NOÇÕES DE

PROBABILIDADE
Experimento Aleatório: procedimento que, ao
ser repetido sob as mesmas condições, pode
fornecer resultados diferentes

Exemplos:
1. Resultado no lançamento de um dado;
2. Hábito de fumar de um estudante sorteado
em sala de aula;
3. Condições climáticas do próximo domingo;
4. Taxa de inflação do próximo mês;
5. Tipo sangüíneo de um habitante escolhido ao
acaso.
Espaço Amostral (Ω): conjunto de todos os
resultados possíveis de um experimento aleatório.

Exemplos:
1. Lançamento de um dado.
Ω = {1, 2, 3, 4, 5, 6}
2. Exame de sangue (tipo sangüíneo) .
Ω = {A, B, AB, O}
3. Hábito de fumar.
Ω = {Fumante, Não fumante}
4. Tempo de duração de uma lâmpada.
Ω = {t: t ≥ 0}
Eventos: subconjuntos do espaço amostral Ω
Notação: A, B, C ...
∅ (conjunto vazio): evento impossível
Ω: evento certo
Exemplo: Lançamento de um dado.
Espaço amostral: Ω = {1, 2, 3, 4, 5, 6}
Alguns eventos:
A: sair face par ⇒ A = {2, 4, 6} ⊂ Ω
B: sair face maior que 3 ⇒ B = {4, 5, 6} ⊂ Ω
C: sair face 1 ⇒ C = {1} ⊂ Ω
 Probabilidade
• Medida da incerteza associada aos resultados
do experimento aleatório
• Deve fornecer a informação de quão verossímil
é a ocorrência de um particular evento

Como atribuir probabilidade aos

elementos do espaço amostral?

Duas abordagens possíveis:

1. Freqüências de ocorrências
2. Suposições teóricas.
 Probabilidade
Atribuição da probabilidade:
1. Através das freqüências de ocorrências.
• O experimento aleatório é repetido n vezes
• Calcula-se a freqüência relativa com que cada
resultado ocorre.
 Para um número grande de realizações, a
freqüência relativa aproxima-se da probabilidade.

2. Através de suposições teóricas.

Exemplo: Lançamento de um dado
 Admite-se que o dado é perfeitamente equilibrado
P(face 1) = ... = P(face 6) = 1/6.
No caso discreto, todo experimento aleatório
tem seu modelo probabilístico especificado
quando estabelecemos:

•O espaço amostral Ω = {w1,w2, ... }

•A probabilidade P(w) para cada ponto amostral

de tal forma que:

0 ≤ P(w i ) ≤ 1 e
∞
P (Ω) = P ({w 1, w 2 , ...}) = ∑ P(w i ) = 1.
i =1
Distribuições de
Probabilidade
Discretas
Distribuição de Bernoulli
Seja uma experiência aleatória, para qual só podem existir duas
alternativas de resultados: sucesso e fracasso.

X1 = 1 com probabilidade p quando o sucesso ocorrer;

X2 = 0 com probabilidade q = (1 - p) quando fracasso ocorrer,

Logo temos uma distribuição de Bernoulli.

Parâmetros da distribuição

E[x] = x = p V[x] = 2 = p q  = (p q)1/2

Distribuição Binomial
Consideramos n tentativas independentes, de um mesmo
experimento aleatório. Cada tentativa admite dois
resultados:

Sucesso com probabilidade p

Fracasso com probabilidade q
p+q=1

Em uma distribuição binomial deve-se considerar que:

 São realizadas n provas independentes e do mesmo tipo;

 Cada prova admite 2 resultados: sucesso ou fracasso;
 A probabilidade de sucesso é p e de fracasso é q = 1 – p;
A probabilidade de ocorrer k sucessos em n provas será:

k
P (X  k)  C n . p k .q n k

k = 0, 1, 2, 3, …, n
k n!
C =
k! n  k ! , Fórmula do Binômio de Newton (p + q) ,
n n

surgindo assim o nome Binomial.

Parâmetros da distribuição

E[x] = x = n . p V[x] = n p q  = (n p q)1/2

Distribuição Multinomial
É uma generalização da distribuição Binomial.

Considera-se K alternativas, reparte-se o espaço amostral em K

eventos A1, A2, …, Ak, ME com probabilidades
P1, P2, …, Pk tais que P1 + P2 + … + Pk =1.

Então n provas, a probabilidade de que A1 ocorra X1 vezes, A2 ocorra X2 vezes … Ak

ocorra Xk vezes igual a:

n!
P ( X 1 , X 2 ,..., X k )  p1x1 . p 2x2 .. p kxk
X 1! X 2 ! X k !
Distribuição Poisson
É utilizada quando se tem eventos raros

Quando em uma distribuição binomial o tamanho n da amostra é

muito grande (n ) e a probabilidade p de ocorrência do
evento é muito pequena, sendo =n.p uma constante, a
probabilidade de k ocorrências em uma amostra segue mais
exatamente uma distribuição de Poisson com parâmetro , pois
ela é considerada uma generalização da distribuição binomial.
 e  .k
P(X  k) 
k!

K = 0, 1, 2, …
 = n.p – é a freqüência média se sucessos em um intervalo de tempo ou
comprimento
X = é a variável aleatória discreta em estudo
n = é o número de unidades

Parâmetros da distribuição

E[x] = x =  V[x] = 2 =   =  1/2

 Distribuição Geométrica
Suponha que repetimos o experimento até que A ocorra pela primeira vez.

Seja o experimento E realizado repetidamente e independentemente,

e que estamos interessados na ocorrência de um evento A. Cada
repetição de E a probabilidade de A será:

k 1
P(X  k)  q . p
 K = 1, 2, 3, …
 P(A) = p
 P( A ) = 1 – p = q,
 estes valores permaneçam os mesmos em torno das A’s repetições.

Parâmetros da distribuição

E[x] = x = 1/p V[x] = 2 = q/p2  = q1/2/p

 Distribuição Hipergeométrica
Divisão em lotes e retiradas sem reposição será a característica da
distribuição hipergeométrica.
Suponha que tenhamos ao acaso N elementos divididos em classes e que
escolhemos ao acaso n elementos (uma amostra do lote), sem reposição.

C kx . C nNxk
P(X  k) 
C nN

x + (n – x) = n
k é o número de defeitos
Parâmetros da distribuição

N n N n
E[x] = x = n.p V[x] = 2 = npq = npq
N 1 N 1