Estatística - Resumo de Probabilidades

Paulo Henrique S. Guimarães

DES - UFLA
paulo.guimaraes@ufla.br

Paulo H. S. Guimarães 1 / 32
Introdução

O estudo da probabilidade é de grande importância para a tomada

de decisões em nossa sociedade.

Paulo H. S. Guimarães 2 / 32
Introdução

O estudo da probabilidade é de grande importância para a tomada

de decisões em nossa sociedade.

Seu conhecimento é utilizado para obter estimativas matemáticas

da possibilidade de certos eventos acontecerem ao acaso.

Paulo H. S. Guimarães 2 / 32
Introdução

O estudo da probabilidade é de grande importância para a tomada

de decisões em nossa sociedade.

Seu conhecimento é utilizado para obter estimativas matemáticas

da possibilidade de certos eventos acontecerem ao acaso.

Quando calculamos uma probabilidade, estamos associando um grau

de confiança na ocorrência dos resultados possíveis de experimentos,
cujos resultados não podem ser determinados antecipadamente.

Paulo H. S. Guimarães 2 / 32
Introdução

Em particular, as frequências (relativas) são estimativas de probabili-

dades de ocorrências de certos eventos de interesse. Com suposições
adequadas, e sem observarmos diretamente o fenômeno aleatório de
interesse, podemos criar um modelo teórico que reproduza de ma-
neira razoável a distribuição das freqüências, quando o fenômeno é
observado diretamente. Tais modelos são chamados modelos proba-
bilísticos e serão objeto de estudo neste capítulo e nos subseqüentes
(Morettin, P. A., Bussab, W.O, 2010).

Paulo H. S. Guimarães 3 / 32
Conceitos fundamentais

1) Experimento probabilístico: é uma ação, ou tentativa sujeita

à lei do acaso, pela qual resultados específicos (contagens, medições
ou respostas) são obtidos. O produto de uma única tentativa em
um experimento probabilístico é um resultado.

2) Espaço amostral (Ω): é o conjunto de todos os resultados

possíveis de um experimento probabilístico.

3) Evento: é um subconjunto do espaço amostral. Pode constituir

em um ou mais resultados.

Paulo H. S. Guimarães 4 / 32
Conceitos fundamentais

4) Probabilidade (clássica): é usada quando cada resultado em um

espaço amostral é igualmente possível de ocorrer. A probabilidade
clássica para um evento E é dada por:

n(E )
P(E ) = ,
n(Ω)

em que n(E ) denota o número de resultados do evento E e n(Ω) o

número total de resultados no espaço amostral.

Paulo H. S. Guimarães 5 / 32
Conceitos fundamentais

Exemplo 1: Você joga um dado de seis faces. Calcule a probabili-

dade de sair um número menor do que cinco.

Paulo H. S. Guimarães 6 / 32
Conceitos fundamentais

Exemplo 1: Você joga um dado de seis faces. Calcule a probabili-

dade de sair um número menor do que cinco.

Ω = {1, 2, 3, 4, 5, 6} n(Ω) = 6.
E = {1, 2, 3, 4} n(E ) = 4.

Paulo H. S. Guimarães 6 / 32
Conceitos fundamentais

Exemplo 1: Você joga um dado de seis faces. Calcule a probabili-

dade de sair um número menor do que cinco.

Ω = {1, 2, 3, 4, 5, 6} n(Ω) = 6.
E = {1, 2, 3, 4} n(E ) = 4.

n(E ) 4 2
P(E ) = = = ·
n(Ω) 6 3

Paulo H. S. Guimarães 6 / 32
Conceitos fundamentais
Exemplo 2: Uma empresa está conduzindo uma pesquisa pela inter-
net com indivíduos selecionados aleatoriamente para determinar com
que frequência eles reciclam. Até o momento, 2.541 pessoas foram
pesquisadas. A distribuição de frequência da tabela a seguir mos-
tra os resultados. Qual é a probabilidade de que a próxima pessoa
pesquisada sempre recicle? (Adaptado de: Harris Interactive.)

Paulo H. S. Guimarães 7 / 32
Conceitos fundamentais

Exemplo 2:

O evento é uma resposta "sempre". A frequência desse evento é

1.054. Como a frequência total é 2.451, a probabilidade empírica de
a próxima pessoa sempre reciclar é:
1.054
P(sempre) = ≈ 0, 430.
2.451

Paulo H. S. Guimarães 8 / 32
Conceitos fundamentais

Conforme aumentamos o número de vezes que um experimento

probabilístico é repetido, a probabilidade empírica (frequência
relativa) de um evento aproxima-se de sua probabilidade teórica.

Como exemplo dessa lei, suponha que queiramos determinar a pro-

babilidade de obter uma cara com uma moeda honesta.

Paulo H. S. Guimarães 9 / 32
Conceitos fundamentais

Paulo H. S. Guimarães 10 / 32
Conceitos fundamentais

5) Eventos complementares: O complemento do evento A é

o conjunto de todos os resultados em um espaço amostral que
não estão incluídos no evento A. O complemento do evento A é
denotado por Ac .

A ∪ Ac = Ω.
6) Eventos disjuntos: Também conhecidos como eventos
mutuamente exclusivos são aqueles que não podem acontecer si-
multaneamente. Assim, a intersecção entre eles será um evento nulo.

A ∩ B = ∅.

Paulo H. S. Guimarães 11 / 32
Conceitos fundamentais
7) Probabilidade (axiomática)

A definição estabelecida por Kolmogorov é mais formal, tem uma

fundamentação teórica rigorosa e não se limita aos casos de eventos
equiprováveis, pois ela pode ser aplicada a qualquer tipo de evento
e/ou espaço amostral.

Seja  um experimento aleatório e Ω o conjunto de todos os

resultados elementares desse experimento. Sejam A e B eventos
quaisquer definidos em Ω. Então, temos que:

Paulo H. S. Guimarães 12 / 32
Conceitos fundamentais
7) Probabilidade (axiomática)

A definição estabelecida por Kolmogorov é mais formal, tem uma

fundamentação teórica rigorosa e não se limita aos casos de eventos
equiprováveis, pois ela pode ser aplicada a qualquer tipo de evento
e/ou espaço amostral.

Seja  um experimento aleatório e Ω o conjunto de todos os

resultados elementares desse experimento. Sejam A e B eventos
quaisquer definidos em Ω. Então, temos que:

i) P(Ω) = 1;
ii) P(A) ≥ 0;
iii) P(A ∪ B) = P(A) + P(B), sendo A e B disjuntos.

Paulo H. S. Guimarães 12 / 32
Conceitos fundamentais

7) Probabilidade (axiomática)

iv) Se A1 , A2 , ..., An , ... é uma sequência de eventos, tomados dois a

dois e mutuamente exclusivos, temos que:

∞ ∞
!
[ X
P Ai = P(A1 ) + P(A2 ) + ... + P(Ak ) + ... = P(Ai ).
i=1 i=1

Paulo H. S. Guimarães 13 / 32
Propriedades das probabilidades
As probabilidades possuem uma série de propriedades, válidas
independentemente da forma com que são obtidas.

1) P(∅) = 0.

2) Para todo evento A temos que P(Ac ) = 1 − P(A).

3) Para quaisquer eventos A e B temos que P(A ∪ B) =

P(A) + P(B) − P(A ∩ B).

4) Para quaisquer eventos A, B, C temos que P(A ∪ B ∪ C ) =

P(A)+P(B)+P(C )−P(A∩B)−P(A∩C )−P(B ∩C )+P(A∩B ∩C ).

5) Se A e B são eventos tais que A ⊂ B, então P(A) ≤ P(B).

Paulo H. S. Guimarães 14 / 32
Combinações

Várias aplicações envolvendo probabilidades utilizam o conceito de

combinação. Uma seleção de r objetos extraídos a partir de n obje-
tos, sem considerar a ordem de seleção, é denominada combinação
de n objetos tomados r a r .
O número total de combinações possíveis é denotado por Crn , ou
n
mais comumente por r e calculado por:

 
n n!
= ·
r r !(n − r )!

Lembrando que n! = n × (n − 1) × (n − 2) × ... × 1 e também que

0! = 1.

Paulo H. S. Guimarães 15 / 32
Combinações
Exemplo 3: Qual a probabilidade de um apostador ganhar o prêmio
máximo da mega-sena, fazendo uma aposta mínima, ou seja, apostar
exatamente nos seis números sorteados?

Paulo H. S. Guimarães 16 / 32
Combinações
Exemplo 3: Qual a probabilidade de um apostador ganhar o prêmio
máximo da mega-sena, fazendo uma aposta mínima, ou seja, apostar
exatamente nos seis números sorteados?

Temos que o número de casos possíveis é calculado levando em con-

sideração que serão sorteados, ao acaso, 6 números, não importando
a ordem, de um total de 60 números é dado por:

60 60!
 
C60,6 = = = 50.063.860.
6 6!(60 − 6)!

Paulo H. S. Guimarães 16 / 32
Combinações
Exemplo 3: Qual a probabilidade de um apostador ganhar o prêmio
máximo da mega-sena, fazendo uma aposta mínima, ou seja, apostar
exatamente nos seis números sorteados?

Temos que o número de casos possíveis é calculado levando em con-

sideração que serão sorteados, ao acaso, 6 números, não importando
a ordem, de um total de 60 números é dado por:

60 60!
 
C60,6 = = = 50.063.860.
6 6!(60 − 6)!

1
P(ganhar ) = = 0, 000002%.
50.063.860

Paulo H. S. Guimarães 16 / 32
Probabilidade condicional e independência

Para dois eventos quaisquer A e B, sendo P(B) > 0, definimos a

probabilidade condicional de A dado B, P(A|B), como sendo

P(A ∩ B)
P(A|B) = ·
P(B)

Paulo H. S. Guimarães 17 / 32
Probabilidade condicional e independência

Exemplo 4: Suponha que num determinado ano entraram 200 es-

tudantes numa universidade, sendo 100 do curso de Letras e 100 do
curso de Engenharia, cuja distribuição por sexo está especificada na
tabela a seguir:

Um estudante é sorteado ao acaso e verifica-se que é do curso de

Letras. Qual a probabilidade de que essa discente seja do sexo femi-
nino?

Paulo H. S. Guimarães 18 / 32
Probabilidade condicional e independência

Exemplo 4
Desejamos calcular P(F |L). O número de elementos favoráveis
neste evento é igual a 90, isto é, (F ∩ L) = 90.

Paulo H. S. Guimarães 19 / 32
Probabilidade condicional e independência

Exemplo 4
Desejamos calcular P(F |L). O número de elementos favoráveis
neste evento é igual a 90, isto é, (F ∩ L) = 90.

Assim, temos que

P(F ∩ L) 90/200 9
P(F |L) = = = ·
P(L) 100/200 10

Paulo H. S. Guimarães 19 / 32
Probabilidade condicional e independência

8) Regra do produto de probabilidades

P(A ∩ B) = P(B)P(A|B).

9) Eventos independentes: dois eventos são independentes quando

a ocorrência de um evento não influência a ocorrência do outro
evento, isto é, P(A|B) = P(A) ou P(B|A) = P(B). Do ponto
de vista probabilístico temos a seguinte definição:

P(A ∩ B) = P(A)P(B).

Paulo H. S. Guimarães 20 / 32
Probabilidade condicional e independência

Exemplo 5: Uma urna contém duas bolas brancas (B) e três ver-
melhas (V). Suponha que são sorteadas duas bolas ao acaso, sem
reposição. Isso significa que escolhemos a primeira bola, verificamos
sua cor e não a devolvemos à urna; misturamos as bolas restantes e
retiramos a segunda. O diagrama em árvore dessa problema mos-
trado a seguir ilustra as possibilidades. Em cada "galho"da árvore
estão indicadas as probabilidades de ocorrência, sendo que para as
segundas bolas as probabilidades são condicionais. Calcule a proba-
bilidade obtermos "bola branca na segunda extração".

Paulo H. S. Guimarães 21 / 32
Probabilidade condicional e independência
Exemplo 5

Paulo H. S. Guimarães 22 / 32
Probabilidade condicional e independência
Exemplo 5

Sendo o evento A denotando obter bola branca no segundo lança-

mento, temos que a P(A) é calculada da forma:

2 1 3 2 1 3 2
P(A) = P(BB) + P(VB) = × + × = + = ·
5 4 5 4 10 10 5

Paulo H. S. Guimarães 22 / 32
Probabilidade Total

10) Partição do espaço amostral

Dizemos que os eventos A1 , A2 , ..., An formam uma partição do

espaço amostral Ω se:

i) P(A) > 0, para todo i (i = 1, 2, ..., n)

ii) ASi ∩ Aj = ∅, para todo par (i, j) com i 6= j
iii) ni=1 Ai = Ω.

Paulo H. S. Guimarães 23 / 32
Probabilidade Total

10) Partição do espaço amostral

Seja B um evento qualquer do espaço amostral. Então os eventos

A1 ∩ B, A2 ∩ B, ..., An ∩ B são todos mutuamente exclusivos e B =
S n
i=1 (Ai ∩ B).

Paulo H. S. Guimarães 24 / 32
Probabilidade Total
11) Teorema da Probabilidade Total

Daí, temos que

n
X
P(B) = P(A1 ∩B)+P(A2 ∩B)+...+P(An ∩B) = P(B|Ai )P(Ai ).
i=1

Paulo H. S. Guimarães 25 / 32
Probabilidade Total
11) Teorema da Probabilidade Total

Daí, temos que

n
X
P(B) = P(A1 ∩B)+P(A2 ∩B)+...+P(An ∩B) = P(B|Ai )P(Ai ).
i=1

Exemplo 6: A probabilidade de que um componente eletrônico de

um computador falhe antes de mil horas de funcionamento é de
0,05, se o componente for da marca A1; 0,10, se o componente for
da marca A2; e 0,15, se for da marca A3. Numa loja de manutenção,
50% dos componentes em estoque são da marca A1, 20% da marca
A2 e 30% da marca A3. Um componente da loja é escolhido ao acaso
para o conserto de um computador. Determine a probabilidade de
que ele funcione perfeitamente por mais de mil horas.
Paulo H. S. Guimarães 25 / 32
Probabilidade Total

11) Teorema da Probabilidade Total

Exemplo 6

Denotemos por B o evento "o componente falha antes de mil horas

de funcionamento".
Desta forma, temos que B = (A1 ∩ B) ∪ (A2 ∩ B) ∪ (A3 ∩ B).

Paulo H. S. Guimarães 26 / 32
Probabilidade Total

11) Teorema da Probabilidade Total

Exemplo 6

Denotemos por B o evento "o componente falha antes de mil horas

de funcionamento".
Desta forma, temos que B = (A1 ∩ B) ∪ (A2 ∩ B) ∪ (A3 ∩ B).
Assim, utilizando o Teorema da Probabilidade total tem-se que

P(B) = P(B|A1 )P(A1 ) + P(B|A2 )P(A2 ) + P(B|A3 )P(A3 ).

Paulo H. S. Guimarães 26 / 32
Probabilidade Total

11) Teorema da Probabilidade Total

Exemplo 6

Denotemos por B o evento "o componente falha antes de mil horas

de funcionamento".
Desta forma, temos que B = (A1 ∩ B) ∪ (A2 ∩ B) ∪ (A3 ∩ B).
Assim, utilizando o Teorema da Probabilidade total tem-se que

P(B) = P(B|A1 )P(A1 ) + P(B|A2 )P(A2 ) + P(B|A3 )P(A3 ).

P(A1 ) = 0, 5; P(A2 ) = 0, 2; P(A3 ) = 0, 3

P(B|A1 ) = 0, 05; P(B|A2 ) = 0, 10; P(B|A3 ) = 0, 15.

Paulo H. S. Guimarães 26 / 32
Probabilidade Total
11) Teorema da Probabilidade Total

Exemplo 6

Assim,

P(B) = 0, 05 × 0, 5 + 0, 10 × 0, 20 + 0, 15 × 0, 30 = 0, 09.

Paulo H. S. Guimarães 27 / 32
Probabilidade Total
11) Teorema da Probabilidade Total

Exemplo 6

Assim,

P(B) = 0, 05 × 0, 5 + 0, 10 × 0, 20 + 0, 15 × 0, 30 = 0, 09.

Essa é a probabilidade de que um componente escolhido ao acaso

venha a falhar antes de mil horas. Logo, a probabilidade de que ele
funcione por mais de mil horas será

P(B c ) = 1 − P(B) = 1 − 0, 09 = 0, 91.

Paulo H. S. Guimarães 27 / 32
Teorema de Bayes

Se os eventos A1 , A2 , ..., An formam uma partição do espaço amostral

Ω e B é um evento qualquer desse espaço, tal que P(B) > 0, então:

P(B|Ai )P(Ai )
P(Ai |B) = ,
P(B)
para todo i = 1, 2, ..., n, na qual P(B) é calculado usando-se o
Teorema da Probabilidade Total.

Paulo H. S. Guimarães 28 / 32
Teorema de Bayes

Exemplo 7: Certo vírus infecta uma em cada 200 pessoas. Um

teste usado para detectar o vírus em uma pessoa dá positivo 80%
das vezes quando a pessoa tem o vírus e 5% das vezes quando a
pessoa não tem o vírus. (Este resultado de 5% é chamado de falso
positivo.) Seja A o evento “a pessoa está infectada” e B o evento
“o teste dá positivo”

(a) Usando o teorema de Bayes, se o teste dá positivo, determine a

probabilidade de a pessoa estar infectada.

(b) Usando o teorema de Bayes, se o teste dá negativo, determine a

probabilidade de a pessoa não estar infectada.

Paulo H. S. Guimarães 29 / 32
Teorema de Bayes

Exemplo 7: Temos os seguintes dados para esse problema:

A: a pessoa está infectada; P(A) = 1/200 = 0, 005;

P(Ac ) = 1 − 0, 005 = 0, 995.
B: o teste dá positivo
P(B|A) = 0, 80; P(B|Ac ) = 0, 05.

Paulo H. S. Guimarães 30 / 32
Teorema de Bayes

Exemplo 7: Temos os seguintes dados para esse problema:

A: a pessoa está infectada; P(A) = 1/200 = 0, 005;

P(Ac ) = 1 − 0, 005 = 0, 995.
B: o teste dá positivo
P(B|A) = 0, 80; P(B|Ac ) = 0, 05.
a) P(A|B) = ?

P(A)P(B|A)
P(A|B) =
P(A)P(B|A) + P(Ac )P(B|Ac )

Paulo H. S. Guimarães 30 / 32
Teorema de Bayes

Exemplo 7: Temos os seguintes dados para esse problema:

A: a pessoa está infectada; P(A) = 1/200 = 0, 005;

P(Ac ) = 1 − 0, 005 = 0, 995.
B: o teste dá positivo
P(B|A) = 0, 80; P(B|Ac ) = 0, 05.
a) P(A|B) = ?

P(A)P(B|A)
P(A|B) =
P(A)P(B|A) + P(Ac )P(B|Ac )
0, 005 × 0, 80
P(A|B) = = 0, 0744.
0, 005 × 0, 80 + 0, 995 × 0, 05

Paulo H. S. Guimarães 30 / 32
Teorema de Bayes

Exemplo 7:
b) P(Ac |B c ) =?
Temososseguintesdadoscomplementares :
P(Bc |A) = 0, 20; P(B c |Ac ) = 0, 95.

P(Ac )P(B c |Ac )

P(Ac |B c ) =
P(Ac )P(B c |Ac ) + P(A)P(B c |A)

Paulo H. S. Guimarães 31 / 32
Teorema de Bayes

Exemplo 7:
b) P(Ac |B c ) =?
Temososseguintesdadoscomplementares :
P(Bc |A) = 0, 20; P(B c |Ac ) = 0, 95.

P(Ac )P(B c |Ac )

P(Ac |B c ) =
P(Ac )P(B c |Ac ) + P(A)P(B c |A)

0, 995 × 0, 95
P(Ac |B c ) = = 0, 999.
0, 995 × 0, 95 + 0, 005 × 0, 20

Paulo H. S. Guimarães 31 / 32
Referências

1) MORETTIN, P.A., BUSSAB, W.O. Estatística Básica. 6ª

edição, São Paulo: Saraiva, 2010.

2) PINHEIRO, J.I.D., CARVAJAL, S.S.R., CUNHA, S.B., GOMES,

G.C. PROBABILIDADE E ESTATÍSTICA. Quantificando a in-
certeza. Rio de Janeiro: Elsevier, 2012.

Paulo H. S. Guimarães 32 / 32