UNIVERSIDADE ZAMBEZE

FACULDADE DE CIÊNCIAS AGRÁRIAS

ENGENHARIA AGRO-PECUÁRIA

DISCIPLINA: BIOESTATÍSTICA

TEMA: Teoria das probabilidades

Discente: Docente:

183052071048 Eng˚ Afonso Dete

Ulónguè, Maio de 2020

INTRODUÇÃO

A Teoria das Probabilidades é o ramo da Matemática que cria, desenvolve e pesquisa modelos
que podem ser utilizados para estudar experimentos ou fenómenos aleatórios

A Inferência Estatística é totalmente fundamentada na Teoria das Probabilidades

O modelo utilizado para estudar um fenómeno aleatório pode variar em complexidade, mas todos
eles possuem ingredientes básicos comuns.

O objectivo é construir um modelo matemático para representar experimentos aleatórios. Isso o

corre em duas etapas:

Descrever o conjunto de resultados possíveis;

CONCEITOS BÁSICOS DE PROBABILIDADE

Suponhamos que uma mulher esteja grávida de trigémeos. Sabemos que cada bebé pode ser do
sexo masculino (M) ou feminino (F). Então, as possibilidades para o sexo das três crianças são:
MMM, MMF, MFM, FMM, FFM, FMF, MFF, FFF. Uma suposição razoável é que todos esses
resultados sejam igualmente prováveis, o que equivale dizer que cada bebé tem igual chance de
ser do sexo masculino ou feminino. Então cada resultado tem uma chance de 1 8 de acontecer e o
modelo probabilístico para esse experimento seria:

Sexo MMM MMF MFM FMM FFM FMF MFF FFF Total
Freq.Teórica 1/8 1/8 1/8 1/8 1/8 1/8 1/8 1/8 1

Por outro lado, se só estamos interessados no número de meninas, esse mesmo experimento leva
ao seguinte modelo probabilístico:

Meninas 0 1 2 3 Total
Freq. Teórica 1/8 3/8 3/8 1/8 1

Nesses exemplos, vemos que a especificação de um modelo probabilístico para um fenómeno

casual depende da especificação dos resultados possíveis e das respectivas probabilidades.
Vamos, então, estabelecer algumas definições antes de passarmos à definição propriamente dita
de probabilidade.

Atribuir pesos a cada resultado, refletindo suas chances de ocorrência.

Experimentos e eventos

Um experimento, que ao ser realizado sob as mesmas condições não produz os mesmos
resultados, é denominado um experimento aleatório. Exemplo: lançamento de uma moeda, medir
altura,…

O conjunto de todos os possíveis resultados de um experimento aleatório é denominado espaço

amostral (Ω). Pode conter um número finito ou infinito de pontos. Exemplo: {cara, coroa}, R, ...
Os elementos do espaço amostral (pontos amostrais) são denotados por ω. Exemplo: ω1 = cara,
ω2 = coroa.

Todo resultado ou subconjunto de resultados de um experimento aleatório, é um evento.

Exemplo: A = “sair cara”, B = “sair face par”.

Exemplos

 Experimento lançar o dado e observar o resultado da face.

 Espaço amostral Ω = {1,2,3,4,5,6}.
 Pontos amostrais ω1 = 1, ω2 = 2, ..., ω6 = 6.
 Eventos A = “sair face par”, B = {ω : ω ≤4}.

 Experimento retirar uma carta de um baralho de 54 cartas.

 Espaço amostral Ω = {♣A,♣2,...,♥A,...,♠A,...,♦J,♦Q,♦K}.
 Pontos amostrais ω1 = ♣A, ω2 = ♣2, ..., ω54 = ♦K.
 Eventos A = “sair um ás”, B = “sair uma letra”, C = “sair carta de ♣”.

Operações com eventos

Usamos a Teoria dos conjuntos para definir operações com eventos

 União é o evento que consiste da união de todos os pontos amostrais dos eventos que a
compõem. Denotamos a união do evento A com B por A∪B. A∪B = {ω ∈ A ou ω ∈ B}.
 Intersecção é o evento composto pelos pontos amostrais comuns aos eventos que a
compõem. Denotamos a intersecção de A com B por A∩B. A∩B = {ω ∈ A e ω ∈ B}.
 Complemento é o conjunto de pontos do espaço amostral que não estão no
evento.Denotamos o complemento do evento A por Ac. Ac = {ω 6∈ A}.

Espaço amostral

O espaço amostral de um experimento aleatório é o conjunto de todos os resultados possíveis

desse experimento. Vamos denotar tal conjunto pela letra grega ómega maiúscula, Ω. Quando o
espaço amostral é finito ou infinito enumerável, é chamado espaço amostral discreto. Caso
contrário, isto é, quando Ω é não enumerável, vamos chamá-lo de espaço amostral contínuo.

Exemplo

Determinar o espaço amostra dos experimentos anteriores. Si refere-se ao experimento Ei.

S1 = { 1, 2, 3, 4, 5, 6 }

S2 = { 0, 1, 2, 3, 4 }

Ao descrever um espaço amostra de um experimento, deve-se ficar atento para o que se está
observando ou mensurando. Deve-se falar em “um” espaço amostral associado a um
experimento e não de “o” espaço amostral. Deve-se observar ainda que nem sempre os
elementos de um espaço amostral são números.

Eventos aleatórios

Os subconjuntos de Ω são chamados eventos aleatórios; já os elementos deΩ são chamados

eventos elementares. A classe dos eventos aleatórios de um espaço amostral Ω, que denotaremos
porF(Ω), é o conjunto de todos os eventos (isto é, de todos os subconjuntos) do espaço amostral.
A título de ilustração, consideremos um espaço amostral com três elementos: Ω = {ω1,ω2,ω3}.
A classe dos eventos aleatórios é:

F(Ω)={∅,{ω1},{ω2},{ω2},{ω1,ω2},{ω1,ω2},{ω2,ω3},{ω1,ω2,ω3}}

Os eventos, sendo conjuntos, serão representados por letras maiúsculas do nosso alfabeto,
enquanto os elementos de um evento serão representados por letras minúsculas.

Exemplos

Exemplo 1.1 O lançamento de uma moeda é um experimento aleatório, uma vez que, em cada
lançamento, mantidas as mesmas condições, não podemos prever qual das duas faces (cara ou
coroa) cairá para cima. Por outro lado, se colocarmos uma panela com água para ferver e
anotarmos a temperatura de ebulição da água, o resultado será sempre 100 oC. Logo, este é um
experimento determinístico.
Exemplo 1.2 Consideremos o experimento aleatório “lançamento de umdado”. Oespaço amostral
é Ω ={1,2,3,4,5,6}, sendo, portanto, um espaço discreto. Os eventos elementares são {1}, {2},
{3}, {4}, {5}, {6}. Outros eventos são: “face par”= {2,4,6}, “face ímpar” = {1,3,5}, “face ímpar
menor que 5” ={1,3}, etc.

Exemplo 1.3 Consideremos o lançamento simultâneo de duas moedas. Vamos representar porK a
ocorrência de cara e porC a ocorrência de coroa. Um espaço amostral para esse experimento é Ω
= {KK,KC,CK,CC}, que também é um espaço discreto. Os eventos simples são {KK}, {KC},
{CK}, {CC} e um outro evento é “cara no primeiro lançamento” = {KC,KK}. Para esse mesmo
experimento, se estamos interessados apenas no número de caras, o espaço amostral pode ser
definido como Ω ={0,1,2}.

Exemplo 1.4 Seja o experimento que consiste em medir, em decibéis, diariamente, durante um
mês, o nível de ruído na vizinhança da obra de construção do metrô em Ipanema. O espaço
amostral associado a este experimento é formado pelos números reais positivos, sendo, portanto,
um espaço amostral contínuo. Um evento: observar níveis superiores a 80 decibéis, representado
pelo intervalo (80,∞), que corresponde a situações de muito barulho.

Exemplo 1.5 Uma urna contém 4 bolas, das quais 2 são brancas (numeradas de 1 a 2) e 2 são
pretas (numeradas de 3 a 4). Duas bolas são retiradas dessa urna, sem reposição. Defina um
espaço amostral apropriado para esse experimento e os seguintes eventos:

A: a primeira bola é branca;

B: a segunda bola é branca;

C: ambas as bolas são brancas.

Solução:

Considerando a numeração das bolas, o espaço amostral pode ser definido como:

Ω ={(i, j):i =1 ,2,3,4;j =1 ,2,3,4;i6= j}

Mais especificamente:

Ω ={(1,2),(1,3),(1,4),(2,1),(2,3),(2,4), (3,1),(3,2),(3,4),(4,1),(4,2),(4,3)}
Os eventos são:

A ={(i,j):i =1 ,2,;j =1 ,2,3,4;i6= j}

ou mais especificamente

A ={(1,2),(1,3),(1,4),(2,1),(2,3),(2,4)} B ={(i,j):i =1 ,2,3,4;j =1 ,2;i≠j}

ou

B ={(2,1),(3,1),(4,1),(1,2),(3,2),(4,2)} C ={(i, j):i =1 ,2; j =1 ,2; i6≠ j}

ou

C ={(1,2),(2,1)}

Definição clássica de probabilidade

 Se uma experiência tem N resultados possíveis e igualmente prováveis e

nAéo número de resultados de um evento A então a probabilidade de A é

Exemplos:

 Lançamento de um dado. Seja A o evento que registra a saída par.

 Lançamento de uma moeda. Seja A o evento que registra coroa

Seja A um evento de um espaço amostral Ω finito, cujos elementos são igualmente prováveis.
Define-se a probabilidade do evento A como

número de casos favoráveis ¿ A

Pr(A)¿ =
número de casos possíveis ¿ Ω

Naturalmente, nesta definição estamos supondo que #Ω > 0, ou seja, queΩ tenha algum
elemento pois, se não tivesse, não teríamos o que estudar! Esta foi a primeira definição formal de
probabilidade, tendo sido explicitada por Girolamo Cardano (1501-1576). Vamos nos referir a
ela como a definição clássica de probabilidade. Note que ela se baseia em duas hipóteses:

1. Há um número finito de eventos elementares, isto é, Ω é um conjuntofinito.

2. Os eventos elementares são igualmente prováveis.

Embora essas hipóteses restrinjam o campo de aplicação da definição, veremos que ela é muito
importante e vários exercícios serão resolvidos baseados nela.

Conceito Frequentista

Se em N realizações de um experimento, o evento A ocorre nAvezes, então a freqüência relativa

de A nas N realizações é

e a probabilidade é

Exemplo: Uma experiência que consiste em observar o sexo de um recém-nascido. Tal

experiência jáse realizou diversas vezes e existem registros do seu resultado.

Ω= {masculino, feminino}

P (masculino) =0,52 e P (feminino) =0,48

Usando a definição clássica, temos:

P (masculino) =0,50 e P (feminino) =0,50

Frequência relativa de um evento

Seja E um experimento e A um evento de um espaço amostra associado ao experimento E.
Suponha-se que E seja repetido “n” vezes e seja “m” o número de vezes que A ocorre nas “n”
repetições de E. Então a frequência relativa do evento A, anotada por frA, é o quociente:

frA = m / n = (número de vezes que A ocorre) / (número de vezes que E é repetido)

Exemplo

(i) Uma moeda foi lançada 200 vezes e forneceu 102 caras. Então a frequência relativa
de “caras” é:

frA = 102 / 200 = 0,51 = 51%

(ii) Um dado foi lançado 100 vezes e a face 6 apareceu 18 vezes. Então a frequência
relativa do evento A = { face 6 } é:

frA = 18 / 100 = 0,18 = 18%

Propriedades da frequência relativa

Seja E um experimento e A e B dois eventos de um espaço amostra associado S. Sejam frA e

frB as freqüências relativas de A e B respectivamente. Então.

(i) 0 ≤ frA ≤ 1, isto é, a freqüência relativa do evento A é um número que varia entre 0 e
1.
(ii) frA = 1 se e somente se, A ocorre em todas as “n” repetições de E.
(iii) frA = 0, se e somente se, A nunca ocorre nas “n” repetições de E.
(iv) frAUB = frA + frB se A e B forem eventos mutuamente excludentes.

Definição

Seja E um experimento e A um evento de um espaço amostra associado S. Suponhamos que E é

repetido “n” vezes e seja frA a frequência relativa do evento. Então a probabilidade de A é
definida como sendo o limite de frA quando “n” tende ao infinito.

Deve-se notar que a frequência relativa do evento A é uma aproximação da probabilidade de A.

As duas se igualam apenas no limite. Em geral, para um valor de n, razoavelmente grande a frA
é uma boa aproximação de P(A).
Crítica à definição frequêncial

Esta definição, embora útil na prática, apresenta dificuldades matemáticas, pois o limite pode não
existir. Em virtude dos problemas apresentados pela definição clássica e pela definição
freqüencial, foi desenvolvida uma teoria moderna, na qual a probabilidade é um conceito
indefinido, como o ponto e a reta o são na geometria.

Conceito subjectivo

A probabilidade é dada por um grau de crença ou de confiança que cada pessoa dá a realização
de um evento.

Definição Formal de Probabilidade

Dado um experimento aleatório E e um evento A do espaço amostral Ω. A probabilidade de A

P(A) éuma função que associa um evento um número real, satisfazendo os seguintes axiomas:

 P(A) ≥0 ∀A ⊆Ω
 P(Ω) = 1
 Sendo A e B dois eventos mutuamente exclusivos, ou seja, A∩B=∅, tem-se que:

Probabilidade de um evento

Indica a chance de um determinado evento ocorrer dentre todos os eventos possíveis (espaço
amostral);

Exemplo: ◦Considere um experimento de seleção de cartas de um baralho. Cada carta tem a

probabilidade 1/52.

A: a carta selecionada é um AS

P(A) = 1/52+1/52+1/52+1/52=4/52

Principais Teoremas

1. Se φ é o conjunto vazio então P(φ)=0

Demonstração:

Seja A um evento qualquer. Considerando que A∩φ= φ temos que P(A∪φ)=P(A)+P(φ) (Axioma
3)

Como A∪φ=A então, P(A) = P(A)+ P(φ). Logo P(φ)=0

2. Se Ac é o complemento do evento A, então P(Ac) = 1-P(A).

Demonstração:

Considere que Ω=A ∪Ace A ∩Ac= φ. Então

P(A∪Ac)=P(A)+P(Ac).

Assim, P(Ω)= P(A∪Ac)= P(A)+P(Ac);

1=P(A)+P(Ac).

P(Ac) = 1-P(A).

Exemplo Teorema 2

 Um agente de compras declara que há uma probabilidade de 0,90 de que um fornecedor

enviará uma carga livre de peças defeituosas.
 Usando o complemento podemos afirmar que há uma probabilidade de 1-0,90 = 0,10 de
que a carga conterá peças defeituosas.

3. Se A ⊂B, então P(A) ≤P(B)

Demonstração:

Considere B= A ∪(Ac∩B). Ora A e Ac∩B são mutuamente exclusivos.

Logo, P(B) = P(A)+P(Ac∩B).

P(Ac∩B) = P(B)-P(A).

Como P(B)-P(A) ≥0 por axioma 1.

P(A) ≤P(B).

Exemplo:

Jogar um dado e observar o resultado. Ω={1,2,3,4,5,6}.

Sejam os eventos A={a face é potência de 2} B={a face é par}.

Então, A={2,4} e B={2,4,6} e P(A)=2/6 e P(B)=3/6

3. Teorema da Soma (Lei da Adição)

É útil quando temos dois eventos e estamos interessados em conhecer a probabilidade de pelo
menos um deles ocorra.

Dados dois eventos A e B, estamos interessados em conhecer a probabilidade de que o evento A

ou evento B ocorra, ou ambos ocorram:

P(A∪B) = P(A) + P(B) -P(A∩B)

Demonstração:

a) Se A e B são mutuamente exclusivos

P(A∩B) = 0.

Recai-se axioma 3

b) Se A∩B ≠φ .

A e (Ac∩B) são mutuamente exclusivos

Pelo Axioma 2, P(A∪Ac∩B)=P(A ∪B)= P(A)+P(Ac ∩ B) (i);

Considerando que B é a união dos eventos mutuamente exclusivos (B ∩A) e (B ∩Ac).

Logo, P(B)= P(B ∩A) +P(B ∩Ac);

P(B ∩Ac)= P(B)-P(B ∩A) (ii)

Substituindo (ii) em (i), P(A∪B)=P(A)+P(B)-P(A∩B)

Exemplo Teorema 4

Considere uma fábrica com 50 empregados. Um empregado não tem êxito em satisfazer os
padrões de desempenho, se completa o trabalho mais tarde e/ou monta produtos com defeito.

Foi observado que 5 dos 50 tinham completado o trabalho mais tarde, 6 dos 50 trabalhadores
tinham montado peças defeituosas e 2 dos 50 tinham tanto completado mais tarde como montado
produtos defeituosos.

A – O evento que o trabalho termina mais tarde

B – O evento que o produto montado é defeituoso.

P(A) = 5/50 = 0,10

P(B) = 6/50 = 0,12

P(A∩B)= 2/50=0,04

P(A∪B) = P(A) + P(B) -P(A∩B)= 0,10 + 0,12 -0,04 = 0,18

A∪B significa a probabilidade de um trabalhador terminar mais tarde ou montar produtos

defeituosos.

Probabilidade condicional

Em muitas situações práticas, o fenómeno aleatório com o qual trabalhamos pode ser separado
em etapas.

A informação do que ocorreu em uma determinada etapa pode influenciar nas probabilidades de
ocorrências das etapas sucessivas.

Nestes casos, dizemos que ganhamos informação, e podemos recalcular as probabilidades de

interesse. Estas probabilidades recalculadas recebem o nome de probabilidade condicional.

Para entender a ideia de probabilidade condicional, considere o seguinte exemplo:

Um dado foi lançado, qual é a probabilidade de ter ocorrido face 4? Suponha que o dado foi
jogado, e, sem saber o resultado, você recebe a informação de que ocorreu face par. Qual é a
probabilidade de ter saido face 4 com essa “nova” informação?

Ω = {1,2,3,4,5,6}, n(Ω) = 6 A = face 4 = {4}, n(A) = 1⇒ P(A) = n(A)/n(Ω) = 1/6

B = face par = {2,4,6}, n(B) = 3 ⇒ P(B) = n(B)/n(Ω) = 3/6

C = face 4, dado que ocorreu face par = {4}, n(C) = 1 ⇒ P(C) = n(C)/n(B) = 1/3

Dado que B tenha ocorrido, o espaço amostral fica reduzido para B, pois todos os resultados
possíveis passam a ser os aqueles do evento B.

Definição

Para dois eventos A e B de um mesmo espaço amostral, o termo P(A|B) denota a probabilidade
de A ocorrer, dado que B ocorreu, e é definido como

da mesma forma que a probabilidade de B ocorrer, dado que A

ocorreu é definida como

Voltando ao exemplo e aplicando a definição de probabilidade condicional:

Dessa forma, temos duas maneiras de calcular a probabilidade condicional P(A|B):

Directamente, pela consideração da probabilidade de A em relação ao espaço amostral reduzido

B

Empregando a definição acima, onde P(A∩B) e P(B) são calculadas em relação ao espaço
amostral original Ω.
Teorema da multiplicação

Com o conceito de probabilidade condicionada é possível apresentar uma maneira de se calcular

a probabilidade da interseção de dois eventos A e B em função destes eventos. Esta expressão é
denominada de teorema da multiplicação.

P(A∩B) = P(A).P(B/A) = P(A/B).P(B)

Independência de dois eventos

Sejam A e B dois eventos de um espaço amostra S. A e B são ditos independentes se a

probabilidade de um deles ocorrer não afetar a probabilidade do outro ocorrer, isto é, se:

P(A/B) = P(A) ou
P(B/A) = P(B) ou ainda se
P(A∩B)=P(A).P(B)
OBS.: Qualquer uma das 3 relações acima pode ser usada como definição de independência

Probabilidades dos Espaços Amostrais

Cada evento simples {ai} associa-se um número pi denominado probabilidade de {ai}

satisfazendo as seguintes condições:

 pi≥0 i=1,2,...,n
 p1+ p2+....+pn=1

Exemplo

Três cavalos A, B e C, estão em uma corrida; A: tem duas vezes mais probabilidades de ganhar
que B, e B tem duas vezes mais probabilidade de ganhar que C. Quais são as probabilidades de
vitória de cada um, isto é, P(A), P(B) e P(C)?

Solução

Considerando P(C) = p então P(B) = 2p e P(A) = 2 P(B) = 4p. Como a soma das probabilidades
é 1, então:

p+2p+4p=1 ou 7p= 1 ou p=1/7

Logo, temos:

P(A)=4/7;

P(B)=2/7;

P(C)=1/7.

Espaços Amostrais Finitos Equiprováveis

Quando se associa a cada ponto amostral a mesma probabilidade, o espaço amostral chama-se
equiprovável ou uniforme.

Se Ω contém npontos, então a probabilidade de cada ponto será 1/n

Se um evento A contém r pontos, então:

Este método de avaliar P(A) é enunciado da seguinte maneira.

Ou

Exemplo

Escolha aleatoriamente (indica que o espaço é equiprovável) uma carta de um baralho com 52
cartas. Seja o evento A: a carta éde ouros. Calcular P(A).
Problema de Contagem

Combinação de r elementos tomados (combinados) p a p. Calcula-se por:

Exemplo

Num lote de 12 peças, 4 peças são defeituosas; duas peças são retiradas aleatoriamente. Calcule
a) A probabilidade de ambas serem defeituosas. Seja A = ambas são defeituosas.

b)A probabilidade de ambas não serem defeituosas. Seja B = ambas não serem defeituosas.

c) A probabilidade de ao menos uma ser defeituosa.Seja C = ao menos uma defeituosa. C éo

complemento de B, C = Bc

Logo,

Teorema da probabilidade total

TEOREMA DE BAYES

Sejam B1, B2, B3… Bn, n eventos mutuamente exclusivos, tais que: B1∪ B2∪…∪Bn = S.

Sejam P(Bi) as probabilidades conhecidas dos vários eventos e A um evento qualquer de S, tal
que são conhecidas todas as probabilidades condicionais P(A/Bi)

Então, tem-se que:

ou, mais geral

Demonstração

Probabilidade Condicional (Teorema do Produto)

Generalizando

Então,

Mas, pelo Teorema do Produto (consequência da probabilidade condicional)…

P(Bi∩A) = P(Bi/A) ⋅ P(A)

Ou P(Bi∩A) = P(A/Bi) ⋅ P(Bi) mas, por definição, sabemos assim,

Referências Bibliográficas

 Bussab, WO; Morettin, PA. Estatística básica. São Paulo: Saraiva, 2006. [Cap. 5]
 Magalhães, MN; Lima, ACP. Noções de Probabilidade e Estatística. São Paulo: EDUSP,
2008. [Cap. 2]
 Montgomery, DC; Runger, GC. Estatística aplicada e probabilidade para engenheiros.
Rio de Janeiro: LTC Editora, 2012. [Cap. 2]