1

Introduo s Probabilidades

Introduo

Pode-se dizer que a Probabilidade nasceu no sculo XVII por interesse comum de Pascal e
Fermat.

Blaise Pascal (1623-1662)


Pierre de Fermat (1601-1665)



Conceitos da teoria das Probabilidades

A Teoria das Probabilidades o ramo da Matemtica que estuda os possveis resultados de
acontecimentos nos quais intervm o acaso, isto , estuda os fenmenos aleatrios, assim
como as suas semelhanas e distribuies.

Definio :

Uma experincia, E, diz-se aleatria se:

i) for um procedimento que se pode repetir um grande nmero de vezes mas mesmas
condies ou pelo menos em condies semelhantes;
ii) todos os resultados possveis so conhecidos priori;
iii) o resultado exacto no conhecido antes da realizao da experincia, i.e.
imprevisvel.

Exemplos de Experincias Aleatrias:

E
1
: lanamento de um dado e registo do nmero de pontos que sai;
E
2
: lanamento de duas moedas;
E
3
: lanamento de um dado e de uma moeda;
E
4
: lanamento de uma moeda at aparecer face;
E
5
: uma lmpada fabricada e ensaiada quanto sua durao;
E
6
: registada a idade de uma pessoa;
E
7
: extraco de 2 peas (com ou sem reposio) de um lote de 100 peas das quais 20 so
defeituosas.

Em oposio aos fenmenos aleatrios, alvo do nosso estudo, existem os fenmenos
determinsticos, que so aqueles cujos resultados so previsveis, ou seja, temos certeza dos
resultados a serem obtidos.

2



Definio :

Designa-se por Espao Amostral ou Espao de resultados e representa-se por , o conjunto
de todos os resultados possveis associados a uma experincia aleatria.

Exemplos de Espaos Amostrais (associados aos exemplos anteriores):

1
={ } 6 5 4 3 2 1 , , , , , ;

2
={ } { } ) , ( ), , ( ), , ( ), , ( , , , F C F F C F C C CF FF FC CC = ;

3
={ } F 6 C 6 F 2 C 2 F 1 C 1 , ,..., , , , ;

4
={ } ,... , , , CCCF CCF CF F ;

5
=
+
IR ;
6
= IN .

A partir destes exemplos iniciais observamos que um espao amostral pode ser discreto
finito (
1
) ou discreto infinito (
6
) ou contnuo (
5
).


Definio :

Qualquer subconjunto do espao amostral designa-se por acontecimento aleatrio.

Interessa destacar os seguintes casos:

i) Acontecimento Elementar: quando o acontecimento constitudo por um nico elemento;
ii) Acontecimento Certo: outra designao para o espao amostral ;
iii)Acontecimento Impossvel: quando o acontecimento no contm nenhum elemento, i.e.,
na realidade no aconteceu. associado ao conjunto vazio .

Diz-se ento que um acontecimento se realiza sempre que o resultado de uma experincia
aleatria um elemento que pertence ao acontecimento.


Sabemos que a cada experincia aleatria podemos associar acontecimentos aleatrios.
Para distinguirmos os vrios acontecimentos, torna-se necessrio associar a cada
acontecimento aleatrio A, um nmero que de alguma maneira medir o quanto verosmil
que o acontecimento A venha a ocorrer. Este nmero necessrio a probabilidade do
acontecimento A, P(A).

Consideremos uma urna que contem 49 bolas azuis e 1 bola branca. Se efectuarmos uma
recolha, teremos duas possibilidades: bola azul ou bola branca. Percebemos entretanto que
ser muito mais frequente obtermos numa recolha, uma bola azul, resultando da, podermos
afirmar que o acontecimento "sair bola azul" tem maior Probabilidade de ocorrer do que o
acontecimento "sair bola branca".

Clculo de Probabilidades em espaos de resultados igualmente provveis:
Lei de Laplace

A primeira definio de probabilidade conhecida deve-se a Laplace no incio do sc. XIX,
para a hiptese de casos igualmente provveis

Definio :

Seja A um acontecimento aleatrio de , a probabilidade de A,
ossveis p casos de n
favorveis casos de n
A P

) ( .
3


O que a definio de Laplace nos diz que se todos os k resultados, forem igualmente
verosmeis, a probabilidade de cada resultado, i.e., a probabilidade de cada acontecimento
elementar A
i
, ser:
k
1
A P
i
= ) ( , i=1,,k.
Exemplos:

1. Considere o lanamento de um dado. Calcule a probabilidade de:

a. sair o nmero 3.
Temos = {1, 2, 3, 4, 5, 6} pelo que # = 6. Seja A = {3} pelo que #A= 1. Portanto, a
probabilidade procurada ser igual a P(A) = 1/6.

b. sair um nmero par.
Agora o acontecimento A = {2, 4, 6} com 3 elementos; logo a probabilidade procurada
ser P(A) = 3/6 = 1/2.

c. sair um mltiplo de 3:
O acontecimento A = {3, 6} com 2 elementos; logo a probabilidade procurada ser P(A) =
2/6 = 1/3.

d. sair um nmero menor do que 3.
Agora, o acontecimento A = {1, 2} com dois elementos. Portanto, P(A) = 2/6 = 1/3.

e. sair um quadrado perfeito.
O acontecimento A = {1,4} com dois elementos. Portanto, P(A) = 2/6 = 1/3.

2. Considere o lanamento de dois dados. Calcule a probabilidade de:

a. sair a soma 8.
Observe que neste caso, o espao amostral constitudo pelos pares ordenados (i,j),
onde i = nmero no dado 1 e j = nmero no dado 2. evidente que teremos 36 pares
ordenados possveis do tipo (i, j) onde i = 1, 2, 3, 4, 5, ou 6, o mesmo ocorrendo com j. As
somas iguais a 8, ocorrero nos casos: (2,6) , (3,5) , (4,4) , (5,3) e (6,2). Portanto, o
acontecimento "soma igual a 8" possui 5 elementos. Logo, a probabilidade procurada ser
igual a P(A) = 5/36.

b. sair a soma 12.
Neste caso, a nica possibilidade o par (6,6). Portanto, a probabilidade procurada ser
igual a P(A) = 1/36.

A interpretao clssica de Laplace manteve-se at ao incio do sc. XX, altura em que
comearam a surgir as crticas quer no que dizia respeito ao clculo das probabilidades
quando o princpio da simetria no se verificava, quer, e principalmente, quando o nmero de
casos possveis no era finito nem sequer numervel.

Noo de probabilidade: axiomas e teoremas.

O nosso objectivo encontrar um meio de obter o tal nmero, sem recorrer experincia.
E a caracterstica que lhe exigimos e que tenha o valor que encontraramos se realizssemos a
experincia em causa um grande nmero de vezes. Este aspecto est na base de uma outra
teoria a Teoria Frequencista das Probabilidades. Esta surgiu no incio do sc. XX e segundo ela
a probabilidade de um acontecimento pode ser determinada observando a frequncia
relativa desse acontecimento numa sucesso numerosa de experincias aleatrias.

No incio do sc. XX comeou a sentir-se a necessidade de uma axiomatizao da teoria de
4

probabilidades que foi feita em 1933 pelo matemtico russo A. N. Kolmogorov.

Andrey Kolmogorov (1903-1987)





Axiomtica das Probabilidades

Sob um ponto de vista puramente matemtico, suporemos que para cada acontecimento A,
pertencente ao conjunto de todos os acontecimentos possveis, existe um nmero, que
designaremos por P(A), satisfazendo:

A
1
: 1 A P 0 ) ( ;
A
2
: 1 P = ) ( em que o acontecimento certo;
A
3
: Se =
j i
A A I com j i ento =
= =
n
1 i i
n
1 i i
A P A P ) ( ) (U .

Com estes trs axiomas mesmo sem sabermos ainda calcular P(A) sabemos j as suas
caractersticas, com as quais se demonstram todas as propriedades seguintes. Note que pode-
se recorrer, apenas para melhor visualizao, a Diagramas de Venn.

Propriedades:

P
1
: Se for o conjunto vazio ento 0 P = ) ( .
P
2
: Se A o acontecimento complementar de A ento ) ( ) ( A P 1 A P = .
P
3
:Se A um acontecimento qualquer ento 1 A P ) ( .
P
4
:Se A e B forem acontecimentos quaisquer ento ) ( ) ( ) ( ) ( B A P B P A P B A P + = .
P
5
:Se A, B e C forem acontecimentos quaisquer ento
) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( C B A P C B P C A P B A P C P B P A P C B A P + + + = .
P
6
: Se ) ( ) ( B P A P B A .

Estas propriedades so portanto consequncias imediatas dos axiomas referidos.













5


Variveis aleatrias

Introduo

Em muitas situaes complexo lidar com todos os resultados possveis de e com as
probabilidades associadas.

Exemplo - lanamento de dois dados e registo dos pontos das faces de cada um, para se
definir a soma.

mais cmodo associar a cada acontecimento um nmero real, definido de acordo com o
objectivo do estudo. Esta correspondncia define o que se costuma designar por varivel
aleatria.

Definio

Chama-se varivel aleatria (v.a.) e costuma representar-se por X, a uma funo com
domnio e contradomnio em IR, cujo valor determinado pelo resultado de uma
experincia aleatria, i.e,

( ) = x X X : IR

Tipos de variveis aleatrias

Variveis aleatrias discretas se assumem um conjunto finito ou infinito numervel de
valores.

Exemplos:
nmero de pintas que sai no lanamento de um dado;
registo, a intervalos regulares, do nmero de pessoas em fila espera na caixa de um
supermercado;

Variveis aleatrias contnuas so as susceptveis de tomar qualquer valor real num
dado intervalo, que pode ser a recta real.

Exemplos:
o peso de um indivduo;
o comprimento de um folha.



A cada um dos valores de uma varivel aleatria X pode associar-se uma probabilidade P
X
a
que se chama, lei de probabilidade ou distribuio P
X
:= P[X = x].

Voltemos ao exemplo - Seja X a v.a. que designa a soma dos pontos.
X toma os valores

X = 2, X = 3, X = 4, X = 5,X = 6, ,X = 12 e

P[X = 2] = P({(1, 1)}) = 1/36
P[X = 3] = P({(1, 2), (2, 1)}) = 2/36

P[X = 10] = = 3/36

P[X = 12] = = 1/36


6

Outra forma de apresentar estas probabilidades!!!

Considerar as probabilidades acumuladas

P[X 2] = 1/36
P[X 3] = 3/36

P[X 12] = 1

Formalizemos o que acabmos de dizer, comeando com o estudo das variveis aleatrias
discretas.


Variveis Aleatrias Discretas Unidimensionais.


Seja X uma v.a. tomando n valores, x
1
, ..., x
n
, cada um deles com probabilidades p
1
, ..., p
n
,
respectivamente, i.e.,

p
i
= P[X = xi], ( i = 1, , n).

Definio

Chama-se funo massa de probabilidade (funo de probabilidade) da v.a. X aplicao:

p
i
= P[X = x
i
]

que associa a cada valor x
i
da varivel aleatria uma probabilidade p
i

Propriedades da Funo de Probabilidade:

1. ( ) 0 x X P
i
= ; i=1,,n

2. ( ) 1 x X P
n
1 i
i
= =

=


Sendo n o n. de valores possveis que a varivel pode tomar


Definio

Chama-se funo de distribuio de uma V.A. e representa-se por ( ) x F
X
aplicao

( ) x F
X
: I R I R definida por

( ) ( ) ( )

= = =
x x
i X
i
x X P x X P x F
Propriedades da Funo de Distribuio:

1. Domnio = I R
2. Contradomnio = [ ] 1 , 0
3. No decrescente
4. Contnua direita

7


Variveis Aleatrias Contnuas Unidimensionais.


Funo de Probabilidade
(Funo Densidade de Probabilidade)

A funo de probabilidade de uma V.A. contnua e que se designa por ( ) x f
X
, tambm
chamada de funo densidade de probabilidade (f. d. p.) toda a funo que obedece s
seguintes propriedades

1. ( ) 0 x f
X


2. ( ) 1 x f
X
=

+




Funo de Distribuio (caso contnuo)

Chama-se funo de distribuio de uma V.A. e representa-se por ( ) x F
X
aplicao

( ) x F
X
: I R I R definida por

( ) ( )


= =
x
X X
) x ( f x X P x F : ( ) 0 x f
X


Parmetros de Variveis Aleatrias


Valor mdio: [ E(X) ou
X
]

Sendo, em particular
( ) X X =
, tem-se que:

V.A. Discretas:
( )

=
=
n
1 i
i i
p x X E


V.A. Contnuas:
( ) ( ) dx x f x X E
X
+

=


Algumas propriedades do valor mdio:


1. Linearidade: ( k = constante)

i)
( ) k k E =

ii) ( ) ( ) X kE kX E =
iii)
( ) ( ) X E k X k E + = +

8

iv) ( ) ( ) ( ) ( ) ( ) ( ) ( ) X E X E X X E + = +

2. Positividade:
Se X 0 , ( ) 0 X E

3. ( ) ( ) ( ) X Sup X E X Inf

4. ( ) ( ) ( ) ( ) X E X E


5. Aditividade

( ) ( ) ( ) Y E X E Y X E =

6. Se X e Y so v.a. independentes:

( ) ( ) ( ) Y E . X E Y . X E =

Nota: O recproco no , em geral, verdadeiro.

7. Desigualdade de Schwarz
Se existem ( )
2
X E e ( )
2
Y E , ento:

( ) Y . X E
2
( )
2
X E ( )
2
Y E

8. Corolrio:
Nas mesmas condies:
( ) X E
2
( )
2
X E





Varincia: [Var(X) ou
2
X
]

A varincia de uma varivel aleatria X define-se como a mdia dos desvios
quadrticos relativamente mdia, isto :

( ) ( ) ( ) [ ]
2
X E X E X Var =


Nota:

Verifica-se que
( ) ( ) ( ) [ ]
2
X E X E X Var = ( ) ( ) [ ]
2 2
X E X E =


V.A. Discretas:
( ) ( ) ( ) [ ] = =
2 2
X E X E X Var

=
n
1 i
i
2
i
p x
2
n
1 i
i i
p x

=

9


V.A. Contnuas:
( ) ( ) ( ) [ ] ( ) ( )
2
X X
2 2 2
dx x f . x dx x f . x X E X E X Var
|
|

\
|
= =

+

+










Algumas propriedades da varincia:


1. ( ) 0 X Var

Caso Discreto:
( ) ( ) X E X 0 X Var = =
Caso Contnuo:
( ) 0 X Var >


2. ( ) ( ) X Var b X . b a Var
2
= +


3. Se X e Y so v.a.s independentes:

( ) ( ) ( ) Y Var X Var Y X Var + =
Se no existir independncia
( ) ( ) ( ) ( ) Y , X Cov 2 Y Var X Var Y X Var m + =
Sendo ( ) Y , X Cov a Covarincia entre X e Y







Distribuies Tericas

Variveis Aleatrias Discretas Unidimensionais



Distribuio de Bernoulli:

10

1 Sucesso com probabilidade p
0 Insucesso com probabilidade q = 1- p

( )
( )

= =

0
p 1 p
x X P
x 1 x

. v . o ;
1 , 0 x ; =



Exemplo
Lanamento de uma moeda no equilibrada (p = 0,7; q = 1-p = 0,3).

p X E = ) (

) 1 ( ) ( p p X Var =



Distribuio Binomial: [ ] p , n B X

X = n de sucessos em n provas de Bernoulli independentes.

( ) ( )
x n x
p 1 p
x
n
x X P

|
|

\
|
= = ; n , ... , 1 , 0 x =

( ) p n X E = ; ( ) ( ) p 1 p n X Var =



Exemplo 1

Se 20% dos parafusos produzidos por uma mquina so defeituosos, determine a
probabilidade de entre 4 parafusos escolhidos ao acaso, um ser defeituoso.

Exemplo 2

Um fabricante de tira-ndoas garante que determinado produto tira ndoas em 80%
dos casos. Para verificar tal garantia, uma associao de defesa de consumidores
decidiu recolher uma amostra de 10 elementos, aceitando essa garantia se o n de
casos em que o referido produto foi eficaz for de pelo menos 7.
Qual a probabilidade de a garantia do fabricante ser rejeitada, supondo que a
eficcia de 80%?

Propriedade importante da distribuio Binomial


) 1 ; ; ( ) ; ; ( p n x n B p n x B =




Exemplo

Suponha que de 0,6 a probabilidade de determinado ensaio dar reaco positiva.
Qual a probabilidade de que sejam necessrios 6 ensaios (com reaco negativa)
antes que ocorra a primeira reaco positiva?



11

Exemplo1

Determinou-se estatisticamente que, em cada cinco licenciados procura do primeiro
emprego, s um tem experincia em microcomputadores na ptica do utilizador.
Uma empresa ps anncios nos jornais, a que responderam elevado nmero de
licenciados.
Deduza a funo de probabilidade para o nmero de candidatos a entrevistar at se
encontrarem cinco com aquela caracterstica.


Exemplo2

A probabilidade de um atirador acertar no alvo de 0.6.
Considere as variveis aleatrias:

X = nmero de tiros a efectuar at acertar pela primeira vez.
Y = nmero de tiros a efectuar at acertar pela quinta vez.

a) Calcule a probabilidade de serem necessrios 10 tiros para acertar as 5 vezes.

b) Calcule a probabilidade de ter de atirar 3 vezes para acertar no alvo pela
primeira vez.

Nota:
[ ] [ ] p , x n , k y B
x
k
k , p , x Bn = = =


Distribuio hipergeomtrica: [ ] p , N , M H X

X = n de sucessos ocorridos em N extraces sem reposio.

( )
|
|

\
|
|
|

\
|

|
|

\
|
= =
N
M
x N
Mq
x
Mp
x X P , onde M e N correspondem respectivamente ao
n total de objectos/ indivduos que constituem a populao e dimenso da amostra (n
de extraces a realizar)

N x ,...., 1 , 0 = q=p-1
( ) Np X E = ; ( )
1 M
N M
Npq X Var

=
Exemplo

Suponha que, de 120 candidatos a um emprego numa empresa de telecomunicaes, s 80
tm as qualificaes pretendidas.
Pretende-se a probabilidade de que apenas 2 tenham as qualificaes pretendidas num
grupo de 5 seleccionados para uma entrevista piloto.

Distribuio de Poisson: [ ] P X

12

= N mdio de sucessos que ocorrem num dado intervalo de tempo ou de espao;
> 0.

( )
! x
e
x X P
x

= =

... , 1 , 0 x =

( ) = X E ; ( ) = X Var


Exemplo

O nmero de chamadas que chegam, num perodo de 5 minutos, a uma central
telefnica de uma empresa uma v.a. com distribuio de Poisson de parmetro
10 = .

a) Calcule a probabilidade de que, num perodo de 5 minutos cheguem
exactamente 8 chamadas.

b) Calcule a probabilidade de que, num perodo de 10 minutos chegarem 16
chamadas.

c) Qual o n de chamadas esperado em 10 minutos? E em uma hora?



Variveis Aleatrias Contnuas Unidimensionais

A distribuio Normal [ ] , N X

( )
2
2
1
2
1
|

\
|

x
X
e x f + < < x ;

( ) = X E ; ( )
2
X Var =
13

Algumas propriedades da distribuio normal:

1. A curva normal (funo densidade normal) uni- modal, sendo a sua moda no ponto
= x com valor
2
1


2. Trata-se de uma curva simtrica relativamente a = x

3. A curva tem pontos de inflexo em = x

4. Sendo [ ] , N X considere-se uma v.a.

=
X
Z .

V-se que ( ) 0 Z E = e ( ) 1 Z Var = .

Designa-se usualmente por Z a V.A. normal reduzida [ ]
|

\
|

= 1 , 0 N
X
Z
e por ( ) z a correspondente funo de distribuio.

Como consequncia da simetria tem-se:
( ) = 1 z ( ) z .

[ ] 1 , 0 N Z


5. Estabilidade das somas e mdias de normais:

Sendo X
i
, i=1, , n v.a.s normais independentes, ento

=
=
n
1 i
i n
X S e

=
=
n
1 i
i
n X
n
1
X

so ainda V.A. normais.

0
0,1
0,2
0,3
0,4
0,5
0,6
-4 -3 -2 -1 0 1 2 3 4
14

Corolrio:

Sendo ( )
n 2 1
X , ... , X , X v.a.s normais, independentes e semelhantes (i.i.d.) com valor
mdio e varincia
2
, ento

=
=
n
1 i
i
n X
n
1
X
|
|

\
|

n
N

,



Resultados assimptticos
Convergncia em Lei (ou distribuio):
(fraca, simples ou Bernoulli)

Seja ... , X ..., , X , X
n 2 1
uma sucesso de v.a. representada por { }
IN n n
X

.
Diz-se que { }
IN n n
X

converge em lei para uma v.a. X se a sucesso das funes de
distribuio correspondentes ( ) { }
IN n n
x F

converge para a funo de distribuio ( ) x F
X

da v. a. X, quando n em todos os pontos de continuidade de ( ) x F
n
.
Representa-se este facto por X X
L
n
ou X X
w
n
.


----------------------- // -----------------------

Teorema Limite central

Sendo { }
n
X uma sucesso de v.a. independentes e (semelhantes) identicamente
distribudas (i.i.d.) com valor mdio e desvio padro .
A mdia

=
=
n
1 i
i
n X
n
1
X converge em lei para uma v.a. normal reduzida.
Costuma-se referenciar este facto dizendo que n X tem distribuio assimpttica normal, e
representamos por

[ ] 1 , 0 N ~
n
X
Z
n