CÁLCULO DAS PROBABILIDADES E

ESTATÍSTICA I
Tatiene Souza

10 de março de 2021

1 Probabilidade
A ideia de probabilidades está associada tanto com raciocínio indutivo e julgamen-
tos tais como ‘Provavelmente Pedro é feliz’ ou ‘Você provavelmente será aprovado em
Estatística’, quanto a experimentos físicos repetitivos tais como o arremesso de uma
moeda ou de um dado.
Fenômeno (experimento) aleatório está associado à situação ou acontecimento
que não pode ser previsto com certeza. Por exemplo, quando arremessamos uma mo-
eda - honesta ela pode cair com a face Cara ou Coroa voltada para cima. Assim o ar-
remesso de uma moeda é um evento aleatório. Da mesma maneira nosso tempo de
vida, o decaimento radioativo ou o resultado da loteria também são fenômenos alea-
tórios. Os resultados de um experimento envolvendo um fenômeno aleatório são cha-
mados eventos. Espaço amostral (ω) de um experimento é o conjunto dos resultados
do experimento. Por exemplo, lançamento de um dado, o espaço amostral é dado por
ω = {1, 2, 3, 4, 5, 6}.

1.1 Operações com eventos aleatórios

Considere um espaço amostral ω = {e 1 , e 2 , . . . , e n }. Sejam A e B dois eventos. Repre-
sente graficamente: A ∪ B ; A ∩ B ;A c ; A − B ; B − A.

Exemplo 1.1. Seja ω = {(c, c ); (c, r ); (r, c ); (r, r )}, A = {(c, c ); (r, r )} e B = {(c, r ); (c, c )}.

(a)A ∪ B ; (b)A ∩ B ; (c)A c ; (d)B c ; (e)A c ∩ B c ; (f)A c ∪ B c ; (g)B − A; (h)A − B ; (i)A c ∩ B ; (j)B c ∩ A.

É a função P que associa a cada evento F um número real pertencente ao intervalo

[0, 1], tal que P (ω) = 1 e P ( A ∪ B ) = P ( A ) + P (B ), se A e B forem mutuamente exclusi-
vos.

1
TEOREMA:(i) Se os eventos A 1 , A 2 , . . . , A n formam uma partição do espaço amostral,
então ∑ni=1 P ( A i ) = 1; (ii) Se ∅ é o evento impossível, então P (∅) = 0; (iii) P ( A ) +
P ( A c ) = 1; (iv)P ( A ∪ B ) = P ( A ) + P (B ) − P ( A ∩ B ).

Exemplo 1.2. O seguinte grupo de pessoas está em uma sala, a saber: 5 rapazes com
mais de 21 anos, 4 rapazes com menos de 21 anos; 6 moças com mais de 21 anos e 3
moças com menos de 21 anos. Uma pessoa é escolhida ao acaso dentre as 18. Consi-
dere os seguintes eventos:
A: a pessoa tem mais de 21 anos;
B : a pessoa tem menos de 21 anos;
C : a pessoa é um rapaz;
D: a pessoa é uma moça.
Apresente P ( A ), P (B ), P (C ), P (D ); P (B ∪ D ) Resposta: {11/18; 7/18; 9/18; 9/18; 13/18}

☼ Exercício ☼
, QUESTÃO 1 ,: A probabilidade de um salmão atravessar com sucesso a barragem é
de 0.85 Obtenha as probabilidades:
a) Três salmões atravessarem a barragem.
b) Nenhum dos três salmões atravessarem a barragem.
c) Pelo menos um dos três salmões atravessarem a barragem.
, QUESTÃO 2 ,: Suponha que você está planejando uma viagem de três dias a Pipa.
Apresente o diagrama de árvore considerando os três dias em Pipa que podem ser de
sol (S ) ou de chuva (C ).
a) Enumere o espaço amostral;
b) Enumere o(s) resultados(s) do evento: ‘irá chover durante os três dias’;
c) Enumere o(s) resultados(s) do evento: ‘irá chover durante exatamente um dia’;
d) Enumere o(s) resultados(s) do evento: ‘irá chover durante pelo menos um dia’.
, QUESTÃO 3 ,: Escreva o espaço amostral:
a) Uma moeda é lançada duas vezes e observa-se o número de faces obtidas;
b) Uma urna contém dez bolas azuis e 10 bolas vermelhas. Três bolas são selecionadas
ao acaso com reposição e as cores são anotadas.
c) Dois dados são lançados simultaneamente e estamos interessados na soma das faces
observadas;
, QUESTÃO 4 ,: Uma moeda é viciada de modo que a probabilidade de sair cara
é 4 vezes maior do que a probabilidade de sair coroa. Considere dois lançamentos
independentes dessa moeda e determine:
a) O espaço amostral;
b) A probabilidade de sair somente uma cara;
c) A probabilidade de sair pelo menos uma cara.

2
, QUESTÃO 5 ,: Dois armários guardam as bolas de voleibol e basquete. O armário A
tem 3 bolas de voleibol e 1 de basquete, enquanto o armário B tem 3 bolas de voleibol e
2 de basquete. Escolhendo-se, ao acaso, um armário e, em seguida, uma de suas bolas,
calcule a probabilidade da bola ser:
a) De voleibol, sabendo que o armário A foi escolhido;
b) De basquete, sabendo que o armário B foi escolhido;
c) De basquete.

1.2 Probabilidade Condicional

Considere o exemplo a seguir:
Considere 250 alunos que cursam o primeiro período de uma faculdade. Destes
alunos 100 são homens (H) e 150 são mulheres (M), 110 cursam física (F) 140 cursam
química (Q). A distribuição dos alunos é a seguinte:
XX
XXX Disciplina
XXX Física Química TOTAL
Sexo XXX
X
Homens 40 60 100
Mulheres 70 80 150
TOTAL 110 140 250

Pergunta: Qual a probabilidade de que o aluno esteja cursando química dado que é
80 80
mulher? 150 . Qual a probabilidade de mulher e de química? 250 . Qual a probabilidade
150
de ser mulher? 250 .

Sejam A ⊂ ω e B ⊂ ω. Definimos probabilidade condicional de A dado que B ocorre

( A /B ) é dada por:

P (A ∩ B )
P ( A /B ) = , se P(B) ≠ 0.
P (B )
Também:

P (B ∩ A )
P (B / A ) = , se P(A) ≠ 0.
P ( A)
Exemplo 1.3. Duas bolas serão retiradas de uma urna que contém 2 bolas brancas, 3
pretas e 4 verdes. Qual a probabilidade de que ambas sejam verdes? Resposta: {1/6}.
Qual a probabilidade de que sejam da mesma cor? Resposta: {5/18}.

Sejam A ⊂ ω e B ⊂ ω. Definimos A e B são independentes se P ( A ∩ B ) = P ( A )P (B ).

Os eventos A e B são mutuamente excludentes se P ( A ∩ B ) = ∅.

3
Exemplo 1.4. Sejam A e B eventos tais que P ( A ) = 0.2, P (B ) = p, P ( A ∪B ) = 0.6. Calcule
p considerando que A e B são mutuamente excludentes e independentes. Resposta: {0.4;
0.5}.

Exemplo 1.5. Uma urna contém 3 bolas brancas e 2 amarelas. Uma segunda urna
contém 4 bolas brancas e 2 amarelas. Escolhe-se, ao acaso, uma urna e dela retira-se,
também ao acaso, uma bola. Qual a probabilidade de que seja branca?
Seja (B ): bola branca e ( A ): bola amarela.
B Ð→ P ( I ∩ B ) = 21 ⋅ 35
3
I 5

2
1 5 A Ð→ P ( I ∩ A ) = 12 ⋅ 25
2
URNA
B Ð→ P ( I I ∩ B ) = 21 ⋅ 46
1
2 4
II 6

2
6 A Ð→ P ( I I ∩ A ) = 12 ⋅ 26

Ou seja,

P (B ) = P (B ∩ I ) + P (B ∩ I I ) = P ( I )P (B / I ) + P ( I I )P (B / I I )

☼ Exercício ☼
, QUESTÃO 1 ,: A maioria dos alunos acreditam que probabilidade é algo muito
complicado para entender. A partir dessa concepção, a professora de estatística tentou
encontrar uma forma de mostrar que seus alunos estavam enganados, daí a mesma
montou a seguinte estratégia: ao invés de considerar bolas ou giz, o experimento foi
realizado com chocolates. Em três caixinhas de chocolate, C 1 , C 2 e C 3 há 4 tipos de
chocolate, a saber: triplo chocolate (T ), branco (B ), amendoim (A) e ao leite (L). Os
chocolates foram distribuídos da seguinte forma:
B Na caixa C 1 : 5T , 2L, 3A e 10B ;
B Na caixa C 2 : 5T , 7L, 12A e 1B ;
B Na caixa C 3 : 4T , 6L, 8A e 2B .
a) Apresente os eventos a serem considerados.
b) Qual é a probabilidade de que selecionar um chocolate do tipo amendoim (A)?

4
c) Suponha que o chocolate seja selecionado aleatoriamente e que seja constatado que
o mesmo apresenta é do tipo branco (B ), qual a probabilidade de que o chocolate te-
nha sido extraído da caixa C 3 ?
d) Suponha que o chocolate seja selecionado aleatoriamente e que seja constatado que
o mesmo apresenta é do tipo triplo (T ), qual a probabilidade de que o chocolate tenha
sido extraído da caixa C 1 ?
e) Suponha que o chocolate seja selecionado aleatoriamente e que seja constatado que
o mesmo apresenta é do tipo ao leite (L), qual a probabilidade de que o chocolate tenha
sido extraído da caixa C 2 ?

B Ð→ P (C 1 ∩ B ) =?

? A Ð→ P (C 1 ∩ A ) =?
C1 ?
? L Ð→ P (C 1 ∩ L ) =?
?
T Ð→ P (C 1 ∩ T ) =?
?

B Ð→ P (C 2 ∩ B ) =?

? A Ð→ P (C 2 ∩ A ) =?
CAIXAS C2 ?
?
? L Ð→ P (C 2 ∩ L ) =?
?
T Ð→ P (C 2 ∩ T ) =?
?

B Ð→ P (C 3 ∩ B ) =?

? A Ð→ P (C 3 ∩ A ) =?
C3 ?
? L Ð→ P (C 3 ∩ L ) =?
?
T Ð→ P (C 3 ∩ T ) =?

, QUESTÃO 2 ,: Em certa linha de montagem, três máquinas M1 , M2 e M3 produzem

30%, 45% e 25% dos produtos, respectivamente. Sabe-se que de experiências anterio-
res, que 2%, 3% e 2% dos produtos produzidos por cada máquina são, respectivamente,
defeituosos (A). Suponha que um produto já acabado seja selecionado aleatoriamente.
a) Apresente os eventos a serem considerados.
b) Qual é a probabilidade de que esse produto apresente defeito?
c) Suponha que o produto seja selecionado aleatoriamente e que seja constatado que o
mesmo apresenta defeito, qual a probabilidade de que o produto tenha sido fabricado
por M 1 ?
d) Suponha que o produto seja selecionado aleatoriamente e que seja constatado que o
mesmo apresenta defeito, qual a probabilidade de que o produto tenha sido fabricado

5
por M 2 ?
e) Suponha que o produto seja selecionado aleatoriamente e que seja constatado que o
mesmo apresenta defeito, qual a probabilidade de que o produto tenha sido fabricado
por M 3 ?

A Ð→ P (M 1 ∩ A ) =?
?
M1

? A Ð→ P (M 1 ∩ A ) =?

?
A Ð→ P (M 2 ∩ A ) =?
?
MÁQUINAS M2
?
? A Ð→ P (M 2 ∩ A ) =?

?
A Ð→ P (M 3 ∩ A ) =?
?
M3

? A Ð→ P (M 3 ∩ A ) =?

1.3 Variáveis Aleatórias

Muitos experimentos aleatórios produzem resultados não-numéricos. Por exemplo,
considere o caso de um questionário, em que uma pessoa é indagada a respeito de
uma proposição e as respostas possíveis são SIM ou NÃO. Podemos definir uma variá-
vel que tome dois valores, 1 ou 0, por exemplo, correspondentes às respostas SIM ou
NÃO. Portanto antes de analisar esse tipo de experimento, é conveniente transformar
seus resultados em números, o que é feito através da variável aleatória, que é uma re-
gra de associação de um valor numérico a cada ponto do espaço amostral. A Variável
aleatória pode ser Discreta: se assume valores num conjunto enumerável, com certa
probabilidade; Contínua: se seu conjunto de valores é qualquer intervalo dos números
reais, o que seria um conjunto não enumerável.

Definição 1.1. Função de probabilidade é a função que associa a cada valor assumido
pela variável aleatória a probabilidade do evento corresponde, i.e.,

P ( X = x i ) = P ( A i ), i = 1, . . . , n.

6
É importante verificar que para que haja uma distribuição de probabilidade de uma
variável aleatória X é necessário que ∑ni=1 P ( X = x i ) = 1.

Definição 1.2. Seja X uma variável aleatória discreta, a esperança matemática é um

número real. É também uma média aritmética ponderada, ou seja, E ( X ) = ∑ni=1 x i P ( X =
x i ).

Definição 1.3. Seja X uma variável aleatória contínua. A função densidade de proba-
bilidade (f.d.p.), f (x ), é dada por
b
P (a ≤ X ≤ b ) = ∫ f (x )d x.
a

É importante verificar que para que haja função densidade, é importante que f (x ) ≥ 0
∞
e ∫−∞ f (x ) = 1.

Definição 1.4. Seja X uma variável aleatória contínua, a esperança matemática é dada
∞
por E ( X ) = ∫−∞ x f (x )d x.

Exemplo 1.6. Uma variável aleatória tem função de densidade de probabilidade dada
por: f (x ) = kx, 0 < x < 1. (a) Obtenha o valor de k; (b) Obtenha P [0 ≤ X < 1/2]; (c) E( X );
(d) Obtenha P [ X ≤ 1/2/1/3 ≤ X ≤ 1/2/]. resposta: 2;1/4;2/3;5/12

2 Distribuição Binomial
Suponha que n experimentos independentes, ou ensaios, são executados, onde n é um
número fixo, e que cada experimento resulta em sucesso (com probabilidade p) ou em
fracasso (com probabilidade 1 − p). O número total de sucessos, X , é uma variável ale-
atória com parâmetros n e p, ou seja, X ∼ B(n, p ). Por exemplo, uma moeda é lançada
10 vezes e o número total de caras é contado (aqui ‘cara’ é o sucesso). A probabilidade
que X = k, denotada por P ( X = k ), pode ser encontrada como:

) p k (1 − p )n −k .
n
P (X = k ) = (
k
A média de um variável aleatória Binomial é np e a variância é np (1 − p ).

Exemplo 2.1. Numa criação de coelhos, 40% são machos. Qual a probabilidade de que
nasçam pelo menos 2 coelhos machos em um dia em que nasceram 20 coelhos?
Note que X é o número coelhos machos, i.e., X ∶ 0, 1, . . . , 20, a probabilidade de sucesso,
p, é 0.40. Portanto, P ( X ≥ 2) = 1 − P ( X < 2) = 1 − [P ( X = 0) + P ( X = 1)], em que

)(0.40)0 (0.60)(20−0) )(0.40)1 (0.60)(20−1) .

20 20
P ( X = 0) = ( e P ( X = 1) = (
0 1

7
Portanto, P ( X ≥ 2) = 1 − P ( X < 2) = 1 − [0.00003 + 0.00049] = 0.99948. Observe que se
20 coelhos forem selecionados, é esperado que 8 deles seja macho, ou seja, E ( X ) =
20 × 0.40.

3 Distribuição Normal
Dizemos que a variável aleatória X segue distribuição normal com parâmetros µ e σ2 ,
se sua função densidade é dada por:

(x −µ)2
1 −
f (x ) = √ exp 2σ2 , −∞ < x < ∞
2πσ2
Notação: Usaremos a notação X ∼ N (µ, σ2 ) para indicar que X segue distribuição nor-
mal com parâmetros µ e σ2 .
Os parâmetros µ e σ2 representam a média e a variância, respectivamente, a va-
riável aleatória X que segue distribuição normal. Assim quando indicamos que X ∼
N (µ, σ2 ), segue imediatamente que E( X ) = µ e Var( X ) = σ2 .
Considere:

(x −µ)2
−
b 1
P (a ⩽ X ⩽ b ) = ∫ √ exp 2σ2 dx
a 2πσ2
Entretanto a integral acima só pode ser resolvida de modo aproximado e por métodos
numéricos. Por essa razão as probabilidades para o modelo Normal são calculadas
com o auxílio de tabelas. Utiliza-se uma transformação que conduz sempre ao cálculo
de probabilidades com uma variável de parâmetros (0, 1), i.e., média 0 e variância 1.
X −µ
Considere X ∼ N (µ, σ2 ) e defina uma nova variável Z = σ . Pelas propriedades do
valor esperado e da variância, segue que:

X −µ 1
E( Z ) = E ( ) = [E( X ) − µ] = 0
σ σ
X −µ 1
Var( Z ) = Var ( ) = 2 [Var( X )] = 1
σ σ
Para determinar a probabilidade de X ∈ [a, b ], faremos:

P (a ≤ X ≤ b ) = P (a − µ ≤ X − µ ≤ b − µ) =

a −µ X −µ b −µ a −µ b −µ
P( ≤ ≤ )=P( ≤Z ≤ )
σ σ σ σ σ

8
 Para tabelas que disponibilizam valores para P (0 ≤ Z ≤ z ), z ≥ 0, devido a simetria,
podemos calcular valores de probabilidades em outros intervalos. Note que a simetria
também implica que a probabilidade de estar acima (ou abaixo) de zero é 0.5.

Exemplo 3.1. A concentração de um poluente em água liberada por uma fábrica tem
distribuição N (8, 1.5). Qual a chance, de que num dado dia, a concentração do polu-
ente exceda o limite regulatório de 10 ppm?
A solução do problema resume-se em determinar a proporção da distribuição que está
acima de 10 ppm, i.e., P ( X > 10). Usando a estatística z temos:

10 − 8
P ( X > 10) = P ( Z > ) = P ( Z > 1.33) = 1 − P ( Z ≤ 1.33) = 0.09
1.5

Portanto, espera-se que a água liberada pela fábrica exceda os limites regulatórios
cerca de 9% do tempo.