14/08/2013

Professor:Jackson Santos

 A teoria das probabilidades busca estimar as chances

de ocorrer um determinado acontecimento.

 É um ramo da matemática que cria, elabora e

pesquisa modelos para estudar experimentos ou
fenômenos aleatórios.

 Como saber se um determinado produto está sendo

produzido dentro dos padrões de qualidade?

 Questões como estas envolvem algum tipo de

variabilidade ou incerteza, e as decisões podem ser
tomadas por meio da teoria de probabilidades que
permite a quantificação da incerteza.

1
 14/08/2013

 Experimento aleatório: É um processo de coleta de

dados em que os resultados possíveis são conhecidos
mas não se sabe qual deles ocorrerá.

Exemplos:
A contagem de ausências de um funcionário em um
determinado mês, o resultado do lançamento de uma moeda

 Espaço amostral: É o conjunto de todos os resultados

possíveis de um experimento aleatório. Indicamos o
espaço amostral por .

Exemplos:
Lançamento de uma moeda.  = {cara, coroa}.
Número de chips defeituosos em uma linha de produção
durante 24 horas.  = {0, 1, 2, 3, . . . , n}, sendo n o número
máximo de itens defeituosos.

 Evento: Chama-se evento a qualquer subconjunto do

espaço amostral .
Obs.: Dizemos que um espaço amostral é equiprovável quando seus elementos têm a mesma
chance de ocorrer.

 Dentre os eventos podemos considerar:

O evento união de A e B, denotado por A U B, que, equivale á
ocorrência de A, ou de B, ou de ambos.

A ocorrência simultânea dos eventos A e B, denotada por A ⋂

B é chamada de evento interseção.

Dois eventos A e B dizem-se mutuamente exclusivos ou

disjuntos, quando a ocorrência de um deles impossibilita a
ocorrência do outro.

Os dois eventos não tem nenhum elemento em comum, isto

é, A ⋂ B =∅ ; (conjunto vazio).

2
 14/08/2013

Ex.: Lançar um dado e registrar os resultados:

Espaço amostral:  = 1, 2, 3, 4, 5, 6

Evento A: Ocorrência de um número menor

que 7 e maior que zero.

A = 1, 2, 3, 4, 5, 6

Evento B: Ocorrência de um número maior que 6.

B=

Não existe número maior que 6 no dado, portanto o evento é

impossível.

Evento C: Ocorrência de um número par.

C = 2, 4, 6

Evento D: Ocorrência de múltiplo de 3.

D = 3, 6

3
 14/08/2013

Evento E: Ocorrência de número par ou número

múltiplo de 3.

E = C  D  E = 2, 4, 6  3, 6 
E = 2, 3, 4, 6

Evento F: Ocorrência de número par e múltiplo de 3.

F = C  D  F = 2, 4, 6  3, 6 
F = 6

Evento H: Ocorrência de número ímpar

H = 1, 3, 5

A probabilidade de um evento A qualquer ocorrer

pode ser definida por:

número de elementos de A n( A)
P( A)   P( A) 
número de elementos de  n()
Por exemplo no lançamento de uma moeda a
probabilidade do evento cara ou coroa ocorrer são
igualmente prováveis ou seja, a probabilidade atribuída a
cada um é 1/2.

4
 14/08/2013

Ex.: 1 Consideremos o experimento Aleatório do

lançamento de um moeda perfeita. Calcule a
probabilidade de sair cara.
Espaço amostral:  = cara, coroa  n() =
2
Evento A: A = cara  n(A) = 1
Como P( A)  n( A) , temos P( A) 
1 ou 0,50 =

50% n( B ) 2

Ex.: 2 No lançamento de um dado perfeito, qual

é a probabilidade de sair número maior do que
4?
Espaço amostral:  = 1, 2, 3, 4, 5, 6 
n() = 6

Evento A: A = 5, 6  n(A) = 2

n( A) 2 1
P( A)   P( A)   P( A) 
n() 6 3

5
 14/08/2013

Ex.: 3 No lançamento simultâneo de 3 moedas

perfeitas distinguíveis, qual é a probabilidade de
serem obtidas:
a) Pelo menos 2 caras?
b) Exatamente 2 caras?
C = cara K = coroa

 = CCC, CCK, CKC, CKK, KCC, KCK, KKC, KKK 

n() = 8

A = CCC, CCK, CKC, KCC  n(A) = 4

a) A = CCC, CCK, CKC, KCC  n(A) = 4

4 1
P( A)    50%
8 2

b) B = CCK, CKC, KCC  n(B) = 3

3
P( B)   0,375  37,5
8

6
 14/08/2013

Ex.: 4 Vamos formar todos os números de 3

algarismos distintos, permutando os dígitos 7,
8 e 9. Qual é a probabilidade de, escolhendo
um número desses ao acaso, ele ser:
a) ímpar
b) par?
c) múltiplo de 6?
d) múltiplo de 4?
e) maior que 780?

 = 789, 798, 879, 897, 978, 987 

n() = 6

a)Evento A: ser ímpar  A = 789, 879, 897, 987

 n(A) = 4

4 2
P( A)    0,66  66%
6 3

b) Evento B: ser par  B = 798, 978  n(B) = 2

2 1
P( B)    0,33  33%
6 3

7
 14/08/2013

c) Evento C: ser múltiplo de 6  C = 798, 978

2
P(C )   0,33  33%
6
d) Evento D: ser múltiplo de 4 D= n(D) = 0

n( D ) 0
P ( D)    0  0%
n() 6

e) Evento E: ser maior que 780  E =  n(E) = 6

n( E ) 6
P( E )    1  100%
n() 6

Quando não se tem conhecimento sobre as

probabilidades dos eventos, estas podem ser
atribuídas após repetidas observações do
fenômeno aleatório, ou seja, a proporção de
vezes que um evento A qualquer ocorre pode ser
estimada como segue:

número de ocorrências do evento A

P( A) 
número de observações

8
 14/08/2013

Exemplo 6: Uma escola particular pretende

oferecer um treinamento esportista aos seus
alunos. Dos 300 alunos entrevistados, 142
optaram pelo voleibol, 123 indicaram o
basquete e 35 indicaram o futebol.
Selecionado aleatoriamente um desses alunos,
qual a probabilidade de obter alguém que
prefere o voleibol?
142
P( A)   0,4733
300
ou
P(A)  47,3%

Uma função P(.) que associa números reais aos

elementos do espaço amostral, satisfaz as condições:

0  P( A)  1, para qualquer evento A;

P()  1;
P(∅) = 0;
n
P(nj1 Aj )   P( Aj )
j 1

9
 14/08/2013

Dado dois eventos A e B, a probabilidade de pelo

menos um deles ocorrer é igual a soma das
probabilidades de cada um menos a probabilidade
de ambos ocorrerem simultaneamente, ou seja:

P( A  B)  P( A)  P( B)  P( A  B)

Se A e B forem mutuamente exclusivos, teremos

P(A ⋂ B) = 0. Assim,
P( A  B)  P( A)  P( B)

Exemplo 8 : No lançamento de um dado, qual é

a probabilidade de se obter o número 3 ou um
número ímpar?

Espaço amostral:  = {1, 2, 3, 4, 5, 6}  n() =

6

Evento A: número 3  A = {3}  n(A) = 1

Evento B: número ímpar  b = {1, 3, 5}  n(B) =

3

10
 14/08/2013

A  B = {3}  {1, 3, 5} = {3}

n(A  B) = 1
P(A  B) = P(A) + P(B) – P(A  B)

P(A  B) =
1 3 1
 
6 6 6
3
 P(A  B) =
6

Exemplo 9: Ao retirar uma carta de um baralho

de 52 cartas, qual é a probabilidade de que
essa carta seja vermelha ou um ás?

n() = 52
Evento A: a carta é vermelha  n(A) = 26
Evento B: a carta é ás  n(B) = 4

n(A  B) = 2
P( A  B)  P( A)  P( B)  P( A  B)

11
 14/08/2013

26 4 2
P( A  B)   
52 52 52

28
P( A  B) 
52

7
P( A  B)   53,8%
13

A probabilidade de não ocorrer o evento A é a

probabilidade de ocorrer o evento
complementar de A, representado por .

Nessas condições, temos :

A A   e A A  
P()  P( A  A)
Então,
1  P( A)  P( A) P( A)  1  P( A)

12
 14/08/2013

Exemplo 10: No lançamento simultâneo de dois

dados perfeitos distinguíveis, vamos calcular a
probabilidade de NÃO sair soma 5.

 = {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6), (2,1),

(2,2), (2,3), (2,4), (2,5), (2,6), (3,1), (3,2),
(3,3), (3,4), (3,5), (3,6), (4,1), (4,2), (4,3),
(4,4), (4,5), (4,6), (5,1), (5,2), (5,3), (5,4),
(5,5), (5,6), (6,1), (6,2), (6,3), (6,4), (6,5),
(6,6)}.  n() = 36.

Seja A o evento “sair soma 5”.

Então:
A = {(1,4), (2,3), (3,2), (4,1)}  n(A) = 4

n( A) 4 1
P( A)   
n() 36 9

1
P( A)  1  P( A)  P( A)  1 
9
8
P( A) 
9

13
 14/08/2013

Ocorre em situações em que a chance de um

particular evento acontecer depende do resultado de
outro evento. A probabilidade condicional de A dado
que ocorreu B pode ser determinada dividindo-se a
probabilidade de ocorrência de ambos os eventos A e
B pela probabilidade do evento B.

Então: P( A  B)
P( A | B)  , P( B)  0
P( B)
P( A  B)
P( B | A)  , P( A)  0
P( A)

Exemplo 12: Em uma universidade foi selecionada

uma amostra de 500 alunos que cursaram a
disciplina de Estatística. Entre as questões levantadas
estava: Você gostou da disciplina de Estatística? De
240 homens, 140 responderam que sim. De 260
mulheres, 200 responderam que sim. Para avaliar as
probabilidades podemos organizar as informações
em uma tabela. maneira:

14
 14/08/2013

Qual è a probabilidade de que um aluno escolhido

aleatoriamente:
a) H = Seja um homem?
240
P( H )   0,48 ou 48%
500
b) G = Gostou da disciplina de Estatística?
340
P( G )   0,68 ou 68%
500
c) M = Seja uma mulher?
260
P( M )   0,52 ou 52%
500
d) NG = Não gostou da disciplina de Estatística?
160
P( NG )   0,32 ou 32%
500

e) Seja uma mulher ou gostou da disciplina de

Estatística.
260 340 200
P( M  G )     0,80 ou 80%
500 500 500
f) Dado que o aluno escolhido gostou da disciplina de
Estatística. Qual a probabilidade de que o aluno seja
um homem?
P( H  G ) 140
P( H | G )    0,412 ou 41,2%
P(G ) 340

g) Dado que o aluno escolhido é uma mulher. Qual a

probabilidade de que ela não gostou da disciplina de
Estatística?
P( NG  M ) 60
P( NG | M )    0,231 ou 23,1%
P( M ) 260

15
 14/08/2013

Da definição de probabilidade condicional podemos

obter o teorema do produto, que nos permite
calcular a probabilidade da ocorrência simultânea de
dois eventos. Sejam A e B eventos de Ω a
probabilidade de A e B ocorrerem juntos é dada por:

P( A  B)  P( B) P( A | B), P( B)  0
ou
P( A  B)  P( A) P( B | A), P( A)  0

Dois eventos A e B são independentes quando a ocorrência de

um não altera a probabilidade de ocorrência do outro. Desse
modo:
P( A  B)  P( A) P( B)
Exemplo 13 - Uma empresária sabe por experiência, que 65% das
mulheres que compram em sua loja preferem sandálias
plataformas. Qual é a probabilidade de as duas próximas clientes
comprarem cada uma delas, uma sandália plataforma? Admitindo
que o evento A “a primeira cliente compra uma sandália
plataforma” e o evento B “a segunda cliente compra uma sandália
plataforma”. Então,
P( A  B)  (0,65) (0,65)  0,423 ou 42,3%

16
 14/08/2013

 Uma variável aleatória (v.a) associa um valor numérico a

cada resultado de um fenômeno aleatório.

 Distribuição de probabilidade associa uma

probabilidade a cada valor de uma variável aleatória.

 Exemplos:

 número de usuários que consultam um site de busca,

em um certo tempo do dia; pressão sanguínea de
mulheres na menopausa; número de ovos de codorna
incubados durante um período
 Uma v.a pode ser classificada como variável aleatória
discreta ou variável aleatória contínua.

17
 14/08/2013

 Uma variável aleatória que pode assumir um

número finito de valores, cujas probabilidades de
ocorrência são conhecidas.

 Uma função que atribui a cada valor da variável

aleatória sua probabilidade é denominada função
de probabilidade.
P( X  xi )  p( xi )  pi , i  1, 2, 

 Satisfaz duas condições:

0  pi  1; p i  1.

Exemplo 1. Um pediatra de um hospital público constatou

que das crianças internadas durante um ano, 20% não
tiveram internamento por infecção da faringe, 45%
tiveram um internamento por infecção da faringe, 25%
tiveram dois internamentos por infecção da faringe, 9%
tiveram 3 internamentos por infecção da faringe e 1%
tiveram 4 internamentos por infecção da faringe. Seja X
uma v.a discreta que representa o número de
internamentos por infecção da faringe. Logo, a função de
probabilidade para X é dada na tabela a seguir:

18
 14/08/2013

 v.a que pode tomar um número infinito de valores,

e esses valores podem ser associados a
mensurações em uma escala contínua.

 Exemplos:
tempo de uso de um equipamento eletrônico;
medidas do tórax, diâmetro de um cabo de
vídeo,altura, peso,

 Satisfaz duas condições:


f ( x)  0,  x   , ;  f ( x)dx  1
-

 Considera-se n tentativas independentes de ensaios de

Bernoulli, onde cada tentativa admite apenas dois
resultados complementares: sucesso com
probabilidade p ou fracasso com probabilidade q.

 Para uma variável aleatória X com distribuição binomial

a média e sua variância são dadas, por:

Média= np e Variância = npq

19
 14/08/2013

Exemplo 3. Uma moeda é lançada 6 vezes. Qual a

probabilidade de:

a) Exatamente duas caras ocorrerem?

6
P( X  2)   0.520.562  0,23438.
 2

b) Ocorrerem pelo menos 4 caras?

P ( X  4)  P ( X  4)  P ( X  5)  P ( X  6)
6 6  6
 0.54 0.56 4  
  0.550.565  
 0.56 0.56 6
 
4  
5  6
 0,23438  0,09375  0,01563  0,34375.

c) Pelo menos 1 cara?

P ( X  1)  1  P ( X  0)
 6
 
1  0.50 0.560  1  0,01563  0,98438.
 0

 A distribuição Normal é a mais importante distribuição de

probabilidade para descrever v.a contínuas. Pois é utilizada
em aplicações tais como, altura, pressão arterial, tempo de
vida útil de um dispositivo eletrônico, temperatura etc.

 Além da capacidade de aproximar outras distribuições e

também pela grande aplicação na inferência estatística.

 A v.a contínua X com distribuição Normal tem função de

densidade de probabilidade dada por:

 Média = µ e Variância =σ2

20
 14/08/2013

 Usaremos a notação X~N(μ,σ2), para indicar que a

variável aleatória X tem distribuição Normal com
parâmetros μ e σ2.

 Características:

i. A média, mediana e moda são valores coincidentes;

ii. A variável aleatória X associada a sua distribuição

varia de −∞ < x <∞;

iii. A curva da normal tem forma de sino, é simétrica em

relação à média, como

21
 14/08/2013

 Os problemas da vida real, entretanto, não se

apresentam já na forma reduzida, ao contrário, são
formulados em termos da variável normal original X,
com média μ e desvio padrão σ2 . Logo é preciso
padronizar a variável ou reduzimos a v.a. Normal X,
transformando-a na v.a. Z, da forma:
x
Z  ,

em que:

i. Z representa a variável reduzida;

ii. x representa um valor qualquer da v.a;
iii. μ = média da distribuição;
iv. σ = desvio padrão da distribuição.

Exemplo 5. As vendas diárias de um confeitaria no centro

de uma cidade têm distribuição normal, com média igual R$
450,00 por dia e desvio padrão igual a R$ 95,00. Qual é a
probabilidade das vendas excederem R$ 700,00 em
determinado dia?

 X  700   
P( X  700)  P  
   

 700  500 
 P Z    PZ  2,63  0,0043
 90 

22
 14/08/2013

 Denomina-se distribuição Normal Padrão a distribuição

Normal de média zero e variância 1, usaremos a notação Z ~
N(0, 1). As probabilidades associadas à distribuição normal
padrão são apresentadas em tabelas.

a) P (Z ≤ 1)

A probabilidade que está sendo pedida

está representada na área sombreada
sob a curva normal exibida na figura.
Portanto, com auxílio da tabela chega-se
ao resultado
0,8413

b) P (Z ≤ -1)

Neste caso a probabilidade que

está sendo pedida está esquerda
de -1. Portanto, com auxílio da
tabela chega-se ao resultado

0,1587

23
 14/08/2013

b) P (0,7 ≤ Z ≤ 1,35)= P (0 ≤ Z ≤ 1,35) - P (0 ≤ Z ≤ 0,7)

= 0,4115 – 0,2580 = 0,1535

Neste caso a probabilidade pedida está entre 0,7 e

1,35. Portanto, com auxílio da tabela chega-se ao
resultado

Exemplo 6. Suponha que entre pacientes o nível de

colesterol tenha uma distribuição aproximadamente Normal
com média 105 mg/ml e um desvio padrão 9 mg/ ml. Qual
a proporção de diabéticos que tem níveis entre 90 e 125
mg por ml?
 90   X   125   
P(90  X  125)  P   
    

 90  105 125  105 

 P Z  
 9 9 

 P  1,67  Z  2,22  

 P 0  Z  2,22   P  1,67  Z  0 

 0,4868  0,4525  0,9393

24