempre na base do raciocnio foi o facto de
se estar a atribuir igual probabilidade a cada um dos 20 resultados elementares.
Quando todos os casos so equiprovveis a probabilidade de ocorrncia de um certo
acontecimento pode ser calculada dividindo o nmero de casos favorveis ocorrncia desse
acontecimento pelo total de casos possveis: a chamada Regra de Laplace ou definio
clssica de Probabilidade.
Dado o espao de resultados S constitudo por um nmero finito n de elementos, todos eles
igualmente possveis, define-se Probabilidade de um acontecimento A e representa-se por
P(A), como sendo a razo entre o nmero de resultados favorveis a A (resultados que
compem A) - nA e o nmero de resultados possveis (resultados que constituem S) - n:
P(A) =
nA
n
#A
#S
Exemplo 2.1.2 - Duas equipas de baseball, muito equilibradas, disputam um torneio de 4 jogos.
Regista-se o resultado de cada jogo (no est previsto o empate).
a) Descreva o espao de resultados associado experincia aleatria que consiste em verificar
quais os resultados da equipa 1 nos quatro jogos.
b) Seja A o acontecimento: A equipa 1 ganha exactamente 3 jogos. Quais os acontecimentos
elementares que compem A?
c) Atribua probabilidades aos acontecimentos elementares.
Resoluo:
a) O espao de resultados constitudo por todos os conjuntos de 4 elementos da figura
seguinte, onde representamos por G e P respectivamente a equipa 1 ganha ou perde.
b) Os acontecimentos elementares que compem A encontram-se assinalados com **.
c) Como admitimos que existe igual possibilidade da equipa ganhar ou perder em cada jogo,
natural esperar que cada resultado do espao de resultados tenha a mesma probabilidade, ou
seja 1/16.
Junho 2003
1 jogo
28
2 jogo
3 jogo
4 jogo
G
P
G
P
G
P
G
G
P
P
P
G
P
G
P
G
P
G
P
G
P
(GGGG)
(GGGP)
(GGPG)
(GGPP)
(GPGG)
(GPGP)
(GPPG)
(GPPP)
G
P
G
P
G
P
G
P
(PGGG)
(PGGP)
(PGPG)
(PGPP)
(PPGG)
(PPGP)
(PPPG)
(PPPP)
**
**
**
**
Se temos um modelo de probabilidade bem definido ser natural que se pretenda calcular a
probabilidade de qualquer acontecimento relacionado com a experincia em causa, e que no
seja um acontecimento elementar. A que ser igual ento a probabilidade do acontecimento A,
que representamos por P(A)? Uma vez que este acontecimento constitudo por 4
acontecimentos elementares, existem 4 possibilidades em 16 de ele se realizar, de forma que
P(A) = 4/16 = 1/4.
Nota: Embora esteja pressuposto na regra de Laplace, ou definio clssica de probabilidade,
como tambm se costuma referir esta regra, que o espao de resultados finito, no podemos
deixar uma vez mais de alertar para este facto. alis esta situao, a par com a dificuldade em
sabermos partida se os elementos do espao de resultados so igualmente possveis, que faz
com que esta teoria seja criticvel.
Exerccios:
1. O trabalho de um grupo constitudo pelo Antnio, Isabel, Ins, Rita e Ricardo, tem que ser
apresentado por dois dos seus elementos. Como nenhum quer apresentar o trabalho, decidiram
escrever 5 papelinhos com os respectivos nomes, met-los numa caixa e seleccionar 2 ao
acaso.
Junho 2003
29
a) Descreva o espao de resultados associado ao fenmeno aleatrio em estudo e

associe-lhe um modelo de probabilidade.
b) Qual a probabilidade do Antnio ser seleccionado para apresentar o trabalho?
c) Qual a probabilidade de serem duas raparigas a apresentar o trabalho?
2. No jogo do Monoplio o jogador lana dois dados e move-se de tantas casas quantas a soma
das pintas. Qual a probabilidade de mover exactamente 11 casas?
3. Tem duas caixas, em que na caixa A tem 3 bolas numeradas de 1 a 3, enquanto que na caixa
B tem 4 bolas numeradas de 1 a 4. Tira uma bola de cada caixa. Qual a probabilidade de retirar
da caixa B uma bola com um numero superior ao da caixa A?
4. Verifique que o seguinte par de dados se comporta da mesma maneira que dois dados
normais de 6 faces, quando estamos interessados na experincia aleatria que consiste em
lanar dois dados e verificar a soma das pintas das faces que ficam viradas para cima.
2
4
1
3
6
3
5. Suponha que lhe propem o seguinte jogo para o qual tem duas opes:
a) Lana um dado 120 vezes. Cada vez que sair um 1 ou um 6, ganha um euro;
b) Faz 120 extraes de uma caixa com 6 bolas, das quais 2 tm o nmero 1 e 4 o nmero
0. Cada vez que extarir o nmero 1 recebe 1 euro.
Qual das opes prefervel? Ou sero equivalentes?
Junho 2003
30
2. 2 Aproximao frequencista de probabilidade

Na definio de fenmeno aleatrio dissemos que se verificava uma regularidade a longo termo
para a qual se podia obter um padro genrico de comportamento. Esta regularidade estatstica
a base da aproximao conceptual para a probabilidade, segundo a definio frequencista. J
que o fenmeno aleatrio em estudo se pode observar repetidamente, vamos repetir a
experincia e registar a frequncia relativa com que cada resultado (acontecimento elementar)
ocorreu.
medida que o nmero de repeties da experincia aleatria aumenta, a frequncia relativa do
acontecimento elementar tende a estabilizar para um valor entre 0 e 1. Este valor, interpretado
como sendo a Probabilidade desse acontecimento elementar se realizar.
Suponhamos, por exemplo, a experincia aleatria que consiste no lanamento de uma moeda
ao ar e observar a face que fica virada para cima. Realizaram-se 100 lanamentos, tendo-se
obtido os seguintes resultados:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
cara
coroa
cara
cara
cara
coroa
coroa
coroa
coroa
coroa
cara
coroa
cara
coroa
cara
coroa
cara
cara
coroa
cara
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
cara
coroa
cara
cara
coroa
cara
cara
cara
coroa
cara
cara
coroa
coroa
cara
cara
coroa
cara
coroa
coroa
coroa
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
cara
cara
coroa
coroa
coroa
coroa
coroa
cara
cara
cara
coroa
cara
cara
cara
coroa
cara
coroa
cara
coroa
coroa
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
coroa
cara
coroa
coroa
coroa
coroa
coroa
cara
cara
cara
coroa
cara
cara
coroa
cara
cara
coroa
coroa
coroa
cara
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
cara
coroa
cara
cara
coroa
cara
cara
coroa
coroa
cara
coroa
coroa
coroa
coroa
cara
cara
coroa
cara
cara
cara
Se ao fim dos 100 lanamentos se verificaram 49 coroas, ento a frequncia relativa com que se
verificou o acontecimento sada de coroa foi de 0.49. O valor para que tende a frequncia
relativa da sada de coroa, ao fim de um grande nmero de lanamentos, interpretado como a
probabilidade do acontecimento sada de coroa.
Junho 2003
31
O grfico obtido para a frequncia relativa aps cada lanamento, tem o seguinte aspecto:
0.60
0.50
Freq . rel.
0.40
0.30
0.20
0.10
0.00
0
20
40
60
80
10 0
N de lana mentos
A frequncia relativa, medida que o nmero de provas aumenta, tem tendncia a estabilizar
volta do valor 0.5. Assim, aceitamos que a probabilidade de sair coroa 0.5.
Observao: Chamamos a ateno, ainda relativamente a este exemplo, para o seguinte: no
correcto dizer que medida que o nmero de lanamentos aumenta, o nmero de coroas se
aproxima de metade do nmero de lanamentos. A regularidade a longo termo significa que a
frequncia relativa da sada de coroa tende a estabilizar. Neste caso, ao fim de 100 lanamentos
o nmero de coroas foi de 49; se continussemos a fazer lanamentos poderia acontecer que ao
fim de 500, 1000, 2000 e 3000 lanamentos, o nmero de coroas obtidas fosse respectivamente
de 253, 495, 993 e 1510 como se apresenta na seguinte tabela:
N
lanamentos
N coroas
obtidas
x
Metade dos
lan.
y
|y - x|
Freq.
relativa
100
500
1000
2000
3000
49
253
495
993
1510
50
250
500
1000
1500
1
3
5
7
10
0.49
0.51
0.50
0.50
0.50
Como se verifica, pode acontecer que o nmero de coroas obtidas frequncia absoluta, se
afaste de metade do nmero de lanamentos, no impedindo que a frequncia relativa tenha
tendncia a estabilizar volta do valor 0.50.
Junho 2003
32
Define-se probabilidade (definio frequencista) de um acontecimento A e representa-se por

P(A) como sendo o valor obtido para a frequncia relativa da realizao de A, num grande
nmero de repeties da experincia aleatria.
Exemplo 2.2.1 - Suponha que lana um dado 1000 vezes e verifica a face que ficou voltada para
cima, tendo obtido os seguintes resultados:
Face
Freq. abs.
Freq. rel.(%)
1
2
3
4
5
6
159
163
160
161
86
271
15.9%
16.3%
16.0%
16.1%
8.6%
27.1%
Perante os resultados anteriores, um modelo de probabilidade que poderamos sugerir, seria o

seguinte:
Face
Probabilidade
1
2
3
4
5
6
16%
16%
16%
16%
9%
27%
Os resultados anteriores levam-nos a concluir que estamos perante um dado viciado, pois as
faces no tm todas a mesma probabilidade de sarem, como seria de esperar num dado
equilibrado.
Nota . Esta seco foi adaptada de (Graa Martins et al, 1999)
Ser que esta definio de probabilidade nos resolve os problemas que no nos resolvia a regra
de Laplace?
Obviamente que no! Nem sempre possvel submeter a atribuio da probabilidade de um
acontecimento realizao da experincia um nmero suficiente de vezes de modo a obter a
desejada convergncia.
Exemplo 2.2.2 (Alpuim, 1997) Suponha que vamos rodar uma roleta calibrada de 0 a 1, duas
vezes consecutivas:
Junho 2003
33
Se designarmos por x1 o resultado

da 1 vez e por x2 o resultado da 2
vez, o espao de resultados ser
S={(x1, x2) [0,1)x[0,1)}, cuja representao grfica se apresenta a
seguir:
Alguns acontecimentos associados a este espao de resultados so exemplificados a seguir:
A = {x2>1/3}
B = {x2+x1<1}
C = {min(x1,x2)<1/3}
D = {x2 > x1}
Como calcular a probabilidade destes acontecimentos e de outros do espao de resultados S?

Teramos de calcular a frequncia relativa para um nmero suficientemente grande de repeties
da experincia, para todos os acontecimentos de S, que tem um nmero infinito, no numervel,
de subconjuntos, o que tornaria a tarefa impraticvel. Neste caso seria intuitivo pensar que a
probabilidade associada a um acontecimento A[0,1)x[0,1) proporcional sua rea, ou seja,
P(A) = rea de A/rea de S = rea de A
No entanto, o que pretendemos no uma forma de atribuir probabilidades que sirva para um
determinado espao de resultados, mas sim uma forma mais geral, que possa ser aplicada a
todos os espaos amostrais, quer sejam finitos ou infinitos. Somos assim conduzidos definio
axiomtica de Probabilidade.
Junho 2003
34
2.3 Definio axiomtica de Probabilidade

Das seces anteriores j ficmos com a ideia que a probabilidade no mais do que uma
funo que associa a conjuntos acontecimentos, um nmero real entre 0 e 1. Como definir
ento, formalmente, um modelo probabilstico?
A questo foi resolvida pelos matemticos, no incio do sculo 20, que comearam por admitir
que dispunham de um conjunto S, a que chamaram espao de resultados. Tendo verificado que
no fazia sentido atribuir a cada elemento do espao de resultados, no caso contnuo, uma
probabilidade, optaram por probabilizar subconjuntos de S. Estabeleceram ento algumas regras
a que deveria obedecer uma funo P, quando aplicada a subconjuntos de S. Estas regras, a
que chamamos axiomas, decorreram de modo natural das propriedades verificadas pelos
modelos de probabilidade de Laplace ou frequencista.
Considere-se ento um espao de resultados S e uma classe W de subconjuntos de S
(acontecimentos). Admite-se que W satisfaz as seguintes condies:
-
Se um acontecimento A est em W, ento o seu complementar tambm est em W;
Se dois acontecimentos A e B esto em W, ento a sua unio AB tambm est em

W;
S est em W.
Dado o par (S, W), a cada elemento W, associa-se um nmero que se chama Probabilidade e
se representa por P(A). As probabilidades associadas aos acontecimentos de uma mesma
famlia de acontecimentos W, satisfazem as seguintes propriedades ou axiomas:
Axioma 1 Para qualquer elemento AW, P(A) 0
Axioma 2 P(S) = 1
Axioma 3 - Se os acontecimentos A e B so disjuntos, isto , AB=, ento
P(AB) = P(A) + P(B)
Antes de deduzir algumas propriedades que decorrem para a Probabilidade assim definida,
vamos ver que o modelo de Laplace e o modelo frequencista satisfazem a axiomtica que
acabmos de apresentar.
Modelo de Laplace como modelo da axiomtica de probabilidade
Junho 2003
35
O espao de resultados S para o modelo de Laplace sempre um conjunto finito, no vazio,

S={s1,s2,,sk}. Sabemos ainda que dado um subconjunto A de S a probabilidade de ocorrncia
de A dada por n de casos favorveis a A/ n de casos possveis ou, em termos de cardinais de
conjuntos, P(A)=#A/#S. Note-se que uma consequncia imediata desta regra de clculo das
probabilidades para o modelo de Laplace que a probabilidade de cada acontecimento
elementar Ei={si} igual a 1/k.
Demonstremos ento que P verifica os axiomas A1, A2 e A3:
P(A) o quociente entre um nmero inteiro no negativo e um nmero inteiro positivo

sendo por isso um nmero (racional) no negativo (o cardinal de um conjunto finito
sempre um nmero inteiro no negativo). Logo A1 verifica-se.
P(S) = # S =1. Logo A2 verifica-se.

#S
P(A B) =
# (A B)
# A #B se os conjuntos A e B forem disjuntos. Logo, para
=
#S
#S
A e B disjuntos, P(A B) =
#A
#B = P(A) + P(B) pelo que A tambm se
3
+
#S
#S
verifica.
Modelo frequencista como modelo da axiomtica da probabilidade
Suponhamos que ao realizar N vezes uma experincia aleatria se obteve os seguintes
resultados:
Resultados
Frequncias
s1
N1
s2
N2
sk
Nk
No modelo frequencista da probabilidade comeamos por considerar um conjunto S que

contenha os resultados observados {s1,s2,,sk}. Em cada realizao da experincia diz-se que
um acontecimento A ocorreu se o resultado da experincia for algum dos seus elementos. Numa
primeira fase considere-se que a probabilidade de ocorrncia do acontecimento A dada por
PN(A) =
n de vezes que A ocorreu nas N realiza

es da experi
ncia
N
Com esta definio os acontecimentos elementares {s i}, i=1,2,,k tm probabilidade Ni/N, onde
representamos por Ni a frequncia absoluta com que se verificou {s i}, e qualquer outro elemento
de S ter probabilidade nula. Assim sendo o espao S poder no ser equiprovvel. Vejamos
Junho 2003
36
agora que uma probabilidade definida por este processo verifica a axiomtica anteriormente
apresentada:
O n de vezes que A ocorreu sempre um inteiro no negativo. Logo P N(A)0 e A1

verifica-se.
Em cada realizao da experincia S ocorreu sempre, uma vez que S contm todos os
resultados observados. Logo PN(S) =
N
=1 e A2 verifica-se.
N
Dados dois conjuntos disjuntos A e B, em cada realizao da experincia se A ocorre

porque se obteve como resultado um dos elementos de A e, como tal, B no ocorre e
vice versa. Por outro lado, dizer que ocorre a reunio de A com B dizer que se obteve
como resultado um elemento si que ou est em A ou est em B mas no nos dois em
simultneo. Assim sendo cada ocorrncia de A contribui com um incremento de uma
unidade no n de ocorrncias de (AB) o mesmo acontecendo com cada ocorrncia de
B. O n total de ocorrncias de (AB) ser ento a soma do n total de ocorrncias de A
com o n total de ocorrncias de B o que prova que A3 tambm se verifica.
A definio frequencista de probabilidade diz-nos que P(A) o limite de PN(A) quando N tende
para infinito. Admitindo que se deu um sentido preciso palavra "limite" e que esse "limite"
verifica as propriedades usuais agora fcil de verificar que tambm aqui se tem a validade dos
trs axiomas. Na verdade para mostrar que se tem A3 basta utilizar o facto do limite da soma ser
a soma dos limites. O axioma A2 imediato pois a sucesso PN(S) constante, igual a 1. Para
provar A1 basta notar que se uma sucesso sempre no negativa ento o seu limite tambm
no negativo.
Junho 2003
37
2.4 Consequncias da definio axiomtica da Probabilidade

Com a ajuda dos diagramas de Venn, j utilizados para representar operaes entre
acontecimentos, e tendo em considerao os axiomas da Probabilidade, facilmente se mostram
as seguintes propriedades para a Probabilidade:
1 - P( ) = 0
2 - P( A ) = 1 - P(A)
3 - Se A B ento P(A) P(B)
B
A
B-A
P(B) = P(A) + P(B-A)
4 - Qualquer que seja o acontecimento A, 0 P(A) 1

Corolrio do resultado anterior.
5 - Quaisquer que sejam os acontecimentos A e B, tem-se a chamada regra da adio
S
A
P(A B) = P(A) +P(B) - P(A B)
AB= (B - A) (A B) (A - B) P(A B) =P(B - A) P(A B) P(A -B)

Atendendo a que P(B-A)=P(B)-P(A B), como facilmente se mostra, uma vez que B=(BA) (A B), vem o resultado pretendido.
Junho 2003
6. P(
n
i=1
Ai )
38
P(Ai ) se Ai A j para todo o i j . A demonstrao imediata usando a
i1
propriedade anterior e o mtodo da induo.
Nota - Axiomtica de Kolmogorov

Ao axioma 3 usual chamar axioma da aditividade finita. Este axioma no permite generalizar a
propriedade 6 para unies infinitas. Se admitirmos que o espao de resultados infinito
numervel (Um conjunto diz-se numervel se pudermos estabelecer uma aplicao bijectiva
entre ele e os naturais), S={s1, s2, }, ento seria desejvel que para qualquer subconjunto A de
S, finito ou no, a sua probabilidade fosse a soma das probabilidades dos acontecimentos
elementares que o compem. Assim, resolve-se o problema substituindo o axioma 3, pelo
seguinte axioma:
Axioma 3* - P(
i=1
Ai )
P(Ai ) se Ai A j para todo o i j
i1
Exemplo 2.4.1 - Num restaurante registaram-se, durante bastante tempo, os pedidos dos
clientes, tendo-se chegado concluso que, para terminar a refeio, 20% dos clientes pedem
s sobremesa, 40% pedem s caf e 30% pedem sobremesa e caf.
a) Construa um diagrama de Venn para ilustrar a situao anterior.
b) Determine a probabilidade do acontecimento pedir caf.
c) Determine a probabilidade do acontecimento no pedir sobremesa.
d) Determine a probabilidade do acontecimento pedir caf ou sobremesa.
e) Determine a probabilidade do acontecimento nem pede caf nem sobremesa.
f) Os acontecimentos pedir caf e pedir sobremesa so disjuntos?
Resoluo:
a)
b) P(Caf) = .30 + .40 = .70

c) P( Sob) = 1 - P(Sob)
= 1 - .50 = .50
Junho 2003
39
d) P(Caf ou Sob) = .90

________
e) P(Caf ou Sob,
) = 1 - P(Caf ou Sob)
= 1 - .90 = .10
f) Os acontecimentos no so disjuntos
Exemplo 2.4.2 (Graa Martins et al, 1999) - Numa loja de hamburgers, o gerente verificou que
em cada 100 hamburgers vendidos 45 tm queijo e 15 tambm tm cebola. Registos anteriores
permitem tambm concluir que a probabilidade de um cliente pedir um hamburger com cebola
.35. Qual a probabilidade de um cliente pedir um hamburger:
a) Com queijo ou cebola
b) Sem cebola nem queijo
c) S com cebola (alm da carne)
Resoluo:
Para representar os vrios acontecimentos envolvidos, vamos utilizar um diagrama de Venn,
onde representamos por Q o acontecimento presena de queijo e por C o acontecimento
presena de cebola
a) P(QC) = P(Q)+P(C) P(QC)
S
.45
.35
= .45 + .35 - .15 = .65

C
b) P( Q C ) = 1 - P(QC)
.15
= 1 - .65 = .35
c) P( C Q ) = P(C) P(QC)
= .35 - .15 = .20
Exemplo 2.4.3 (Parzen, 1960) - Num estudo sobre sexo, estado civil e habilitaes literrias de
um grupo de 1000 leitores de determinada revista, obtiveram-se os seguintes dados: 312 so do
sexo masculino, 470 so casados, 525 tm o liceu, 42 homens tm o liceu, 147 casados tm o
liceu, 86 homens so casados, e 25 homens casados tm o liceu. Verifique que estes dados no
so consistentes.
Resoluo:
Representando por M sexo masculino; C casado; L liceu, temos
P(M) = 0.312; P(C) = 0.470; P(L) = 0.525;
P(ML) = 0.042; P(CL) = 0.147; P(MC) = 0.086;
P(MCL) = 0.025
donde
P(MCL) = P(M) + P(C) + P(L) - P(ML) - P(CL) - P(MC) + P(MCL)
P(MCL) = 0.312 + 0.470 + 0.525 0.042 0.147 0.086 + 0. 025
Junho 2003
40
= 1.057
Este resultado impossvel pois o valor para a probabilidade no pode ser superior a 1.
Exerccio (Freedman et al, 1991) Diga se so verdadeiras ou falsas as seguintes asseres:
a) Uma caixa tem 10 bilhetes numerados de 1 a 10. Extraem-se 5 bilhetes, com reposio.
H uma probabilidade de 5/10 de obter pelo menos um 7. Explique.
b) Extrai-se um nmero aleatoriamente de uma caixa. H uma probabilidade de 20% de ser
menor ou igual a 10 e uma probbailidade de 10% de ser maior ou igual a 50. A
probabilidade de obter um nmero maior que 10 e menor que 50 0.7. Explique.
c) Lana-se um par de dados. A probabilidade de obter pelo menos um 1 1/6+1/6=1/3.
Explique.
Nota histrica (Adaptado de Statistics, Freedman) O paradoxo do Cavaleiro De Mr

No sculo XVII, os jogadores Franceses costumavam fazer apostas sobre os seguintes
acontecimentos: 1 jogo: lanar 4 dados e sair pelo menos um s (chama-se s face com 1 pinta); 2
jogo: lanar 24 vezes um par de dados e sair pelo menos um duplo-s (um par de dados com as faces
1). Um nobre Francs, o Cavaleiro De Mr, pensava que estes dois acontecimentos tinham igual
probabilidade. O seu raciocnio era o seguinte, relativamente ao primeiro jogo:
No lanamento de um dado, tenho uma probabilidade 1/6 de obter um s;
Assim, em 4 dados tenho uma probabilidade 4x1/6 de obter pelo menos um s:
O seu raciocnio relativamente ao segundo jogo era anlogo:
No lanamento de um par de dados tenho uma probabilidade 1/36 de obter um duplo-s.
Assim, em 24 lanamentos, terei uma probabilidade 24x1/36 de obter pelo menos um duplos.
Com este argumento, ambos os acontecimentos tinham a mesma probabilidade, igual a 2/3. Mas a
experincia mostrava que o primeiro acontecimento se observava mais vezes que o segundo! Esta
contradio ficou conhecida como o paradoxo do Chevalier de Mr.
De Mr questionou o filsofo Blaise Pascal sobre este problema, e Pascal resolveu-o com a ajuda do
seu amigo Pierre de Fermat. Fermat era um juz e membro do parlamento, que conhecido hoje pelas
investigaes matemticas que fazia nas horas vagas. Fermat mostrou que De Mr utilizava a regra
da adio (axioma 3) para acontecimentos que no eram mutuamente exclusivos ou disjuntos.
Efectivamente possvel obter um s tanto no 1 como no 2 lanamento de um dado. Alm do mais,
levando o argumento de De Mr um pouco mais longe, concluiramos que a probabilidade de obter
um s em 6 lanamentos de um dado seria 6/6, ou seja 1. Alguma coisa teria que estar mal.
A questo que se punha agora, era como calcular correctamente estas probabilidades. Pascal e
Fermat resolveram o problema, com um tipo de raciocnio matemtico, indirecto o que normalmente
deixa os no matemticos com o sentimento de que esto a ser enganados. Efectivamente, numa
resoluo directa como a proposta por Galileu (ver seco++++) afundar-nos-amos completamente:
4
com 4 lanamentos de um dado h 6 = 1 296 resultados possveis; com 24 lanamentos de um par de
Junho 2003
41
dados h 3624 2.2 x 10
37
resultados possveis. Infelizmente a conversa entre Pascal e Fermat
perdeu-se para a histria, mas apresentamos seguidamente uma reconstruo.

Pascal. Olhemos ento em primeiro lugar para o primeiro jogo.
Fermat. Vamos a isso. A probabilidade de ganhar difcil de calcular, pelo que vamos tentar calcular
a probabilidade do acontecimento complementar: a de perder. Ento
Probabildade de ganhar = 1 probabilidade de perder
Pascal. De acordo. O jogador perde quando nenhum dos 4 dados mostrar um s. Mas como que
calcula a probabilidade?
Fermat. Parece complicado. Vamos comear com um dado. Qual a probabilidade que o primeiro
dado no mostre um s?
Pascal. Tem que mostrar entre o 2 e o 6, pelo que essa probabilidade ser 5/6.
Fermat. isso. Agora, qual a probabilidade que os primeiros dois lanamentos no mostrem ases?
Pascal. A probabilidade que o primeiro lanlamento do dado no mostre um s 5/6 = 0.83(3), ou
seja, podemos dizer que se espera que em 83,(3)% das vezes que se faz o primeiro
lanamento no saia s. Para que no haja ases nos dois lanamentos, esperamos que em
83,(3)% dessas vezes tambm no haja s no segundo lanamento. Como 83.(3)% de
83.(3)% 83.(3)%x83.(3)%=69,(4)%, deveremos esperar que em 69,(4)% das vezes no
2
haja ases nos dois lanamentos. Repare-se que 69.(4)% no mais do que 5/6x5/6=(5/6) ,
ou seja, o produto da probabilidade de no sair s no primeiro lanamento pela
probabilidade de no sair s no segundo lanamento.
Fermat. Ento e com 3 lanamentos?
Pascal. Ser 5/6x5/6x5/6 = (5/6)
Fermat. Sim. E agora com 4 lanamentos?

Pascal. Deve ser (5/6)
Fermat. Est bem. Significa que se tem uma probabilidade de cerca de 48.2% de perder. Agora
Probabildade de ganhar = 100% 48.2% = 51.8%
Fermat. Ento a probabiliddae de ganhar o primeiro jogo um pouco superior a 50%. E no que diz
respeito ao segundo jogo?
Pascal. Bem, no lanamento de um par de dados, h uma possibilidade em 36 de obter um duplos, e 35 possibilidades em 36 de no o obter. Pelo mesmo argumento utilizado para o
primeiro jogo, em 24 lanamentos de um par de dados, a probabilidade de no obter um
24
duplo-s (35/36) .
Fermat. Que cerca de 50.9%. Ento como esta a probabilidade de perder, a
Probabildade de ganhar = 100% 50.9% = 49.1%
Pascal. Exactamente, o que d uma probabilidade um pouco inferior a 50%. C est a razo pela
qual se ganhava o segundo jogo com menos frequncia que o primeiro. Mas teria de lanar
o dado um grande nmero de vezes para se aperceber da diferena.
Junho 2003
42
Junho 2003
43
2.5 Probabilidade condicional e independncia

Num exemplo da seco 1.1 referimos que a moeda no tem memria. Efectivamente os
sucessivos lanamentos que se fazem com uma moeda so independentes, o que significa que
no possamos prever o que se vai verificar no prximo lanamento, com base no que se passou
em lanamentos anteriores.
Suponhamos agora o seguinte exemplo: Considera-se um baralho de cartas e extrai duas cartas.
Ganha 100 euros se a segunda carta for um rei de copas. Qual a probabilidade de ganhar os 100
euros?
Admita que joga este jogo segundo 2 cenrios:
1 cenrio No lhe permitem que veja a 1 carta;
2 cenrio Quando retira a 1 carta olha e v que o 7 de espadas.
Para obter aquela probabilidade podemos fazer o seguinte raciocnio:
1 cenrio - se o baralho est embaralhado, como pressuposto, a probabilidade do rei de
copas estar na 2 posio 1/52, j que h 52 posies possveis, todas
igualmente possveis, das quais s uma favorvel. Assim, P(Rei de copas)
= 1/52.
2 cenrio Neste caso temos 51 cartas por uma ordem aleatria, e estamos interessados
numa delas que o rei de copas. Ento P(Rei de copas) = 1/51.
Embora o acontecimento de que pretendamos calcular a probabilidade fosse o mesmo nos dois
casos, os contextos eram diferentes. No 1 caso estvamos procura da probabilidade de na 2
carta estar o Rei de copas, independentemente do que estivesse na 1 carta, enquanto que no 2
caso estvamos procura da probabilidade de na segunda carta estar o Rei de copas,
condicional a que na 1 carta estivesse o 7 de espadas. A esta probabilidade chamamos
probabilidade condicional.
O conceito de probabilidade condicional um dos conceitos mais importantes da Teoria da
Probabilidade e est relacionado com o facto de em muitas situaes em que se pretende
calcular a probabilidade de um acontecimento, j se dispor de alguma informao sobre o
resultado da experincia, a qual permite actualizar a atribuio de probabilidade a esse
acontecimento. uma noo, em geral, intuitiva, quando aplicada no clculo de probabilidades
de cadeias de acontecimentos (ao retirar bolas de uma urna sucessivamente, sem reposio, a
Junho 2003
44
composio da urna altera-se e a probabilidade de se retirar certo tipo de bola depende dos tipos
que saram nas extraces anteriores).
Outro tipo de exemplos que conduzem facilmente noo de probabilidade condicional so os
que envolvem a extraco (ou escolha) ao acaso de um indivduo de uma populao cujos
indivduos esto classificados segundo os nveis de duas (ou mais) categorias (escolha ao acaso
de um aluno de uma turma onde h rapazes, raparigas, filhos nicos e no filhos nicos).
Notar ainda que em situaes de escolha aleatria de um indivduo de uma populao, a
probabilidade de ocorrncia de A condicional ocorrncia de B no mais do que a
probabilidade de ocorrncia de A quando se escolhe ao acaso um indivduo da subpopulao
constituda unicamente pelos indivduos que verificam a caracterstica determinada pelo
acontecimento B.
Consideremos (Graa Martins, M. E. et al, 1999), por exemplo, a experincia aleatria que
consiste em lanar um dado e verificar o nmero de pintas que sai. A probabilidade do
acontecimento A, sair 1 ou 3 pintas 2/6, j que o nosso espao de resultados S, constitudo
por 6 casos igualmente possveis, dos quais 2 so favorveis realizao de A. Se, no entanto,
pretendermos a probabilidade desse mesmo acontecimento, sabendo de antemo que saiu um
nmero de pintas mpar, neste momento j o espao de resultados S, constitudo por 3
resultados, igualmente possveis, dos quais 2 so favorveis, pelo que a probabilidade
pretendida 2/3, o dobro da obtida anteriormente, quando no tnhamos nenhuma informao.
Exemplificando com um diagrama de Venn
Vejamos ainda uma outra situao. Suponhamos, por exemplo, a experincia aleatria que
consiste em retirar 2 bolas sem reposio, de uma caixa contendo 4 bolas brancas B1, B2, B3 e
B4 e 3 bolas pretas P1, P2, P3. Os N diferentes resultados obtidos na realizao da experincia
so:
Junho 2003
45
B1B2
B1B3
B1B4
B1P1
B1P2
B1P3
B2B1
B2B3
B2B4
B2P1
B2P2
B2P3
B3B1
B3B2
B3B4
B3P1
B3P2
B3P3
B4B1
B4B2
B4B3
B4P1
B4P2
B4P3
P1B1
P1B2
P1B3
P1B4
P1P2
P1P3
P2B1
P2B2
P2B3
P2B4
P2P1
P2P3
P3B1
P3B2
P3B3
P3B4
P3P1
P3P2
Representando por n(Branca1) e n(Branca2), respectivamente, o nmero de vezes em que se

verificou o acontecimento Branca1 saiu bola branca na 1 extraco e o nmero de vezes que
se realizou o acontecimento Branca2 saiu bola branca na 2 extraco, e por
n(Branca1Branca2) o nmero de vezes que se realizou o acontecimento Branca1Branca2
saiu branca na 1 e 2 extraces, temos:
P(Branca1) = 24/42,
P(Branca2) = 24/42,
P(Branca1Branca2) = 12/42
Suponhamos, no entanto, que sabamos que tinha sado branca na 1 extraco, isto , que se
tinha verificado o acontecimento Branca1. Qual a probabilidade de sair branca na 2 extraco,
isto de se verificar o acontecimento Branca2, tendo em conta esta informao adicional? Neste
momento o espao de resultados foi substancialmente reduzido, pois o nmero de resultados
possveis 24 (ter sado branca na 1 extraco),
B1B2
B1B3
B1B4
B1P1
B1P2
B1P3
B2B1
B2B3
B2B4
B2P1
B2P2
B2P3
B3B1
B3B2
B3B4
B3P1
B3P2
B3P3
B4B1
B4B2
B4B3
B4P1
B4P2
B4P3
dos quais s 12 que so favorveis, pelo que

P(Branca2 sabendo que Branca1) = 12/24
probabilidade anterior chamamos probabilidade condicional do acontecimento Branca2,
sabendo que (ou dado que) se realizou o acontecimento Branca1, e representamos por
P(Branca2|Branca1).
Repare-se que
Junho 2003
P(Branca2|Branca1)
46
n(Branca1 Branca2)
n(Branca1)
n(Branca1 Branca2)
N
=
n(Branca1)
N
=
ou seja
P(Branc a1 Branca2)
P(Branc a1)
P(Branca2|Branca1) =
P(Branc a1 Branca2)
P(Branc a1)
Assim, a probabilidade condicional de se realizar o acontecimento Branca2, sabendo que se

realizou Branca1, o quociente entre a probabilidade da realizao de Branca1 e Branca2, e a
probabilidade da realizao de Branca1. Esta probabilidade condicional s tem sentido se
P(Branca1) for superior a zero.
Seja S um espao de resultados e P uma probabilidade nesse espao. Dados dois
acontecimentos A e B, com P(B)>0, define-se probabilidade condicional de A se B (ou
probabilidade de A condicional ocorrncia de B) como sendo
P(A|B) =
P(A B)
P(B)
Exemplo 2.5.1 (Parzen, 1960) Consideremos uma famlia com dois filhos e suponhamos que
existe igual probabilidade de cada filho ser rapaz ou rapariga. Qual a probabilidade de que
ambos os filhos sejam rapazes dado que: (i) o filho mais velho um rapaz, (ii) pelo menos um
dos filhos rapaz.
O espao de resultados associado ao fenmeno em estudo, isto , uma famlia ter dois filhos S
= {MM, MF, FM, FF}. Todos estes resultados so igualmente possveis tendo em considerao o
facto de ser igualmente provvel um filho ser rapaz (M) ou rapariga (F). Pretende-se a
probabilidade de ambos serem rapazes, sabendo que (i) o filho mais velho rapaz este
condicionamento provoca que o espao de resultados se reduza a S = {MM, MF}, donde P(MM)
= 1/2. Condicionando agora no acontecimento (ii) pelo menos um dos filhos rapaz, j o espao
de resultados S = {MM, MF, FM} pelo que a probabilidade pretendida P(MM) = 1/3.
Junho 2003
47
Nota: Repare-se que a probabilidade de que ambos os filhos sejam rapazes diferente
consoante nada se saiba sobre o sexo dos filhos ou haja conhecimento parcial sobre o sexo de
um dos filhos. No primeiro caso a probabilidade 1/4.
Exemplo 2.5.2 (Siegel et al, 1988) -. Consideremos a experincia aleatria que consiste em
observar, numa dada multinacional, a impresso causada (boa ou m) na entrevista dos
candidatos a um emprego, assim como se conseguem ou no o emprego. Pensemos nos
acontecimentos B o candidato causa boa impresso e E o candidato consegue o
emprego. Suponhamos que os acontecimentos anteriores esto representados num diagrama
de Venn e que se conhecem as probabilidades assinaladas:
No diagrama de Venn os nmeros indicados
representam:
P(BE) = 0.28
P(EB) = 0.08
P(BE) = 0.12
A partir do diagrama anterior sabemos que

P(Conseguir emprego) = 0.12 + 0.08 = 0.20
o que significa que 20% dos candidatos, que vo entrevista, conseguem o emprego. Ser que
o facto de causar boa impresso, aumenta as possibilidades de ser bem sucedido, na obteno
do emprego? Isto , ser que a informao adicional de que "um candidato causou boa
impresso" tem efeito na probabilidade de obter o emprego? Para responder a esta questo,
temos de nos cingir unicamente aos candidatos que causam boa impresso, em vez de
considerarmos todos os candidatos. A dimenso deste grupo 40% de todos os candidatos, j
que
P("Causar boa impresso") = 0.28 + 0.12 = 0.40
Para este totao de 40%, qual o contributo dos que conseguem o emprego? A resposta obtm-se
restringindo este grupo aos que conseguem o emprego
P("Causar boa impresso e Conseguir o emprego") = 0.12
Finalmente podemos calcular a probabilidade de uma pessoa que causou boa impresso,
conseguir o emprego. Esta probabilidade dada pela resposta seguinte questo " 0.12 que
Junho 2003
48
percentagem de 0.40"? , resposta esta que se obtm dividindo 0.12 por 0.40, como alis se
deduz da definio anteriormente dada de probabilidade condicional:
P("Conseguir o emprego" | "Causou boa impresso") =
0.12
= 0.30
0.40
Vemos que a probabilidade de conseguir o emprego aumentou de 20% para 30%, com a
informao adicional disponvel. Isto significa que 30% dos candidatos que causam boa
impresso, conseguem o emprego, comparados com unicamente 20% dos candidatos em geral
(causando ou no boa impresso). Intuitivamente espervamos que o facto de um candidato
causar boa impresso, aumentasse as suas possibilidades de sucesso, e o que acabamos de
medir foi precisamente quo grande esse efeito.
Exemplo 2.5.3 (Pestana, D. et al, 2002) - Numa caixa esto 5 moedas, duas delas com face (F)
em ambos os lados, duas com coroa (C) em ambos os lados, e uma com F num dos lados e C
no outro. Escolhe-se uma moeda ao acaso, observando-se no lado que fica virado para cima F.
Qual a probabilidade do outro lado ser C?
Esto em jogo 5 faces favorveis num total de 10 lados, pelo que
1
1
1
10
P(C2 F1) =
pelo que P(C
2 | F1) =
5
10
5
10
Regra do produto
A definio de probabilidade condicional, anteriormente considerada, permite-nos calcular a
probabilidade da ocorrncia simultnea de acontecimentos, chamada regra do produto:
A probabilidade da ocorrncia simultnea de dois acontecimentos A e B igual probabilidade
que o primeiro ocorra, vezes a probabilidade do segundo ocorrer, condicional ocorrncia do
primeiro:
P(AB) = P(A) P(B|A)
Exemplo 2.5.4 - Suponha que tem uma caixa com 3 bolas pretas e 3 bolas brancas. Extrai duas
bolas, sem reposio. Qual dos acontecimentos mais provvel:
a) Extrair 2 bolas da mesma cor, ou
b) Extrair 2 bolas de cor diferente?
Resoluo:
Junho 2003
49
a) Colocando o ndice 1 ou 2 para significar a 1 ou 2 extraco, vem que probabilidade de tirar

duas bolas da mesma cor ser
P{(B1B2)(P1P2)} = P(B1B2) + P(P1P2)
= P(B1)P(B2|B1) + P(P1)P(P2|P1)
=
3 2
3 2
2
+
=
6 5
6 5
5
b) A probabilidade de tirar duas bolas de cor diferente

P{(B1P2)(P1B2)} = P(B1P2) + P(P1B2)
= P(B1)P(P2|B1) + P(P1)P(B2|P1)
=
3 3
3 3
3
+ =
6 5
6 5
5
Conclumos que mais provvel retirar duas bolas de cor diferente do que da mesma cor.
Exemplo 2.5.5 (Loura, L. et al, 2002) - Uma caixa tem 5 bolas Azuis, 8 bolas Verdes e 4 bolas
Brancas. Ao retirar sucessivamente 3 bolas, qual a probabilidade da primeira ser Azul, a
segunda Verde e a terceira Branca? E qual a probabilidade de sarem 3 bolas de cores
diferentes?
Neste tipo de exemplos torna-se conveniente colocar um ndice a indicar a ordem pela qual o
acontecimento ocorreu, tal como fizemos anteriormente. Assim Azul1 significa que saiu bola
Azul na primeira extraco, etc. Usando esta notao e a regra do produto temos:
P(Azul1 e Verde2 e Branca3) =
5
8 4
17 16 15
P( 3 bolas de cor diferente) =

= P(Azul1 e Verde2 e Branca3+ P(Azul1 e Branca2 e Verde3)
+ P(Verde1 e Azul2 e Branca3) + P(Verde1 e Branca2 e Azul3)
+ P(Branca1 e Azul2 e Verde3) + P(Branca1 e Verde2 e Azul3)
= 6
5 8
4

17 16 15
Junho 2003
50
Exemplo 2.5.6 (Loura, L. et al, 2002) - O Ricardo e a Ins esto a jogar bisca. Neste jogo
retiram-se do baralho os 8, 9 e 10 de cada naipe, restando assim 40 cartas (10 de cada naipe).
No incio so distribudas 3 cartas a cada jogador. Admitindo que o Ricardo o primeiro a
receber as 3 cartas, qual a probabilidade de lhe calhar 3 Ases? E se ele for o segundo a
receber as cartas?
Facilmente se aceita que estas duas probabilidades devem ser iguais. Na realidade, tudo se
passa como se tivssemos retirado 6 cartas ao acaso do baralho e as separssemos em dois
grupos de 3. A simetria de toda a experincia conduz-nos, de imediato concluso de que a
probabilidade de estarem 3 Ases em qualquer destes dois grupos igual. Vamos, no entanto,
verificar esse facto admitindo que as cartas vo sendo distribudas uma a uma, em sequncia e
utilizando a regra do produto.
Sendo o Ricardo o primeiro a receber as cartas, a probabilidade de que a primeira seja um s ,
obviamente, 4/40, pois h 4 Ases no total das 40 cartas. Tendo recebido um s na primeira
carta, a probabilidade de que a segunda tambm seja um s passa a ser 3/39, pois j s h 3
Ases num total de 39 cartas. Finalmente, tendo j dois Ases na mo, a probabilidade de vir a
receber um terceiro s 2/38. Tem-se, assim
P(3 Ases quando o primeiro a receber as cartas) =
4
3
2
1
40 39 38 2470
Se o Ricardo for o segundo a receber as cartas a forma de clculo altera-se pois tudo depende
das 3 cartas que a Ins tiver recebido. Assim, se ela tiver recebido 2 ou 3 Ases o Ricardo j no
poder receber os 3 Ases. Por outro lado, se a Ins no tiver recebido nenhum s, ento a
probabilidade do Ricardo vir a receber 3 Ases
4
3
2
, enquanto que, se a Ins tiver
37 36 35
recebido um s, a probabilidade do Ricardo vir a receber 3 Ases
3
2
1
. Para calcular a
37 36 35
probabilidade do Ricardo receber 3 Ases, sendo o segundo a receber as cartas, temos de somar
as probabilidades das 2 sequncias de acontecimentos que so favorveis a que tal acontea:
Ins no recebe Ases seguido de Ricardo recebe 3 Ases; Ins recebe 1 s seguido de
Ricardo recebe 3 Ases.
Sempre que temos uma sequncia de acontecimentos a sua probabilidade obtm-se
multiplicando sucessivamente as respectivas probabilidades (regra do produto) tendo sempre em
conta de que modo a ocorrncia de cada um afecta a probabilidade de ocorrncia dos seguintes.
Assim, para a primeira sequncia de acontecimentos tem-se
Junho 2003
51
P(Ins no recebe Ases seguido de Ricardo recebe 3 Ases) =
36 35 34 4
3
2
34 4 3 2
.
40 39 38 37 36 35 40 39 38 37
Antes de calcularmos a probabilidade associada segunda sequncia, temos de calcular a

probabilidade da Ins ter um s. Uma das formas de calcular esta probabilidade (evitando o
recurso ao clculo combinatrio) pensando que ela ou recebe esse s na primeira carta, ou na
segunda ou na terceira. Com base neste tipo de esquema de raciocnio, obtm-se
P(Ins receber 1 s) =
4 36 35 36 4 35 36 35 4
4 36 35
40 39 38 40 39 38 40 39 38
40 39 38
Utilizando este resultado temos, ento
P(Ins recebe 1 s seguido de Ricardo recebe 3 Ases) =
=3
4 36 35 3
2
1
3 4 3 2
40 39 38 37 36 35 40 39 38 37
Somando as probabilidades obtidas para as duas sequncias de acontecimentos obtemos

finalmente a probabilidade do Ricardo receber 3 Ases quando o segundo a receber as cartas
P(3 Ases quando o segundo a receber as cartas) =
37 4 3 2
3 4 3 2
4 3 2
1
40 39 38 37 40 39 38 37 40 39 38 2470
o que confirma o que foi dito inicialmente, isto , a probabilidade no se altera com a ordem por
que so distribudas as cartas.
Acontecimentos independentes
natural dizer que o acontecimento B independente do acontecimento A se a probabiliddae de
B se dar for a mesma, independentemente de A se dar ou no, isto , a informao de que A se
deu, no vai alterar em nada a probabilidade de B se dar:
P(B|A) = P(B)
Junho 2003
52
Poderamos utilizar a igualdade anterior para definir independncia. No entanto, para evitar
1
impor restries aos valores de P(A) e P(B) , utiliza-se a seguinte igualdade, mais genrica, para
a definir:
Dois acontecimentos A e B so independentes se e s se
P(B)
imediato que a definio anterior acarreta que P(A|B) = P(A) e P(B|A) = P(B) se P(A)>0 e
P(B)>0.
Exemplo 2.5.7 (Graa Martins, M. E. et al, 1999 b) - Um rato apresenta-se na entrada de um
caminho com vrias bifurcaes, como se apresenta a seguir:
Sempre que se apresenta uma bifurcao o rato tem de optar por virar esquerda ou direita,
nunca podendo voltar para trs. Em duas das sadas encontram-se dois belos queijos. Qual a
probabilidade de o rato chegar a qualquer um dos queijos:
a) Se a probabilidade de virar esquerda for igual de virar direita para todos os cruzamentos.
b) Se a probabilidade de virar esquerda for 0.3 e a de virar direita for 0.7, para todos os
cruzamentos..
Resoluo:
a) Como o rato tem sempre igual probabilidade de virar esquerda ou direita, as 8 sadas so
todas igualmente possveis. Como existem duas favorveis, a probabilidade pretendida ser 2/8
= 1/4.
1
Recorda-se que a definio de probabilidade condicional exige que o denominador seja

positivo.
Junho 2003
53
b) Para chegar ao queijo 1 o rato tem de fazer o percurso (D 1eE2eD3), enquanto que para chegar
ao queijo 2 ter de fazer (E1eE2eE3), onde representamos por D1 virar direita no primeiro
cruzamento, E2 virar esquerda no 2 cruzamento, etc. Ento
P(D1eE2eD3)
= P(D1) P(E2) P(D3)

= 0.70.30.7
= 0.147
P(E1eE2eE3)
= P(E1) P(E2) P(E3)

= 0...3
= 0.027
porque os acontecimentos so independentes, j que a probabilidade de o rato virar esquerda

ou direita num determinado cruzamento no depende do que que ele fez antes. Assim, a
probabilidade pretendida
0.147 + 0.027 = 0.174
Chamamos a ateno para o facto de neste caso no ser possvel utilizar a definio clssica de
probabilidade, pois as chegadas no so todas igualmente possveis.
Exemplo 2.5.8 - Uma caixa contm 6 bolas, 3 pretas e 3 brancas, numeradas
a) Retira uma bola e v que Branca. Qual a probabilidade que seja a nmero 2? E se a
bola fosse Preta?
b) Ser que a cor e o nmero so independentes?
Resoluo: Representando por 2 o acontecimento sada do nmero 2 e por B o acontecimento
sada de face branca, vem:
1
P(B e 2) 6 1
3
P(2|B) =
P(B)
3
6
Anlogamente P(2|P) =
1
3
b) Os acontecimentos em causa so independentes, j que

P(Be2) = P(B) P(2)
verificando-se a igualdade quando se substitui o B pelo P e o 2 por qualquer outro dos nmeros.
Junho 2003
54
rvore de probabilidades
Uma rvore de probabilidades uma representao esquemtica, especialmente pensada para
apresentar todos os casos possveis e respectivas probabilidades, em situaes que envolvam
uma sequncia de experincias aleatrias cujos espaos de resultados sejam de dimenso
reduzida. Do n inicial da rvore partem tantos ramos, quantos os acontecimentos elementares
do espao de resultados correspondente primeira experincia aleatria. No extremos de cada
ramo indica-se o acontecimento respectivo e por cima do ramo a sua probabilidade. Passando
ao nvel seguinte, o extremo de cada ramo ser um n para a segunda experincia aleatria. A
informao registada de forma idntica descrita para o primeiro n, mas tendo agora em
conta que as probabilidades so as condicionais ao acontecimento que figura no novo n. O
processo repete-se at atingir a ltima experincia aleatria.
Exemplo 2.5.9 - Um indivduo que trabalha em Lisboa, mas reside na margem Sul do Tejo, tem
diariamente duas possibilidades para se dirigir ao trabalho: o barco ou o autocarro. Ele gosta
muito de ir de barco, pelo que escolhe o barco 75% das vezes. A probabilidade de chegar
atrasado ao trabalho 16.25%. Sabe-se ainda que a probabilidade ir de barco e chegar atrasado
11.25%. Qual a probabilidade de chegar atrasado, sabendo que veio de barco?
Vamos construir uma rvore de probabilidades onde entre a informao anterior
AtrasadoP(Barco e Atras) = 0.1125
Barco
.75
No Atrasado
.1625
Atrasado P(Aut e Atras) = ?

Autocarro
No Atrasado
Junho 2003
55
A informao dada est representada no diagrama anterior. Contudo, custa dessa informao
podemos ir um pouco mais longe, calculando a probabilidade dos acontecimentos
complementares.
Qual a probabilidade de chegar atrasado dado que veio de barco?
P("chegar atrasado"/"veio de barco")=Error!
= Error!
= .15
Esta probabilidade condicional coloca-se ao longo do trao superior, como se indica na figura
seguinte, onde tambm calculmos as probabilidades dos acontecimentos em cadeia, o que nos
permitiu chegar seguinte rvore:
.15
Barco
.75
Atrasado
P(Barco e Atras) = 0.1125
.85
No Atrasado P(Barco e No Atras) = .6375
.1625
.25
.20
Atrasado
P(Aut e Atras) = .0500
.8375
Autocarro
.80
No Atrasado P(Aut e No atras) = .2000
Considerando a rvore anterior, vemos que:

P("chegar atrasado dado que no veio de barco") = Error!= .20
P("chegar atrasado ou vir de barco") = .1625 + .6375 = .80
ou
P("chegar atrasado ou vir de barco")= P("chegar atrasado")+P("vir de barco") - P("chegar
atrasado e vir de barco")= .1625 + .75 - .1125 = .80
P("vir de barco" dado que "chegou atrasado") = Error!= .69
P("no chegar atrasado e no vir de barco")= 1 - P("chegar atrasado ou vir de barco")=1-.80=.20
Junho 2003
56
Exemplo 2.5.10 Voltemos novamente ao exemplo do rato e do queijo. Suponhamos agora que
primeira vez que se apresenta o cruzamento, o rato tem igual probabilidade de virar
esquerda ou direita. Quando vira direita recebe comida, enquanto que se virar esquerda
recebe um choque. segunda vez, o rato se recebeu comida primeira vez, vira direita com
probabilidade 0.6 e se recebeu um choque primeira vez vira esquerda com probabilidade 0.2.
Se virou duas vezes seguidas direita, ento a probabilidade de virar uma terceira vez direita
0.8. Se virou duas vezes seguidas esquerda, a probabilidade de virar novamente esquerda
0.1. Finalmente, se no virou duas vezes seguidas para o mesmo lado, a probabilidade de virar
para onde virou da primeira vez 0.5. Calcule a probabilidade do rato chegar aos queijos.
Resoluo - Neste momento, os dados do enunciado permitem-nos construir a seguinte rvore
pelo que
P(D1eE2eD3)
= P(D1) P(E2|E1) P(D3|D1eE2)

= 0.50.40.5
= 0.10
P(E1eE2eE3)
= P(E1) P(E2|E1) P(E3|E1eE2)

= 0...1
= 0.01
e a probabilidade pretendida vem igual a 0.11.
Junho 2003
57
Exemplo 2.5.11 (Loura, L. et al, 2002) - O Lus mora longe da escola e por isso chega muitas
vezes atrasado primeira aula. Na realidade ele levanta-se praticamente sempre a horas (s em
5% dos dias que volta a adormecer depois do despertador tocar), mas como tem de apanhar
um autocarro e depois um comboio tem muitas vezes problemas se o autocarro se atrasar e no
conseguir apanhar o comboio que lhe permite chegar a horas. O Lus resolveu tomar nota do
que ia acontecendo ao longo de vrios dias e chegou aos seguintes resultados:
Se estiver a chover (o que acontece em 40% dos dias), o autocarro atrasa-se com uma
probabilidade de 0.30. Caso contrrio, essa probabilidade baixa para 0.1.
Quase nunca h problemas com o trajecto de comboio mas, mesmo assim, em 1% dos
dias ele no consegue chegar tabela e isso o suficiente para que o Lus chegue
atrasado.
claro que, se no se levantar assim que o despertador toca, ento no h nada a fazer
e chega mesmo atrasado.
Num ano lectivo com 180 dias de aulas, em quantas se espera que o Lus chegue atrasado?
Para dar resposta a esta questo vamos comear por representar num esquema em rvore a
cadeia de acontecimentos que condicionam a chegada do Lus escola desde que toca o
despertador.
So 5 os trajectos que conduzem a Lus Atrasado. Para calcular a probabilidade (total) de

ocorrncia deste acontecimento basta calcular a probabilidade associada a cada trajecto que a
ele conduz, partindo do n da rvore, e somar todas essas probabilidades. Para calcular a
Junho 2003
58
probabilidade de cada trajecto basta ir multiplicando, sucessivamente, as probabilidades que

surgem em cada uma das passagens. Assim:
a probabilidade associada ao trajecto (1)

0.950.40.31 = 0.114;

0.950.40.70.011 = 0.00266;

0.950.60.11 = 0.057;

0.950.60.90.011 = 0.0051
e a probabilidade associada ao trajecto (5)

0.051 = 0.05
Somando todos estes valores obtemos finalmente a probabilidade do Lus chegar atrasado
primeira aula
P(Lus Atrasado) = 0.114+0.00266+0.057+0.0051+0.05 = 0.22876
Multiplicando este valor pelos 180 dias de aulas obtm-se o valor 41.1768, isto , com base nas
probabilidades atribudas a cada um dos acontecimentos intervenientes, e admitindo que mais
nada pode causar o atraso do Lus, espera-se que ele chegue atrasado em cerca de 41 dos 180
dias de aulas.
Junho 2003
59
3. Modelos de Probabilidade discretos e contnuos
Junho 2003
60
Junho 2003
61
3.1- Introduo. Varivel aleatria

Vimos no captulo 1 exemplos de fenmenos aleatrios cujos resultados no so
necessariamente quantitativos, podendo ser qualitativos. Assim, o resultado de uma experincia
aleatria no d necessariamente um resultado numrico. No entanto, em Estatstica, estamos
de um modo geral interessados em estudar resultados numricos. Por exemplo, consideremos a
experincia aleatria que consiste em lanar 3 moedas e verificar as faces que ficam voltadas
para cima. Associada com esta experincia, uma varivel que pode ter interesse estudar o
nmero de caras que saem no lanamento das 3 moedas. Se o resultado de um lanamento for
CFF (representammos por C coroa, F cara), ento a varivel assume o valor 2. Sabemos que
os valores possveis para esta varivel so 0, 1, 2 ou 3, mas em cada repetio da experincia
no sabemos qual o resultado que se vai verificar (caracterstica da experincia aleatria), pelo
que varivel chamamos varivel aleatria.
Varivel aleatria Uma varivel aleatria, uma varivel cujo valor um resultado numrico
associado ao resultado de uma experincia aleatria.
As variveis aleatrias so representadas por letras maisculas X, Y, Z, .
Viu-se tambm em Estatstica, ao fazer o estudo descritivo de dados, que as variveis
quantitativas ainda podiam ser de dois tipos: discretas ou contnuas. A mesma classificao
dada para as variveis aleatrias.
Exemplo 3.1.1 Consideremos a varivel aleatria X que representa o nmero de caras (F) que
se obtm no lanamento de 1 moeda 3 vezes (equivalente a lanar 3 moedas uma vez). Esta
varivel pode assumir os valores 0, 1, 2 ou 3. Para ver qual a probabilidade de assumir cada um
desses valores podemos pensar no espao de resultados associado experincia aleatria que
consiste em lanar 3 vezes a moeda:
Junho 2003
62
A atribuio de probabilidades aos valores que a varivel aleatria assume, faz-se por intermdio
dos acontecimentos que lhe esto associados:
P(X = 3) = P({FFF}) =
1
8
3
8
3
P(X = 1) = P({FCC, CFC, CCF}) =
8
1
P(X = 0) = P({CCC}) =
8
P(X = 2) = P({FFC, FCF, CFF}) =
Repare-se que se tem:
A probabilidade da varivel aleatria assumir qualquer um dos seus valores admissveis

est entre 0 e 1.
A soma das probabilidades da varivel aleatria assumir qualquer um dos seus valores
igual a 1.
Estas propriedades resultam das regras enunciadas no captulo 2, relativamente s

probabilidades associadas aos acontecimentos de um espao de acontecimentos.
Como acabmos de ver com o exemplo anterior, um modelo de probabilidade associado a um
espao de resultados, induz numa varivel aleatria associada um modelo de probabilidade.
Junho 2003
63
Exemplo 3.1.2 Seja Y a varivel aleatria que representa o nmero de pontos que se obtm
quando se lana um dado. Um modelo de probabilidade (distribuio de probabilidade) para Y
obtm-se considerando os valores admissveis para Y e as respectivas probabilidades, como se
apresentam na tabela seguinte:
Y=yi
P(Y=yi)
1
1/6
2
1/6
3
1/6
4
1/6
5
1/6
6
1/6
Exemplo 3.1.3 Seja Z a varivel aleatria que representa a soma das pintas no lanamento de
dois dados. Admitindo que os dados so equilibrados, o espao de resultados que podemos
considerar para descrever os resultados do lanamento dos dois dados
S = {(i,j), i = 1, 2, , 6; j = 1, 2, , 6}
equiprovvel e imediatamente de conclui que o modelo de probabilidade para Z dado pela
tabela:
Resultado
Z = zi
P(Z = zi)
(1,1)
1/36
(1,2), (2,1)
2/36
(1,3), (2,2), (3,1)
3/36
(1,4), (2, 3), (3,2), (4,1)
4/36
(1,5), (2,4), (3,3), (4,2), (5,1)
5/36
(1,6), (2,5), (3,4), (4,3), (5,2), (6,1)
6/36
(2,6), (3,5), (4,4), (5,3), (6,2)
5/36
(3,6), (4,5), (5,4), (6,3)
4/36
(4,6), (5,5), (6,4)
10
3/36
(5,6), (6,5)
11
2/36
(6,6)
12
1/36
Exemplo 3.1.4 Num procedimento para controlar a qualidade de semicondutores, analisam-se

2 semicondutores de um lote. Cada semicondutor pode apresentar um de dois estados
possveis: Bom (B) ou Defeituoso (D). A probabilidade de cada semicondutor estar bom igual a
0.9, independentemente do que acontece com os outros. Seja U a varivel aleatria que
representa o numero de semicondutores, de entre os dois analisados, que esto defeituosos. O
modelo de probabilidade para U ser
Junho 2003
64
Resultado
U=i
P(U=i)
(B, B)
0.81
(B, D), (D, B)
0.18
(D, D)
0.01
Chamamos a ateno para o facto do espao de resultadosS = {(B, B), (B, D), (D, B), (D; D)} no
ser constitudo por resultados igualmente possveis, no se verificando, portanto, a situao de
simetria.
As variveis aleatrias tornam to simples a descrio do fenmeno aleatrio que, a maior parte
das vezes, ignoramos o espao de resultados associado e limitamo-nos a considerar a
distribuio de probabilidades da varivel aleatria.
Em muitas situaes da vida real, h necessidade de considerar modelos de suporte no finito.
Basta pensar nas situaes em que o conjunto de resultados possveis no seja conhecido na
sua totalidade ou seja demasiado extenso. Temos o caso, por exemplo, do nmero de filhos das
famlias portuguesas, do nmero de acidentes por dia, numa determinada cidade, da idade de
um indivduo, do tempo de durao de um equipamento, etc. No entanto o manuseamento da
maior parte destes modelos pressupe alguns clculos que esto fora do mbito deste estudo,
pelo que nos limitaremos a estudar, no caso discreto, variveis aleatrias com um nmero finito
de valores distintos e no caso contnuo o modelo uniforme e o modelo normal.
Junho 2003
65
3.2 Modelos de probabilidade discretos. Funo massa de probabilidade.

Como dissemos anteriormente uma varivel aleatria uma varivel que associa valores
numricos aos resultados de uma experincia aleatria. Vimos tambm na seco anterior, que
o facto de termos um modelo de probabilidade associado ao fenmeno aleatrio, permite-nos
associar probabilidades aos valores da varivel aleatria, as quais devem satisfazer
deterrminadas propriedades.
Dada uma varivel aleatria discreta X, que assume um nmero finito de valores distintos x1, x2,
, xi, , xN, ento as probabilidades pi=P(X=xi), i=1,,N, devem satisfazer as seguintes
condies:
i)
0 pi 1, i =1,,N
N
ii)
pi
= 1
i=1
O conjunto {(xi, pi), i=1,,N} constitue a distribuio de probabilidades de X, tambm chamada

de funo massa de probabilidade de X.
Exemplo 3.2.1 Um casal planeou ter 3 filhos. Admitindo igual probabilidade para o nascimento
de um rapaz ou de uma rapariga, considere a varivel aleatria que representa o nmero de
raparigas de entre os 3 filhos e determine a sua funo massa de probabilidade.
Resoluo: Este exemplo idntico ao exemplo 3.1.1, se identificarmos o nascimento de uma
filha como o resultado de sada de cara no lanamento da moeda equilibrada, j que admitimos
igual probabilidade para o nascimento de rapaz e rapariga. Assim, a varivel aleatria X, que
representa o nmero de raparigas, num casal de 3 filhos, tem a seguinte funo massa de
probabilidade:
X=i
P(X=i)
0
(1/2)
1
3
3x(1/2)
2
3
3x(1/2)
3
3
(1/2)
Uma vez definida a funo massa de probabilidade, podemos determinar facilmente

probabilidades de acontecimentos relacionados com o fenmeno aleatrio em estudo. Por
exemplo:
Probabilidade do casal ter mais do que uma rapariga:
P(X>1) = P(X2) = P(X=2) + P(X=3)
= 3/8+1/8 = 1/2
Junho 2003
66
Probabilidade do casal s ter rapazes:

P(X=0) = 1/8
Probabilidade do casal ter 1 ou 2 raparigas:
P(1X2) = P(X=1) + P(X=2)
= 3/8+3/8 = 3/4
Exemplo 3.2.1 (continuao) Repetindo o exemplo anterior, mas considerando agora 4 filhos e
representando por Y a varivel aleatria que representa o nmero de raparigas num casal de 4
filhos, para obter a sua distribuio de probabilidades, veja-se o exemplo 2.1.2, obtendo-se
imediatamente:
Y=i
P(Y=i)=pi
1
4
1/2
2
4
4 x 1/2
6 x 1/2
3
4
4
4
4 x 1/2
1/2
Exemplo 3.2.2 - Numa determinada Faculdade, o Conselho Directivo (CD) escolheu

aleatoriamente 3 estudantes para integrarem este rgo, como representantes das opinies dos
estudantes. No que diz respeito avaliao contnua, sabe-se que 40% dos alunos so a favor e
os estudantes que compem o grupo tm opinies independentes uns dos outros.
a) Representando por X a varivel aleatria que representa o nmero de estudantes que
integram o CD, que so a favor da avaliao contnua, vem que X pode assumir os valores 0, 1,
2 ou 3. Se representarmos os estudantes por A, B e C, quando so a favor, e por A , B e C ,
quando so contra, todas as possveis combinaes de opinies so:
Assim,
ABC
AB C
A BC
AB C
AB C
ABC
ABC
AB C
X=3
X=2
X=1
X=0
3
P(X=0) = P( A B C ) = 0.6
= 0.216
P(X=1) = P(A B C ou A B C ou A B C)
= P(A B C ) + P( A B C ) + P( A B C)
= 0.4 0.6 0.6 + 0.6 0.4 0.6 + 0.6 0.6 0.4
2
= 3 0.4 0.6
= 0.432
P(X=2) = P(AB C ) + P( A BC) + P(A B C)
= 0.4 0.4 0.6 + 0.6 0.4 0.4 + 0.4 0.6 0.4
2
= 3 0.4 0.6
= 0.288
Junho 2003
67
P(X=3) = P(ABC)
3
= 0.4
= 0.064
pelo que a funo massa de probabilidade ser:
X=i
P(X=i)
0.216
0.432
0.288
0.064
b) Em termos de X, o acontecimento a maioria dos representantes dos alunos a favor da

avaliao contnua exprime-se simplesmente X2, pelo que a probabilidade daquele
acontecimento ser P(X2) = 0.288 + 0.064 = 0.352.
3.2.1 Distribuio de probabilidades versus distribuio de frequncias

A distribuio de probabilidade da varivel aleatria no mais do que um modelo matemtico
que se idealizou para descrever o comportamento do fenmeno aleatrio em estudo. Assim, se
tivessemos observado o fenmeno aleatrio repetidas vezes, e aqui apelamos para que se
recorde a definio que demos de fenmeno aleatrio - fenmenos cujos resultados individuais
so incertos, mas para os quais se admite uma regularidade a longo termo, possibilitando a
obteno de um padro genrico de comportamento, a distribuio de frequncias obtida a partir
das observaes feitas, dar-nos-ia uma imagem desse tal padro genrico de comportamento, a
distribuio de probabilidade ou funo massa de probabilidade.
Exemplo 3.2.3 (Graa Martins et al, 1999) - Seja X a varivel aleatria que representa o nmero
de caras que saem no lanamento de 4 moedas. Obtenha uma aproximao para a distribuio
de probabilidades de X.
Resoluo: Comeamos por obter a distribuio de probabilidades de X e de seguida obtemos a
aproximao, por intermdio da distribuio de frequncias, comparando ainda os resultados
obtidos.
1 . Distribuio de probabilidades
A experincia aleatria que consiste em verificar o nmero de caras que saem no lanamento de
4 moedas idntica que consiste em verificar o nmero de filhas dos casais de 4 filhos, se
admitirmos que a probabilidade de nascer rapaz igual de nascer rapariga, ou seja 1/2. Ento
o modelo para a varivel aleatria X j foi obtido no exemplo 4
Junho 2003
X=xi
pi=P(X=xi)
68
0
0.0625
Distribuio de probabilidades de X
1
2
3
0.250
0.375
0.250
4
0.0625
2 . Distribuio de frequncias
Numa turma de 14 alunos pede-se a cada aluno que repita 20 vezes a experincia de lanar as 4
moedas e que registe o nmero de faces obtidas em cada lanamento. Uma vez realizadas as
experincias cada aluno indica os resultados que obteve, de forma a preencher uma tabela com
14 colunas:
Aluno
1
1
2
4
2
3
2
0
4
4
2
0
2
1
1
1
2
3
4
1
2
2
1
1
1
3
2
0
3
2
3
2
1
3
1
2
1
3
3
3
3
2
3
1
1
2
2
3
1
1
3
3
1
2
0
2
3
3
1
4
1
2
3
4
1
0
3
2
2
1
1
3
2
3
1
2
2
2
1
2
3
3
2
1
5
4
2
2
1
3
1
2
2
2
1
1
2
2
0
2
2
3
2
1
0
6
0
0
2
2
1
3
3
3
3
3
2
2
3
3
2
3
0
1
2
3
7
0
3
2
2
2
2
2
1
2
3
1
3
2
1
1
2
4
1
2
2
8
1
1
3
1
1
1
3
1
2
4
2
2
3
3
4
2
1
2
3
2
9
2
2
1
2
3
2
1
2
3
2
1
2
1
2
2
1
4
2
1
2
10
1
2
3
1
2
2
0
2
2
1
2
1
2
0
1
3
2
4
2
3
11
1
3
3
1
4
3
2
4
2
1
3
1
2
3
2
1
2
3
3
1
12
1
3
2
2
4
3
2
1
3
2
2
3
2
2
1
2
2
3
2
2
13
2
1
0
2
3
3
3
3
3
3
2
2
4
2
3
4
0
1
2
4
14
1
3
1
1
2
3
1
2
2
4
1
3
0
2
3
1
4
1
2
1
A partir da tabela anterior constri-se a tabela de frequncias relativas:
n faces
freq. relat.
0
0.057
Distribuio das frequncias relativas

1
2
3
0.261
0.371
0.243
4
0.068
A seguir apresentamos uma representao grfica conjunta da distribuio de frequncias

(diagrama de barras) e da distribuio de probabilidades, onde se pode verificar como a
distribuio de frequncias uma boa aproximao para a distribuio de probabilidades e
portanto o modelo proposto parece ser adequado para descrever o fenmeno em estudo:
Junho 2003
69
3.2.2. Valor mdio e desvio padro de uma varivel aleatria discreta

3.2.2.1 Valor mdio de uma varivel aleatria discreta
Em Estatstica, uma das formas utilizadas para resumir a informao contida nos dados
atravs do clculo de certas medidas, a que se d o nome de estatsticas medidas calculadas
a partir dos dados, antes de serem organizados na forma de uma tabela de frequncias, ou a
partir da distribuio de frequncias dos dados, depois de serem organizados. Destas medidas
destacmos a mdia, como medida de localizao do centro da distribuio de frequncia dos
dados e o desvio padro amostral, como medida de variabilidade dos dados, relativamente
medida de localizao mais utilizada, a mdia.
Ento, de acordo com o que dissemos na seco anterior, parece natural estender a definio de
mdia e de desvio padro amostral, agora para o caso de termos a distribuio de
probabilidades.
Considerando o exemplo anterior, vejamos como calcular a mdia da amostra, a partir dos dados
agrupados:
= 0 0.057 + 1 0.261 + 2 0.371 + 3 0.243 + 4 0.068 = 2.004
Se na expresso anterior substituirmos as frequncias relativas pelas probabilidades, de acordo

com a distribuio de probabilidades, ento obteremos uma caracterstica idntica mdia, mas
agora associada varivel aleatria, a que damos o nome de valor mdio, e representamos por
, embora o termo mdia tambm seja utilizado:
Junho 2003
70
= 0 0.0625 + 1 0.250 + 2 0.375 + 3 0.250 + 4 0.0625 = 2

De um modo geral tem-se
Dada uma varivel aleatria discreta que assume os valores x 1, x2, , xk, com probabilidades p1,
p2, , pk, define-se valor mdio de X, e representa-se por , como sendo o valor que se obtm
multiplicando os valores que a varivel assume pelas respectivas probabilidades
= x1 p1+ x2 p2+ + xk pk
=
k
i 1
xi pi
Exemplo 3.2.4 De acordo com o Census 2001, a distribuio do nmero de pessoas por
agregado familiar a seguinte:
Dimenso
agregado
N
agregados
10
631762
1036312
918735
718492
226234
76714
25390
9563
4074
348
Um Censo uma sondagem em que toda a Populao inquirida, tornando possvel obter um
modelo exacto da sua distribuio. Neste caso, a partir da tabela anterior construmos o seguinte
modelo de probabilidade para a varivel aleatria X, que representa o nmero de pessoas que
constituem um agregado familiar, escolhido ao acaso, de entre os agregados familiares
portugueses:
X=i
10
P(X=i)
0.1732
0.2841
0.2519
0.1970
0.0620
0.0210
0.0070
0.0026
0.0011
0.0001
O modelo s no traduz completamente a realidade porque substitumos todos os valores 10,

que a varivel assumia, pelo ponto 10, uma vez que o nmero de casos em que a dimenso do
agregado superior a 10 muito pequeno e tem pouco significado. Assim, achmos razovel
considerar o modelo anterior, j que convm no esquecer que o que se procura um modelo
que seja til e que traduza to fielmente quanto possvel, a realidade.
Agora, a partir da tabela anterior, podemos calcular a dimenso mdia dos agregados familiares
portugueses, obtendo-se o valor de 2.8 pessoas por agregado familiar. Esta informao
bastante importante para os empresrios que se dedicam construo civil. Efectivamente o
Junho 2003
71
investimento em casas com muitas assoalhadas no se justifica, j que a grande parte dos
agregados familiares constitudo pelo casal e um filho.
Podemos tambm a partir da funo massa de probabilidade anterior, calcular probabilidades de
alguns acontecimentos, nomeadamente, a probabilidade de um agregado familiar, escolhido ao
acaso:
a) Ser constitudo por mais de 3 pessoas P(X>3) = P(X4) = 0.2908
b) Ter entre 2 e 4 pessoas P(2X4) = 0.7330
c) Ter menos de 4 pessoas P(X<4) = 1-P(X4) = 1-0.2908 = 0.7092
Repare-se que a percentagem de agregados familiares que tem entre 2 e 4 pessoas de cerca
de 73%, o que vai de encontro observao que fizmos anteriormente sobre o nmero de
assoalhadas das casas.
Suponhamos agora que se recolheu uma amostra de 100 agregados familiares e se registou a
respectiva dimenso (No anexo 1 apresentamos um processo para simular a recolha de uma
amostra aleatria a partir de uma determinada distribuio de probabilidade discreta):
2
4
1
3
5
2
5
3
3
1
4
4
1
4
4
1
4
2
2
2
2
3
2
5
1
2
2
4
3
3
1
1
6
2
1
2
5
2
2
3
1
1
4
5
2
4
3
4
3
2
2
3
3
2
3
1
2
3
3
2
3
4
4
2
3
1
2
1
2
4
1
2
5
3
3
5
2
4
2
1
5
1
2
2
6
4
5
2
2
3
2
3
5
1
1
2
4
5
4
4
A mdia desta amostra 2.79.

Recolheram-se mais algumas amostras, tendo-se registado as respectivas mdias. Obtiveram-se
valores todos diferentes uns dos ourtros, embora aproximados. Como seria de esperar, a mdia
varia de amostra para amostra, j que existe sempre uma certa variabilidade presente na
amostra. Pelo contrrio o valor mdio um valor fixo uma caracterstica do fenmeno
aleatrio em estudo, que normalmente desconhecido, se no tivermos um modelo de
probabilidade que o descreva, mas para o qual se pode obter um valor aproximado, recolhendo
uma amostra e calculando a mdia. Pode-se mostrar (embora saia do mbito deste curso) que:
Junho 2003
72
Dado qualquer fenmeno aleatrio cujos resultados sejam numricos e que tenha valor mdio ,
ento, medida que se repete o fenmeno, a mdia dos resultados observados aproxima-se
cada vez mais do valor mdio, isto , medida que a dimenso da amostra aumenta, a mdia da
amostra tende a aproximar-se do valor mdio do fenmeno aleatrio.
A propriedade anterior explica a razo pela qual as casas de jogo no vo runa.
Efectivamente, um jogador pode ao fim de alguns jogos estar a ganhar ou a perder dinheiro! Mas
o que certo que ao fim de muitos jogos o valor mdio do lucro pode-se prever e sempre um
ganho para a casa de jogo!
Exemplo 3.2.5 (Adaptado de Mann, 1995) Num jogo semelhante Raspadinha, cada bilhete
custa 1 euro e os prmios que se podem ganhar so 500 euros, 23 euros, 13 euros, 7 euros, 3
euros e 1 euro. Cada bilhete tem uma superfcie susceptvel de ser raspada, a qual revela um
dos prmios anteriores ou nenhum prmio. So postos em circulao 6 000 000 bilhetes, de
acordo com a seguinte distribuio:
Prmio
0
1
3
7
9
13
23
500
Nmero de bilhetes
4 640 940
999 960
222 000
60 000
37 500
24 000
15 000
600
Total = 6 000 000
Ser que um indivduo que jogue sistematicamente este jogo, pode vir a ter a esperana de ficar
rico?
Resoluo:
Representando por X a varivel aleatria que representa o lucro de um jogador que jogue neste
jogo, temos
X = xi
-1
0
2
6
8
12
22
499
P(X= xi)
0.77349
0.16666
0.03700
0.01000
0.00625
0.00400
0.00250
0.00010
Junho 2003
73
Utilizmos a regra de Laplace para calcular as probabilidades anteriores. O valor mdio da

varivel aleatria X 0.43659. Qual a interpretao que podemos dar a este resultado?
Significa que se considerarmos todos os jogadores, eles perdem em mdia aproximadamente 44
cntimos por bilhete. Podemos ainda fazer a seguinte interpretao: S 56.34% (100cntimos43.659) do dinheiro gasto pelos jogadores que reverte para esses mesmos jogadores na forma
de prmios. O restante, ou seja 43.66% ser para pagar as despesas e o que sobrar ser lucro
para a empresa detentora do jogo.
Exemplo 3.2.6 (adaptado de Moore, 1997) Uma companhia de seguros instituiu um seguro de
vida com a durao de 5 anos, para indivduos de 21 anos, do sexo masculino, segundo a
seguinte modalidade: a companhia paga uma indemnizao de 100 mil euros se o segurado
morrer nos prximos 5 anos, sendo o prmio anual de 250 euros. Pretende-se saber qual o lucro
esperado para a companhia de seguros, tendo em conta as seguintes probabilidades:
Idade morte
Probabilidade
21
.0018
22
.0019
23
.0019
24
.0019
25
.0019
26
.9906
Resoluo:
Seja X a v.a. que representa o lucro auferido pela companhia de seguros ao longo dos anos em
que o seguro vlido:
Idade morte
X
Probabilidade
21
-99750
.0018
22
-99500
.0019
23
-99250
.0019
24
-99000
.0019
25
-98750
.0019
26
1250
.9906
Utilizando a expresso para o clculo do valor mdio temos que o lucro esperado de
aproximadamente 305 euros.
Tendo em conta o resultado anterior estaria disposto a assumir perante um amigo a
responsabilidade que a companhia de seguros assume perante os seus segurados? Obviamente
que no! O risco seria enorme. Como a companhia de seguros faz milhares de aplices deste
tipo, tem um lucro garantido, j que o valor mdio positivo.
Junho 2003
74
3.2.2.2 Desvio padro de uma varivel aleatria discreta

Retomando o exemplo 3.2.3 que serviu para introduzir o valor mdio a partir da mdia, vamos
agora calcular a varincia amostral para os mesmos dados agrupados
2
s = (0-2.004)
2.004)
0.057
+ (1-2.004)
0.261
+ (2-2.004)
0.371
+ (3-2.004)
0.243
+ (4-
0.068
Se na expresso anterior substituirmos as frequncias relativas pelas probabilidades, de acordo

com a distribuio de probabilidades, e a mdia pelo valor mdio, ento obteremos uma
caracterstica idntica varincia amostral, mas agora associada varivel aleatria, a que
damos o nome de varincia (populacional), e representamos por ,
2
= (0-2)
2
0.0625 + (1-2)2 0.250 + (2-2)2 0.375 + (3-2)2 0.250 + (4-2)2 0.0625 = 1
donde o desvio padro (populacional), vem igual a 1.

Dada uma varivel aleatria discreta que assume os valores x 1, x2, , xk, com probabilidades p1,
p2, , pk, define-se varincia (populacional) de X, e representa-se por , como sendo o valor
= (x1 - ) p1+ (x2 - ) p2+ + (xk - ) pk

2
k
i 1
(xi - ) pi
2
raiz quadrada da varincia chamamos desvio padro (populacional).
Exemplo 3.2.4 (Continuao) Utilizando a expresso anterior, facilmente se obtm que o

desvio padro da varivel aleatria que representa o nmero de pessoas de um agregado
familiar portugus 1.34.
Tal como no caso do desvio padro amostral, que mede a maior ou menor variabilidade dos
dados relativamente mdia, tambm o desvio padro (populacional) mede a maior ou menor
variabilidade com que a varivel aleatria se distribui relativamente ao seu valor mdio.
Exemplo 3.2.5 (Graa Martins et al, 1999) - O Joo pergunta ao Miguel o que que ele prefere:
ganhar 25 euros, qualquer que seja o resultado observado no lanamento de uma moeda, ou
ganhar 75 euros se no lanamento da moeda sair face, e perder 25 euros se sair coroa? O
Miguel fica indeciso e pede-lhe um conselho. O que que lhe aconselharia?
Junho 2003
75
Resoluo:
Na 1hiptese ganha sempre 25 euros, pelo que o lucro esperado 25 euros.
Na 2 hiptese temos uma varivel que assume os valores 25 euros (perda) e 75 euros (ganho)
com probabilidade 1/2:
Valor
Probabilidade
-25 euros
0.5
75 euros
0.5
O valor mdio desta varivel

-25 euros x 0.5 + 75 euros x 0.5 = 25 euros
Aparentemente as duas hipteses so equivalentes pois em mdia dariam o mesmo ganho. O
que que ento nos pode levar a decidir por uma ou outra das hipteses? Vejamos o que se
passa com a variabilidade: no 1 caso a variabilidade igual a zero, pois temos um
acontecimento certo, enquanto que no 2 caso a varincia igual a
2
(-25 euros 25 euros) x 0.5 + (75 euros 25 euros) x 0.5 = (50 euros)
pelo que o desvio padro igual 50 euros. Isto significa que, embora em mdia, as duas
hipteses sejam equivalentes, na 2 hiptese corre-se um risco, pois se numa jogada se pode
ganhar 75 euros, tambm se pode perder 25 euros!
Existem alguns modelos de probabilidade que merecem relevo especial, devido a serem muito
utilizados em situaes da vida real. Um desses exemplos o modelo Binomial, que
apresentamos na seco seguinte.
3.2.3 O Modelo Binomial
Consideremos as seguintes situaes e as variveis aleatrias indicadas:
Num estudo de opinio sobre se as pessoas so ou no a favor do aborto, seleccionamse aleatoriamente 100 lisboetas e pergunta-se a cada um se a favor do aborto; o
nmero de pessoas que responde sim uma varivel aleatria X;
Numa escola com 2000 alunos, em que a percentagem de raparigas 60%,

seleccionam-se aleatoriamente 15 para organizarem as festas de fim de ano lectivo; o
nmero de raparigas que pertence a esta comisso uma varivel aleatria Y;
Junho 2003
76
Considera-se um lote de 50 peas produzidas por uma mquina que produz 5% de

peas defeituosas; o nmero de peas defeituosas no lote das 50 uma varivel
aleatria Z.
De todos os doentes que sofrem de uma doena do estmago, 45% apresentam

melhoras com um determinado medicamento. Seja U a varivel aleatria que representa
o nmero de doentes que apresentam melhoras, de entre os prximos 30 a tomarem o
medicamento.
Todas as situaes descritas anteriormente podem ser modeladas pelo mesmo modelo de
probabilidade, j que so idnticas nos seguintes aspectos:
i) Considera-se partida um nmero fixo n de experincias aleatrias, a que usual chamar
provas;
ii) Os resultados das experincias so independentes uns dos outros;
iii) Em cada experincia pode-se obter um de dois resultados possveis, a que chamamos
sucesso ou insucesso;
iv) A probabilidade de sucesso p, constante de experincia para experincia.
varivel X que representa o nmero de sucessos nas n provas chama-se varivel aleatria
com distribuio Binomial de parmetros n e p e representa-se por XB(n,p).
Os valores que esta varivel pode assumir so
0, 1, 2, , n
Para descrever completamente a varivel aleatria em estudo necessrio calcular a
probabilidade da varivel aleatria ssumir cada um dos valores anteriores. Antes de obtermos o
modelo geral, vejamos o seguinte exemplo:
Exemplo 3.2.6 - Um rapaz vai para um exame de escolha mltipla em que cada questo tem 5
respostas possveis, das quais s uma a certa. O rapaz no estudou, pelo que responde
sistematicamente ao acaso. Estude a varivel X que representa o nmero de respostas certas
num exame de 4 questes.
Resoluo:
O nmero X de respostas certas pode ser igual a 0, 1, 2, 3 ou 4 e a probabilidade de responder
certo a uma questo 0.2.
0
P(X=0)=P(0 respostas certas e 4 respostas erradas) = 0.2 x (1-0.2)
Junho 2003
77
P(X=1)=P(1 resposta certa e 3 respostas erradas) = 4 x 0.75 x (1-0.75) (o coeficiente 4

corresponde ao nmero de maneiras de escolher a resposta certa, de entre os 4)
2
P(X=2)=P(2 respostas certas e 2 respostas erradas) = 6 x 0.75 x (1-0.75) (o coeficiente 6

corresponde ao nmero de maneiras de escolher as 2 respostas certas, de entre os 4)
3
P(X=3)=P(3 respostas certas e 1 resposta errada) = 4 x 0.75 x (1-0.75) (o coeficiente 4

corresponde ao nmero de maneiras de escolher as 3 respostas certas, de entre os 4)
4
P(X=4)=P(4 respostas certas e 0 respostas erradas) = 1 x 0.75 x (1-0.75)
Do clculo combinatrio, sabe-se que o nmero de maneiras possveis de escolher k sucessos

n
n!
n
de entre n observaes dado pelo coeficiente binomial C =
k
k! (n - k)!
k
k
4-k
4
Com esta notao P(X=k) = Ck x 0.75 x (1-0.75) , com k=0, 1, 2, 3 ou 4.
De um modo geral, se X tem distribuio Binomial de parmetros n e p,
n
P(X=k) = C x pk x (1 - p)n-k
k
para k = 0,1,2,, n.
Exemplo 3.2.7 (Adaptado de Moore, 1996) Segundo a gentica, os descendentes herdam os
genes dos pais, independentemente uns dos outros. Se ambos os pais tm genes sanguneos
de tipo A e O, cada descendente tem uma probabilidade 0.25 de ter dois genes O, isto sangue
de tipo O. Se uma destas famlias tem 5 descendentes, qual a probabilidade de dois deles terem
sangue de tipo O?
Resoluo:
Seja X a varivel aleatria que representa o nmero de descendentes em 5, que tem sangue de
tipo O. Ento, X tem uma distribuio Binomial de parmetros 5 e 0.25, ou seja
XB (5,0.25)
Para calcular a probabilidade pretendida, temos
5
2
3
P(X=2) = C2 0.25 x0.75 = 0.26
Aplicao do modelo Binomial (Graa Martins et al, 1999)

Na vida real surgem-nos com frequncia situaes que podem ser bem modeladas pelo modelo
Binomial. Por exemplo, suponhamos que recolhemos uma amostra aleatria de 15 alunos de
Junho 2003
78
uma universidade com 10000 alunos, onde sabemos que a percentagem de raparigas 51%.
Qual a distribuio da varivel aleatria que representa o nmero de raparigas na amostra
seleccionada? Ser que estamos numa situao em que se aplica o modelo Binomial? No, se
pensarmos estritamente nas condies que nos conduzem a este modelo, nomeadamente no
facto de ser constante a percentagem de sucessos, quando se realizam as sucessivas provas
(seleco dos alunos). No caso presente, se ao seleccionarmos o primeiro aluno dos 10000
alunos, retirarmos uma rapariga, ficamos com 5099 raparigas, pelo que a probabilidade de
sucesso para a prova seguinte ser de 509/9999 = 0.509950995: se pelo contrrio o aluno
seleccionado for rapaz, a probabilidade de sucesso para a prova seguinte ser 510/9999 =
0.510051005. No entanto, estes valores so to prximas de 0.51, que em termos prticos
podemos dizer que o facto de termos retirado um elemento da populao, no alterou a sua
composio. O mesmo raciocnio pode ser feito para as provas seguintes. Assim, podemos dizer
que a varivel aleatria que representa o nmero de raparigas (sucessos) na amostra de 15
alunos, pode ser aproximadamente modelada por uma distribuio Binomial de parmetros n=15
e p=0.51.
Quando o nmero de elementos de uma populao substancialmente maior que a dimenso n
de uma amostra aleatria simples retirada dessa populao, ento o nmero de sucessos
obtidos na amostra pode ser aproximadamente modelado pela distribuio Binomial, com
parmetros n e p, sendo p a proporo de sucessos na populao. A aproximao tanto
melhor, quanto maior for a dimenso da populao, quando comparada com a da amostra.
Exemplo 3.2.8 O Departamento de Controlo de Qualidade de uma empresa selecciona, do
conjunto de parafusos produzidos durante uma hora por uma mquina, uma amostra de 10
parafusos para inspeco. Sabe-se que a percentagem de parafusos defeituosos produzidos
pela mquina de 10%. Qual a probabilidade de na amostra seleccionada no haver parafusos
defeituosos?
Resoluo:
Se representarmos por X a varivel que representa o nmero de parafusos defeituosos em 10,
temos que a distribuio de X pode ser considerada Binomial de parmetros 10 e 0.10, isto ,
XB (10, 0.1)
Ento, a probabilidade pretendida ser
P(X = 0) = 0.3487
Podemos concluir do resultado anterior que, embora a percentagem de obter parafusos
defeituosos seja de 10%, h uma probabilidade relativamente elevada (aproximadamente 35%)
de seleccionarmos 10 parafusos, todos bons. Significa isto que numa inspeco sobre a
qualidade dos parafusos, amostras de dimenso 10 so demasiado pequenas.
Junho 2003
79
3.3 Modelos de probabilidade contnuos. Funo densidade de

probabilidade
Como dissemos, no final da seco 3.1, h muitas situaes da vida real que no podem ser
modeladas por um espao de suporte finito nem to pouco infinito numervel: o tempo que um
aluno leva de manh a chegar escola, a altura de um rapaz de uma determinada classe etria,
o comprimento do p de um adulto, etc. Os modelos matemticos para estas situaes saem
fora do mbito deste curso, mas no que se segue vamos tecer algumas consideraes sobre
modelos contnuos e apresentar um caso especial de um modelo largamente utilizado o
modelo Normal. Vamos ento admitir que temos uma varivel aleatria contnua, isto , que
pode assumir qualquer valor de um intervalo do seu domnio de variao.
3.3.1 Histograma versus funo densidade
Na continuao do paralelismo que fizemos para as variveis discretas, entre distribuio de
frequncias e distribuio de probabilidades, oportuno investigar se no haver, no caso de
uma varivel aleatria contnua, o equivalente ao histograma na amostra, que pode ser
considerada a representao por excelncia de dados contnuos? Efectivamente assim . Existe
uma funo, chamada de funo densidade, que se pode considerar como o caso limite para
que tenderia o histograma, se considerssemos muitas observaes e por conseguinte muitas
classes, com amplitude cada vez mais pequena, como se ilustra nos dois exemplos seguintes:
Junho 2003
80
Qual a utilidade da funo densidade? Para responder a esta questo voltemos novamente ao
histograma, que a imagem estatstica da funo densidade. Dados dois reais quaisquer a e b,
a rea a ponteado d um valor aproximado para a frequncia relativa de os dados da amostra
estarem entre esses dois pontos, se o histograma foi correctamente construdo, isto , com as
reas dos rectngulos iguais s frequncias relativas das respectivas classes:
Junho 2003
81
Nota - Recordamos que quando tempos uma amostra de dados contnuos, organizados na forma
de uma tabela de frequncias, a representao grfica adequada para representar os dados o
histograma, que um diagrama de reas, constitudo por rectngulos adjacentes, tendo cada um
por base a classe e por rea a respectiva frequncia relativa. Nestas condies, a rea total
ocupada pelo histograma igual a 1.
Da nota anterior, natural esperar que a rea total compreendida entre o grfico da funo
densidade e o eixo dos xx, tambm seja igual a 1. E do mesmo modo, por analogia com o que se
passa com o histograma, a rea a ponteado na funo densidade d o valor da probabilidade da
varivel estar compreendida entre os valores a e b. A rea a ponteado no histograma
frequncia relativa dos dados da amostra no intervalo [a, b], um valor aproximado da
probabilidade da varivel aleatria assumir valores nesse mesmo intervalo:
Na interpretao que acabmos de fazer, mais uma vez apelamos para o que foi dito sobre a
definio frequencista de Probabilidade, em que esta entendida como o limite para que
estabiliza a frequncia relativa.
Qualquer funo cujo grfico nunca passe abaixo do eixo dos xx, e tal que a rea compreendida
entre o grfico da funo e o eixo dos xx seja igual a uma unidade, pode ser funo densidade
de probabilidade de uma varivel aleatria contnua, isto , permite construir um modelo de
probabilidade no conjunto dos nmeros reais. Para calcular a probabilidade de qualquer intervalo
basta calcular a rea determinada por esse intervalo, entre o eixo dos xx e a curva.
importante referir que, ao contrrio dum modelo discreto que atribui probabilidades a
resultados individuais, um modelo contnuo atribui probababilidades a intervalos de resultados
a qualquer resultado individual atribuda a probabilidade 0.
Junho 2003
82
Exemplo 3.3.1 Consideremos uma roleta calibrada de 0 a 1
Pe-se a roleta a girar e o indicador pode parar em qualquer posio do crculo. Seja X a
varivel aleatria que representa o ponto da circunferncia onde se d essa paragem. A varivel
X pode assumir qualquer valor entre 0 e 1 um nmero infinito de valores. Como atribuir
probabilidades aos valores de X? A varivel pode assumir um nmero infinito de valores, todos
igualmente possveis, e podemos dizer que a varivel varia uniformemente entre 0 e 1, j que se
a roleta estiver equilibrada, no temos razes para admitir que seja mais provvel sair esta ou
aquela zona da circunferncia. Assim, um modelo razovel para X ser dado atravs da seguinte
funo densidade de probabilidade:
f(x) = 0 quando x<0

f(x) = 1 quando 0x1
f(x) = 0 quando x>1
A probabilidade de o indicador apontar qualquer valor entre dois pontos a e b ser dada pela
rea da parte sombreada
que (b-a), ou seja, a probabilidade da varivel assumir valores num determinado intervalo (a,b),
contido no intervalo [0, 1], igual amplitude desse intervalo.
Tambm se verifica que para qualquer ponto a, P(X=a) = 0:
Junho 2003
83
O modelo que apresentmos no exemplo anterior o modelo Uniforme no intervalo [0, 1] ou

distribuio Uniforme.
Modelo Uniforme
De um modo mais geral, podemos definir o modelo Uniforme no intervalo (a, b), com funo
densidade de probabilidade:
1
se a x b
b - a
f(x) =
0 se x< a ou x > b
Nota: Os nmeros que se obtm utilizando a tecla RAND da mquina de calcular, apelidados de
nmeros aleatrios, mas que de devem chamar de pseudo-aleatrios, uma vez que tm por trs
um mecanismo determinista (algoritmo) para os gerar, so nmeros com distribuio Uniforme
no intervalo (0, 1). Assim, sempre que carregamos na tecla RAND obtemos um nmero entre 0 e
1, que tem a mesma possibilidade de surgir que outro qualquer, tambm no intervalo (0, 1). O
algoritmo, que permite obter estes nmeros, simula a extrao de um nmero ao acaso de um
saco (virtual) contendo todos os nmeros entre 0 e 1. Este modelo tem uma grande
importncia em Estatstica, pois em muitas situaes permite obter nmeros pseudo-aletarios
com outras distribuies. No Anexo 1 destas folhas, descrevemos um processo de obter
nmeros com uma determinada massa de probabilidade, utilizando o modelo Uniforme, ou mais
precisamente a tecla RAND da mquina de calcular.
Exemplo 3.3.2 (Loura et al, 2002) - Como todos os alunos, o Andr estuda mais na vspera dos
pontos do que nos restantes dias. No entanto, nunca estuda mais do 5 horas e com maior
frequncia estuda entre 2 e 3 horas. Com base nesse facto sugeriu o seguinte modelo para o
tempo de estudo (em horas) na vspera dos pontos:
Junho 2003
84
De notar que a informao apresentada suficiente para identificar a funo de densidade.

Comeando por determinar a altura do tringulo de modo a que a sua rea seja unitria, ficamos
com todos os elementos para determinar a equao das duas rectas que definem a funo.
Temos ento que a altura do tringulo deve ser igual a 0.4 e a funo densidade tem a seguinte
expresso analtica
4
para 0x < 2.5
x
25
4
4
f(x) = x
para 2.5x < 5
25
5
0 para os outros valores de x

agora s uma questo de clculo de reas a determinao de probabilidades associadas a
esta situao. Assim, se representarmos por X a varivel aleatria que representa o tempo de
estudo:
a) A probabilidade de estudar mais de 4 horas, P(X>4), ser dada pela rea a tracejado:
P(X>4) =
1
4 4
2
1 (
4)
2
5 25
25
b) A probabilidade de estudar entre 2 e 3 horas, P(2<X<3) ser:
Junho 2003
85
P(2<X<3) = 1 - 2
8
9
=
25
25
A situao dos modelos contnuos exige instrumentos de anlise matemtica mais elaborados
quando a funo densidade no tem uma forma que d origem ao clculo de reas de figuras
conhecidas como, por exemplo, tringulos ou trapzios.
3.3.2 Modelo Normal ou Gaussiano
O modelo Normal um dos modelos mais importantes em Estatstica, pois uma grande
variedade de situaes da vida real podem ser modeladas por aquele modelo. Por exemplo,
quando estamos interessados em estudar o comprimento do eucalipto, o dimetro do tronco do
pinheiro bravo, a altura de um jovem adolescente, etc, o modelo Normal ajusta-se bem a este
tipo de dados.
um modelo que tem suporte em R e tem uma funo densidade com uma forma caracterstica
que faz lembrar a forma de um sino. Quando falamos no modelo Normal estamos a referir-nos a
uma famlia de distribuies caracterizadas por dois parmetros, o valor mdio e o desvio
padro , e que representamos por N(,). A expresso analtica da funo densidade, a partir
da qual se podem deduzir algumas propriedades do modelo, a seguinte:
f(x) =
1
e
2
-(x- ) 2
2 2
para - < x <
Propriedades da curva normal:

i)
simtrica relativamente ao valor mdio da varivel, assumindo a o valor mximo;
ii)
Quanto maior for o desvio padro mais achatada a curva;
Junho 2003
86
iii)
A rea compreendida entre a curva e o eixo dos xx igual a 1;
iv)
A rea compreendida entre a curva, o eixo dos xx e as rectas que passam pelos pontos
- e +, aproximadamente igual a 0.68;
v)
-2 e +2, aproximadamente igual a 0.95;
vi)
-3 e +3, aproximadamente igual a 1.
Repare-se que as trs ltimas propriedades fazem lembrar a regra 68 96 100, geralmente
utilizada em Estatstica.
No caso do modelo Normal de valor mdio 0 e desvio padro 1, existem umas tabelas que nos
permitem obter probabilidades de intervalos, a partir das quais se obtm, no caso de X ter valor
mdio e desvio padro :
P( X + )=.683
P( - 2 X + 2)=.954
P( - 3 X + 3)=.997
Quando for necessrio calcular probabilidades de intervalos diferentes dos considerados

anteriormente, utilizamos as mesmas tabelas.
Exemplo 3.3.3 - Num certo exame, classificado de 0 a 100, o valor mdio e o desvio padro das
classificaes foi 50 e 10, respectivamente. Admitindo que a classificao de um aluno que
realizou o dito exame pode ser bem modelada por uma N(50, 10), calcule a probabilidade desse
aluno ter uma classificao:
Junho 2003
87
a) Entre 40 e 60 pontos;
b) Entre 30 e 70 pontos;
c) Superior a 70.
Resoluo:
a) Representando por X a v.a. que representa a classificao obtida,
P(40X60) = P(50-10X50+10) = 0.683
b) P(30X70) = P(50-2x10X50+2x10) = 0.954
c) P(X>70) = 1/2x[1- P(30X70)] = 0.026
Exemplo 3.3.4 O Sr. Silva, industrial txtil, decidiu comear a fabricar camisas de homem,
destinadas a serem vendidas em Portugal. Para ter alguma informao sobre os moldes que
deve considerar, nomeadamente no que diz respeito ao comprimento das mangas, resolveu
pedir a uma empresa de Consultoria de Estatstica que o ajudasse, dando-lhe algumas
indicaes sobre a populao a que se destinam as camisas.
Vamos delinear o processo utilizado pela tal empresa, para ajudar o Sr. Silva.
1 passo Recolha de uma amostra
A empresa de Consultoria encarregou o Departamento de Sondagens de recolher uma amostra
de dimenso 250, tendo esta fornecido os seguintes dados, relativos ao comprimento do brao
direito de 250 homens:
51.5
56.0
55.0
58.3
58.4
55.3
56.3
52.2
55.2
57.3
55.4
52.9
54.0
59.7
55.4
53.0
52.6
55.5
53.1
52.4
57.9
57.7
55.3
53.5
55.8
57.9
54.7
55.7
54.0
52.1
57.6
52.9
54.2
52.9
56.2
54.9
58.2
53.2
54.1
53.1
53.9
54.9
56.7
52.1
57.7
55.4
54.9
54.9
55.5
56.6
56.6
54.7
55.6
53.2
54.7
53.0
57.5
55.6
56.9
57.4
49.9
54.7
53.8
58.4
55.7
55.4
54.3
49.1
56.7
55.4
53.0
55.3
55.7
52.1
51.0
53.1
55.3
52.1
54.3
54.9
55.3
56.7
57.1
54.4
53.7
58.9
53.8
54.8
55.7
55.4
56.6
56.8
53.4
53.4
56.0
56.5
56.7
54.0
51.6
52.6
56.4
56.8
57.4
54.7
55.5
53.2
54.7
54.7
58.4
56.3
58.1
53.4
56.7
58.1
54.9
54.2
56.5
53.2
51.3
56.6
56.6
58.8
57.7
52.5
56.2
54.4
56.8
51.8
53.9
58.4
58.7
55.2
53.0
58.0
58.6
52.3
59.2
56.5
57.1
54.2
55.3
55.5
56.1
52.1
53.9
53.2
52.9
58.8
55.0
54.2
54.8
53.4
56.8
51.9
55.0
51.6
58.2
55.5
56.2
53.7
54.6
51.7
55.5
52.8
54.4
55.7
54.0
56.8
53.3
56.8
54.2
50.5
54.3
54.6
53.2
52.2
55.2
55.4
55.8
55.6
Junho 2003
88
60.2
57.0
54.6
55.0
56.6
55.1
58.0
57.3
56.0
51.7
55.1
54.5
53.8
55.1
55.7
57.1
53.2
52.4
55.5
57.2
56.1
55.1
55.2
56.3
57.1
55.5
53.2
54.8
55.6
56.0
60.7
58.3
59.4
52.8
55.8
56.8
56.3
55.7
53.0
53.0
51.9
55.7
53.4
53.8
52.1
57.5
59.8
55.3
55.0
55.0
54.2
57.6
55.1
56.5
58.3
53.1
55.2
53.7
48.4
54.7
55.0
56.5
56.9
57.0
58.2
56.7
54.4
50.2
54.4
56.5
2 passo Estudo descritivo

Procedeu-se ao estudo descritivo dos dados anteriores, calculando algumas caractersticas
amostrais e procedendo reduo dos dados atravs de uma tabela de frequncias e
construo do histograma correspondente. Apresentam-se a seguir os resultados obtidos:
Mdia
55.14
Mediana
55.22
Mnimo
48.4
Mximo
60.7
Desvio padro
2.09
Para construir a tabela de frequncias consideraram-se 8 classes e para obter a amplitude de

classe dividiu-se a amplitude da amostra, ou seja (mximo mnimo), por 8, escolhendo o valor
1.54 para essa amplitude de classe (seguindo a recomendao de que se deve escolher para
amplitude de classe um valor aproximado, por excesso, do quociente amplitude da
amostra/nmero de classes):
Classes
Freq. relativa
[48.40, 49.94[
[49.94, 51.48[
[51.48, 53.02[
[53.02, 54.56[
[54.56, 56.10[
[56.10, 57,64[
0.012
0.020
0.132
0.196
0.320
0.200
[57.64, 59.18[
0.096
[59.18, 60.72[
0.024
A partir da tabela anterior construmos o histograma que se apresenta a seguir:
Junho 2003
89
.32
.24
.16
.08
Std. Dev = 2,09

Mean = 55,14
N = 250
0
59,18 - 60,72
57,64 - 59,18
56,10 - 57,64
54,56 - 56,10
53,02 - 54,56
51,48 - 53,02
49,94 - 51,48
48,40 - 49,94
A representao grfica obtida sugere-nos o modelo Normal para a distribuio da varivel

aleatria que representa o comprimento do brao de um adulto, escolhido ao acaso, de entre os
portugueses.
Uma questo que se levanta neste momento a seguinte: ter sentido estar a ajustar aos
nossos dados um modelo com suporte R, isto , que pode assumir qualquer valor real, quando
ns sabemos que isso no se passa com o comprimento do brao? Mas se estamos renitentes
em ajustar um modelo com suporte em R, talvez pensassemos que seria mais razovel um cujo
+
suporte fosse R , pois se temos a garantia que o comprimento no pode ser negativo, no
sabemos qual o valor mximo que devemos escolher. Ou poderamos inventar um valor ao
acaso como limite superior, por exemplo 150 cm, mas com que legitimidade que escolhemos
Junho 2003
90
este e no outro valor? Tambm no devemos considerar o valor 60.7 como valor mximo,
embora tenha sido o maior valor da amostra que se recolheu. Ningum nos garante que na
populao no haja homens com o comprimento do brao superior a 60.7! Nesta altura, de
reflexo sobre qual o modelo a adoptar, recordemos o que se disse sobre a escolha de um
modelo para traduzir um fenmeno aleatrio todos os modelos so maus, alguns so teis. No
entanto, alm do histograma nos sugerir o modelo Normal, devido semelhana com a funo
densidade da Normal, tambm dispomos de alguma informao cientfica sobre este modelo; e
so esses estudos que nos dizem que ele se aplica em situaes de fenmenos que possam ser
considerados provenientes de uma contribuio aditiva de vrias variveis, como , por exemplo,
o caso da varivel em estudo. Ento, em posse da informao sobre a provenincia dos dados e
dos resultados do estudo descritivo dos mesmos, estamos em condies de propor o modelo
Normal.
3 passo Proposta de um modelo para o fenmeno aleatrio em estudo
O modelo que se prope para o comprimento do brao o modelo Normal de valor mdio 55 cm
e desvio padro 2 cm., cuja funo densidade se sobreps ao histograma. A Estatstica tem
ferramentas prprias que, com uma confiana grande, por exemplo 95%, permitem tomar a
deciso de no rejeitar o modelo proposto.
4 passo Transmisso dos resultados ao industrial txtil
Agora, nesta fase, justificava-se uma conversa com o Sr. Silva, para a apresentao dos
resultados. Pode-se, no entanto, ir adiantando alguma informao, em termos de percentagens
dos futuros compradores das camisas. Assim, temos os seguintes nmeros:
Aproximadamente 68% dos homens tm o comprimento dos braos no intervalo [53, 57]
Aproximadamente 95% dos homens tm o comprimento dos braos no intervalo [51, 59]
Aproximadamente 100% dos homens tm o comprimento dos braos no intervalo [49,

61]
Se consultarmos as tais tabelas disponveis para o modelo N(0, 1), podemos ser um pouco mais
precisos, informando o Sr. Silva sobre os valores do 1 e 3 quartis, que so respectivamente
53.6 cm e 56.4 cm. Assim o industrial sabe que s 25% dos homens que tm o comprimento
dos braos inferior a 53.6 cm e que 50% dos homens tm o comprimento dos braos no intervalo
[53.6, 56.4].
Junho 2003
91
Anexo 1
Processo para simular nmeros pseudo-aleatrios com uma determinada funo massa
de probabilidades
Suponhamos que se pretende simular uma experincia aleatria, em que em cada realizao da
experincia se pode obter um de k resultados possveis, x 1, x2, , xk, com probabilidades p1, p2,
, pk, em que p1+p2++pk = 1.
1 passo:
Dividir o intervalo (0,1) em k intervalos [0, p1[, [p1, p1+p2[, [p1+p2, p1+p2+p3[ , , [p1+p2++pk-1, 1[
2 passo
Utilizando a mquina de calcular e a funo RAND, gerar tantos nmeros aleatrios quantos os
que se pretendem obter com a distribuio de probabilidades dada. Sejam r 1, r2, , rn os
nmeros obtidos.
3 passo
Para cada nmero ri obtido no passo anterior faz-se o seguinte teste:
Se
ri [o, p1[
o resultado da experincia o
x1
Se
ri [p1, p1+p2[
x2
Se
ri [p1+p2, p1+p2+p3[
x3
ri [p1+p2++pk-1, 1[
xk
Se
Junho 2003
92
Bibliografia
ALPUIM, T. (1997) Introduo s Probabilidades. Associao dos Estudantes da Faculdade de
Cincias de Lisboa
FELLER, W. (1968) An Introduction to Probability Theory and its Applications, John Wiley &
Sons.
FREEDMAN, D. PISANI, R. PURVES, R., ADHIKARI, A. (1991) - Statistics. W. W. Norton &
Company.
GRAA MARTINS, M. E. (2000) Introduo s Probabilidades e Estatstica. Sociedade
Portuguesa de Estatstica.
GRAA MARTINS, M. E. , MONTEIRO, C., VIANA, J. P., TURKMAN, M. A. (1999)
Probabilidade e Combinatria. Ministrio da Educao. Departamento do Ensino Secundrio.
GRAA MARTINS, M. E. , CERVEIRA, A. (1999) Introduo s Probabilidades e Estatstica.
Universidade Aberta.
IMAN, R. e CONOVER, W. (1983) - A Modern Approach to Statistics. John Wiley & Sons.
LOURA, L., GRAA MARTINS, M. E. (2002) Matemtica para as Cincias Sociais. Ministrio
da Educao. Departamento do Ensino Secundrio.
MANN, P. (1995) Introductory Statistics. John Wiley & Sons.
MENDENHALL. W. BEAVER, R. (1994) Introduction to Probability and Statistics. Duxbury
Press.
MOORE, D. Statistics Concepts and Controversies. Freeman, 1997
MOORE, D. The Basic Practice of Statistics, Freeman, 1995
MOORE, D., McCABE, G. Introduction to The Basic Practice of Statistics, Freeman, 1993
PARZEN, E. (1969) Modern Probability Theory and Its Applications. New York.Wiley.
Alguma bibliografia editada posteriormente:

GRAA MARTINS, M. E. (2005) Introduo Probabilidade e Estatstica.- Com
complementos de Excel. Edio da SPE, ISBN-972-8890-03-6. Depsito Legal 228501/05
GRAA MARTINS, M. E., LOURA, L., MENDES, F. (2007) Anlise de dados, Texto de apoio
para os professores do 1 ciclo, Ministrio da Educao, DGIDC. ISBN-978-972-742-261-6.
Depsito legal 262674/07
GRAA MARTINS, M. E., PONTE, J. P. (2010) Organizao e tratamento de dados,
http://area.dgidc.min-edu.pt/materiais_NPMEB/matematicaOTD_Final.pdf
Junho 2003
93
Junho 2003

Introdução à Probabilidade: conceitos fundamentais e exemplos

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Introdução à Probabilidade: conceitos fundamentais e exemplos

Enviado por

Direitos autorais:

Formatos disponíveis

Projecto REANIMAT

Lusa Canto e Castro Loura

Departamento de Estatstica e Investigao Operacional

Chave do totoloto em cada semana;

Resposta de uma doena a um tratamento feito com determinado medicamento;

Estado do tempo no dia seguinte;

Comportamento dos eleitores nas prximas eleies legislativas;

Comportamento de um aluno no exame de resposta mltipla, para o qual no estudou;

Comportamento do mercado perante um produto novo para lavar a roupa;

importante apercebermo-nos do que que significa a regularidade a longo termo de que

1.2 - Probabilidade e Estatstica

de que falmos anteriormente. Estamos, assim, a admitir, na nossa cabea, um modelo

O comportamento de grandes grupos de indivduos, pode ser tambm considerado aleatrio e o

Experincia aleatria. Espao de resultados.

Dissemos anteriormente que o objectivo da Teoria da Probabilidade o de estudar fenmenos

Experincia aleatria o processo de observar um resultado de um fenmeno aleatrio. Numa

Espao de resultados S conjunto cujos elementos so os que consideramos como possveis,

ou em notao em termos dos pares ordenados

ou em notao em termos dos pares ordenados

Tem especial interesse em Estatstica os modelos probabilsticos associados a situaes de

Extraces com reposio e sem reposio

1.3.1 Operaes com acontecimentos

O acontecimento complementar do acontecimento A, representa-se por A ou A

acontecimento constitudo por todos os resultados de S, que no esto em A.

2.1 Modelos de probabilidade em espaos finitos

A identificao de um espao de resultados;

Uma forma de atribuir probabilidades a cada um dos resultados, isto , aos

d) Quando se lanam duas moedas, P(Cara, Cara) = 0.30,

Ser que esta tabela representa um modelo probabilstico?

O fabricante esqueceu-se de dizer qual a probabilidade de obter a cor roxa.

b) Selecciona uma pastilha de uma caixa. A partir do modelo assumido anteriormente,

6. Segundo o Census 91 um possvel modelo para o nmero de filhos em famlias

0.23 0.38 0.25 0.07

a) Verifique se os modelos anteriores podem ser considerados modelos de probabilidade

Nos Aores ou na Madeira

c) Escolhendo um homen ao acaso da populao portuguesa, qual a probabiliddae de ser

8. Um aluno do 9 ano de escolaridade pode dar, no mximo, 12 faltas a Matemtica. Numa

a) Determine o nmero de alunos que esto tapados por faltas.

2.1.2 - Modelos de probabilidade em situaes de simetria. Regra de

No lanamento de 2 dados, qual a probabilidade de obter uma soma igual a 7?

Idade do 1 aluno a sair da sala

5/204/19 5/208/19 5/207/19 8/205/19 8/207/19 8/207/19 7/205/19 7/208/19 7/206/19

esta experincia e o lanamento de um dado homogneo e simtrico de 20 lados, com 5 faces

a) Descreva o espao de resultados associado ao fenmeno aleatrio em estudo e

2. 2 Aproximao frequencista de probabilidade

Define-se probabilidade (definio frequencista) de um acontecimento A e representa-se por

Perante os resultados anteriores, um modelo de probabilidade que poderamos sugerir, seria o

Se designarmos por x1 o resultado

Alguns acontecimentos associados a este espao de resultados so exemplificados a seguir:

D = {x2 > x1}

Como calcular a probabilidade destes acontecimentos e de outros do espao de resultados S?

2.3 Definio axiomtica de Probabilidade

Se um acontecimento A est em W, ento o seu complementar tambm est em W;

Se dois acontecimentos A e B esto em W, ento a sua unio AB tambm est em

O espao de resultados S para o modelo de Laplace sempre um conjunto finito, no vazio,

P(A) o quociente entre um nmero inteiro no negativo e um nmero inteiro positivo

P(S) = # S =1. Logo A2 verifica-se.

No modelo frequencista da probabilidade comeamos por considerar um conjunto S que

n de vezes que A ocorreu nas N realiza

O n de vezes que A ocorreu sempre um inteiro no negativo. Logo P N(A)0 e A1

Dados dois conjuntos disjuntos A e B, em cada realizao da experincia se A ocorre

2.4 Consequncias da definio axiomtica da Probabilidade

3 - Se A B ento P(A) P(B)