1.

Introdução a Probabilidades
A teoria das probabilidades e o ramo da Matemática que cria, desenvolve e pesquisa modelos
que podem ser utilizados para estudar experimentos ou fenómenos aleatórios.
Segundo Pierre Simon, a teoria de probabilidades nada mais e do que o senso comum reduzido a
calculo.
A probabilidade, e a mensuração da chance de ocorrência de fenómenos aleatórios, mostrando
como poderão ocorrer os fatos. Probabilidade é o estudo de experimentos aleatórios ou não
determinísticos. Mas o que é experimento? Um experimento é qualquer processo de observação.
Um experimento pode ser, por exemplo:

 Uma observação meteorológica ou sísmica. Nesse caso temos observações de

experimentos naturais;
 Uma pesquisa de opinião para saber quantos eleitores votarão no candidato x ou y na
próxima eleição;
 Uma verificação de um exame de sangue ou o teste de fadiga de determinado material da
construção civil são observações de experimentos controlados.
Nos experimentos mencionados, pode-se notar que a incerteza sempre está presente, o que quer
dizer que, se esses experimentos forem repetidos em condições idênticas, não se pode determinar
qual o resultado que ocorrrerá. Tais experimentos são conhecidos como experimentos
aleatórios. A incerteza esta associada à chance de ocorrência que atribuímos ao resultado de
interesse.
Exemplo 1: Vai chover neste final de semana na Praia do Futuro, em Fortaleza?
Conjunto de possibilidades: S = {chove, não chove}
Para calcular a probabilidade de chover, podemos ou usar a intuição (subjetivo) ou usar a
frequência relativa dos últimos dez fins de semana em que choveu (objetivo). SILVA, J. L. C;
FERNANDES, M. W; ALMEIDA, R. L. F. 96.

Exemplo 2: Lançamento de um dado: você ganha se sair uma face par.

Conjunto de possibilidades: S = {1, 2, 3, 4, 5, 6}
Conjunto de possibilidades favoráveis: F = {2, 4, 6}
Probabilidade de você ganhar = ?
Supondo que um dado é honesto e equilibrado, será natural atribuirmos a probabilidade

A teoria da probabilidade está baseada na estabilidade da frequência relativa após N repetições

de um experimento. Essa estabilidade (aproxima-se de um limite) é base da Teoria da
Probabilidade. A definição clássica ou histórica de probabilidade é dada por

P (A) =n (s)/ n (A)

Onde, P(A) = probabilidade de ocorrer o evento A, n(A) = número de casos favoráveis à

ocorrência do evento A e n(S) = números de casos possíveis do experimento, desde que sejam
igualmente prováveis. Essa definição pode ser aplicada apenas a uma classe limitada de
problemas, isto é, aqueles em que é possível contar os elementos do espaço amostral, S, e do
evento A. Nessa contagem, a técnica usada é análise combinatória.

Historicamente, a Teoria da Probabilidade começou com o estudo de jogos de azar (roleta, cartas
e outros.). Vejamos um breve histórico a partir do século XVI.
A era dos jogos de azar
Cardano (1501-1576) → 1o matemático a calcular uma probabilidade correta.
Fermat (1601-1655), Pascal (1623-1662) e Huygens (1629-1695) → envolveram-se na solução
de um dos primeiros problemas de probabilidade.
O começo
Bernoulli (1654-1705) → provou a Lei dos Grandes Números.
Laplace (1749-1827) → publicou a Théorie Analytique des Probabilités.
Poisson (1781-1840) → distribuição de probabilidade com seu nome.
Gauss (1777-1855) → originou a Teoria dos Erros, particularmente, a
dos Mínimos Quadrados.

Estamos chegando
Chebyshev (1822-1894) → explorou as relações entre variáveis aleató- rias e suas
esperanças.Estatística e Probabilidade 97
Markov (1856-1922) → criou um novo ramo que é a Teoria das Variáveis Aleatórias
Dependentes, conhecida como Cadeias de Markov.
Axiomatização
Borel (1871-1956) → criou a álgebra de Borel.
Kolmogorov → publicou em 1933 um livro com a axiomática usada
até hoje.
Mente brilhante
John von Neumann (1903-1957) → criou a Teoria dos Jogos (1928) e contribui para a descoberta
da mecânica quântica e para o desenvolvimento da 1a bomba atômica. É o pai da arquitetura
digital dos computadores.

Hoje
Idéias recentes → Probabilidade Intervalar, Probabilidade Imprecisa, Teoria dos Fractais e a
Teoria da Complexidade.

Aplicacoes da probabilidade
 Previsão da demanda, safras agrícola, avaliação dos impactos dos aumentos dos impostos
sobre a inflação;
 Avaliar as chances dos alunos serem aprovados;
 Médicos determinam se e quando determinado doente deveria estar recuperado;
 Estabelecer as chances de determinada categoria entrar em greve;
 O governo determine ate quando será capaz de manter os preços congelados ou tabelados;
 Avaliação de estratégias de accao.

Variáveis aleatórias, funções densidade de probabilidade

O objetivo do cálculo das probabilidades é criar modelos matemáticos capazes de representar os

experimentos aleatórios. Experiência aleatória designa uma situação à qual estejam associados,
de forma não controlada, dois ou mais resultados possíveis.O conjunto de todos os resultados
possíveis de uma experiência aleatória é chamado de espaço amostral. Os espaços amostrais
podem ser discretos ou contínuos consoante os seus elementos sejam numeráveis ou não. Os
espaços discretos podem ser finitos ou infinitos. O espaço amostral associado a uma experiência
aleatória depende da forma como a experiência é avaliada, isto é, depende daquilo que está sendo
observado.

Exemplo 12: Considere uma experiência constituída pelo lançamento de uma moeda ao ar por
três vezes consecutivas. Se o resultado for avaliado pelo número de “Ca” {caras} obtido, o
espaço amostral é constituído pelo conjunto {0, 1, 2, 3}. Se o resultado for avaliado pela
sequência de “Ca”(caras) e “Co” (coroas), o espaço amostral é constituído por oito resultados
possíveis.
O diagrama de Venn é utilizado na representação de resultados sequenciais. No entanto, é difícil
lidar com espaços amostrais dessa maneira, é muito mais fácil trabalhar com quantidades
numéricas. Neste exemplo específico poderíamos estar interessados no número de “caras” nas 3
jogadas, e seria interessante definir uma função que associasse um número a cada resultado no
espaço amostral.

Seja S o espaço amostral e X uma função que “pega” elementos deste espaço (resultados da
experiência) e os leva num subconjunto de números reais. Essa função X é chamada de variável
aleatória.

Conceitos Básicos da Probabilidade

Experimento, e todo o fenómeno que acontece ou toda accao que será feita.
Da analise dos experimentos verifica-se
 Cada experimento poderá ser repetido sob as mesmas condicoes indefinidamente;
 O resultado particular de cada experimento aparecera ao acaso, mas pode-se descrever todos
os possíveis resultados.

Da análise dos experimentos verifica-se o seguinte:

Cada experimento poderá ser repetido sob as mesmas condições indefinidamente;

O resultado particular de cada experimento aparecerá ao acaso, mas pode-se descrever todas os
possíveis resultados;

Quando o experimento se repetir um grande número de vezes aparece uma regularidade.

Experimento Aleatório: É um processo de coleta de dados em que os resultados possíveis são

conhecidos mas não se sabe qual deles ocorrera, ou seja, o que caracteriza o experimento
aleatório e o facto de sua repetição, sob condicoes inalteradas, nao conduzir necessariamente, ao
mesmo resultado. Assim, um experimento aleatório pode ser a contagem de ausências de um
funcionário em um determinado mês, o resultado do lançamento de uma moeda, verificar o
resultado de um exame de sangue, entre outros.
Em fenómenos aleatórios tais como lançamento de uma moeda, de um dado, extração de uma
carta de um baralho entre outros, temos que todos os resultados possíveis tem a mesma chance
de ocorrer. Assim, por exemplo no lançamento de uma moeda a probabilidade do evento cara ou
coroa ocorrer são igualmente prováveis, ou seja, a probabilidade atribuída a cada um é 1/2.

Experimento determinístico dizemos que um experimento e determinístico quando repetido

inúmeras vezes, em condicoes semelhantes, conduz a resultados essencialmente idênticos.
Ex.:Aceleração da gravidade
Leis da Física e da Química

Espaço Amostral: O conjunto de todos os resultados possíveis do fenómeno aleatório é

chamado de espaço amostral. Vamos representá-lo por Ω. Pode conter um numero finito ou
infinito de pontos
Exemplo 2.1 Lançamento de uma moeda. Ω = {cara, coroa}.
Exemplo 2.2 Lançamento de um dado. Ω = {1, 2, 3, 4, 5, 6}.
Exemplo 2.3 Número de chips defeituosos em uma linha de produção durante 24 horas.
Ω ={0, 1, 2, 3, . . . , n}, sendo n o número máximo de itens defeituosos.
Cada resultado do espaço amostral e considerado um ponto amostral.

Evento: Qualquer subconjunto do espaço amostral Ω é chamado de evento. Serão representados

por letras maiúsculas A, B,... . Dentre os eventos podemos considerar o evento união de A e B,
denotado por A ∪ B, que, equivale à ocorrência de A, ou de B, ou de ambos. A ocorrência
simultânea dos eventos A e B, denotada por A ∩ B é chamada de evento interseção. Dois
eventos A e B dizem-se mutuamente exclusivos ou disjuntos, quando a ocorrência de um deles
impossibilita a ocorrência do outro. Os dois eventos não têm nenhum elemento em comum, isto
é, A ∩ B = ∅ (conjunto vazio).

Exemplo 2.5 Suponha um fenómeno aleatório conduzido com a finalidade de se conhecer a

eficiência de uma terapia na cura de uma síndrome. Portanto, dois pacientes foram tratados com
a referida terapia. Vamos representar C e C, como curado e não curado, respetivamente.
O espaço amostral nesse caso é dado por:
Ω = {CC, CC, CC, CC}.
Considere os seguintes eventos: A obter uma cura e B obter quatro curas: Sendo
assim, temos:
A = {CC, CC} e B = ∅.

Tipos de Eventos
Evento simples: É aquele formado por um único elemento do espaço amostral.

No lançamento de uma moeda, temos 2 eventos simples:

E1= {k} E2 = {c}

Evento Composto: É aquele formado por dois ou mais elementos do espaço o amostral.

No lançamento de um dado podemos considerar, entre outros, os seguintes eventos:

E1 = {2, 4} E2 = {1, 3, 5} E3 = {2, 4, 6, 5}

Evento certo: É aquele que ocorre sempre, isto é, em todas as realizações da experiência. O
evento representado pelo próprio conjunto que define o espaço amostral.

E = Lançamento de um dado

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

A = sair qualquer das faces de 1 a 6 no lançamento de um dado

A = S --- P(A) = 1

Evento impossível: São os eventos que não possuem elementos

no espaço amostral, ou seja, nunca ocorrem.

A = Ocorrer o número 7 na face de um dado.

Este evento é impossível pois o número 7 não figura no espaço amostral dos números possíveis
na face de um dado. A probabilidade de ocorrer um evento impossível é sempre nula, mas, sendo
a probabilidade de ocorrer um evento igual a zero, nem sempre o evento será impossível

Evento soma (ou união): É o evento que consiste na realização de pelo menos um dos eventos.

E1 e E2 ---(E1 + E2) = (E1 ∪ E2).

Retirada uma carta de um baralho, quer-se que ocorra uma carta de ouro ou uma carta de Ás. O
evento soma é um evento composto, e se constitui de elementos comuns aos dois eventos e de
elementos não comuns a ambos.

Evento Produto (ou intersecção): É o evento que consiste na realização de ambos (um e outro)
os eventos E1 e E2, isto é, eles devem ocorrer simultaneamente .

(E1 . E2) = (E1 ∩ E2)

Na retirada de uma carta de um baralho, quer-se que ocorra uma carta Ás de ouro.

Evento condicionado: É o evento que consiste na realização do evento E1 sob a condições de

ter-se realizado o evento E2, isto é, com a informação adicional de que o evento E2 já ocorreu

(E1/E2). São aqueles em que o acontecimento de um está condicionado ao acontecimento de

outro (acontece um se o outro já aconteceu).

Retirar um Ás de um baralho completo e um REI sem reposição. Neste caso não poderei retirar a
carta REI se já houve retirado do baralho a carta de ÁS.
Evento mutuamente exclusivos: Dois eventos E1 e E2 são mutuamente exclusivos, se eles não
puderem ocorrer simultaneamente (é um ou o outro), ou seja a ocorrência de um exclui a
ocorrência do outro.

E = jogar um dado e observar o resultado

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

Eventos:

A = Ocorrer o número par

B = Ocorrer o número ímpar

A = {2,4,6} e B = {1,3,5} logo A ∩ com B = ∅.

Evento complementar: São os eventos que se completam em relação ao espaço amostral. O

evento complementar A, associado a uma experiência aleatória e denotado por , só ocorre se A
deixar de ocorrer, isto é, é o evento formado por todos os elementos do espaço amostral que não
pertencem a A. A e o seu complementar ( é o complementar, lê-se não A)

Evento independente: São aqueles que podem ocorrer ao mesmo tempo, acontece um e
acontece o outro simultaneamente (um e o outro), a ocorrência de um não depende da ocorrência
do outro. Supomos que duas pessoas atiram numa caça; os eventos que consistem em que cada
uma das pessoas acerte são independentes, pois o fato da primeira pessoa acertar em nada
influencia no fato da outra também acertar.

Em geral, temos interesse em eventos particulares do experimento.

• Evento A: chove
Então, A = {chove}⊂ S. O evento A é um subconjunto de S.
Exemplo 4: S = {1, 2, 3, 4, 5, 6}
• Evento B: sair face par.
Então, B = {sair face par} = {2, 4, 6}⊂ S. O evento B é um subconjunto de S.
Exemplo 5: Ainda considerando S = {1, 2, 3, 4, 5, 6}, podemos definir outros
eventos como
• Evento C: sair uma face ímpar.
Então, C = {1, 3, 5}

Evento D: sair uma face maior que 3.

Então, D = {4, 5, 6}

• Evento E: sair face 1.

Então, E = {1}.

Operações com eventos

Usamos a Teoria dos conjuntos para definir operações com eventos

União é o evento que consiste da união de todos os pontos amostrais dos eventos que a
compõem. Denotamos a união do evento A com B por A ∪ B. A ∪ B = {ω ∈ A ou ω ∈ B}

Interseção é o evento composto pelos pontos amostrais comuns aos eventos que a compõem.
Denotamos a interseção de A com B por A ∩ B.

A ∩ B = {ω ∈ A e ω ∈ B}

Complemento é o conjunto de pontos do espaço amostral que não estão no evento. Denotamos o
complemento do evento A por Ac . Ac = {ω nao pertence A}

Disjuntos (mutuamente exclusivos) são eventos que possuem interseção nula, ou seja, A ∩ B =
{∅}.

Complementares são eventos que a união é o espaço amostral, ou seja, A ∪ B = Ω.

Considere o lançamento de um dado e os eventos A = {1, 2, 3, 4},

B = {ω : ω ≤ 3}, C = “face par”, D = “face primo”.

Uniões

A ∪ B = {1, 2, 3, 4}

A ∪ C = {1, 2, 3, 4, 6}

A ∪ D = {1, 2, 3, 4, 5}

Interseções

A ∩ B = {1, 2, 3}

A ∩ C = {2, 4}

A ∩ D = {2, 3}

Complementos

Ac = {5, 6}

Bc = {ω : ω > 3}

Dc = {1, 4, 6}

Propriedades de probabilidades

É uma função P(.) que associa números reais aos elementos do espaço amostral e satisfaz as
condições:

1. 0 ≤ P(A) ≤ 1, para qualquer evento A;

2. P(Ω) = 1;

3. P(∅) = 0;

Se A for o evento complementar de A, então P(A) = 1 - P(A).

Teorema da soma

Dado dois eventos A e B, a probabilidade de pelo menos um deles ocorrer é igual a soma das
probabilidades de cada um menos a probabilidade de ambos ocorrerem simultaneamente, ou
seja:

P(A ∪ B) = P(A) + P(B) )- P(A ∩ B). Se A e B forem mutuamente exclusivos, teremos

P(A∩B)=0. Assim, P(A ∪ B) = P(A) + P(B).

Exemplo Considere o experimento lançamento de um dado e os seguintes eventos:

A = {sair número 5},

B = {sair número par} e

C = {sair número ímpar}.

Determinar: Ω, P(A), P(B), P(C), P(A∪B), P(A∪C) e P(A).

Ω = {1, 2, 3, 4, 5, 6}

P(A) = 1/6

P(B) = 3/6

P(C) = 3/6

P(A ∪ B) = 1/6+ 3/6=4/6

P(A ∪ C) = 1/6 + 3/6 -1/6=3/6

P(A) = 1-1/6= 5/6

Exemplo: Um estudo realizado por uma empresa de recursos humanos mostrou que 45% dos
funcionários de uma multinacional saíram da empresa porque estavam insatisfeitos com seus
salários, 28% porque consideraram que a empresa não possibilitava o crescimento profissional e
8% indicaram insatisfação tanto com o salário como com sua impossibilidade de crescimento
profissional. Considere o evento S: O funcionário sai da empresa em razão do salário e o evento
I: O funcionário sai da empresa em razão da impossibilidade de crescimento profissional. Qual é
a probabilidade de um funcionário sair desta empresa devido a insatisfação com o salário ou
insatisfação com sua impossibilidade de crescimento profissional?

P(S ∪ I) = P(S) + P(I) ) P(S ∩ I)

P(S ∪ I) = 0, 45 + 0, 28 - 0, 08 = 0, 65.

Teorema do produto

Da definição de probabilidade condicional P(A|B) = P(A∩B) /P(B) podemos obter o teorema do

produto, que nos permite calcular a probabilidade da ocorrência simultânea de dois eventos.
Sejam A e B eventos de Ω, a probabilidade de A e B ocorrerem juntos é dada por:

P(A ∩ B) = P(A) P(B|A), com P(A) > 0 ou

P(A ∩ B) = P(B) P(A|B), com P(B) > 0.

Dois eventos A e B são independentes quando a ocorrência de um não altera a probabilidade de

ocorrência do outro. Desse modo, P(A ∩ B) = P(A) P(B).

Exemplo: Uma empresária sabe por experiência, que 65% das mulheres que compram em uma
loja preferem sandálias plataformas. Qual é a probabilidade de as duas próximas clientes
comprarem cada uma delas, uma sandália plataforma? Vamos admitir que o evento A a primeira
cliente compra uma sandália plataforma e o evento B a segunda cliente compra uma sandália
plataforma. Então:

P(A ∩ B) = (0, 65)(0, 65) = 0, 4225.

Probabilidade condicional

Existem situações em que a chance de um particular evento acontecer depende do resultado

de outro evento. A probabilidade condicional de A dado que ocorreu B pode ser determinada

dividindo-se a probabilidade de ocorrência de ambos os eventos A e B pela probabilidade do

evento B; como se mostra a seguir:

P(A | B) = P(A ∩ B) / P(B) , P(B) > 0.

Exemplo: Em uma universidade foi selecionada uma amostra de 500 alunos que cursaram

a disciplina de Estatística. Entre as questões levantadas estava: Você gostou da disciplina de

Estatística? De 240 homens, 140 responderam que sim. De 260 mulheres, 200 responderam que

sim. Para avaliar as probabilidades podemos organizar as informações em uma tabela. maneira:

Qual é a probabilidade de que um aluno escolhido aleatoriamente:

(a) H = Seja um homem?

P(H) = 240 /500 = 0, 48.

Probabilidade axiomática

Uma das dificuldades em desenvolver uma teoria matematiza das probabilidades tem sido a de
chegar a uma definição simples e precisa o suficiente para usar em matemática, mas abrangente
para ser aplicável a uma vasta gama de fenómenos. A busca de uma definição amplamente
aceitável levou quase tres séculos e foi marcado por muita controvérsia. A questão foi finalmente
resolvida no século 20, tratando a teoria das probabilidades em uma base axiomática. Em 1933,
uma monografia do matemático russo A. Kolmogorov delineou uma abordagem axiomática que
forma a base para a moderna teoria. Desde entao, as ideias foram aperfeiçoadas e um pouco da
teoria das probabilidades e agora parte de uma disciplina mais geral conhecida como teoria da
medida. Entendemos por definição moderna a definição axiomática e, portanto, definição
matematicamente fundamentada e proposta por A.N.Kolmogorov em 1933. Para entender a
definição moderna de probabilidades devemos compreender primeiro os conceitos de algebra e
σ-´algebra de eventos aleatórios e, ainda, entender uma situação particular destes conjuntos
quando aplicados estes conceitos na reta real, a chamada σ-´algebra de Borel.

Álgebra dos eventos ou acontecimentos