Estatc3adstica Cap 02

17/05/2019
Universidade Federal do Pará

Instituto de Tecnologia
Estatística Aplicada I
Prof. Dr. Jorge Teófilo de Barros Lopes
Campus de Belém
Curso de Engenharia Mecânica
17/05/2019 08:28 ESTATÍSTICA APLICADA I - Teoria das Probabilidades
Universidade Federal do Pará

Instituto de Tecnologia
Capítulo II
Teoria das Probabilidades
Campus de Belém
Curso de Engenharia Mecânica
1
17/05/2019
Teoria das Probabilidades - Sumário
❑ Introdução
❑ Aleatoriedade
❑ Experimento aleatório
❑ Espaço amostral
❑ Evento
❑ Eventos mutuamente exclusivos
❑ Probabilidade
❑ Teoremas fundamentais
❑ Probabilidades finitas dos espaços amostrais finitos
❑ Espaços amostrais finitos equiprováveis
❑ Probabilidade condicional
❑ Teorema do produto
❑ Independência estatística
❑ Teorema de Bayes
2
17/05/2019
❑ Introdução
❑ Aleatoriedade
❑ Evento
❑ Probabilidade
2.1 Introdução
➢ A estatística tem por objetivo obter, organizar e analisar dados

estatísticos, a fim de descrevê-los e explicá-los, além de
determinar possíveis correlações e nexos causais.
➢ A estatística se utiliza das teorias probabilísticas para

explicar a frequência da ocorrência de eventos, tanto em
estudos observacionais quanto experimentais.
➢ Em outras palavras, a estatística procura modelar a

aleatoriedade e a incerteza de forma a estimar ou possibilitar
a previsão de fenômenos futuros, conforme o caso.
3
17/05/2019
2.1 Introdução
✓ Estudo dos fenômenos de observação: deve-se distinguir

o próprio fenômeno e o modelo matemático que melhor o
explique, se determinístico ou probabilístico.
✓ Modelo determinístico:
• Adotado para explicar fenômenos submissos às leis

sistemáticas.
• Baseia-se, portanto, num encadeamento em que a
relação causa-efeito pressupõe nexos definidos em
forma unívoca e imutável.
2.1 Introdução
✓ Modelo probabilístico:
• Adotado para explicar os fenômenos aleatórios, que

são aqueles cujos resultados, mesmo em condições
normais de experimentação, variam de uma
observação para outra, dificultando dessa maneira a
previsão de um resultado futuro.
• Portanto, esses fenômenos são insubmissos às leis

sistemáticas, pois são regidos ou influenciados pelo
acaso.
4
17/05/2019
2.1 Introdução
✓ A estatística estuda os fenômenos aleatórios e o modelo

matemático será o cálculo das probabilidades.
✓ Diante de um acontecimento aleatório é possível, às

vezes, atribuir-lhe uma lei ou distribuição de
probabilidade.
❑ Introdução
❑ Aleatoriedade
❑ Evento
❑ Probabilidade
5
17/05/2019
2.2 Aleatoriedade
✓ Aleatoriedade ou acontecimento aleatório pode ser explicado

considerando-se as seguintes afirmações:
(a) Se x + 8 = 3x – 4, então x = 6;
(b) A próxima carta retirada de um baralho será um ás.
• A afirmação (a) pode ser confirmada ou negada de forma

conclusiva, utilizando-se elementos da matemática; é
uma afirmação categórica (verdadeira ou falsa).
• Na afirmativa (b), entretanto, somente pode ser afirmado
que o fato é possível, mas que é possível, também, a
saída de qualquer uma das 52 cartas do baralho.
2.2 Aleatoriedade
✓ No segundo caso somente a realização do experimento

permitirá estabelecer se a afirmação é falsa ou verdadeira;
trata-se de um acontecimento aleatório
✓ Em geral, os acontecimentos aleatórios se caracterizam por

admitirem dois ou mais resultados possíveis, e não se tem
elementos de juízo suficientes para predizer qual deles
ocorrerá em um determinado experimento.
6
17/05/2019
❑ Introdução
❑ Aleatoriedade
❑ Espaços amostral
❑ Evento
❑ Probabilidade
2.3 Experimento Aleatório
✓ Características:
Para que um experimento seja considerado aleatório é

necessário que apresente as seguintes características:
1. Cada experimento poderá ser repetido indefinidamente
sob as mesmas condições;
2. Não se conhece, a priori, um particular valor do
experimento; entretanto, pode-se descrever todos os
possíveis resultados (as possibilidades);
7
17/05/2019
✓ Características:
3. Quando o experimento for repetido um grande número

de vezes surgirá uma regularidade na apresentação dos
resultados, ou seja, ocorrerá uma estabilização da
fração frequência relativa:
r
f =
n
onde: n é o número de repetições, e
r é o número de sucessos de um particular
resultado estabelecido antes da realização do
experimento.
✓ Exemplos:
• Jogar um dado e observar o número mostrado na face

superior.
• Jogar uma moeda um certo número de vezes e observar o
número de coroas obtidas.
• Contar o número de peças defeituosas da produção diária
da máquina “A”.
8
17/05/2019
❑ Introdução
❑ Aleatoriedade
❑ Evento
❑ Probabilidade
2.4 Espaço Amostral
✓ Definição:
• Para cada experimento aleatório, E, define-se espaço
amostral S como o conjunto de todos os possíveis
resultados desse experimento (Fonseca e Martins, 1996).
- Exemplos:
a) E: jogar um dado e observar o número na face superior.
S = {1, 2, 3, 4, 5, 6}
b) E: lançar duas moedas e observar o resultado.
S = {(c, c), (c, k), (k, c), (k, k)}, onde c- cara e k- coroa.
9
17/05/2019
- Exemplos:
c) E: Fabricar um lâmpada, colocá-la em um suporte,

acendê-la e registrar o tempo de funcionamento até
fundir o filamento:
S = {t : t ≥ 0}
d) E: Registrar a temperatura continuamente durante um

período de 24 horas em uma determinada localidade;
as temperaturas mínima e máxima são registradas:
S = {(x, y) : x ≤ y}, onde x é a temperatura mínima e y a
máxima
- Exemplos:
e) E: Admitir que a temperatura mínima nessa localidade

não poderá ser menor que um certo valor (m) e a
temperatura máxima não poderá ser superior a um
certo valor (M).
S = {(x, y) : m ≤ x ≤ y ≤ M}
10
17/05/2019
❑ Introdução
❑ Aleatoriedade
❑ Evento
❑ Probabilidade
2.5 Evento
✓ Definição:
• É um conjunto de resultados do experimento.

• Em analogia com os conjuntos, é um subconjunto de S.
Observação:
- Em particular, o espaço amostral, S, e o conjunto vazio,
, são eventos.
- S é dito o evento certo e o evento impossível.
11
17/05/2019
2.5 Evento
- Exemplo 1:
E: lançar o dado e observar o número da face superior.

S = {1, 2, 3, 4, 5, 6}
Eventos:
A: ocorrer número par: A = {2, 4, 6}
B: ocorrer número impar: B = {1, 3, 5}
C: ocorrer número múltiplo de 2 e 3: C = {6}.
2.5 Evento
- Exemplo 2:
E: jogar três moedas e observar o resultado.

(c- cara; k- coroa).
S = {(c, c, c), (c, c, k), (k, c, c), (c, k, c),
(k, k, k), (k, k, c), (c, k, k), (k, c, k)}
Eventos:
A: ocorrer pelo menos duas caras:
A = {(c, c, k), (k, c, c), (c, k, c), (c, c, c)}
B: ocorrer somente coroa: B = {(k, k, k)}.
12
17/05/2019
2.5 Evento
• Observações:
- Sendo S um espaço amostral finito com n elementos, pode-
se verificar que o número total de eventos extraídos de S é
dado por 2n;
- No exemplo 1 (lançamento do dado), o número total de
eventos é 26 = 64.
2.5 Evento
• Observações:
- A partir do uso das operações com conjuntos, novos

eventos podem ser formados:
a) A  B é o evento que ocorre se A ocorre ou B ocorre ou
ambos ocorrem;
b) A  B é o evento que ocorre se A e B ocorrem
simultaneamente;
c) A é o evento que ocorre se A não ocorre.
13
17/05/2019
2.5 Evento
- Exemplo:
E: lançar um dado e observar o resultado.
S = {1, 2, 3, 4, 5, 6}
A = ocorrer número múltiplo de 2: A = {2, 4, 6}
B = ocorrer número múltiplo de 3: B = {3, 6}
A  B = {2, 3, 4, 6}
A  B = {6}
A = {1, 3, 5}
A  B = {1, 2, 3, 4, 5}
❑ Introdução
❑ Aleatoriedade
❑ Evento
❑ Probabilidade
14
17/05/2019
2.6 Eventos Mutuamente exclusivos
✓ Dois eventos A e B são denominados mutuamente

exclusivos se os mesmos não puderem ocorrer
simultaneamente, ou seja, A  B = 
• Exemplo: E: lançar um dado e observar o resultado.

S = {1, 2, 3, 4, 5, 6}
A = ocorre número par – A = {2, 4, 6}
B = ocorrer número ímpar – B = {1, 3, 5}
A B = ;
logo, A e B são mutuamente exclusivos, pois a
ocorrência de um número que seja par e ímpar não
pode ser verificada como decorrência do mesmo evento.
❑ Introdução
❑ Aleatoriedade
❑ Evento
❑ Probabilidade
15
17/05/2019
2.7 Probabilidade
✓ Definição:
- Dado um experimento aleatório E, sendo S o seu espaço

amostral, a probabilidade de um evento A ocorrer, P(A), é
uma função definida em S que associa a cada evento um
número real, satisfazendo os seguintes axiomas:
(i) 0 ≤ P(A) ≤ 1;
(ii) P(S) = 1;
(iii) Se A e B forem eventos mutuamente exclusivos
A  B =  , então P ( A  B ) = P ( A ) + P ( B )
16
17/05/2019
2.8 Teoremas Fundamentais
• T1: Se  é o conjunto vazio, então P (  ) = 0.

• Demonstração:
- Seja A um evento qualquer, A e  são disjuntos, pois
A =  ;
- Então, de (iii), temos que P ( A   ) = P ( A ) + P (  ) ;
- Como A   = A , então P ( A ) = P ( A ) + P (  ) ou
P(  ) = P( A ) − P( A )
- Logo P (  ) = 0 .
• T2: Se Ā é o complemento do evento A, então P(Ā) = 1 – P(A).

• Demonstração:
- Do diagrama, pode-se escrever S = A  A .
- Como A  A =  (são mutuamente exclusivos),
P( A  A ) = P( A ) + P( A )
P ( S ) = P ( A ) + P ( A ); S
A
- De (ii) 1 = P(A) + P(Ā), Ā
- Logo P(Ā) = 1 – P(A).

17
17/05/2019
• T3: Se A  B , então P(A) ≤ P(B).

• Demonstração:
- Do diagrama, pode-se escrever que B = A  ( A  B ).
- Como A  ( A  B ) =  (são mutuamente exclusivos),
P ( B ) = P ( A ) + P ( A  B ),
e
P( A  B ) = P( B ) − P( A )
P(B) – P(A) ≥ 0, (de i), tem-se que S
A
B
P(A) ≤ P(B).
• T4: (Teorema da soma) Se A e B são dois eventos quaisquer,

então P ( A  B ) = P ( A ) + P ( B ) − P ( A  B ) .
• Demonstração:
a) Se A e B são mutuamente exclusivos ( A  B =  ), recai-se no
axioma (iii);
S
A A B
18
17/05/2019
• Demonstração:
b) Se A e B não são mutuamente exclusivos ( A  B   ) , tem-se:
- Os eventos A e ( A  B ) são mutuamente exclusivos;
logo, pelo axioma (iii)
P [ A  ( A  B )] = P ( A  B ) = P ( A ) + P ( A  B )
- Mas , B é a união dos eventos mutuamente exclusivos
( B  A ) e ( B  A );
- Logo, S
A A B
P ( B ) = P ( A  B ) + P ( A  B ). B
• Demonstração:
- Substituindo o valor de P ( A  B ) = P ( B ) − P ( A  B )
na expressão anterior, tem-se:
P( A  B ) = P( A ) + P( B ) − P( A  B )
- Analogamente, para três eventos tem-se:

P( A  B  C ) = P( A ) + P( B ) + P( C ) −
− P( A  B ) − P( A  C ) − P( B  C ) +
+ P( A  B  C )
19
17/05/2019
P(A∩B)
P(A) P(B)
P(A∩B∩C)
P(A∩C) P(B∩C)
P(C)
❑ Teoremas Fundamentais
20
17/05/2019
2.9 Probabilidades Finitas dos S Finitos
• Seja S um espaço amostral finito S = {a1, a2, ..., an}.

• Considere-se o evento formado por um resultado simples
A = {ai}.
• A cada evento simples {ai} associa-se um número pi
denominado probabilidade de {ai}, que satisfaz as condições:
a) pi ≥ 0, i = 1, 2, ..., n
b) p1 + p2 + ...+ pn = 1
• A probabilidade de cada evento composto (mais de um
elemento) é definida, então, pela soma das probabilidades dos
pontos de A.
• Exemplo: Três cavalos A, B e C estão em uma corrida. Se A

tem duas vezes mais probabilidades de ganhar de B, e B tem
duas vezes mais probabilidade de ganhar de C, quais são as
probabilidades de cada um dos cavalos ganhar? Qual seria a
probabilidade de B ou C ganhar?
• Solução:
P(C) = p ; P(B) = 2.P(C) = 2p ; P(A) = 2.P(B) = 4p
Como P(A) + P(B) + P(C) = 1, então
4p + 2p + p = 1, de onde se obtém p = 1/7.
Logo: P(A) = 4/7; P(B) = 2/7 e P(C) = 1/7.
21
17/05/2019
• Solução (continuação):
- Qual a probabilidade de B ou C ganhar?
Do axioma (iii):
P ( B  C ) = P ( B ) + P ( C ) = 2/7 + 1/7 = 3/7.
22
17/05/2019
2.10 Espaços Amostrais Finitos Equiprováveis
• O espaço amostral chama-se equiprovável quando à cada ponto

amostral desse espaço está associada a mesma probabilidade.
• Portanto, se S contém n pontos, então a probabilidade de cada

ponto será igual a 1/n.
• Se um evento A contém r pontos, então:
 1
P ( A ) = r . 
 n
• Frequentemente, este método de avaliar a probabilidade é

enunciado da seguinte forma:
nº de vezes em que o evento A pode ocorrer

P( A ) =
nº de vezes em que o espaço amostral S ocorre
ou
NCF ( nº de casos favoráveis )
P( A ) =
NTC ( nº total de casos )
23
17/05/2019
• Exemplo 1: Numa escolha aleatória de uma carta de baralho

com 52 cartas, qual a probabilidade de sair um rei? e uma carta
de copas?
• Solução: Seja A = {a carta é um rei} e B = {A carta é de copas}
nº de reis 4 1
P( A ) = = =
nº total de cartas 52 13
nº de cartas de copas 13 1
P( B ) = = =
nº total de cartas 52 4
• Na maioria dos casos, utiliza-se os conhecimentos de análise

combinatória (Teoria de Contagem) para se obter o número
de casos favoráveis (NCF) e o número total de casos (NTC).
• Exemplo 2: De um lote de doze peças onde quatro são

defeituosas, retira-se duas peças. Calcular a probabilidade:
a) de ambas serem defeituosas;
b) de ambas não serem defeituosas;
c) de pelo menos uma ser defeituosa.
24
17/05/2019
• Soluções:
a) A = {ambas são defeituosas}
4! 4.3.2!
A pode ocorrer C4 ,2 = = = 6 vezes
2! ( 4 − 2 )! 2.1.2!
12! 12.11.10!
S pode ocorrer C12 ,2 = = = 66 vezes
2! ( 12 − 2 )! 2.1.10!
NCF 6 1
Logo, P( A ) = = =
NTC 66 11
• Soluções:
b) B = {ambas não são defeituosas}
8! 8.7.6 !
B pode ocorrer C8 ,2 = = = 28 vezes
2! ( 8 − 2 )! 2.1.6!
12! 12.11.10!
2! ( 12 − 2 )! 2.1.10!
NCF 28 14
Logo, P( B ) = = =
NTC 66 33
25
17/05/2019
• Soluções:
c) C = {pelo menos uma é defeituosa}
C é o complemento de B ou C = B
14 19
P( C ) = 1 − P( B ) = 1 − =
33 33
OU
• Soluções:
C = {1 defeituosa e 1 sem defeito}+{ambas defeituosas}
8! 8!
C pode ocorrer 4  C8 ,1 + C8 ,2 = 4  + =
1! ( 8 − 1 )! 2! ( 8 − 2 )!
= 32 + 6 = 38 vezes
12! 12.11.10!
2! ( 12 − 2 )! 2.1.10!
NCF 38 19
Logo, P( C ) = = =
NTC 66 33
26
17/05/2019
2.11 Probabilidade Condicional
• Considere o experimento aleatório E: lançar um dado e

observar o resultado, e o evento A = {sair o nº 3}. Então
P(A) = 1/6.
• Considere agora o evento B = {sair um nº ímpar} = {1, 3,5},

então P(B) = 1/2.
• A probabilidade de ocorrer o evento A condicionada à

ocorrência do evento B, representada por P(A/B), será
P(A/B) = 1/3.
27
17/05/2019
• Com a informação da ocorrência do novo evento, reduz-se o

espaço amostral. No exemplo dado, S = {1, 2, 3, 4, 5, 6} foi
reduzido para S* = {1, 3, 5}, e é neste espaço reduzido que a
probabilidade do novo evento é avaliada.
• Definição: Se A e B são dois eventos, a probabilidade do

evento A ocorrer quando o evento B tiver ocorrido é
denominada probabilidade condicionada, P(A/B), dada por:
P( A  B )
P( A / B ) = , P ( B )  0 , pois já ocorreu.
P( B )
• Para o exemplo apresentado, tem-se:

1
P( A  B ) 1
P( A / B ) = = 6=
P( B ) 1 3
2
• No caso de aplicações mais complexas é mais prático se
utilizar a seguinte fórmula:
NCF ( A  B )
P( A  B ) NTC = NCF ( A  B )
P( A / B ) = =
P( B ) NCF ( B ) NCF ( B )
NTC
28
17/05/2019
• Exemplo: No experimento do lançamento de dois dados,

considere os eventos: A = {(x1,x2)|(x1 + x2) = 10} e
B = {(x1,x2)| x1 > x2}, onde x1 é o resultado do dado 1 e x2 o
resultado do dado 2. Avalie P(A), P(B) e P(B/A).
• Soluções:
S = {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6), A = {(6,4), (5,5), (4,6)}
(2,1), (2,2), (2,3), (2,4), (2,5), (2,6), B = {(2,1), (3,1), (4,1), (5,1),
(3,1), (3,2), (3,3), (3,4), (3,5), (3,6), (6,1), (3,2), (4,2), (5,2),
(4,1), (4,2), (4,3), (4,4), (4,5), (4,6), (6,2), (4,3), (5,3), (6,3),
(5,1), (5,2), (5,3). (5,4), (5,5), (5,6), (5,4), (6,4), (6,5)}
(6,1). (6,2), (6,3), (6,4), (6,5), (6,6)} A ∩ B = {(6,4)}
• Soluções:
NCF ( A ) 3 1
P( A ) = = = ;
NTC 36 12
NCF ( B ) 15 5
P( B ) = = = ;
NTC 36 12
NCF ( A  B ) 1
P( A / B ) = = ;
NCF ( B ) 15
NCF ( A  B ) 1
P( B / A ) = = .
NCF ( A ) 3
29
17/05/2019
2.12 Teorema do Produto
• O Teorema do Produto pode ser enunciado a partir da

definição de probabilidade condicional, como:
“A probabilidade da ocorrência simultânea de dois eventos,
A e B, do mesmo espaço amostral, é igual ao produto da
probabilidade de um deles ocorrer pela probabilidade
condicional do outro em relação ao primeiro”.
• Assim:
P( A  B )
P( A / B ) =  P ( A  B ) = P ( B ).P ( A / B )
P( B )
P( A  B )
P( B / A ) =  P ( A  B ) = P ( A ).P ( B / A )
P( A )
30
17/05/2019
2.12 Teorema do Produto
• Exemplo: Em um lote de peças contendo doze unidades

onde quatro são defeituosas, duas são retiradas, uma após a
outra, sem reposição. Qual a probabilidade de que ambas
não sejam defeituosas?
• Solução: A = { a primeira peça retirada é boa}
B = {a segunda peça retirada é boa}
8 7 14
P ( A  B ) = P ( B ).P ( A / B ) =  =
12 11 33
31
17/05/2019
2.13 Independência Estatística
• Definição: Um evento A é considerado independente de um

outro evento, B, se a probabilidade de A é igual a probabilidade
de A condicionada a B, ou
P( A ) = P( A / B )
Se A é independente de B, então B é independente de A;

logo:
P( B ) = P( B / A )
- Do teorema do produto, pode-se afirmar que, se A e B são

independentes, então:
P ( A  B ) = P ( A ).P ( B )
- Dados n eventos A1, A2, ..., An, diz-se que eles são
independentes se o forem 2 a 2; 3 a 3, ..., n a n, isto é:
P ( A1  A2 ) = P ( A1 ).P ( A2 ); ...; P ( An − 1  An ) = P ( An− 1 ).P ( An )

P ( A1  A2  A3 ) = P ( A1 ).P ( A2 ).P ( A3 ); ...;
P ( An− 2  An− 1  An ) = P ( An − 2 ).P ( An − 1 ).P ( An )
P ( A1  A2 ...  An ) = P ( A1 ).P ( A2 ).P ( A3 ). ...P ( An − 1 ).P ( An )
32
17/05/2019
• Exemplo 1: Uma caixa contém doze peças, sendo quatro

defeituosas; retira-se duas peças, uma após a outra, com
reposição. Calcular a probabilidade de ambas não possuírem
defeitos?
• Solução: A = {a primeira peça não possui defeito}

B = {a segunda peça não possui defeito}
- Como a primeira peça foi reposta, B não é condicionado por
A, ou seja, A e B são independentes; logo:
8 8 4
P ( A  B ) = P ( A ).P ( B ) =  =
12 12 9
• Exemplo 2: Sendo S = {1, 2, 3, 4} um espaço amostral

equiprovável, e A = {1, 2}, B = {1, 3} e C = {1, 4} eventos de
S, verificar se estes eventos são independentes.
• Solução: S = {1, 2, 3, 4};

A = {1, 2}; B = {1, 3}; C = {1, 4};
A  B = { 1 }; A  C = { 1 }; B  C = { 1 };
A B C = { 1}
33
17/05/2019
2 1 2 1 1
Para A e B : P ( A ) = = ; P ( B ) = = ; P ( A  B ) = ; log o :
4 2 4 2 4
1
P ( A  B ) = P ( A ).P ( B ) =
4
1 2 1 1
Para A e C : P ( A ) = ; P ( C ) = = ; P ( A  C ) = ; log o :
2 4 2 4
1
P ( A  C ) = P ( A ).P ( C ) =
4
1 1 1
Para B e C : P ( B ) = ; P ( C ) = ; P ( B  C ) = ; log o :
2 2 4
1
P ( B  C ) = P ( B ).P ( C ) =
4
1 1 1 1
Para A , B e C : P ( A ) = ; P ( B ) = ; P ( C ) = ; P ( A  B  C ) = ;
2 2 2 4
log o :
1 1
P( A  B  C ) =  P ( A ).P ( B ).P ( C ) =
4 8
- Portanto, os eventos A, B e C não são independentes.

34
17/05/2019
2.14 Teorema de Bayes
• Sejam A1, A2, A3, ..., An, n eventos mutuamente exclusivos,

tais que A1  A2  A3  ...  An = S .
Sejam P(Ai) as probabilidades conhecidas dos vários eventos,
e B um evento qualquer de S, tal que são conhecidas todas as
probabilidades condicionais P(B/Ai).
Então, para cada i, tem-se:
P ( Ai ).P ( B / Ai )
P ( Ai / B ) =
P ( A1 ).P ( B / A1 ) + P ( A2 ).P ( B / A2 ) + ... + P ( An ).P ( B / An )
que é o Teorema de Bayes.

35
17/05/2019
• Exemplo: Tem-se três urnas (u1, u2, u3), cada uma contendo
bolas pretas, brancas e vermelhas, nas quantidades mostradas
no quadro abaixo. De uma urna escolhida ao acaso retira-se
uma bola também ao acaso, verificando-se que a mesma é
branca. Qual a probabilidade da bola escolhida ter vindo da
urna 2? e da urna 3?
Cores / Urnas u1 u2 u3
P (preta) 3 4 2
B (branca) 1 3 3
V (vermelha) 5 2 3
Solução:
Cores / Urnas u1 u2 u3
P (preta) 3 4 2
B (branca) 1 3 3
V (vermelha) 5 2 3
1 1 1
P( u1 ) = ; P( u 2 ) = ; P( u3 ) = ;
3 3 3
1 3 1 3
P( B / u1 ) = ; P( B / u2 ) = = ; P( B / u3 ) =
9 9 3 8
36
17/05/2019
P( u 2 ).P( B / u 2 )
P( u 2 / B ) = =
P( u1 ).P( B / u1 ) + P( u 2 ).P( B / u 2 ) + P( u3 ).P( B / u3 )
1 1

3 3 24
= =
1 1 1 1 1 3 59
 +  + 
3 9 3 3 3 8
27
P( u3 / B ) =
59
8
P( u1 / B ) + P( u 2 / B ) + P( u3 / B ) = 1  P( u1 / B ) =
59
Teoria das Probabilidades
FIM
37

Estatc3adstica Cap 02

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

Estatc3adstica Cap 02

Enviado por

Direitos autorais:

Formatos disponíveis

17/05/2019

Universidade Federal do Pará

Prof. Dr. Jorge Teófilo de Barros Lopes

Universidade Federal do Pará

Teoria das Probabilidades

Teoria das Probabilidades - Sumário

Teoria das Probabilidades - Sumário

Teoria das Probabilidades - Sumário

➢ A estatística tem por objetivo obter, organizar e analisar dados

➢ A estatística se utiliza das teorias probabilísticas para

➢ Em outras palavras, a estatística procura modelar a

17/05/2019 08:28 ESTATÍSTICA APLICADA I - Teoria das Probabilidades

✓ Estudo dos fenômenos de observação: deve-se distinguir

• Adotado para explicar fenômenos submissos às leis

• Adotado para explicar os fenômenos aleatórios, que

• Portanto, esses fenômenos são insubmissos às leis

17/05/2019 08:28 ESTATÍSTICA APLICADA I - Teoria das Probabilidades

✓ A estatística estuda os fenômenos aleatórios e o modelo

✓ Diante de um acontecimento aleatório é possível, às

17/05/2019 08:28 ESTATÍSTICA APLICADA I - Teoria das Probabilidades

Teoria das Probabilidades - Sumário

✓ Aleatoriedade ou acontecimento aleatório pode ser explicado

• A afirmação (a) pode ser confirmada ou negada de forma

✓ No segundo caso somente a realização do experimento

✓ Em geral, os acontecimentos aleatórios se caracterizam por

17/05/2019 08:28 ESTATÍSTICA APLICADA I - Teoria das Probabilidades

Teoria das Probabilidades - Sumário

2.3 Experimento Aleatório

Para que um experimento seja considerado aleatório é

17/05/2019 08:28 ESTATÍSTICA APLICADA I - Teoria das Probabilidades

2.3 Experimento Aleatório

3. Quando o experimento for repetido um grande número

2.3 Experimento Aleatório

• Jogar um dado e observar o número mostrado na face

17/05/2019 08:28 ESTATÍSTICA APLICADA I - Teoria das Probabilidades

Teoria das Probabilidades - Sumário

2.4 Espaço Amostral

17/05/2019 08:28 ESTATÍSTICA APLICADA I - Teoria das Probabilidades

2.4 Espaço Amostral

c) E: Fabricar um lâmpada, colocá-la em um suporte,

d) E: Registrar a temperatura continuamente durante um

2.4 Espaço Amostral

e) E: Admitir que a temperatura mínima nessa localidade

17/05/2019 08:28 ESTATÍSTICA APLICADA I - Teoria das Probabilidades

Teoria das Probabilidades - Sumário

• É um conjunto de resultados do experimento.

17/05/2019 08:28 ESTATÍSTICA APLICADA I - Teoria das Probabilidades

E: lançar o dado e observar o número da face superior.

17/05/2019 08:28 ESTATÍSTICA APLICADA I - Teoria das Probabilidades

E: jogar três moedas e observar o resultado.

17/05/2019 08:28 ESTATÍSTICA APLICADA I - Teoria das Probabilidades

17/05/2019 08:28 ESTATÍSTICA APLICADA I - Teoria das Probabilidades

- A partir do uso das operações com conjuntos, novos

17/05/2019 08:28 ESTATÍSTICA APLICADA I - Teoria das Probabilidades

Teoria das Probabilidades - Sumário

2.6 Eventos Mutuamente exclusivos

✓ Dois eventos A e B são denominados mutuamente

• Exemplo: E: lançar um dado e observar o resultado.

17/05/2019 08:28 ESTATÍSTICA APLICADA I - Teoria das Probabilidades

Teoria das Probabilidades - Sumário

- Dado um experimento aleatório E, sendo S o seu espaço

17/05/2019 08:28 ESTATÍSTICA APLICADA I - Teoria das Probabilidades

Teoria das Probabilidades - Sumário