Introdução à Teoria de

Probabilidades
Curso:
Nível: 3º Ano
Ano académico: 2020
I – Operações com conjuntos (1)
• União
• Símbolo: ∪
• Sejam 𝐴, 𝐵 ∈ 𝑆
• 𝐴 ∪ 𝐵 = {∀𝑥 ∈ 𝑆: 𝑥 ∈ 𝐴 ∨ 𝑥 ∈ 𝐵}
• Exemplo:
• 𝑆 = {1,2,3,4,5,6}
• 𝐴 = {1,3,5}
• 𝐵 = 4,5,6
• ⇒ 𝐴 ∪ 𝐵 = {1,3,4,5,6}
I – Operações com conjuntos (2)
• Intersecção
• Símbolo: ∩
• Sejam 𝐴, 𝐵 ∈ 𝑆
• 𝐴 ∩ 𝐵 = {∀𝑥 ∈ 𝑆: 𝑥 ∈ 𝐴 ∧ 𝑥 ∈ 𝐵}
• Exemplo:
• 𝑆 = {1,2,3,4,5,6}
• 𝐴 = {1,3,5}
• 𝐵 = 4,5,6
• ⇒ 𝐴 ∩ 𝐵 = {5}
I – Operações com conjuntos (3)
• Diferença
• Símbolo: \ ou −
• Sejam 𝐴, 𝐵 ∈ 𝑆
• 𝐴\𝐵 = {∀𝑥 ∈ 𝑆: 𝑥 ∉ 𝐵}
• Exemplo:
• 𝑆 = {1,2,3,4,5,6}
• 𝐴 = {1,3,5}
• 𝐵 = 4,5,6
• ⇒ 𝐴\𝐵 = {1,3}
I – Operações com conjuntos (4)
• Complementar
• Símbolo: 𝐴𝑐 ou 𝑨 ഥ
• Seja: 𝐴 ∈ 𝑆
• 𝐴𝑐 = {∀𝑥 ∈ 𝑆: 𝑥 ∉ 𝐴}
• Exemplo:
• 𝑆 = {1,2,3,4,5,6}
• 𝐴 = {1,3,5}
• ⇒ 𝐴𝑐 = {2,4,6}
I – Operações com conjuntos (4.1)
• Complementar da união
• Sejam 𝐴, 𝐵 ∈ 𝑆
• 𝐴 ∪ 𝐵 = 𝐴ҧ ∩ 𝐵ത
• Exemplo:
• 𝑆 = {1,2,3,4,5,6}
• 𝐴 = {1,3,5}
• 𝐵 = 4,5,6
• ⇒ 𝐴 ∪ 𝐵 = {2}
I – Operações com conjuntos (4.2)
• Complementar da intersecção
• Sejam 𝐴, 𝐵 ∈ 𝑆
• 𝐴 ∩ 𝐵 = 𝑆\(𝐴 ∩ 𝐵) = 𝐴ҧ ∪ 𝐵ത
• Exemplo:
• 𝑆 = {1,2,3,4,5,6}
• 𝐴 = {1,3,5}
• 𝐵 = 4,5,6
• ⇒ 𝐴 ∩ 𝐵 = {1,2,3,4,6}
II – Técnicas de Contagem (1)
• Princípio fundamental de contagema (Aditivo)
• Para se ir de A à B pode-se usar uma das vias 3 vias (ex. Terra,
Mar, Ar)
• Optando-se pela via terrestre poder-se-á escolher de 2 possiveis
formas (Carro ou Comboio)
• Pelo Mar poder-se-á ter única opção (ex. Navio)
• Pelo Ar pode-se ir de 2 meios possíveis (ex. Avião ou Helicóptero)
• Quantas formas, no notal, há?
• Resp. 2+1+2=5
• Ou seja, no geral:
• Pode haver 𝒌 maneiras distintas, mutuamente exclusivas
• Podendo, cada uma das 𝒌, realizar-se de 𝒏𝒊 maneiras (𝒊 = 𝟏, ⋯ , 𝒌)
• Nestas condições, há 𝒏𝟏 + 𝒏𝟐 + ⋯ + 𝒏𝒌 maneiras distintas de realizar a
tarefa
II – Técnicas de Contagem (2)
• Princípio fundamental de contagem (Multiplicativo)
• Para um produto sair da machamba ao supermercado podem ser necessárias
3 etapas (transporte, processamento e Celagem);
• O transporte pode ser feito por um veículo motorizado ou por força humana (2
formas);
• O processocessamento por ser feito por pessoas ou máquinas;
• A celagem pode ser em plástico, papelão ou lata.
• De quantas formas ao supermercado?
• Resp. 𝟐 × 𝟐 × 𝟑 = 𝟏𝟐
• Ou seja, no geral
• A realização de uma tarefa pode compreender 𝒌 etapas
• Podendo, cada uma das 𝒌 etapas, haver 𝒏𝒊 maneiras (𝒊 = 𝟏, ⋯ , 𝒌) distintas de realizá-la
• Nestas condições, há 𝒏𝟏 × 𝒏𝟐 × ⋯ × 𝒏𝒌 maneiras distintas de realizar a tarefa
• Ou seja, no geral:
• A realização de uma tarefa pode compreender 𝒌 etapas
• Podendo, cada uma das 𝒌 etapas, haver 𝒏𝒊 maneiras (𝒊 = 𝟏, ⋯ , 𝒌) distintas de realizá-la
• Nestas condições, há 𝒏𝟏 × 𝒏𝟐 × ⋯ × 𝒏𝒌 maneiras distintas de realizar a tarefa
II – Técnicas de Contagem (3)
• Permutações simples
• De quantas formas diferentes podemos organizar as letras A, B,
C
• Há
• 3 possíves maneiras de posicionar a 1 letra (A, B ou C)
• 2 formas de posicionar a 2ª letra (se a 1ª for A, a 2ª é B ou C)
• 1 forma de escolher a última (tendo saído 2, só resta 1 p. 3ª posição)
• 𝟑 × 𝟐 × 𝟏 = 𝟔 maneiras distintas
• As permutações expressam o total de possibilidades de colocar
em ordem um conjunto inteiro de objectos distrintos
• Símbolo e fórmula: 𝑷𝒏 = 𝒏!
• 𝒏! = 𝒏 × 𝒏 − 𝟏 × ⋯ × 𝟐 × 𝟏
II – Técnicas de Contagem (4)
• Arranjos simples
• De quantas formas diferentes podemos organizar dois a dois, os
algarismos 1,2,3,4
• Há
• 4 possíves maneiras de posicionar o 1º algarismo (1, 2, 3 ou 4)
• 3 formas de posicionar o 2º algarismo (1 deles já está na 1ª posição)
• 𝟒 × 𝟑 = 𝟏𝟐 maneiras distintas
• As permutações expressam o total de possibilidades de colocar
em ordem um conjunto inteiro de objectos distrintos
𝒏!
• Símbolo e fórmula: 𝑨𝒏𝒑 = 𝒏−𝒑 !
II – Técnicas de Contagem (5)
• Combinações simples
• Quantos grupos de 2 estudantes podemos formar com os estudantes
A, B, C, D
𝟒!
• Se se tratasse de ordenamentos (arranjos) teríamos 𝟏𝟐 =
𝟒−𝟏𝟐 !
• O número anterior 12 resulta do tratamento dos elementos {A, B} e {B, C}
como distintos
• Por se tratar de agrupamentos de {A, B} e {B, C} são o mesmo e tomamos
apenas 1 deles
• Como se trata de agrupamentos de 𝟐 a 𝟐, dividimos os arranjos por 𝟐!
𝟏𝟐 𝟒!
• 𝟔= =
𝟐! 𝟒−𝟏𝟐 !⋅𝟐!
• No geral,
• Querendo criar agrupamentos de 𝒑 elementos, de um total de 𝒏, onde a ordem
de colocação não importa
𝒏!
• Usa-se a formula: 𝑪𝒏𝒑 =
𝒏−𝒑 !⋅𝒑!
II – Técnicas de Contagem (6.1)
• Permutações cíclicas
• Queremos organizar 4 elementos distintos em uma mesa
redonda
• Em condições normais teríamos 𝟒! = 𝟐𝟒
• Na situação anterior, a cada permutação efectivamente distinta contámo-
la 𝟒 𝒗𝒆𝒛𝒆𝒔, com resultado do fenómeno rotacional, por isso dividimos por o
𝟒!
resultado por 4 e obtemos = 𝟔
𝟒

• Ou seja,
• Queremos ordenar 𝒏 elementos distintos em uma mesa redonda
𝒏!
• Fórmula: 𝑷𝒄𝒏 =
𝒏
II – Técnicas de Contagem (6.2)
• Permutações com repetição
• Queremos organizar as letras da palavra MISSISSIPPI de tal
forma que tenhamos palavras todas diferentes, com ou sem
significado
• Em condições normais teríamos 𝟏𝟎!
• No caso, há 4 S´s que ao permutarem nada se notará.
• O mesmo ocorre com os I´s e os P´s.
𝟏𝟎!
• Por isto o número de palavras distintas é dado por 𝑷𝑹𝟏𝟎
𝟑,𝟒,𝟐 = 𝟑!⋅𝟒!⋅𝟐!
• Ou seja,
• Queremos ordenar 𝒏 elementos alguns se repetem 𝒏𝟏 , 𝒏𝟐 , ⋯e 𝒏𝒌 vezes,
respectivamente
𝒏!
• Fórmula: 𝑷𝑹𝒏`𝒏𝟏 ,𝒏𝟐 ,⋯𝒏𝒌 =
𝒏𝟏 !⋅𝒏𝟐 !⋯𝒏𝒌 !
II – Técnicas de Contagem (7)
• Arranjos com reposição
• Se atirarmos 1 moeda, 3 vezes, quantos possíveis resultados
teremos?
• A moeda tem 𝟐 faces {𝑪, 𝑲}
• Na primeira atirada, teremos 2 possíveis resultados
• Na segunda atirada, teremos 2 possíveis resultados
• Na terceira atirada, teremos 2 possíveis resultados
• Então, há 2 × 2 × 2 = 23 = 8 resultados possíveis
• Em geral,
• Querendo retirar p objectos de n diferentes, numa situação em que admiti-
se reposição, ou seja que se admitido que o mesmo objecto possa retirado
em cada execução do experimento,
• Para o número total de resultado, usamos a fórmula: 𝑨𝑹𝒏𝒑 = 𝒏𝒑
II – Técnicas de Contagem (8)
• Combinações com repetição
• Exemplo
• Perg.
• Como servir 4 salgados, sabendo que
• há 2 tipos deles (chamussas e rissóis)
• chamussas e risóis
• Resp.
• As possíveis combinações são:
• Há 5 formas: 𝟓 = 𝑪𝟓𝟓 = 𝑪𝟐+𝟒−𝟏
𝟒
• Em geral,
• Queremos
• Contar o número de maneiras de agrupar p objectos
• Sabendo que há n tipos objectos infinitamente repetidos
• Podendo agrupar-se objectos do mesmo tipo ou não
• Fórmula
𝒏+𝒑−𝟏 𝒏+𝒑−𝟏 !
• 𝑪𝒓𝒆𝒑𝒏𝒑 = 𝑪𝒑 =
𝒏−𝟏 ⋅𝒑!
II – Probabilidades (1)
• Experimento aleatório
• Prova na qual não de pode prever o resuldado com exactatidão
• Lançamento de uma moeda e observar o resuldado da face virada p/ cima
• Observar o número de clientes que entram banco num período T
• Observar a quantidade de carros que passam numa portagem no períod. T
• Retirada de p bola de uma urna com n bolas enumeradas de 1 à n.
• Podem ser
• Finitos (ex. um, dois ou n lançamento de um dado)
• Infinitos
• Numeráveis (ex. lançamento de uma moeda até que saiam n caras)
• Não numeráveis (ex. tempo que decorre até que entrem n clientes numa loja)
• Ao conjunto de todos resultados possíveis de um experimento
aleatório designa-se ESPAÇO AMOSTRAL (𝑆 𝑜𝑢 Ω)
II – Probabilidades (2)
• Espaço amostral
• Conjunto de todos resultados possíveis de um experimento aleatório
• Exemplos de espaços amostrais associados ao experimentos:
• Um lançamento de um dado
• 𝑆 = {1,2,3,4,5,6}
• Dois lançamentos de uma moeda
• 𝑆 = {𝐶𝐶, 𝐶𝐾, 𝐾𝐶, 𝐾𝐾}
• Número de clientes que entram banco num período T
• 𝑆 = {1,2,3,4,5, ⋯ }
• Retirada, de única vez, de 3 bola de uma urna contendo bolas azuis e
vermelhas
• 𝑆 = {𝐴𝐴𝐴, 𝐴𝐴𝑉, 𝐴𝑉𝑉, 𝑉𝑉𝑉}
• Lançamento de uma moeda até que saim 2 caras
• 𝑆 = {𝐶𝐶, 𝐶𝐾𝐶, 𝐾𝐶𝐶, 𝐾𝐾𝐶𝐶. 𝐾𝐾𝐾𝐶𝐶, 𝐶𝐾𝐾𝐾𝐶, ⋯ }
• Tempo decorrido até a entranda de 10 clientes numa loja, em um dia.
• 𝑆 = [0 𝑚𝑖𝑛; 480 𝑚𝑖𝑛[
II – Probabilidades (4)
• Acontecimento ou Evento
• Qualquer subconjunto de um espaço amostral
• Saída de uma cara em dois lançamentos de uma moeda
• 𝐴 = {𝐶𝐾, 𝐾𝐾}
• Saída de pelo menos uma cara no lançamento de uma moeda
• 𝑆 = {𝐶𝐶, 𝐶𝐾, 𝐾𝐶}
• Saída de um número par no lançamento de um dado
• 𝑆 = {2,4,6}
• Saída de números cuja soma é 4 no lançamento de dois dados
• 𝑆 = {13,22,31}
• Os acontecimentos são conjuntos, portanto, sobre eles podem
ser executadas todas as operações com conjuntos antes vistas.
II – Probabilidades (5.1)
• Definição
• Definição clássica (probabilidade a priori)
• Se 𝐴 é evento de 𝑆 (não vazio)
• 𝑛(𝐴) – número de casos favoráveis à A
• 𝑛(𝑆) – número de casos possíveis do espaço S
𝒏 𝑨
• 𝑷 𝑨 =
𝒏 𝑺
• Exemplo
• 𝑆 – espaço do “lançamento de um dado não viciado”
• 𝐴 – evento “saída de número par”
𝒏 𝑨 𝟑 𝟏
• 𝑷 𝑨 = = =
𝒏 𝑺 𝟔 𝟐
• Definição teórica ou matemática (probabilidade a posteriori)
II – Probabilidades (5.2)
• Definição
• Definição teórica ou matemática (probabilidade a posteriori)
• Se 𝐴 é evento resultante de uma execução de um experimento aleatório
• Ex. A – saída de cara em um lançamento de uma moeda
• 𝑛(𝐴) ou 𝑓(𝐴) – número de vezes que o evento 𝐴 aparece em 𝑛 execuções do
experimento
𝒏 𝑨 𝒇 𝑨
• 𝑷 𝑨 = 𝒍𝒊𝒎𝒙→+∞ ou 𝑷 𝑨 = lim
𝒏 𝒙→+∞ 𝒏
II – Probabilidades (6)
• Axiomas
• Seja:
• 𝑆 − 𝑒𝑠𝑝𝑎ç𝑜 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑙 𝑑𝑒 𝑢𝑚 𝑒𝑥𝑝𝑒𝑟𝑖𝑚𝑒𝑛𝑡𝑜 𝑎𝑙𝑒𝑎𝑡ó𝑟𝑖𝑜
• ∅, 𝐴, 𝐴𝑖 ⊂ 𝑆, 𝑖 = 1,2, ⋯ , 𝑛
1. 𝑃 ∅ =0
2. 0≤𝑃 𝐴 ≤1
3. 𝑃 𝑆 =1
4. 𝑆𝑒 𝐴𝑖 ∩ 𝐴𝑗 = ∅, ∀𝑖≠𝑗 ⇒ 𝑃 ‫=𝑖𝑛ڂ‬1 𝐴𝑖 = σ𝑛𝑖=1 𝑃(𝐴𝑖 )
II – Probabilidades (7)
• Propriedades
• 𝑃 𝐴ҧ = 1 − 𝑃 𝐴

• 𝑃 𝐴 ∪ 𝐵 = 𝑃 𝐴 + 𝑃 𝐵 − 𝑃(𝐴 ∩ 𝐵)

• 𝑃 𝐴 ∩ 𝐵 = 𝑃 𝐴 + 𝑃 𝐵 − 𝑃(𝐴 ∪ 𝐵)

• 𝑃 𝐴\B = 𝑃 𝐴 − 𝑃(𝐴 ∩ 𝐵)

• 𝐴 ⊆ 𝐵 ⇒ 𝑃 𝐴 ≤ 𝑃(𝐵)
II – Probabilidades (8)
• Probabilidade condicional
• Pretenden-se calcular a probabilidade de um evento A que
ocorre após ter ocorrido um outro B
• A só ocorre onde B ocorre (a intersecção)
• O espaço amostral reduz à B
𝒏(𝑨∩𝑩)
• 𝑷(𝑨/𝑩) = 𝒏(𝑩)
• Ou seja,
𝑷 𝑨∩𝑩
• 𝑷(𝑨/𝑩) = 𝑷 𝑩
• Exemplo:
• Perg. No lançamento de um dado, qual a probabilidade de A - sair um
maior que 3 (A={4,5,6}), sabendo que B - saiu um par (B={2,4,6})
𝒏(𝑨∩𝑩) 𝟐
• Resp. 𝑷(𝑨/𝑩) = =
𝒏(𝑩) 𝟑
II – Probabilidades (9)
• Teorema do produto
• Repare que:
• 𝑨, 𝑩 ⊂ 𝑺 e 𝑷 𝑨 , 𝑷 𝑩 ≠ ∅
𝑷 𝑨∩𝑩 𝑷 𝑨∩𝑩
• 𝑷(𝑨/𝑩) = e 𝑷(𝑩/𝑨) =
𝑷 𝑩 𝑷 𝑨
• Que resultam em: 𝑷 𝑨 ∩ 𝑩 = 𝑷(𝑨/𝑩)𝑷 𝑨 = 𝑷(𝑩/𝑨)𝑷(𝑨)
• Seja
• 𝐴1 , 𝐴2 , ⋯ 𝐴𝑛 ⊂ 𝑆
• 𝑃 𝐴𝑖 ≠ 0; 𝑖 = 1, ⋯ 𝑛
• Nestas condições,
• 𝑃 𝐴1 ∩ 𝐴2 ∩ 𝐴3 ∩ ⋯ ∩ 𝐴𝑛 = 𝑃 𝐴1 ⋅ 𝑃 𝐴2 𝐴1 ⋅ 𝑃(𝐴3 | 𝐴1 ∩ 𝐴2 ⋯ 𝑃(𝐴𝑛 |(𝐴1 ∩ ⋯ ∩ 𝐴𝑛−1 )
• Exemplo,
• 𝑆 = {1,2,3,4,5,6,7}, A = {1,2,3,4,5}, B = {1,3,5,7} e 𝐶 = {2,3,4,5,6,7}
• 𝐴1 ∩ 𝐴2 ∩ 𝐴3 = 3,5
2
• 𝑃 𝐴1 ∩ 𝐴2 ∩ 𝐴3 =
7
5 3 2 2
• 𝑃 𝐴1 ∩ 𝐴2 ∩ 𝐴3 = 𝑃 𝐴1 ⋅ 𝑃 𝐴2 𝐴1 ⋅ 𝑃(𝐴3 | 𝐴1 ∩ 𝐴2 = ⋅ ⋅ =
7 5 3 7
II – Probabilidades (9)
• Independência de acontecimentos
• Seja
• 𝐴1 , 𝐴2 , ⋯ 𝐴𝑛 ⊂ 𝑆 tais que
• 𝑃 𝐴𝑖 ≠ 0; 𝑖 = 1, ⋯ 𝑛
• 𝑃 𝐴𝑖 𝐴𝑗 = 𝑃 𝐴𝑖 , ∀𝑖,𝑗
• Nestas condições,
• Os acontecimentos 𝐴𝑖 , 𝐴𝑗 dizem-se independentes, e
• 𝑷 𝑨𝟏 ∩ 𝑨𝟐 ∩ 𝑨𝟑 ∩ ⋯ ∩ 𝑨𝒏 = 𝑷 𝑨𝟏 ⋅ 𝑷(𝑨𝟐 ) ⋅ 𝑷(𝑨𝟑 ) ⋯ 𝑷(𝑨𝒏 )
II – Probabilidades (9)
• Partição de um espaço amostral
• Seja
• 𝐴1 , 𝐴2 , ⋯ 𝐴𝑛 ⊂ 𝑆 tais que
• 𝑃 𝐴𝑖 ≠ 0; 𝑖 = 1, ⋯ 𝑛
• 𝐴𝑖 ∩ 𝐴𝑗 = ∅, ∀𝑖,𝑗
• 𝑃 ‫=𝑖𝑛ڂ‬1 𝐴𝑖 = 1
• Nestas condições,
• Os o conjunto de todos os acontecimentos 𝐴𝑖 {𝐴𝑖 } forma uma partição do
espaço amostral 𝑆
II – Probabilidades (10)
• Teorema da probabilidade total
• Seja
• 𝐴𝑖 , 𝑖 = 1, ⋯ , 𝑛 uma partição de 𝑆
• 𝑃 𝐴𝑖 ≠ 0
• 𝐵⊂𝑆
• Netas condições, a probabilidade de 𝐵 é dada por:
• 𝑷 𝑩 = σ𝒏𝒊=𝟏 𝑷(𝑨/𝑨𝒊 ) ⋅ 𝑷 𝑨𝒊
II – Probabilidades (11)
• Teorema de Bayes
• Seja:
• 𝐴𝑖 , 𝐵 ⊂ 𝑆, tais que 𝐴𝑖 , 𝑖 = 1, ⋯ , 𝑛 uma partição de 𝑆
• 𝑃 𝐵 ≠0
• Sabe-se que
𝑷(𝑩/𝑨𝟏 )⋅𝑷 𝑨𝟏
• 𝑃(𝑨𝟏 /𝑩) =
𝑃 𝐵
• 𝑃 𝐵 = σ𝒏𝒊=𝟏 𝑷(𝑨/𝑨𝒊 ) ⋅ 𝑷 𝑨𝒊
• Teorema de Bayes
𝑷(𝑩/𝑨𝟏 )⋅𝑷 𝑨𝟏
• 𝑷(𝑨𝟏 /𝑩) = σ𝒏
𝒊=𝟏 𝑷(𝑨/𝑨𝒊 )⋅𝑷 𝑨𝒊
II – Probabilidades (11)
• Teorema de Probabilidade Total + Bayes
• Exemplo:
• Uma companhia multinacional tem três fábricas que produzem o mesmo tipo de produto. A
fábrica I é responsável por 30% do total produzido, a fábrica II produz 45% do total, e o
restante vem da fábrica III. Cada uma das fábricas, no entanto, produz uma proporção de
produtos que não atendem aos padrões estabelecidos pelas normas internacionais. Tais
produtos são considerados “defeituosos” e correspondem a 1%, 2% e 1,5%, respectivamente,
dos totais produzidos, por fábrica. No centro de distribuição, é feito o controlo de qualidade
da produção combinada das fábricas.
a) Qual é a probabilidade de encontrar um produto defeituoso durante a inspeção de qualidade?
b) Se durante a inspeção, encontramos um produto defeituoso, qual é a probabilidade que ele tenha
sido produzido na fábrica II?
• Sabe-se que
• A probabilidade dos produtos provirem das fábricas I, II e III, respectivamente, são
• 𝑃 𝐹𝐼 = 0,3 𝑃 𝐹𝐼𝐼 = 0,45 𝑃 𝐹𝐼𝐼𝐼 = 1 − 0,3 + 0,45 = 0,25
• As probabilidades dos produtos serem defeituosos sabendo que provem de FI, FII e FIII são
• 𝑃 𝐷|𝐹𝐼 = 0,01 𝑃 𝐷|𝐹𝐼𝐼 = 0,02 𝑃 𝐷|𝐹𝐼𝐼𝐼 = 0,015
• Resolução
a) Prob. Total: 𝑃 𝐷 = 𝑃 𝐷 𝐹𝐼 𝑃 𝐹𝐼 + 𝑃 𝐷 𝐹𝐼𝐼 𝑃 𝐹𝐼𝐼 + 𝑃 𝐷 𝐹𝐼𝐼𝐼 𝑃 𝐹𝐼𝐼𝐼 =
P 𝐷 𝐹𝐼𝐼 ⋅P 𝐹𝐼𝐼
b) Teor. Bayes: P 𝐹𝐼𝐼 𝐷 = =
𝑃 𝐷 𝐹𝐼 𝑃 𝐹𝐼 +𝑃 𝐷 𝐹𝐼𝐼 𝑃 𝐹𝐼𝐼 +𝑃 𝐷 𝐹𝐼𝐼𝐼 𝑃 𝐹𝐼𝐼𝐼
II – Probabilidades (12)
• Exercícios
1. Admitido que (1) são equiprovaveis o nascimento de rapaz ou de
rapariga e (2) o sexo de uma criança não depende do sexo da anterior,
calcule as seguintes probabilidades no universo das famílias com 2 lhos:
a) P(2 rapazes)
b) P(1 rapaz e 1 rapariga)
c) P(rapaz no primeiro nascimento e rapariga no segundo nascimento)
d) P(pelo menos um rapaz)
2. Suponha que 5% da população portuguesa sofre de hipertensão e que de
entre estes, 75% ingerem bebidas alcoólicas. De entre os que não são
hipertensos 50% ingerem bebidas alcoólicas.
a) Qual a percentagem de pessoas que bebem álcool?
b) Qual a percentagem de pessoas que bebendo álcool sofrem de hipertensão?
II – Probabilidades (12)
• Exercícios
3. Em uma urna existem bolas enumeradas de 1 a 15. Qualquer uma delas possui a mesma
chance de ser retirada. Determine a probabilidade de se retirar uma bola com número nas
seguintes condições:
a) par
b) primo
c) par ou primo
d) par e primo
4. Um saco contém 8 bolas idênticas, mas com cores diferentes: três bolas azuis, quatro
vermelhas e uma amarela. Retira-se ao acaso uma bola.
Qual a probabilidade da bola retirada ser azul?
5. Dois dados são lançados em simultâneo.
Calcule a probabiliadde de sair o número 1, sabendo que saíram números diferentes.
6. Considere o experimento “extracção sucessiva e com reposição de duas bolas dum total de 10
brancas e 5 pretas.
Definem-se dois eventos:
A - saída de 2 brancas e
B - saída de preta na primeira extracção.
Verifique se os eventos A e B são independentes.
II – Probabilidades (12)
• Exercícios
7. Numa escola com 1.200 alunos foi realizada uma pesquisa sobre o
conhecimento desses em duas línguas estrangeiras: inglês e espanhol.
Nessa pesquisa constatou-se que 600 alunos falam inglês, 500 falam
espanhol e 300 não falam qualquer um desses idiomas. Escolhendo-se
um aluno dessa escola ao acaso e sabendo-se que ele não fala inglês,
Qual a probabilidade de que esse aluno fale espanhol?
8. Se lançarmos dois dados ao mesmo tempo, qual a probabilidade de dois
números iguais ficarem voltados para cima?
9. Um saco contém 8 bolas idênticas, mas com cores diferentes: três bolas
azuis, quatro vermelhas e uma amarela. Retira-se ao acaso uma bola.
Qual a probabilidade da bola retirada ser azul?
10. Qual a probabilidade de tirar um ás ao retirar ao acaso uma carta de um
baralho com 52 cartas, que possui quatro naipes (copas, paus, ouros e
espadas) sendo 1 ás em cada naipe?
III – Variável Aleatória (1)
• Definição
• Uma V.A. é uma função que associa a cada resultado de um
experimento aleatório, um número real
• Exemplos
• Lançamento de uma moeda e verificar a face virada para cima
• 𝑆 = 𝐶, 𝐾 → 𝑋 = {1,2}
• Lançamento de um dado e verificar a face virada para cima
• 𝑆 = 1,2,3,4,5,6 → 𝑋 = {1,2,3,4,5,6}
• Lançamento de duas moedas e contar o número de coroas (K) viradas
para cima
• 𝑆 = 𝐶𝐶, 𝐶𝐾, 𝐾𝐶, 𝐾𝐾 → 𝑋 = {0,1,2}
 III – Variável Aleatória (2) S CC CK KC KK
X 0 1 1 2
• Tipos de variáves aleatórias X 0 1 2
• Discretas 𝑓(𝑥𝑖 ) = 𝑃(𝑋 = 𝑥𝑖 ) 1 1 1
• Exemplos 4 2 4

• Lançamento de uma moeda e verificar a face virada para cima

• Lançamento de um dado e verificar a face virada para cima
• Número de que clientes que entram na loja num intervalo de tempo T
• Função de massa de probabilidade (𝑓 𝑥𝑖 = 𝑃 𝑋 = 𝑥𝑖 , ∀𝑥𝑖 )
• Uma função que associa a cada valor da V.A. um número entre 0 e 1, designado
probabilidade, de tal forma que: 𝑋 ] − ∞; 0[ [0; 1[ [1; 2[ [2; +∞[
• (1) 𝑓 𝑥𝑖 ≥ 0 𝐹(𝑥𝑖 ) = 𝑃(𝑋 ≤ 𝑥𝑖 ) 0 1 3 1
• (2) σ∀𝑥𝑖 𝑓(𝑥𝑖 ) = 1. 4 4
• Função de distribuição (𝐹(𝑥) = 𝑃 𝑋 = 𝑥 , ∀𝑥)
• Uma função que acumula probabilidade, tal que:
• 0≤𝐹 𝑥 ≤1
• 𝑥1 < 𝑥2 ⇒ 𝐹 𝑥1 ≤ 𝐹 𝑥2
• 𝐹 −∞ = 0 e 𝐹 +∞ = 1
• 𝐹 𝑥1 < 𝑋 ≤ 𝑥2 = 𝐹 𝑥2 − 𝐹 𝑥1
• 𝐹(𝑥) é descontía nos pontos de massa de probabilidade
III – Variável Aleatória (3)
• Tipos de variáves aleatórias
• Contínuas
• Exemplos
• Tempo T que passa até que entre um número de clientes x numa loja
• Distância percorrida por um peneu até que se fure
• Tempo de funcionamento de um AC até que necessite de repação
𝑥
• Função de densidade de probabilidade (𝑓 𝑥 = 𝑃 𝑥𝑖 < 𝑋 < 𝑥𝑗 = ‫ 𝑢𝑑 𝑢 𝑓 𝑗 𝑥׬‬, ∀𝑥𝑖 < 𝑥𝑗 )
𝑖
• Uma função que associa a cada intervalo de valores da V.A. um número entre 0 e 1,
designado probabilidade, de tal forma que:
• (1) 𝑓 𝑥 ≥ 0
+∞
• (2)‫׬‬−∞ 𝑓 𝑥 𝑑𝑥 = ‫ = 𝑢𝑑 𝑢 𝑓 𝑆∈𝑥∀׬‬1.
• Função de distribuição (𝐹(𝑥) = 𝑃 𝑋 ≤ 𝑥 , ∀𝑥)
• Uma função que acumula probabilidade, tal que:
• 0≤𝐹 𝑥 ≤1
• 𝑥1 < 𝑥2 ⇒ 𝐹 𝑥1 ≤ 𝐹 𝑥2
• 𝐹 −∞ = 0 e 𝐹 +∞ = 1
• 𝐹 𝑥1 < 𝑋 ≤ 𝑥2 = 𝐹 𝑥2 − 𝐹 𝑥1
• 𝐹 𝑥1 ≤ 𝑋 ≤ 𝑥2 = 𝐹 𝑥1 < 𝑋 ≤ 𝑥2 = 𝐹 𝑥1 ≤ 𝑋 < 𝑥2 = 𝐹 𝑥1 < 𝑋 < 𝑥2
III – Variável Aleatória (3)
• Características de uma variáves aleatórias
• Esperança
σ∀𝑥𝑖 𝑥𝑖 ⋅ 𝑓(𝑥𝑖 ) , 𝑠𝑒 𝑋 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎
• 𝜇 = 𝐸 𝑋 = ቐ +∞
‫׬‬−∞ 𝑥 ⋅ 𝑓 𝑥 𝑑𝑥 , 𝑠𝑒 𝑋 𝑐𝑜𝑛𝑡í𝑛𝑢𝑎
• Propriedades
• 𝐸 𝑋 + 𝑌 = 𝐸 𝑋 + 𝐸[𝑌]
• 𝐸 𝑘𝑋 = 𝑘𝐸[𝑋]
• 𝐸 𝑋+𝑘 =𝐸 𝑋 +𝑘
• Variância
σ∀𝑥𝑖(𝑥𝑖 −𝜇)2 ⋅ 𝑓(𝑥𝑖 ) , 𝑠𝑒 𝑋 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎
• 𝜎 2 = 𝑉𝑎𝑟 𝑋 = ቐ +∞
‫׬‬−∞ (𝑥 − 𝜇)2 ⋅ 𝑓 𝑥 𝑑𝑥 , 𝑠𝑒 𝑋 𝑐𝑜𝑛𝑡í𝑛𝑢𝑎
• Propriedades
• 𝑉𝑎𝑟 𝐾 = 0
• 𝑉𝑎𝑟 𝑘𝑋 = 𝑘 2 𝑉𝑎𝑟[𝑋]
• 𝑉𝑎𝑟 𝑋 = 𝐸 𝑋 2 + 𝐸 𝑋 2
III – Variável Aleatória (3)
• Exemplos
1. No experimento “advinhar a respota certa numa pergunta com 4
alternativas em que apenas uma é certa.
a) Descreva a variável aleatória
b) Calcule a f.m.p
c) Calcule e represente a f.d.
d) Calcule a esperança e a variância da v.a.
𝑥𝑖
2. Dada 𝑓 𝑥𝑖 = ;𝑥 ∈ {1,2,3,4}
10
a) Verifique se 𝑓(𝑥𝑖 ) é f.m.p
b) Caso seja, ache a esperança e a variâcia da v.a. X
1
3. Verifique se 𝑓 𝑥 = 𝑏−𝑎 ; 𝑥 ∈ [𝑎, 𝑏] é f.d.p
a) Verifique se 𝑓(𝑥) é f.d.p
b) Caso seja, ache a esperança e a variâcia da v.a. X
IV – Principais V.A discretas
• Uniforme discreta
• A v.a 𝑋 diz-se uniforme discreta se assume um número finito 𝑛 de valores
equiprováveis.
• Sua função de massa de probabilidade (f.m.p) é:
1
, 𝑥 = 1,2, ⋯ , 𝑛
• 𝑓 𝑥 = 𝑃(𝑋 = 𝑥) = ൝𝑛
0, 𝑜𝑢𝑡𝑟𝑜𝑠 𝑐𝑎𝑠𝑜𝑠
• Exemplos:
• Número obtido no lançamento de uma dado
• Número retirado de uma urna contendo bolas enumeradas de 1 à 9
• Cor da bola retirada de um saco com 1 bola branca, 1 vermelha, 1 preta e 1 amarela
• Características das v.a.´s uniformes discretas
• Seja 𝑋 uma v.a. uniforme discreta, então:
𝑥𝑖 1
• 𝐸 𝑋 = σ𝑛𝑖=1 𝑉 𝑋 = σ𝑛𝑖=1(𝑥𝑖 −𝐸[𝑋])2 ⋅
𝑛 𝑛
IV – Principais V.A discretas
• Bernoulli
• Um experimento é de Bernoulli se consiste em 2 possíveis resultados
• Ocorrer ou não ocorrer, quevalente à (sucesso = 1 ou fracasso = 0)
• Exemplos:
• Lançamento de uma moada e observar a face virada para cima
• Lançamento de uma dado e verificar se o número que sai é par ou ímpar
• Retirada de uma peça para observar de é defeituosa ou não
• A v.a 𝑋 resultante de um experimento Bornoulli onde p é a probabilidade do
sucesso ocorrer, é chamada v.a de Bernoulli de parâmetro 𝑝, abreviadamente
X ∼ 𝐵𝑒(𝑝) e
𝑝, 𝑠𝑒 𝑥 = 1 (𝑠𝑢𝑐𝑒𝑠𝑠𝑜)
• Sua f.m.p é: 𝑓 𝑥 = ቊ ⇔ 𝑓 𝑥 = 𝑝 𝑥 𝑞1−𝑥 ; 𝑥 = 0,1; 𝑞 = 1 − 𝑝
𝑞, 𝑠𝑒 𝑥 = 0 (𝑓𝑟𝑎𝑐𝑎𝑠𝑠𝑜)
• Características das v.a.´s de Bernoulli
• Seja 𝑋 uma v.a. de Bernoulli tal que 𝑝 é probabilidade do sucesso ocorrer, então
• 𝐸 𝑋 = 𝑝 (mostrar) 𝑉 𝑋 = 𝑝𝑞 (mostrar)
IV – Principais V.A discretas
• Binomial
• Um experimento é Binomial se consiste em n repetições de um experimento
Bernoulli de parâmetro 𝑝.
• Exemplos:
• 5 lançamentos de uma moada contar o número de faces obtidas
• 9 lançamentos de uma dado e verificar quantas vezes saiu um número par
• Retirada de 𝑛 peças de uma oficina e contar o número de defeituosas obtidas
• A v.a 𝑋 resultante de 𝑛 repetições, nas mesmas condições, de um experimento de
Bernoulli de parâmetro 𝑝, é chamada de v.a. Binomial de parâmetros 𝑛 e 𝑝 e
abrevia-se: 𝑋 ∼ 𝑏𝑖𝑛𝑜𝑚(𝑛, 𝑝)
𝑛 𝑛
• Tem a f.m.p 𝑃(𝑋 = 𝑥) = 𝑓 𝑥 = 𝑥
𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 = 𝑥
𝑝 𝑥 𝑞 𝑛−𝑥
• Características das v.a.´s de Bernoulli
• Seja 𝑋 uma v.a. de Bernoulli tal que 𝑝 é probabilidade do sucesso ocorrer, então
• 𝐸 𝑋 = 𝑛𝑝 (mostrar) 𝑉 𝑋 = 𝑛𝑝𝑞 (mostrar)
IV – Principais V.A discretas
• Geométrica
• Um experimento geométrico consiste em 𝑥 repetições de um experimento de Bernoulli até
que aconteça o primeiro sucesso.
• 𝑋 diz-se v.a. geométrica de parâmetro 𝑝 (𝐺(𝑝)) se corresponde ao número 𝑥 de repetições
independentes de experimento de Bernoulli, com probabilidade 𝑝 de sucesso, até que ocorra
o primeiro éxito.
• Exemplos de v.a.´s geométricas:
• Número de lançamentos de uma moada até que apareça uma cara
• Número de peças produzidas até que ocorra a 1ª defeituosa
• Número de bebés nascidos por um casal até que se obtenha o primeiro rapaz
• Se 𝑋 ∼ 𝐺 𝑝 , então:
• 𝑃 𝑋 = 𝑥 = 𝑓 𝑥 = 𝑝𝑥 1 − 𝑝 𝑥−1 ; 𝑥
= 1,2,3, ⋯
• Características das v.a.´s Geométricas
• Seja 𝑋 uma v.a. de Geométrica de parâmetro 𝑝, então
1 𝑞
• 𝐸 𝑋 = (mostrar) 𝑉𝑋 = (mostrar)
𝑝 𝑝2
IV – Principais V.A discretas
• Pascal (binomial negativa)
• Um experimento de Pascal consiste em 𝑥 repetições de um experimento de Bernoulli até que
ocoram 𝑘 sucessos.
• 𝑋 diz-se v.a. de pascal de parâmetros 𝑝 𝑒 𝑘 (𝑃(𝑘, 𝑝)) se corresponde ao número 𝑥 de
repetições independentes de experimento de Bernoulli, com probabilidade 𝑝 de sucesso, até
que ocorram 𝑥 éxitos.
• Exemplos de v.a.´s geométricas:
• Número de lançamentos de uma moada até que apareçam 3 caras
• Número de peças produzidas até que ocorram 10 defeituosas defeituosa
• Número de bebés nascidos por um casal até que se obtenha 2 meninas
• Se 𝑋 ∼ 𝑃 𝑘, 𝑝 , então:
𝑥−1
• 𝑃 𝑋=𝑥 =𝑓 𝑥 = 𝑘−1
𝑝𝑘 1 − 𝑝 𝑥−𝑘 ; 𝑥
= 𝑘, 𝑘 + 1, 𝑘 + 2, 𝑘 + 3, ⋯
• Características das v.a.´s Geométricas
• Seja 𝑋 uma v.a. de Geométrica de parâmetro 𝑝, então
𝑘 𝑘𝑞
• 𝐸 𝑋 = (mostrar) 𝑉 𝑋 = 2 (mostrar)
𝑝 𝑝
IV – Principais V.A discretas
• Hipergeométrica
• Um experimento que consiste em extracção de 𝑛 elementos, um a um e sem reposição, de
um total de 𝑁 elementos, onde existem 𝑘 que se podem classificar como éxitos e 𝑁 − 𝑘,
restantes, fracassos.
• 𝑋 diz-se v.a. Hipergeométrica de parâmetros 𝑁, 𝑛, 𝑘 (𝐻(𝑁, 𝑛, 𝑘)) se corresponde ao número
de éxitos em um experimento hipergeométrico de N elementos dos quais k são classificados
como sucessos.
• Exemplos de v.a.´s geométricas:
• Número de bolas pretas retiradas de uma urna que contém 20 bolas, das quais 7 brancas e 13 pretas
• Número de Homens escolhidos de uma turma com 24 Homens e 26 Mulheres
• Se 𝑋 ∼ 𝐻 𝑁, 𝑛, 𝑘 , com 𝑛 ≤ 𝑘 𝑒 𝑥 ∈ 𝑋, então:
𝑘 𝑁−𝑘
𝑥 𝑛−𝑥
• 𝑃 𝑋=𝑥 =𝑓 𝑥 = 𝑁 ; 𝑥 = 0, 1, 2, 3, ⋯ , 𝑛
𝑛
• Características das v.a.´s Geométricas
• Seja 𝑋 uma v.a. de Geométrica de parâmetro 𝑝, então
𝑁−𝑛 𝑘
• 𝐸 𝑋 = 𝑛𝑝 (mostrar) 𝑉 𝑋 = 𝑛𝑝𝑞 (mostrar) 𝑝= ; 𝑞 =1−𝑝
𝑁−1 𝑁
IV – Principais V.A discretas
• Poisson
• Diz-se que a v.a. 𝑋 segue uma distribuição 𝑃𝑜𝑖𝑠𝑠𝑜𝑛 de parâmetro 𝜆 e escreve-se 𝑋 ∼
𝑃𝑜(𝜆) se corresponde ao número 𝑥 de ocorrências em um intervalo de tempo 0, 𝑡
onde 𝜆 é o número médio de ocorrências no referido intervalo de tempo.
• Exemplos 𝑃𝑜𝑖𝑠𝑠𝑜𝑛:
• Número de carros inspecionados por dia
• Número de chamadas que chegam a uma central telefónica por hora
• Número de acidentes registado por distância S da EN1
• Numero diário de estudantes inpedidos de entrar na Universidade por suspeita de COVID
• Sua f.m.p é dada por:
𝑒 −𝜆 𝜆𝑥
• 𝑃 𝑋=𝑥 =𝑓 𝑥 = ;𝑥 = 0, 1, 2, 3, ⋯
𝑥!
• Características das v.a.´s Geométricas
• Seja 𝑋 uma v.a. de Geométrica de parâmetro 𝑝, então
• 𝐸 𝑋 = 𝜆 (mostrar) 𝑉 𝑋 = 𝜆 (mostrar)
IV – Principais V.A contínuas
• Uniforme Contínua
• Diz-se que uma v.a. X distribui-se uniformemente no intervalo [𝑎, 𝑏]; 𝑎 < 𝑏, e escreve-se 𝑋 ∼
U[𝑎; 𝑏] se sua função de probabilidade for:
1
, 𝑎≤𝑥≤𝑏
• 𝑓 𝑥 = ൝𝑏−𝑎
0, 𝑜𝑢𝑡𝑟𝑜𝑠 𝑐𝑎𝑠𝑜𝑠
0, 𝑥 < 𝑎
𝑥−𝑎
• A função de distribuição é dada por 𝑓 𝑥 = ൞𝑏−𝑎 , 𝑎 ≤ 𝑥 < 𝑏
1, 𝑥 ≥ 𝑏
• Características
𝑎+𝑏 𝑏−𝑎 2
• 𝐸𝑋 = 𝑉𝑋 =
2 12
• Exemplos
• Dois gerentes, A e B, devem se encontrar em certo ponto, as 7 e 8 da noite para firmarem um contrato.
Cada um só pode esperar pelo outro, no máximo, 10 min. Qua é a probabilidade de não se encontrarem,
se A chegar às 7:30 da noite.
IV – Principais V.A contínuas
• Normal
• Diz-se que uma v.a. X que toma valores em
2
um intervalo −∞ < 𝑥 <2+∞, distribui-se
normalmente, com média 𝜇 e variância 𝜎 e escreve-se 𝑋 ∼ 𝑁(𝜇, 𝜎 ) se sua função
de probabilidade for:
1 𝑥−𝜇 2
1 −
• 𝑓 𝑥 = 𝜎 2𝜋
𝑒 2 𝜎 ; −∞ < 𝑥 < +∞; −∞ < 𝜇 < +∞; 𝜎 > 0
• Características
• 𝐸 𝑋 =𝜇 𝑉 𝑋 = 𝜎2
• Distribuição normal padronizada (E 𝑍 = 0 e 𝑉 𝑍 = 1)
𝑋−𝜇
• 𝑍= ⇒ 𝐸 𝑍 = 0 ∧ 𝑉 𝑍 = 1 ⇒ 𝑍 ∼ 𝑁 0,1
𝜎
2
𝑧
1 −2
• 𝑓 𝑧 = 𝜙(𝑧) = 𝑒 ; −∞ < 𝑧 < +∞
2𝜋
𝑡 2
𝑧 1 −
• F 𝑧 = Φ(𝑧) = ‫׬‬−∞ 2𝜋 𝑒 2 𝑑𝑡
IV – Principais V.A contínuas
• Normal
• Exemplo:
• Suponha que a duração média de lâmpadas produzidas por uma companhia se distribua
normalmente. Se 18,41% destas lâmpadas duram menos de 8,2 meses e 6,68% duram
pelo menos 13 meses,
a) Calcule a média e a variância de duração das lâmpadas
b) Achar o quartil Q_1 da distribuição
c) Se o custo de aquisição de cada lâmpada for 10MT e a venda for 25MT, mas, com
garantia de devolução total do dinheiro caso dure menos de 8 meses, qual é a
utilidade esperada por lâmpada?
d) Se mediante um novo processo de produção se aumente a duração em 10% mais 15
dias, que percentagem de lâmpadas, agora, duram menos de 7 meses?
IV – Principais V.A contínuas
• Exponencial
• Diz-se que uma v.a. X tem distribuição exponencial de parâmetro 𝜆 (𝜆 > 0), e
escreve-se 𝑋 ∼ 𝐸𝑥𝑝(𝜆) se sua função de densidade de probabilidade for:
−𝜆𝑥
𝜆𝑒 , 𝑥≥0
• 𝑓 𝑥 =ቊ
0, 𝑥 < 0
• Características
1 1
• 𝐸𝑋 = 𝑉𝑋 =
𝜆 𝜆2
• Exemplo
IV – Principais V.A contínuas
• Exponencial
• Exemplo
• O tempo durante o qual certa marca de bateria funciona efectivamente até que falhe
(tempo de falha) distribui-se segundo um modelo exponencial com média de falhas igual
à 360 dias
a) Que probabilidade há de que o tempo de falha seja superior à 400 dias?
b) Se uma dessas baterias já funcionou durante 400 dias, qual é a probabilidade de que
funcione mais de 200 dias a mais?
c) Se estão sendo usadas 5 dessas baterias, qual é a probabildade de que mais de duas delas
continuem funcionando depois de 360 dias?
IV – Principais V.A contínuas
• Exercícios
IV – Principais V.A contínuas
• Distribuição t
IV – Principais V.A contínuas
• Distribuição F