Aula0102 Probabilidade

Estatı́stica (MAD231)
Turma: IGA
Perı́odo: 2018/2
Aula #01 de Probabilidade: 28/09/2018
1
Probabilidade: como medir e gerenciar a
incerteza?
Introdução
Os jornais informaram que há uma chance de

60% de chover no próximo fim de semana no
Rio. Talvez seja melhor programar um cinema
em vez de programar uma ida à praia.
O noticiário da TV informou que a partir do

inı́cio de setembro haverá uma mudança no
trânsito do Rio devido às obras do novo acesso
ao Centro. Como eu passo pelo local da obra
diariamente, talvez seja melhor sair de casa
um pouco mais cedo para evitar grandes en-
garrafamentos decorrentes da nova mudança
acarretando em atraso.
2
A nossa vida é cercada de incerteza: uma pe-
quena chance disso, uma grande chance daqui-
lo, etc.
Os conceitos de probabilidade, esperança (valor

esperado), retorno e possibilidade não são ape-
nas para jogadores, são ferramentas práticas
que podemos usar para avaliar riscos, determi-
nar opções preferidas e avaliar potenciais im-
pactos de certas decisões.
3
PROBABILIDADE
Já vimos como analisar um conjunto de dados

por meio de técnicas gráficas e numéricas.
O resultado da análise nos permite ter uma boa

ideia da distribuição desse conjunto de dados,
em outras palavras, de propriedades estruturais
de comportamento desses dados.
Em particular, a distribuição de frequências

é um instrumento importante para avaliar a
variabilidade das observações de um fenômeno
aleatório.
As frequências relativas observadas podem ser

olhadas como estimativas de probabilidades.
4
Com suposições adequadas e a partir da ob-
servação do fenômeno aleatório de interesse,
podemos propor um modelo teórico que re-
produza de maneira razoável a distribuição de
frequências.
Modelos Probabilı́sticos
Tais modelos devem
1. identificar o conjunto de resultados possı́-

veis do fenômeno aleatório, que costumamos
chamar de espaço amostral, em geral de-
notado por Ω e
2. designar chances de ocorrrência - probabi-

lidades - aos resultados possı́veis.
5
O conceito de probabilidade nos auxilia na
quantificação da incerteza associada aos fenô-
menos aleatórios, ou seja aos fenômenos cujos
resultados não são conhecidos previamente a
sua realização.
Na primeira aula de hoje
- discutiremos conceitos relacionados à incerteza,
- apresentaremos uma definição matemática

de probabilidade e,
- estudaremos algumas propriedades fundamen-

tais no cálculo de probabilidades, por exemplo,
como calcular probabilidades de eventos com-
postos: eventos que resultam da operação en-
tre eventos (união, interseção, etc.)
6
Chamamos evento a qualquer subconjunto do
espaço amostral (Ω - conjunto que compreende
todos os resultados possı́veis). Os eventos são
geralmente denotados por letras maiúsculas A,
B, etc.
Escrevemos A ⊂ Ω para dizer que o evento A

é um subconjunto do espaço amostral Ω.
Evento impossı́vel: é o conjunto vazio (∅).

Esse evento nunca ocorrerá.
Evento certo: é o espaço amostral (Ω). Esse

evento sempre ocorre.
Para o evento impossı́vel designamos uma pro-

babilidade nula e para o evento certo desig-
namos uma probabilidade igual a 1.
Vamos começar a discussão com um exem-

plo clássico: o lançamento de uma moeda.
Tem-se dois resultados possı́veis: cara ou coroa.
Mas, não sabemos qual deles irá ocorrer.
7
A probabilidade, de obter cara pode ser pen-
sada como a mesma de obter coroa, se a moeda
for balanceada e, desse modo podemos atribuir
probabilidades iguais a 12 (= 0, 5) a cada re-
sultado possı́vel. Interpretação clássica da
probabilidade.
Por outro lado podemos desconfiar da hones-

tidade da moeda. Uma maneira de designar a
probabilidade de cara é, por exemplo, realizar
um grande número de repetições do lançamen-
to da moeda e ir atualizando a frequência re-
lativa de ocorrência do número de caras. De-
pois de muitas realizações, podemos atribuir
a probabilidade de “ocorrer cara” à frequência
relativa final. Interpretação frequentista da
probabilidade.
Veja nos gráficos a seguir simulações desse

experimento com 100 lançamentos e 10 mil
lançamentos da moeda. O gráfico vai atua-
lizando a frequência relativa da ocorrência de
cara a medida que a moeda é lançada.
8
9
10
Interpretações da probabilidade
1) Clássica.
Baseia-se em espaços amostrais finitos e equi-

prováveis.
Problemas com esta interpretação:
Nem todos os espaços amostrais são finitos.
Há espaços amostrais finitos que não são equi-

prováveis.
Baseia-se na ideia de probabilidade (equipro-

vável) para definir probabilidade.
Essa interpretação no entanto é muito útil em

determinados experimentos aleatórios tais co-
mo lançamentos de moedas equilibradas, lança-
mento de dados equilibrados, o sorteio de uma
carta de baralho, etc.
11
Exemplo: Você está pensando em apostar no
número 13 no próximo giro de roleta. Qual é
a probabilidade de que você perca?
Solução:
Uma roleta tem 38 fendas, das quais somente

uma tem o número 13. A roleta é construı́da
de tal modo que as 38 fendas sejam igualmente
prováveis. Dentre as 38 fendas, há 37 que
resultam em uma perda. Logo, a probabili-
dade de perder nesse caso é, sendo A o evento
“perder”
37
P (A) =
38
12
2) Frequentista
Para avaliar a probabilidade de um determi-

nado evento de interesse, o experimento é real-
izado um grande número de vezes, sob as mes-
mas condições. A cada realização vamos cal-
culando a frequência relativa de ocorrência do
evento A em relação ao número de repetições,
como fizemos no exemplo anterior “Cara ou
Coroa?”. Associamos como a probabilidade do
evento A, a frequência relativa de ocorrência
do evento A após muitas repetições.
No exemplo “Cara ou Coroa?”, o gráfico com

as frequências relativas ao longo das repetições
indica que a frequência relativa de ocorrência
de cara tende para o valor 0,5, de modo que a
probabilidade de ocorrer cara, sob essa inter-
pretação, será 0,5.
13
Problemas com a interpretação frequentista:
Não define com clareza o que é um grande

número de vezes, nem o que significa “sob as
mesmas condições”.
Nem todo fenômeno aleatório pode ser obser-

vado mais de uma vez.
Exemplo: Calcule a probabilidade de que uma

pessoa adulta escolhida ao acaso tenha voado
em um avião comercial.
Uma solução:
O espaço amostral, considerando a observação

de cada adulto, pode ser olhado como binário
com os resultados “sucesso” e “fracasso” em
que sucesso representa que a pessoa voou em
avião comercial e fracasso que não voou. Ob-
serve que esses eventos não são necessaria-
mente igualmente prováveis.
14
Aqui podemos usar a interpretação frequen-
tista baseando-nos em alguma pesquisa.
Suponha que uma pesquisa observou que en-

tre 900 adultos escolhidos ao acaso, 750 con-
firmaram ter voado em avião comercial. Nesse
caso, nossa resposta, baseada na frequência
relativa, para o evento A: “ter voado em avião
comercial” é
750
' 0, 833.
900
Assim, atribuı́mos 0,833 como a probabilidade

de que uma pessoa adulta escolhida ao acaso
tenha voado em um avião comercial.
A interpretação frequentista de probabilidade

é usada na Inferência Estatı́stica Clássica cu-
jas conclusões são baseadas a partir dos dados
observados.
3) Subjetiva. O indivı́duo, baseado na sua ex-
periência e outras informações a respeito do
evento em questão, faz uma designação para
a probabilidade desse evento.
O ingrediente básico quando se designam pro-

babilidades é coerência. Se um indivı́duo jul-
gar que um evento A é mais provável que o
seu complementar, então ele deverá designar
a esse evento uma probabilidade maior do que
50% ao evento A.
Problemas com essa interpretação: Pesquisa-

dores diferentes podem designar probabilidades
diferentes para um mesmo evento.
15
A Inferência Bayesiana toma como uma de
suas bases o fato de que todas as probabili-
dades são subjetivas.
Exemplo: Qual é a probabilidade de que seu

carro seja atingido por um meteorito em ou-
tubro de 2018?
Uma solução:
Na ausência de dados históricos sobre meteo-

ritos colidindo com carros, não podemos usar
a interpretação frequentista. Observe que há
dois resultados possı́veis nesse problema:
{colidir, não colidir},
mas eles não são igualmente prováveis de modo

que não podemos usar a interpretação clássica
de probabilidade.
16
Observe que nesse exemplo podemos fazer uso
da interpretação subjetiva.
Sabemos que a probabilidade em questão é

muito pequena. Não existem registros da ocorr en-
cia desse tipo de evento em toda a era cristã,
de modo que, uma estimativa razoável, se-
ria, considerando aproximadamente o triplo da
quantidade de anos passados (6000):
1
6000
Esta estimativa subjetiva está baseada em nosso

conhecimento sobre esse evento: acreditamos
que esse evento é altamente improvável.
17
18
Definição Axiomática da Probabilidade
A Axiomatização da Probabilidade é devida ao

matemático russo Kolmogorov e ocorreu no
inı́cio do Século XX.
Independentemente da interpretação de pro-

babilidade adotada, a probabilidade é uma fun-
ção P (.) que mede chances de eventos. A
função probabilidade está definida na coleção
de eventos e assume valores entre 0 e 1, sa-
tisfazendo os seguintes axiomas:
A1 : P (A) ≥ 0 para todo evento A na coleção

de eventos. A probabilidade de um evento
qualquer é sempre um número não-negativo.
A2 : P (Ω) = 1. A probabilidade do evento

certo é igual a 1.
A3 : Se A ∩ B = ∅, então P (A ∪ B) = P (A) + P (B).

Se os eventos A e B são disjuntos, então a probabilidade
da união dos dois (de pelo menos um deles ocorrer) é a
soma de suas probabilidades.
19
Propriedades da probabilidade
A partir dos axiomas, diversas propriedades da

probabilidade podem ser deduzidas.
P 1 : P (∅) = 0
P 2 : Se A ⊂ B, então P (A) ≤ P (B).
P 3 : 0 ≤ P (A) ≤ 1, para todo evento A.
P 4 : Propriedade do evento complementar de

A: Ac
Ac = Ω \ A = {ω ∈ Ω|ω 6∈ A}
P (Ac) = 1 − P (A)
20
Eventos União e Interseção de dois eventos
Considere um experimento aleatório e sejam

A e B dois eventos associados a esse experi-
mento.
O evento união de A e B, denotado por
A ∪ B, corresponde ao evento “ocorrência de

pelo menos um dos dois A ou B”
O evento interseção de A e B, denotado por

A ∩ B, corresponde ao evento “ocorrência si-
multânea de A e B”.
21
Esses dois eventos, chamados de eventos com-
postos, pois são obtidos por meio de operações
entre dois ou mais eventos, são diferentes. En-
quanto o evento união de A e B representa a
ocorrência de pelo menos um, o que significa
que poderá ter ocorrido somente A, somente
B ou os dois simultaneamente; o evento in-
terseção corresponde a ocorrência dos dois si-
multaneamente.
Observe que como A ∩ B ⊂ A ∪ B segue que
P (A ∩ B) ≤ P (A ∪ B).
A igualdade é possı́vel? Sob que condição?

22
Veremos a seguir uma propriedade útil para
calcular a probabilidade da união de dois even-
tos.
P 5 : P (A ∪ B) = P (A) + P (B) − P (A ∩ B).
Um caso particular ocorre quando A ∩ B = ∅,

pois nesse caso P (A ∩ B) = 0 e
P (A ∪ B) = P (A) + P (B) Axioma 3
Mas lembre-se que essa última equação só vale

se a interseção entre os eventos A e B for
vazia.
23
Exercı́cios recomendados até agora do Capı́tulo
5: 1 ao 14.
24
Turma: IGA
Perı́odo: 2018/2
Aula Teórica #02 de Probabilidade: 28/09/2018
25
Serão trabalhados nessa segunda aula de 28/09/2018:
- o conceito de probabilidade condicional,
- a regra da multiplicação, resultante da de-

finição de probabilidade condicional,
- uma ferramenta simples, a árvore de pro-

babilidade, muito útil para resolver problemas
de cálculo de probabilidades de eventos com-
postos,
- o conceito de eventos independentes e
- o Teorema de Bayes, que pode ser chamado

de uma fórmula de atualização de probabili-
dades, no contexto da Inferência Bayesiana.
26
Probabilidade Condicional
Suponha que num dado problema de mode-

lagem probabilı́stica, embora você não conheça
o resultado do fenômeno sob estudo, seja pos-
sı́vel ter informações acerca do resultado. Por
exemplo, ao lançar um dado, embora o valor
da face obtida seja desconhecido, você receba
a informação de que esse valor é um número
ı́mpar.
Como ficam as probabilidades associadas a um

evento de interesse nesse caso? Suponha por
exemplo que o evento de interesse seja obter
face “6”.
Dado que nós temos informações sobre o re-

sultado faz sentido atualizarmos as nossas in-
certezas a cerca do evento de interesse.
27
Probabilidade Condicional: Definição
A probabilidade condicional de ocorrer um e-

vento A, dado que sabemos que ocorreu um
evento B, P (B) > 0 é definida por
P (A ∩ B)
P (A|B) = .
P (B)
Essa definição é útil para designar uma forma

de obter probabilidades de eventos interseção
de dois eventos, a saber,
P (A ∩ B) = P (A|B) × P (B)
→ regra da multiplicação ←
28
Exemplo 1: Num grupo de 20 funcionários
de um departamento, 15 votam no candidato
a diretor “A” e 5 votam no outro candidato,
“B”. Duas pessoas desse departamento serão
sorteadas ao acaso, e sem reposição, de modo
a formar uma comissão de representantes do
departamento. Pede-se calcular a probabil-
idade de que ambos votem no mesmo can-
didato.
Solução: Vamos chamar de evento Ai o evento

‘oa i-ésimo funcionário sorteado vota no can-
didato A”, i = 1, 2, pois são apenas dois sorteios.
O evento desejado, vamos chamar de evento

E, ambos votam no mesmo candidato, é um
evento composto:
ou
∩ A2)} ∪ (Ac1 ∩ Ac2)
z}|{
E = |(A1 {z
| {z }
ambos em A ambos em B
29
Como A1 ∩ A2 e Ac1 ∩ Ac2 são disjuntos, segue
que P (E) = P (A1 ∩ A2) + P (Ac1 ∩ Ac2).
Usando a regra da multiplicação temos
P (A1 ∩ A2) =
prob. seg. votar em A se prim. vota em A

z }| {
= P (A )
| {z 1 }
× P (A2|A1)
prob. prim. votar em A
15 14 21
= × =
20 19 38
Observe que P (A2|A1) = 14

19 , pois dado que já
foi sorteada um que vota em A, restam 14 que
votam em A num total de 19 pessoas.
5 4 2
P (Ac1∩Ac2) = P (Ac1)×P (Ac2|Ac1) = × =
20 19 38
30
Observe que P (Ac2|Ac1) = 19
foi sorteado um que vota em B, restam 4 que
votam em B num total de 19 pessoas.
Logo,
21 2 23
P (E) = + = ' 0, 605
38 38 38
Árvore de Probabilidades
31
Observe que no exemplo anterior os sorteios
foram realizados sem reposição de tal modo
que ao sortearmos a segunda pessoa o uni-
verso passou a ser de 19 funcionários, pois o
primeiro funcionário sorteado não estava entre
as possibilidades do segundo sorteio.
Como fica a solução do mesmo problema se

agora o sorteio é feito com reposição?
Suponha agora que existem dois prêmios a se-

rem distribuı́dos ao acaso e sem restrições de
tal maneira que o primeiro sorteado também
possa receber o segundo prêmio.
Calcule a probabilidade de que os prêmios te-

nham sido recebidos por pessoas que votam
no mesmo candidato: apenas funcionários que
votam em A foram premiados ou apenas fun-
cionários que votam em B foram premiados.
32
15 = 3 e 5 = 1 .
20 4 20 4
2 2
3 1 5
P (E) = + = = 0, 625
4 4 8
Podemos ver que as respostas são ligeiramente diferentes. Um
resultado útil é que quando o tamanho da população amostrada
tende a ser muito maior que o tamanho da amostra, as diferenças
nas probabilidades resultantes passam a ser desprezı́veis tal que as
probabilidaddes no sorteio sem reposição podem ser aproximadas
pelas probabilidades, mais simples, do sorteio com reposição.
33
Eventos independentes
Dizemos que os eventos A e B são indepen-

dentes, se a ocorrência de um deles, por exem-
plo de B, não interfere no nosso conhecimento
sobre a incerteza do outro (nesse caso A).
A e B são eventos independentes se
P (A|B) = P (A).
Nesse caso, observe que vale a seguinte pro-

priedade
P (A ∩ B) = P (A) × P (B),
para A e B eventos independentes.
Cuidado: essa última expressão não é uma re-

gra geral. É uma propriedade que vale para
eventos independentes.
34
Voltando ao exemplo anterior observe que os
eventos A1 e A2 não são independentes no caso
do sorteio sem reposição, pois
P (A1 ∩ A2) 6= P (A1)P (A2).
De fato, P (A1 ∩ A2) = 21

38 e
P (A1) = P (A2) = 15
20 tal que P (A 1 )P (A 2 ) = 9
16
No entanto, no caso do sorteio com reposição,

podemos verificar que os eventos A1 e A2 são
independentes, pois vale
P (A1{z∩ A2)} = P
|
(A ) P (A ).
| {z 1 } | {z 2 }
9 3 3
16 4 4
35
Um propriedade importante para eventos inde-
pendentes é a seguinte.
Se A e B são eventos independentes, então,
1. A e B c são eventos independentes;
2. Ac e B são eventos independentes;
3. Ac e B c são eventos independentes.
36
Eventos independentes versus Eventos disjun-
tos
Cuidado: É comum ocorrer confusão com o

que chamamos em probabilidade de eventos
independentes com eventos disjuntos.
São situações bem diferentes.
Se dois eventos A e B são disjuntos com
P (A) > 0 e P (B) > 0, então A e B NÃO po-

dem ser independentes!
Por que?
Lembre: dois eventos são independentes em

probabilidade se a ocorrência de um não inter-
fere na probabilidade de ocorrência do outro.
37
Lei dos Grandes Números (Bernoulli-século XVIII)
À medida que um experimento é repetido mui-

tas vezes, a probabilidade dada pela frequência
relativa de um evento tende a se aproximar da
verdadeira probabilidade desse evento.
A lei dos grandes números nos diz que as esti-

mativas de probabilidades dadas pelas frequên-
cias relativas tendem a ficar melhores com mais
observações: uma estimativa de probabilidade
baseada em poucas tentativas pode estar bem
afastada do verdadeiro valor da probabilidade,
mas com um número maior de tentativas, a
estimativa tende a ser mais precisa.
Uma pesquisa de opinião sobre a preferência pela marca
X de sabão em pó com apenas 12 donas de casa esco-
lhidas ao acaso pode facilmente resultar em estimativas
muito afastadas da verdadeira proporção de donas de
casa que preferem a marca X. No entanto, se entrevis-
tarmos 1200 donas de casa escolhidas ao acaso, nossa
estimativa deverá estar mais próxima da verdadeira pro-
porção. Veremos adiante como dimensionar o tamanho
da amostra, especificando margem de erro aceitável e
nı́vel de confiança.
38
Teorema de Bayes
Da definição de probabilidade condicional, temos

que P (A|B) = P P (A∩B)
(B)
.
Da regra da multiplicação, podemos escrever

P (A ∩ B) = P (A).P (B|A).
Assim, juntando essas duas relações, temos

uma versão simplificada do Teorema de Bayes,
a saber,
P (A).P (B|A)
P (A|B) =
P (B)
39
Partição do Espaço Amostral
É uma coleção de eventos A1, A2, ..., An tais

que
Ai ∩ Aj = ∅ (vazio) sempre que i 6= j e
A1 ∪ A2 ∪ ... ∪ An = Ω
40
Considere uma partição A1, A2, ..., An de Ω e
seja B um evento qualquer B ⊂ Ω.
Observe que podemos escrever
B = (A1 ∩ B) ∪ (A2 ∩ B) ∪ ... ∪ (An ∩ B)
e
P (B) = P (A1 )P (B|A1 )+P (A2 )P (B|A2 )+...+P (An )P (B|An )
41
Teorema de Bayes
Sejam A1, A2, ..., An partição de Ω e B ⊂ Ω.

Então
P (Ak ∩B)
z }| {
P (Ak ).P (B|Ak )
P (Ak |B) = n k = 1, 2, ...n
X
P (Ai).P (B|Ai)
i=1
| {z }
P (B)
42
Exemplo 2: Para selecionar seus funcionários,
uma empresa oferece aos seus candidatos um
curso de treinamento durante uma semana.
No final do curso, eles são submetidos a uma
prova e
25% são classificados como bons (B),
50% como médios (M ) e,
os restantes 25% como fracos (F ).
Para facilitar a seleção, a empresa pretende

substituir o treinamento por um teste contendo
questões referentes a conhecimentos gerais e
especı́ficos. Para isso, gostaria de conhecer
qual a probabilidade de um indivı́duo aprovado
no teste ser considerado fraco, caso fizesse o
curso.
43
Assim, neste ano, antes do inı́cio do curso,
os candidatos foram submetidos ao teste e re-
ceberam o conceito A (aprovado) ou R (re-
provado).
No final do curso obtiveram-se as seguintes

probabilidades condicionais:
P (A|B) = 0, 80
P (A|M ) = 0, 50
P (A|F ) = 0, 20
Deseja-se calcular a probabilidade do candidato

ser classificado como fraco, dado que foi apro-
vado no teste, a saber, P (F |A).
Observe que o ideal é que essa probabilidade

seja pequena, pois caso contrário a mudança
não será boa.
44
Observe que B, M e F formam uma partição
do espaço amostral com
P (B) = 0, 25, P (M ) = 0, 50 e P (F ) = 0, 25.
Usando a fórmula de Bayes temos
P (F ).P (A|F )
P (F |A) =
P (B).P (A|B) + P (M ).P (A|M ) + P (F ).P (A|F )
0, 25 × 0, 20
= = 0, 10
0, 25 × 0, 80 + 0, 50 × 0, 50 + 0, 25 × 0, 20
Portanto, apenas 10% dos aprovados é que seriam clas-

sificados como fracos durante o curso.
45
Podemos também calcular P (B|A) = 0, 40 e
P (M |A) = 0, 50.
Essas probabilidades revisadas podem fornecer

subsı́dios para ajudar na decisão de substituir
o treinamento pelo teste.
Observe que nesse particular exemplo, vemos

que a probabilidade condicional de ser clas-
sificado como médio dado que foi aprovado
no teste é a mesma de ser classificado como
médio se não aplicarmos o teste. No entanto,
também vemos que a probabilidade de ser clas-
sificado como bom dado que foi aprovado no
teste (0,40) é maior do que a probabilidade de
ser classificado como bom sem o teste (0,25).
46
Exercı́cios sugeridos do capı́tulo 5 (lista atual-
izada):
1 a 18, 21, 23, 24, 26 a 40.
47
48
Turma: IGA
Perı́odo: 2017/2
Aula Teórica #02 de Probabilidade: 02/10/2017
49
Na aula de hoje veremos
- o conceito de probabilidade condicional,
- a regra da multiplicação, resultante da de-

finição de probabilidade condicional,
- uma ferramenta simples, a árvore de pro-

babilidade, muito útil para resolver problemas
de cálculo de probabilidades de eventos com-
postos,
- o conceito de eventos independentes e
- o Teorema de Bayes, que pode ser chamado

de uma fórmula de atualização de probabili-
dades, no contexto da Inferência Bayesiana.
50
Probabilidade Condicional
Suponha que num dado problema de mode-

lagem probabilı́stica, embora você não conheça
o resultado do fenômeno sob estudo, seja pos-
sı́vel ter informações acerca do resultado. Por
exemplo, ao lançar um dado, embora o valor
da face obtida seja desconhecido, você receba
a informação de que esse valor é um número
ı́mpar.
Como ficam as probabilidades associadas a um

evento de interesse nesse caso? Suponha por
exemplo que o evento de interesse seja obter
face “6”.
Dado que nós temos informações sobre o re-

sultado faz sentido atualizarmos as nossas in-
certezas a cerca do evento de interesse.
51
Probabilidade Condicional: Definição
A probabilidade condicional de ocorrer um e-

vento A, dado que sabemos que ocorreu um
evento B, P (B) > 0 é definida por
P (A ∩ B)
P (A|B) = .
P (B)
Essa definição é útil para designar uma forma

de obter probabilidades de eventos interseção
de dois eventos, a saber,
P (A ∩ B) = P (A|B) × P (B)
→ regra da multiplicação ←
52
Exemplo 1: Num grupo de 20 funcionários
de um departamento, 15 votam no candidato
a diretor “A” e 5 votam no outro candidato,
“B”. Duas pessoas desse departamento serão
sorteadas ao acaso, e sem reposição, de modo
a formar uma comissão de representantes do
departamento. Pede-se calcular a probabil-
idade de que ambos votem no mesmo can-
didato.
Solução: Vamos chamar de evento Ai o evento

‘oa i-ésimo funcionário sorteado vota no can-
didato A”, i = 1, 2, pois são apenas dois sorteios.
O evento desejado, vamos chamar de evento

E, ambos votam no mesmo candidato, é um
evento composto:
ou
∩ A2)} ∪ (Ac1 ∩ Ac2)
z}|{
E = |(A1 {z
| {z }
ambos em A ambos em B
53
Como A1 ∩ A2 e Ac1 ∩ Ac2 são disjuntos, segue
que P (E) = P (A1 ∩ A2) + P (Ac1 ∩ Ac2).
Usando a regra da multiplicação temos
P (A1 ∩ A2) =
prob. seg. votar em A se prim. vota em A

z }| {
= P (A )
| {z 1 }
× P (A2|A1)
prob. prim. votar em A
15 14 21
= × =
20 19 38
Observe que P (A2|A1) = 14

foi sorteada um que vota em A, restam 14 que
votam em A num total de 19 pessoas.
5 4 2
P (Ac1∩Ac2) = P (Ac1)×P (Ac2|Ac1) = × =
20 19 38
54
Observe que P (Ac2|Ac1) = 19
foi sorteado um que vota em B, restam 4 que
votam em B num total de 19 pessoas.
Logo,
21 2 23
P (E) = + = ' 0, 605
38 38 38
55
Observe que no exemplo anterior os sorteios
foram realizados sem reposição de tal modo
que ao sortearmos a segunda pessoa o uni-
verso passou a ser de 19 funcionários, pois o
primeiro funcionário sorteado não estava entre
as possibilidades do segundo sorteio.
Como fica a solução do mesmo problema se

agora o sorteio é feito com reposição?
Suponha agora que existem dois prêmios a se-

rem distribuı́dos ao acaso e sem restrições de
tal maneira que o primeiro sorteado também
possa receber o segundo prêmio.
Calcule a probabilidade de que os prêmios te-

nham sido recebidos por pessoas que votam
no mesmo candidato: apenas funcionários que
votam em A foram premiados ou apenas fun-
cionários que votam em B foram premiados.
56
15 = 3 e 5 = 1 .
20 4 20 4
2 2
3 1 5
P (E) = + = = 0, 625
4 4 8
Podemos ver que as respostas são ligeiramente diferentes. Um
resultado útil é que quando o tamanho da população amostrada
tende a ser muito maior que o tamanho da amostra, as diferenças
nas probabilidades resultantes passam a ser desprezı́veis tal que as
probabilidaddes no sorteio sem reposição podem ser aproximadas
pelas probabilidades, mais simples, do sorteio com reposição.
57
Eventos independentes
Dizemos que os eventos A e B são indepen-

dentes, se a ocorrência de um deles, por exem-
plo de B, não interfere no nosso conhecimento
sobre a incerteza do outro (nesse caso A).
A e B são eventos independentes se
P (A|B) = P (A).
Nesse caso, observe que vale a seguinte pro-

priedade
P (A ∩ B) = P (A) × P (B),
para A e B eventos independentes.
Cuidado: essa última expressão não é uma re-

gra geral. É uma propriedade que vale para
eventos independentes.
58
Voltando ao exemplo anterior observe que os
eventos A1 e A2 não são independentes no caso
do sorteio sem reposição, pois
P (A1 ∩ A2) 6= P (A1)P (A2).
De fato, P (A1 ∩ A2) = 21

38 e
P (A1) = P (A2) = 15
20 tal que P (A 1 )P (A 2 ) = 9
16
No entanto, no caso do sorteio com reposição,

podemos verificar que os eventos A1 e A2 são
independentes, pois vale
P (A1{z∩ A2)} = P
|
(A ) P (A ).
| {z 1 } | {z 2 }
9 3 3
16 4 4
59
Um propriedade importante para eventos inde-
pendentes é a seguinte.
Se A e B são eventos independentes, então,
1. A e B c são eventos independentes;
2. Ac e B são eventos independentes;
3. Ac e B c são eventos independentes.
60
Eventos independentes versus Eventos disjun-
tos
Cuidado: É comum ocorrer confusão com o

que chamamos em probabilidade de eventos
independentes com eventos disjuntos.
São situações bem diferentes.
Se dois eventos A e B são disjuntos com
P (A) > 0 e P (B) > 0, então A e B NÃO po-

dem ser independentes!
Por que?
Lembre: dois eventos são independentes em

probabilidade se a ocorrência de um não inter-
fere na probabilidade de ocorrência do outro.
61
Lei dos Grandes Números (Bernoulli-século XVIII)
À medida que um experimento é repetido mui-

tas vezes, a probabilidade dada pela frequência
relativa de um evento tende a se aproximar da
verdadeira probabilidade desse evento.
A lei dos grandes números nos diz que as esti-

mativas de probabilidades dadas pelas frequên-
cias relativas tendem a ficar melhores com mais
observações: uma estimativa de probabilidade
baseada em poucas tentativas pode estar bem
afastada do verdadeiro valor da probabilidade,
mas com um número maior de tentativas, a
estimativa tende a ser mais precisa.
Uma pesquisa de opinião sobre a preferência pela marca
X de sabão em pó com apenas 12 donas de casa esco-
lhidas ao acaso pode facilmente resultar em estimativas
muito afastadas da verdadeira proporção de donas de
casa que preferem a marca X. No entanto, se entrevis-
tarmos 1200 donas de casa escolhidas ao acaso, nossa
estimativa deverá estar mais próxima da verdadeira pro-
porção. Veremos adiante como dimensionar o tamanho
da amostra, especificando margem de erro aceitável e
nı́vel de confiança.
62
Teorema de Bayes
Da definição de probabilidade condicional, temos

que P (A|B) = P P (A∩B)
(B)
.
Da regra da multiplicação, podemos escrever

P (A ∩ B) = P (A).P (B|A).
Assim, juntando essas duas relações, temos

uma versão simplificada do Teorema de Bayes,
a saber,
P (A).P (B|A)
P (A|B) =
P (B)
63
Partição do Espaço Amostral
É uma coleção de eventos A1, A2, ..., An tais

que
Ai ∩ Aj = ∅ (vazio) sempre que i 6= j e
A1 ∪ A2 ∪ ... ∪ An = Ω
64
Considere uma partição A1, A2, ..., An de Ω e
seja B um evento qualquer B ⊂ Ω.
Observe que podemos escrever
B = (A1 ∩ B) ∪ (A2 ∩ B) ∪ ... ∪ (An ∩ B)
e
P (B) = P (A1 )P (B|A1 )+P (A2 )P (B|A2 )+...+P (An )P (B|An )
65
Teorema de Bayes
Sejam A1, A2, ..., An partição de Ω e B ⊂ Ω.

Então
P (Ak ∩B)
z }| {
P (Ak ).P (B|Ak )
P (Ak |B) = n k = 1, 2, ...n
X
P (Ai).P (B|Ai)
i=1
| {z }
P (B)
66
Exemplo 2: Para selecionar seus funcionários,
uma empresa oferece aos seus candidatos um
curso de treinamento durante uma semana.
No final do curso, eles são submetidos a uma
prova e
25% são classificados como bons (B),
50% como médios (M ) e,
os restantes 25% como fracos (F ).
Para facilitar a seleção, a empresa pretende

substituir o treinamento por um teste contendo
questões referentes a conhecimentos gerais e
especı́ficos. Para isso, gostaria de conhecer
qual a probabilidade de um indivı́duo aprovado
no teste ser considerado fraco, caso fizesse o
curso.
67
Assim, neste ano, antes do inı́cio do curso,
os candidatos foram submetidos ao teste e re-
ceberam o conceito A (aprovado) ou R (re-
provado).
No final do curso obtiveram-se as seguintes

probabilidades condicionais:
P (A|B) = 0, 80
P (A|M ) = 0, 50
P (A|F ) = 0, 20
Deseja-se calcular a probabilidade do candidato

ser classificado como fraco, dado que foi apro-
vado no teste, a saber, P (F |A).
Observe que o ideal é que essa probabilidade

seja pequena, pois caso contrário a mudança
não será boa.
68
Observe que B, M e F formam uma partição
do espaço amostral com
P (B) = 0, 25, P (M ) = 0, 50 e P (F ) = 0, 25.
Usando a fórmula de Bayes temos
P (F ).P (A|F )
P (F |A) =
P (B).P (A|B) + P (M ).P (A|M ) + P (F ).P (A|F )
0, 25 × 0, 20
= = 0, 10
0, 25 × 0, 80 + 0, 50 × 0, 50 + 0, 25 × 0, 20
Portanto, apenas 10% dos aprovados é que seriam clas-

sificados como fracos durante o curso.
69
Podemos também calcular P (B|A) = 0, 40 e
P (M |A) = 0, 50.
Essas probabilidades revisadas podem fornecer

subsı́dios para ajudar na decisão de substituir
o treinamento pelo teste.
Observe que nesse particular exemplo, vemos

que a probabilidade condicional de ser clas-
sificado como médio dado que foi aprovado
no teste é a mesma de ser classificado como
médio se não aplicarmos o teste. No entanto,
também vemos que a probabilidade de ser clas-
sificado como bom dado que foi aprovado no
teste (0,40) é maior do que a probabilidade de
ser classificado como bom sem o teste (0,25).
70
Exercı́cios sugeridos do capı́tulo 5 (lista atua-
lizada):
1 a 18, 21, 23, 24, 26 a 40.
71
72

Aula0102 Probabilidade

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

Aula0102 Probabilidade

Enviado por

Direitos autorais:

Formatos disponíveis

Estatı́stica (MAD231)

Aula #01 de Probabilidade: 28/09/2018

Os jornais informaram que há uma chance de

O noticiário da TV informou que a partir do

Os conceitos de probabilidade, esperança (valor

Já vimos como analisar um conjunto de dados

O resultado da análise nos permite ter uma boa

Em particular, a distribuição de frequências

As frequências relativas observadas podem ser

Tais modelos devem

1. identificar o conjunto de resultados possı́-

2. designar chances de ocorrrência - probabi-

Na primeira aula de hoje

- discutiremos conceitos relacionados à incerteza,

- apresentaremos uma definição matemática

- estudaremos algumas propriedades fundamen-

Escrevemos A ⊂ Ω para dizer que o evento A

Evento impossı́vel: é o conjunto vazio (∅).

Evento certo: é o espaço amostral (Ω). Esse

Para o evento impossı́vel designamos uma pro-

Vamos começar a discussão com um exem-

Por outro lado podemos desconfiar da hones-

Veja nos gráficos a seguir simulações desse

Baseia-se em espaços amostrais finitos e equi-

Problemas com esta interpretação:

Nem todos os espaços amostrais são finitos.

Há espaços amostrais finitos que não são equi-

Baseia-se na ideia de probabilidade (equipro-

Essa interpretação no entanto é muito útil em

Uma roleta tem 38 fendas, das quais somente

Para avaliar a probabilidade de um determi-

No exemplo “Cara ou Coroa?”, o gráfico com

Não define com clareza o que é um grande

Nem todo fenômeno aleatório pode ser obser-

Exemplo: Calcule a probabilidade de que uma

O espaço amostral, considerando a observação

Suponha que uma pesquisa observou que en-

Assim, atribuı́mos 0,833 como a probabilidade

A interpretação frequentista de probabilidade

O ingrediente básico quando se designam pro-

Problemas com essa interpretação: Pesquisa-

Exemplo: Qual é a probabilidade de que seu

Na ausência de dados históricos sobre meteo-

{colidir, não colidir},

mas eles não são igualmente prováveis de modo

Sabemos que a probabilidade em questão é

Esta estimativa subjetiva está baseada em nosso

A Axiomatização da Probabilidade é devida ao

Independentemente da interpretação de pro-

A1 : P (A) ≥ 0 para todo evento A na coleção

A2 : P (Ω) = 1. A probabilidade do evento

A3 : Se A ∩ B = ∅, então P (A ∪ B) = P (A) + P (B).

A partir dos axiomas, diversas propriedades da

P 2 : Se A ⊂ B, então P (A) ≤ P (B).

P 3 : 0 ≤ P (A) ≤ 1, para todo evento A.

P 4 : Propriedade do evento complementar de

Considere um experimento aleatório e sejam

O evento união de A e B, denotado por

A ∪ B, corresponde ao evento “ocorrência de

O evento interseção de A e B, denotado por

Observe que como A ∩ B ⊂ A ∪ B segue que

A igualdade é possı́vel? Sob que condição?

P 5 : P (A ∪ B) = P (A) + P (B) − P (A ∩ B).