4.

Probabilidades

0
Teoria das probabilidades
A tomada de decisões com base nos dados de uma amostra envolve um certo grau de
incerteza. É importante quantificar esse grau de incerteza. A probabilidade é uma medida
do grau de incerteza de um dado fenómeno aleatório, donde o estudo da teoria das
probabilidades estar na base da inferência estatística.

Experiência aleatória  Resultados só influenciados pelo acaso. É caracterizada por:

 possibilidade de repetição em condições semelhantes,

 pode-se descrever o conjunto de todos os resultados possíveis, mas não se pode dizer à
priori qual o resultado da experiência,
 os resultados individuais são irregulares, mas após repetição da experiência um grande
número de vezes, observa-se uma certa “regularidade estatística”.

Exemplo: No lançamento de uma moeda existem dois resultados possíveis ‘cara’ ou

‘coroa’. Não é possível prever o resultado em cada lançamento mas após um elevado
número de lançamentos observa-se que a frequência de ‘caras’ tende para um determinado
valor.
1
Espaço de resultados   conjunto de todos os resultados possíveis de uma dada
experiência aleatória. Pode ser:

 discreto: número de elementos finito ou infinito numerável,

 contínuo: número de elementos infinito não numerável.

Acontecimentos  um acontecimento é um conjunto de resultados possíveis de uma

experiência aleatória. Desse modo, trata-se de um subconjunto do espaço de resultados 
donde se poder utilizar todos os instrumentos da teoria dos conjuntos para representar os
acontecimentos e as operações que se definem sobre estes.

 Os acontecimentos formados por um único elemento, designam-se por acontecimentos

elementares.

 O espaço de resultados : designa-se por acontecimento certo.

 O conjunto vazio  designa-se por acontecimento impossível.

2
 Diz-se que o acontecimento A se realizou, se o resultado da experiência aleatória,  , é
um elemento de A (  A ).

 Os acontecimentos A e B dizem-se incompatíveis ou mutuamente exclusivos se A  B  

. A realização de um dos acontecimentos implica a não realização do outro.

 A  B  A realização de A implica a realização de B.

 A B  União ou soma lógica dos acontecimentos A e B, define um novo acontecimento

que se realiza se e só se A ou B se realizam. É traduzido por A  B     :   A    B

 A B  Intersecção ou produto lógico dos acontecimentos A e B, define um novo

acontecimento que se realiza se e só se A e B se realizam conjuntamente. É traduzido
por A  B     :   A    B.

3
 A  B ou A \ B  Diferença de dois acontecimentos A e B, define um novo acontecimento
que se realiza se e só se A se realiza sem que se realize B. É traduzido por
A  B     :   A    B.

 B  Complementar do acontecimento B, define um novo acontecimento que se realiza

se e só se B não se realiza. É traduzido por B    B    :   B.

 AB  Diferença simétrica entre dois acontecimentos A e B, define um novo

acontecimento que se realiza se e só se A se realiza e B não se realiza ou B se realiza e A
não se realiza. É traduzido por AB   A  B    A  B    A  B    A  B 

4
Algumas propriedades das operações com acontecimentos
 comutatividade de  e :
A B  B  A
A B  B  A

 associatividade de  e :
A  B  C    A  B   C
A  B  C    A  B   C

 distributividade de  e :
 A  B  C    A  B    A  C 
 A  B  C    A  B    A  C 

 leis de De Morgan
 A B  A  B
 A B  A  B

 duplo complementar:
A A
5
Definição clássica de probabilidade
 Se a uma experiência aleatória se puderem classificar à priori s todos os resultados possíveis num
número finito n de casos mutuamente exclusivos e igualmente prováveis, então o cálculo da
probabilidade de um acontecimento A ocorrer resume-se à contagem do número de resultados
possíveis n e do número de resultados favoráveis a A, n A resultados.

número de casos favoraveis a A n A

P  A  
número de casos possíveis n

Limitações desta definição:

 só pode ser aplicada se o número de resultados possíveis da experiência aleatória for finito.
 só pode ser aplicada se os resultados forem igualmente prováveis.
 não permite dar resposta a questões do tipo:
Qual a probabilidade de um homem morrer antes dos 50 anos?
Qual a probabilidade de um jornal vender num dia 500 unidades?
Qual a probabilidade de sair uma face no lançamento de uma moeda não equilibrada?
Qual a probabilidade de uma pessoa selecionada ao acaso ser benfiquista?

6
Definição frequencista de probabilidade
 Uma determinada experiência aleatória é repetida n vezes em idênticas condições, tendo o
n
acontecimento A se realizado n A vezes. Seja f A  A a sua frequência relativa. De acordo com a
n
definição frequencista de probabilidade, a probabilidade do acontecimento A ocorrer é o valor
para que tende f A quando se aumenta o número de provas n.
n
P A  lim A  lim f A
n   n n  

Exemplo: Uma seguradora não pode afirmar quem são as pessoas que terão acidentes com idades
compreendidas entre os 18 e os 30 anos, mas pelo número de observações do passado n A , e em
função do número de segurados n, pode prever a probabilidade de ocorrência de acidentes naquela
faixa etária.
Exemplo: O gestor de vendas de um concessionário de uma marca de automóveis precisa saber qual
a probabilidade do stand vender mais de 4 automóveis na próxima semana. Através dos registos da
empresa foi possível saber que somente em 6 semanas das últimas 50 semanas, o número de
automóveis vendidos foi superior a 4 automóveis. Logo a probabilidade será de 6 50 .

Esta é uma definição à posteriori.

7
Definição subjetiva de probabilidade

 A probabilidade subjetiva é dada pelo grau de credibilidade ou de confiança que cada pessoa dá
à realização de um dado acontecimento aleatório. Daí que seja subjetiva porque para o mesmo
acontecimento diferentes pessoas podem dar diferentes probabilidades.

Exemplo: O Miguel acha que a probabilidade de o Benfica ganhar o campeonato é superior a 0.6, já
o António acha que essa probabilidade é inferior a 0.5.

Exemplo: Um comentador desportivo atribuir uma probabilidade de vitória a determinado clube

antes da ocorrência do jogo.

Exemplo: Previsão da adesão a uma greve.

8
Medida de probabilidade

A medida de probabilidade P é uma função de conjunto que verifica:

 P   1

 P   0 .
Nota: se P A  0 não se pode concluir que A   , ou seja, não se pode concluir que A
seja necessariamente o acontecimento impossível. Do mesmo modo não se pode concluir
que se P A  1, A seja o acontecimento certo.

 P  A  B   P  A  P  A  B 

9
 P  A   1  P  A

 P  A  B   P  A  P  B   P  A  B 

 P( A  B)  P( A)  P( B) , A  B  

 P  A  B   P  A  P  B 

 A  B  P  A  P  B 

10
Probabilidades condicionadas
Definição: Dados 2 acontecimentos A e B, PB   0 , a probabilidade para que A se realize,
sabendo que B se realizou, designa-se por P A | B  e define-se por:

P A  B 
P A | B   , PB   0
P B 

Esta probabilidade representa a reavaliação da probabilidade de A em face da informação

de que B se realizou.

B
A

11
 P | B  , para PB   0 é uma medida de probabilidade. Permite aplicar às probabilidades
condicionadas todos os resultados sobre probabilidades.

 Uma consequência imediata da probabilidade condicional é a regra da multiplicação:

P A  B   P A | B P B , se PB   0

P A  B   P B | AP A, se P A  0

Teorema: Para n acontecimentos  Ai 1i  n

P A1  A2  ...  An   P A1 P A2 | A1 P A3 | A1  A2 ...P An | A1  A2  ...  An 1 

12
Independência de acontecimentos

Os acontecimentos A e B dizem-se independentes se e só se P A  B   P APB . Donde

P A | B   P A se PB   0 e P B | A  P B  se P A  0 .

Mais geralmente os acontecimentos  Ai 1i  n são independentes se

P A1  A2  ...  An   P A1 P A2 ...P An  .

 Se os acontecimentos A e B são independentes também o são A e B , A e B, A e B .

 Dois acontecimentos dizem-se independentes, quando a ocorrência ou não de um deles

não acrescenta informação à probabilidade de ocorrência ou não do outro. Se, por
exemplo, a calvície é mais frequente em homens do que em mulheres, então a calvície e
o sexo não são independentes. Se a gripe é tão frequente em homens como em mulheres,
então, a gripe e o género são independentes.
13
Problema: Lançou-se um dado e sabe-se que o número que saiu é par.

Qual a probabilidade de o número saído ser superior a 5?

Defina-se os acontecimentos A  2,4,6  ”sai número par” e B  6  ”sai número
3 1 1
superior a 5”. Tem-se A  B  6, P A  , PB   e P A  B   .
6 6 6
P  B  A 1 6 1
A probabilidade pedida é PB | A    .
P  A 36 3
Ou, como o novo espaço de resultados é A  2,4,6, a razão entre casos favoráveis e
possíveis fornece a resposta.

Qual a probabilidade de o número saído não ser superior a 5?

Tem-se B  1,2,3,4,5 e A  B  2,4.
P  B  A 2 6 2
A probabilidade pedida é PB | A    .
P  A 36 3
Ou, como o novo espaço de resultados é A  2,4,6, a razão entre casos favoráveis e
possíveis fornece a resposta.
Ou, como P | B  é uma medida de probabilidade PB | A  1  PB | A.
14
Qual a probabilidade de o número saído ser superior a 2?

Defina-se os acontecimentos A  2,4,6 e B  3,4,5,6.

43 2
Daqui A  B  4,6, P A  , PB   e P A  B   .
66 6
P  B  A 2 6 2
A probabilidade pedida é PB | A    .
P  A 36 3

Neste caso A e B são independentes por definição.

2
P  B | A  P  B   e P A  B   P APB .
3

15
Partição de um espaço de resultados

E1, E2 ,..., En  define uma partição sobre  quando

n
 Ei   , Ei  E j   , i  j , i, j  1,2,..., n
i 1

Uma partição forma um sistema exaustivo e exclusivo de acontecimentos.

16
Teorema da probabilidade total
Seja E1 , E2 ,..., En  uma partição sobre  , PEi   0 , i  1,2,..., n .

Seja A um acontecimento qualquer. Então:

n
P A   P A | Ei PEi 
i 1


17
 Teorema da Probabilidade Total

probabilidades

E1 E2 E3
probabilidades
condicionadas
A 𝐴̅ A 𝐴̅ A 𝐴̅
𝑃(𝑨) = 𝑃(𝐸1 )𝑃(𝐴|𝐸1 ) + 𝑃(𝐸2 )𝑃(𝐴|𝐸2 ) + 𝑃(𝐸3 )𝑃(𝐴|𝐸3 ) = 𝑃(𝐴 ∩ 𝐸1 ) + 𝑃(𝐴 ∩ 𝐸2 ) + 𝑃(𝐴 ∩ 𝐸2 )
18
Exemplo:
População

P(D)=1% ̅ )=99%
P(𝑫

99% não
1% doente
doente
Teste Diagnóstico
P(T|D)=90% ̅ )=9%
P(T|𝑫

P(T∩D) = 0.90% ̅ ∩D) = 0.10%

P(𝑻 ̅ ) = 8.91%
P(T∩ 𝑫 ̅∩𝑫
P(𝑻 ̅ ) = 90.09%
positivo e doente negativo e doente positivo e não negativo e não
doente doente

𝑃(𝑡𝑒𝑠𝑡𝑒 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑜) = ?
19
 1000 pessoas

P(D)=1% ̅ )=99%
P(𝑫

990 não
10 doentes
doentes
Teste Diagnóstico
P(T|D)=90% ̅ )=9%
P(T|𝑫

9 1 89 901
positivo negativo positivo e negativo e
e doente e doente não doente não doente

𝑃(𝑡𝑒𝑠𝑡𝑒 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑜) = ?

20
Teorema de Bayes

Seja E1 , E2 ,..., En  uma partição sobre  , PEi   0 , i  1,2,..., n .

Seja A um acontecimento tal que P A  0 .

Então o cálculo da probabilidade de Ei sabendo ou assumindo A, é dado por:

P( A | Ei ) P( Ei ) P( A | Ei ) P( Ei )
P( Ei | A)  
P( A)  j P( A | E j ) P( E j )
Em particular, para B acontecimento tal que P( B)  0 :

P( A | B) P( A | B)
P( B | A)  P( B)  P( B)
P( A) P( A | B) P( B)  P( A | B) P( B)

21
Aplicações

1. Calcular 𝑝(𝐵|𝐴) sabendo 𝑃(𝐴|𝐵) ou vice-versa:

𝑃 (𝐴 | 𝐵 )
𝑃 (𝐵 | 𝐴 ) = 𝑃(𝐵)
𝑃 (𝐴 )

2. Atualizar a probabilidade de uma hipótese H face a dados observados D, em que a

probabilidade da hipótese H se altera com o tempo à medida que novos dados são
recolhidos:

𝑃 ( 𝐷 |𝐻 )
𝑃 (𝐻 | 𝐷 ) = 𝑃(𝐻)
𝑃 (𝐷 )

𝑉𝑒𝑟𝑜𝑠𝑖𝑚𝑖𝑙ℎ𝑎𝑛ç𝑎 × 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒 à 𝑝𝑟𝑖𝑜𝑟𝑖

𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒 à 𝑝𝑜𝑠𝑡𝑒𝑟𝑖𝑜𝑟𝑖 =
𝑉𝑒𝑟𝑜𝑠𝑖𝑚𝑖𝑙ℎ𝑎𝑛ç𝑎 𝑚𝑎𝑟𝑔𝑖𝑛𝑎𝑙

22
23
Exemplo:
População

P(D)=1% ̅ )=99%
P(𝑫

99% não
1% doente
doente
Teste Diagnóstico
P(T|D)=90% ̅ )=9%
P(T|𝑫

P(T∩D) = 0.90% ̅ ∩D) = 0.10%

P(𝑻 ̅ ) = 8.91%
P(T∩ 𝑫 ̅∩𝑫
P(𝑻 ̅ ) = 90.09%
positivo e doente negativo e doente positivo e não negativo e não
doente doente

𝑃(𝑑𝑜𝑒𝑛𝑡𝑒|𝑡𝑒𝑠𝑡𝑒 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑜) = ?
24
 1000 pessoas

P(D)=1% ̅ )=99%
P(𝑫

990 não
10 doentes
doentes
Teste Diagnóstico
P(T|D)=90% ̅ )=9%
P(T|𝑫

9 1 89 901
positivo negativo positivo e negativo e
e doente e doente não doente não doente

𝑃(𝑑𝑜𝑒𝑛𝑡𝑒|𝑡𝑒𝑠𝑡𝑒 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑜) = ?
25
Exemplos

Caso 1

Um artigo na revista Look diz que um estudo mostra que em 2400 casos de mongolismo, mais de
metade das mães tinha 35 anos ou mais. Daqui se conclui (erradamente) que a idade está associada
ao mongolismo.

Razão:

 A informação é incompleta. Quais as idades de todas as mães na altura de parir? O que é

necessário é saber qual a percentagem de mongolismo entre as mães jovens e as menos jovens.

 Este exemplo traduz um erro comum que se traduz na confusão existente sobre probabilidades
condicionadas. Um valor elevado de 𝑃(𝐴|𝐵) conduz erradamente à conclusão de que 𝑃(𝐵|𝐴) é
também elevado e 𝑃(𝐵|𝐴) > 𝑃(𝐵).
O jornal ao verificar que a probabilidade 𝑃(𝑚ã𝑒 > 35|𝑚𝑜𝑛𝑔𝑜𝑙𝑖𝑠𝑚𝑜) > 0.5, conclui
erradamente que a probabilidade 𝑃(𝑚𝑜𝑛𝑔𝑜𝑙𝑖𝑠𝑚𝑜|𝑚ã𝑒 > 35) é também elevada e, em particular,
𝑃(𝑚𝑜𝑛𝑔𝑜𝑙𝑖𝑠𝑚𝑜|𝑚ã𝑒 > 35) > 𝑃(𝑚𝑜𝑛𝑔𝑜𝑙𝑖𝑠𝑚𝑜).

26
Exemplo fictício:

Suponha que na população de todas as mães, 2000 tivessem menos de 35 anos (1100 mães com
filho mongolóide) e 5000 tivessem mais de 35 anos (1300 mães com filho mongolóide).
1300
𝑃(𝑚ã𝑒 > 35|𝑚𝑜𝑛𝑔𝑜𝑙𝑖𝑠𝑚𝑜) = = 0.54 > 0.5
2400

1300 2400
mas 𝑃(𝑚𝑜𝑛𝑔𝑜𝑙𝑖𝑠𝑚𝑜|𝑚ã𝑒 > 35) = = 0.26 < 𝑃(𝑚𝑜𝑛𝑔𝑜𝑙𝑖𝑠𝑚𝑜) = = 0.34
5000 7000

1100 2400
e 𝑃(𝑚𝑜𝑛𝑔𝑜𝑙𝑖𝑠𝑚𝑜|𝑚ã𝑒 ≤ 35) = = 0.55 > 𝑃(𝑚𝑜𝑛𝑔𝑜𝑙𝑖𝑠𝑚𝑜) = = 0.34
2000 7000

Mongolismo Normal Total

mãe > 35 1300 3700 5000
mãe < 35 1100 900 2000
Total 2400 4600 7000

27
Caso 2

Notícia no jornal de Notícias de 06-08-2014 intitulada ‘Quem mais trai as mulheres? Católicos e
benfiquistas’.

Um inquérito realizado pelo Secondlove permitiu traçar o perfil do típico traidor português:
benfiquista, cristão …
A totalidade dos 1120 inquiridos pelo site Secondlove admitiu que manteve contacto com a amante,
mesmo com a mulher ali ao lado. …
Aliás, o inquérito revela que estes homens, dos quais 45% disseram ser benfiquistas, estão sempre
à coca do que aparece, …
Apesar do seu cristianismo (54,7% assumiram que o são), o traidor não faz questão que a pessoa
com quem vai para a cama partilhe da sua religiosidade. …

28
Razão:

 O título comporta uma conclusão errada.

 A amostra é distorcida.

 Este exemplo traduz um erro comum que se traduz na confusão existente sobre probabilidades
condicionadas. Um valor elevado de 𝑃(𝐴|𝐵) conduz erradamente à conclusão de que 𝑃(𝐵|𝐴) é
também elevado e 𝑃(𝐵|𝐴) > 𝑃(𝐵).

 O jornal ao concluir que a probabilidade 𝑃(𝑏𝑒𝑛𝑓𝑖𝑞𝑢𝑖𝑠𝑡𝑎|𝑡𝑟𝑎𝑖𝑟) é a mais elevada, conclui

erradamente que a probabilidade 𝑃(𝑡𝑟𝑎𝑖𝑟|𝑏𝑒𝑛𝑓𝑖𝑞𝑢𝑖𝑠𝑡𝑎) é também a mais elevada e, em
particular, 𝑃(𝑡𝑟𝑎𝑖𝑟|𝑏𝑒𝑛𝑓𝑖𝑞𝑢𝑖𝑠𝑡𝑎) > 𝑃(𝑡𝑟𝑎𝑖𝑟). O mesmo para os católicos.

𝑃(𝑏𝑒𝑛𝑓𝑖𝑞𝑢𝑖𝑠𝑡𝑎|𝑡𝑟𝑎𝑖𝑟)
𝑃(𝑡𝑟𝑎𝑖𝑟|𝑏𝑒𝑛𝑓𝑖𝑞𝑢𝑖𝑠𝑡𝑎) = 𝑃(𝑡𝑟𝑎𝑖𝑟)
𝑃(𝑏𝑒𝑛𝑓𝑖𝑞𝑢𝑖𝑠𝑡𝑎)

29
Caso 3

Títulos de jornais:
 ‘Cuidado com os turistas alemães’. De acordo com a revista Der Spiegel, a maioria dos turistas
estrangeiros envolvidos em acidentes a fazer ski numa estância suiça são alemães.

 ‘Rapazes têm um risco maior de acidente a andar de bicicleta’. De acordo com o jornal
Hannoversche Allgemeine Zeitung, entre as crianças envolvidas em acidentes de bicicleta a
maioria são rapazes.

 ‘Soccer é o desporto mais perigoso’, de acordo com uma pesquisa efetuada pela revista sobre
acidentes no desporto.

 ‘Pastor alemão é o cão mais perigoso das redondezas’, de acordo com o jornal Ruhr-Nachrichten
sobre uma estatística que reporta um record de 31% de todos os ataques por cães.

Em todos estes exemplos um valor elevado de 𝑃(𝐴|𝐵) conduziu à conclusão, possivelmente sem
fundamento, de que 𝑃(𝐵|𝐴) era também elevado e 𝑃(𝐵|𝐴) > 𝑃(𝐵).

30
Caso 4

Conselho dado por Alan Dershowitz, professor de direito de Harvard à equipa de defesa de O. J.
Simpson. A acusação argumentou que a história de maus tratos à esposa refletia um motivo para o
homicídio, avançando com a premissa de que ‘uma bofetada era um prelúdio para o homicídio’
(Gigerenzer, 2002, páginas 142-145). Dershowitz, chamou a este argumento ‘um show de fraqueza’
e disse que se podia provar que somente uma infinitésima percentagem (menos de 1 em 2500) de
homens que batem ou esbofeteiam a sua mulher a assassinam. O argumento é de que
𝑃(𝑚𝑎𝑡𝑎𝑟|𝑏𝑎𝑡𝑒𝑢) < 1/2500.

Razão:

 Confusão entre 𝑃(𝐴|𝐵) e 𝑃(𝐴|𝐵 ∩ 𝐶 ).

 A probabilidade relevante é 𝑃(𝑚𝑎𝑡𝑎𝑟|𝑏𝑎𝑡𝑒𝑢 𝑒 𝑎𝑠𝑠𝑎𝑠𝑠𝑖𝑛𝑎𝑑𝑎) e não 𝑃(𝑚𝑎𝑡𝑎𝑟|𝑏𝑎𝑡𝑒𝑢). Esta

probabilidade é de cerca de 8/9 (Good, 1996).

31