Interpretações e

Axiomas de Probabilidade

Lı́via Dutra
1o /2020
Introdução
→ A probabilidade é usada para quantificar a possibilidade ou chance
de ocorrência de um resultado de um experimento aleatório.

→ A possibilidade de um resultado é quantificada atribuindo-se um

número do intervalo [0, 1] ao resultado.

• Números maiores são resultados mais prováveis que números

menores;
• Zero indica que o resultado não ocorrerá;
• Um indica que o resultado ocorrerá com certeza.

Lı́via Dutra 1
Interpretações

• Subjetiva: grau de crença de que o resultado ocorrerá.

Exemplo: ”A probabilidade de chover é de 0,3”. Podemos inter-
pretar como a quantificação do nosso sentimento em relação a
possibilidade de chuva.

• Frequentista: valor limite da proporção de vezes que o resul-

tado ocorre em n repetições do experimento aleatório, à medida
que n aumenta.
Exemplo: Suponha que a probabilidade de uma peça seguir às
especificações técnicas é de 0,8. Podemos interpretar que, se
analisarmos um número grande de peças, 80% delas seguirão
às especificações.

Lı́via Dutra 2
Encontrando probabilidades
→ A princı́pio, vamos introduzir probabilidades para espaços amostrais
discretos.

→ Uma abordagem simples de atribuir probabilidades a resultados

de um experimento aleatório é basear no conceito de resultados
igualmente prováveis (ou equiprováveis).

Lı́via Dutra 3
Resultados igualmente prováveis

Se um espaço amostral consiste em N resultados possı́veis e se todos

os resultados são igualmente prováveis, tem as mesmas chances de
ocorrerem, então, a probabilidade de cada resultado é N1 .

Lı́via Dutra 4
 Exemplo 1
Escolher uma pessoa dentre 100. Dizemos que uma pessoa é sele-
cionada aleatoriamente se ela e todas as outras têm iguais chances
de serem escolhidas. Então, a probabilidade de escolher cada uma
1
das 100 pessoas, aleatoriamente, é 100 .

Exemplo 2
Lançar um dado de 6 faces e observar a face voltada para cima.
A probabilidade de sair qualquer uma das faces é 16 .

Lı́via Dutra 5
 Exemplo 3
Selecionar uma peça e avaliar se contém defeito ou não.
Se considerarmos um modelo de resultados equiprováveis, a proba-
bilidade de ocorrer qualquer um dos resultados é 21 .

→ Para o experimento descrito no Exemplo 3, pode não ser ideal

utilizar o conceito de resultados equiprováveis.

→ Probabilidades devem ser atribuı́das com base em um modelo

razoável para o sistema em estudo.

→ São escolhidas de forma que a soma das probabilidades de todos

os resultados em um experimento some um.

Lı́via Dutra 6
Frequentemente, precisamos atribuir probabilidades a eventos que
sejam compostos por vários resultados do espaço amostral.

Probabilidade de um evento
Para um espaço amostral discreto, a probabilidade de um evento A,
denotada por P(A), é igual a soma das probabilidades dos resultados
em A.

Lı́via Dutra 7
→ Voltando ao Exemplo 2: Lançar um dado de 6 faces. Considere
as faces enumeradas de 1 a 6 e defina os eventos:

A: face par voltada para cima. A = {2, 4, 6}.

B: face ı́mpar voltada para cima. B = {1, 3, 5}.

Como definido anteriormente, a probabilidade de cada resultado é

1
6 . Então,

3 1
P(A) = P({2, 4, 6}) = P({2}) + P({4}) + P({6}) = = .
6 2
3 1
P(B) = P({1, 3, 5}) = P({1}) + P({3}) + P({5}) = = .
6 2

Lı́via Dutra 8
 Exemplo 4
O número de chamadas em espera em um determinado cen-
tro de atendimento pode ser {0, 1, 2, 3}. Suponha que as prob-
abilidades para cada quantidade de chamadas em espera são
0, 1; 0, 3; 0, 5 e 0, 1, respectivamente.
Sejam os eventos:

A: observar entre uma e duas chamadas em espera.

A = {1, 2}.
B: observar no mı́nimo duas chamadas em espera. B = {2, 3}.

Lı́via Dutra 9
Então,
P(A) = P({1, 2}) = P({1}) + P({2})
= 0, 3 + 0, 5 = 0, 8;

P(B) = P({2, 3}) = P({2}) + P({3})

= 0, 5 + 0, 1 = 0, 6.
Podemos calcular outras probabilidades, como
P(Ac ) = P({0, 3}) = P({0}) + P({3})
= 0, 1 + 0, 1 = 0, 2;

P(B c ) = P({0, 1}) = P({0}) + P({1})

= 0, 1 + 0, 3 = 0, 4;

P(A ∩ B) = P({2}) = 0, 5.
Lı́via Dutra 10
 Exemplo 5
Em um conjunto de 20 ı́tens, sabe-se que 3 deles são defeituosos
e 17 não. Uma amostra com 6 ı́tens é selecionada aleatoriamente.
Qual é a probabilidade da amostra conter exatamente dois ı́tens
defeituosos?

→ Vamos definir o evento A: a amostra contém dois ı́tens defeitu-

osos.
→ Para encontrar quantos resultados do experimento pertencem
ao evento A, podemos dividir em duas etapas: selecionar 2 ı́tens
defeituosos e selecionar 4 ı́tens sem defeito.
→ Primeiro, selecionamos 2 ı́tens defeituosos dentre os 3 defeituosos
totais:
C23 = 3.

Lı́via Dutra 11
→ Depois, selecionamos 4 ı́tens não defeituosos dentre os 17 não
defeituosos totais:
C417 = 2.380.

→ Então, pela regra da multiplicação, o total de resultados no

evento A é:
C23 × C417 = 7.140.

→ O número total de resultados possı́veis para o experimento aleatório,

ou seja, o tamanho do espaço amostral é:

C620 = 38.760.

→ Então,
C23 × C417 7.140
P(A) = 20
= = 0, 1842.
C6 38.760

Lı́via Dutra 12
Axiomas de Probabilidade
→ A formalização de probabilidades é feita através de axiomas.

→ Então, sempre que definimos probabilidades em um espaço amostral,

elas devem satisfazer três axiomas.

→ Eles garantem que as probabilidades atribuı́das a um experimento

podem ser interpretadas como frequências relativas.

→ Os axiomas não determinam probabilidades. Eles nos fornecem

condições para calcular probabilidades de eventos.

Lı́via Dutra 13
Axiomas de Probabilidade

Se S é um espaço amostral e A um evento qualquer de S, as prob-

abilidades devem satisfazer:

Axioma 1. 0 ≤ P(A) ≤ 1;

Axioma 2. P(S) = 1;

Axioma 3. Se A e B são eventos de S, tal que A ∩ B = ∅,

então, P(A ∪ B) = P(A) + P(B).

Lı́via Dutra 14
→ Voltando ao Exemplo 4: Número de chamadas em espera.
S = {0, 1, 2, 3} e 0, 1; 0, 3; 0, 5 e 0, 1 são as respectivas probabili-
dades de cada resultado possı́vel. Definimos o evento A = {1, 2} e
encontramos P(A) = 0, 8.
Para mostrar que as probabilidades foram definidas corretamente,
temos que verificar a validade dos três axiomas.

1. 0 ≤ P(A) ≤ 1.
2. P(S) = P({0, 1, 2, 3}) = 0, 1 + 0, 3 + 0, 5 + 0, 1 = 1.
3. Seja o evento C = {3}, dessa forma A e C são mutuamente
exclusivos.
P(A ∪ C ) = P({1, 2, 3}) = 0, 9 e, também,
P(A) + P(C ) = 0, 8 + 0, 1 = 0, 9.

⇒ P(A ∪ C ) = P(A) + P(C ).

Lı́via Dutra 15
Algumas consequências dos axiomas

→ P(∅) = 0.

→ P(Ac ) = 1 − P(A).

→ Se A ⊂ B, então, P(A) ≤ P(B).

Lı́via Dutra 16
Uniões de eventos
Probabilidade de uma união

P(A ∪ B) = P(A) + P(B) − P(A ∩ B)

Lı́via Dutra 17
→ Voltando ao Exemplo 4: Número de chamadas em espera. Temos
as seguintes informações:
• S = {0, 1, 2, 3};
• A = {1, 2} ⇒ P(A) = 0, 8;
• B = {2, 3} ⇒ P(B) = 0, 6;
• C = {3} ⇒ P(C ) = 0, 1;
• P(A ∩ B) = 0, 5.

Então, para encontrar a probabilidade do evento A ∪ B,

P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
= 0, 8 + 0, 6 − 0, 5 = 0, 9
Também, para encontrar a probabilidade do evento A ∪ C , note que
A ∩ C = ∅, assim,
P(A ∪ C ) = P(A) + P(C ) − P(A ∩ C ) ← P(A ∩ C ) = P(∅) = 0
= P(A) + P(C ) ← simplifica para o Axioma 3.
= 0, 8 + 0, 1 = 0, 9.
Lı́via Dutra 18
 Exemplo 6
Um fabricante de faróis para automóveis testa lâmpadas sob ambi-
entes de alta umidade e com alta temperatura, usando intensidade
e vida útil das lâmpadas como resposta de interesse. Após analisar
130 lâmpadas, os resultados obtidos estão na tabela abaixo.

Vida útil
Satisfatória Insatisfatória
Satisfatória 117 3
Intensidade
Insatisfatória 8 2

Lı́via Dutra 19
Seja o evento A em que as lâmpadas têm a vida útil satisfatória.
125
Então, P(A) = 130 .
Seja o evento B em que as lâmpadas têm a intensidade satisfatória.
Então, P(B) = 120
130 .

A ∩ B é o evento a lâmpada ser satisfatória em intensidade e vida

útil simultaneamente. Então, P(A ∩ B) = 117
130 .

P(A ∪ B) = P(A) + P(B) − P(A ∩ B)

125 120 117 128
= + − = .
130 130 130 130
117 8 3 128
Note que é equivalente a soma: + + = ,
130 130 130 130
onde, as frações representam as probabilidades de ocorrer A e B
simultaneamente, somente o evento A e somente o evento B, re-
spectivamente.

Lı́via Dutra 20
Probabilidade de uniões de três ou mais eventos

P(A ∪ B ∪ C ) = P(A) + P(B) + P(C ) − P(A ∩ B) − P(A ∩ C )

− P(B ∩ C ) + P(A ∩ B ∩ C )

Lı́via Dutra 21
 Eventos mutuamente exclusivos (ou mutuamente disjuntos)
Uma coleção de eventos A1 , A2 , · · · , Ak é dita ser mutuamente
exclusiva (ou disjunta) se, para todos os pares, Ai ∩ Aj = ∅.

Assim, para essa coleção de eventos,

P(A1 ∪ A2 ∪ · · · ∪ Ak ) = P(A1 ) + P(A2 ) + · · · + P(Ak ).

Lı́via Dutra 22