Escolar Documentos
Profissional Documentos
Cultura Documentos
PROBABILIDADE
GUARULHOS – SP
SUMÁRIO
1 INTRODUÇÃO ........................................................................................................ 3
4 EVENTOS ............................................................................................................. 10
1
9.1.3 Variância e desvio padrão ............................................................................... 30
10.3 Binomial............................................................................................................ 36
10.4 Poisson............................................................................................................. 38
11.3 Laplace............................................................................................................. 46
REFERÊNCIAS ......................................................................................................... 60
2
1 INTRODUÇÃO
Prezado aluno!
Bons estudos!
3
2 TEORIA DAS PROBABILIDADES
4
E para facilitar seus estudos, dividiu esses jogos em dois grupos: os que precisavam
de estratégias e os que eram regidos pelo puro acaso.
5
integral apareceu com o seu real sentido de integração; os tratados sobre Álgebra e
Geometria; o trabalho sobre séries infinitas, que posteriormente ficou conhecido como
a “desigualdade de Bernoulli”; as pesquisas sobre série exponencial, as quais levaram
a considerá-lo o pai do cálculo exponencial; a publicação de trabalhos sobre
logaritmos e integração; a investigação sobre as curvas de cáusticos, especialmente,
as associadas com as curvas de parábola, a espiral logarítmica e a epicicloide; a
lemniscata de Bernoulli; a aplicação do cálculo na construção de pontes suspensas;
a resolução da equação y’= p(x).y + q(x).yn, que hoje conhecemos como a “equação
de Bernoulli”; entre outros.
Bernoulli trabalhou extensivamente com cálculo diferencial e integral e
equações diferenciais, mas tinha verdadeiro fascínio pelas séries e divertia-se
tentando a solução de problemas populares a época, como por exemplo achar a curva
da catenária. Seu trabalho mais original foi a “Ars Conjectandi”, publicado
postumamente em 1713, por seu sobrinho Nicolau I, é a mais antiga obra sobre teoria
das probabilidades. O trabalho informou sobre os resultados conhecidos da teoria da
probabilidade e da enumeração, incluindo a aplicação da teoria da probabilidade em
jogos de azar e sua introdução ao teorema conhecido como a lei dos grandes
números. Os termos “julgamento Bernoulli” e “números de Bernoulli” são os frutos
deste trabalho (SILVA e COUTINHO, 2005).
6
continuidade aos estudos probabilísticos que, inicialmente, foram desenvolvidos por
Cardano.
3 EXPERIMENTOS ALEATÓRIOS
3.1 Contagem
7
durante um dia. A contagem usual é realizada em base decimal, já os computadores
usam base binária (zeros e uns) (SILVA, 2019).
A realização da contagem permite determinar a quantidade de elementos de
determinado conjunto, por exemplo, o censo demográfico, que, por meio dela, sabe o
número de elementos dos seguintes conjuntos:
Quantidade de pessoas que vivem em determinado estado ou cidade;
Quantidade de pessoas do sexo masculino e do feminino que vivem em
determinado lugar.
No exemplo anterior, o estado ou a cidade podem ser o conjunto da contagem,
assim como o sexo.
Exemplo:
Qual é o número possível de placas de automóveis.
Solução:
O alfabeto possui 26 letras, sendo usadas 3 para placas, assim:
𝑚1 = 26³
𝑚2 = 104
Resultando em:
8
Lançar uma moeda e observar a face voltada para cima: U = {cara,
coroa}.
Lançar um dado e observar a face voltada para cima: U = {1, 2, 3, 4, 5,
6}.
3.3 Evento
Exemplo:
Uma urna contém 10 bolas numeradas de 1 a 10. Retira-se uma bola ao acaso
e se observa o número indicado. Descrever de forma explícita os seguintes conjuntos
e dar o número de elementos de cada um:
a) o espaço amostral U.
b) o evento A: o número da bola é ímpar.
c) o evento B: o número da bola é múltiplo de 3.
Solução:
a) O conjunto de todos os resultados possíveis é representado pelo seguinte
espaço amostral: U = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10}. O número de elementos desse
conjunto é n(U) = 10.
b) Se o número da bola é ímpar, temos o evento: A = {1, 3, 5, 7, 9}. O número
de elementos desse conjunto é n(A) = 5.
Se o número da bola é múltiplo de 3, temos o evento: B = {3, 6, 9}. O número
de elementos desse conjunto é n(B) = 3.
9
4 EVENTOS
Eventos que não podem ocorrer conjuntamente são conhecidos com eventos
mutuamente excludentes (também chamados de eventos mutuamente
exclusivos). Caso dois ou mais eventos sejam mutuamente excludentes, no máximo
um deles irá ocorrer a cada vez que repetirmos o experimento. Por conseguinte, a
ocorrência de um evento exclui a ocorrência do outro, ou de outros eventos
(SILVEIRA, 2018).
Considerando, por exemplo, dois lançamentos de uma moeda, esse
experimento tem quatro resultados possíveis: cara/cara, cara/coroa, coroa/cara,
coroa/coroa. Esses resultados são mutuamente excludentes, uma vez que um, e
somente um, deles irá ocorrer ao lançarmos a moeda duas vezes (SILVEIRA, 2018).
Chama-se evento complementar de um evento A e é representado por Ā o
conjunto formado por todos os elementos do espaço amostral U que não pertencem
ao evento A (SILVEIRA, 2018).
No lançamento de um dado, temos o seu espaço amostral: U = {1, 2, 3, 4, 5,
6}. Considere os eventos a seguir.
O evento A: o número obtido é menor que 3.
O evento Ā: o número obtido é maior ou igual a 3.
10
Dois eventos são dependentes quando a ocorrência ou a não ocorrência de
um evento afeta a probabilidade de ocorrência do outro evento (SILVEIRA, 2018).
Os eventos independentes e dependentes são chamados de com e sem
reposição, respectivamente.
Com reposição: significa o retorno do evento sorteado ao seu conjunto
de origem. É isso que mantém a probabilidade de sorteio constante, portanto, não se
altera a probabilidade de sorteio do evento seguinte.
Sem reposição: significa o não retorno do evento sorteado ou do seu
conjunto de origem, alterando a probabilidade de sorteio do evento seguinte.
Aqui será vista uma definição clássica de probabilidade (estudadas por Fermat
e Pascal, metade do século XVII), em seguida será apresentada a definição em termos
da frequência relativa dos eventos associados a um experimento (acontecimento)
aleatório (DEGROOT, 2012).
11
5.1 Definição clássica
nº de casos favoráveis a A #A
𝑃(𝐴) = =
𝑛º 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑠í𝑣𝑒𝑖𝑠 #Ω
Exemplo:
Solução:
Esse experimento tem um total de seis resultados: 1, 2, 3, 4, 5 e 6. Todos estes
são igualmente possíveis. Considere A um evento em que um número par seja
observado no dado. O evento A inclui três resultados possíveis: 2, 4 e 6, ou seja,
𝐴 = {2,4,6}
Caso qualquer um desses três números seja obtido, considera-se que o evento
A tenha ocorrido. Assim sendo,
3
𝑃(𝐴) =
6
1
𝑃(𝐴) =
2
12
Se dividirmos o valor fracionário, ou seja,
1 ÷ 2 = 0,50
Resumindo: qualquer uma das 3 respostas são iguais (válidas) e podem ser
apresentadas.
1
= 0,50 = 50%
2
Fique atento:
Os valores do espaço amostral: no exemplo acima, foi jogado apenas um dado.
Como ficaria o valor do espaço amostral se jogássemos, ao mesmo tempo, 2, 3 ou
mais dados?
Ao jogarmos 1 dado, chegamos à conclusão de que teremos 6 possíveis
respostas, todas as mesmas possibilidades. Mas, ao jogarmos 2 dados ao mesmo
tempo, esse valor não será o mesmo. Vamos pensar um pouco e verificar as possíveis
respostas: (1,1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6), (2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2,
6), (3, 1), (3, 2), (3, 3), (3, 4), (3, 5), (3, 6), (4, 1), (4, 2), (4, 3), (4, 4), (4, 5), (4, 6), (5,
13
1), (5, 2), (5, 3), (5, 4), (5, 5), (5, 6), (6, 1), (6,2), (6, 3), (6, 4), (6, 5) e (6, 6). Isso totaliza
36 possíveis respostas, mas podemos chegar a esse valor de uma maneira muito mais
rápida, utilizando a seguinte operação:
6𝑛
Dois dados:
62 = 6 × 6 = 36.
Três dados:
63 = 6 × 6 × 6 = 216.
𝑛𝐴 frequência do evento A
𝑓𝑛 (𝐴) = = , 0 ≤ 𝑓𝑛 (𝐴) ≤ 1
𝑛 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑟𝑒𝑎𝑙𝑖𝑧𝑎çõ𝑒𝑠
14
Exemplo:
Considere o problema em decidir se uma moeda é honesta. Para resolver esse
problema, considere que a moeda seja lançada 100 vezes, caso a moeda seja
honesta, qual o número aproximado de caras que esperamos obter?
𝑃(𝐴𝑐 ) = 1 − 𝑃(𝐴)
16
Exemplo:
No lançamento de um dado comum de seis faces, a probabilidade de o
1
resultado ser igual ao número 3 (evento A) é igual a 6. Qual a probabilidade de o
Solução:
O evento complementar de A é formado por todos os resultados possíveis, que
não o evento A. Sendo assim, AC = {1, 2, 4,5,6), e a probabilidade de ocorrência de
AC é igual a:
1
𝑃(𝐴𝑐 ) = 1 −
6
5
𝑃(𝐴𝑐 ) =
6
Exemplo:
Sejam A, B e C três eventos quaisquer definidos em um espaço amostral S.
Então, P(A) + P(B) + P(C) − P(A ∩ B) − (A ∩ C) − (B ∩ C) refere-se à probabilidade
da ocorrência de:
a) um ou dois dos eventos;
b) exatamente um dos eventos;
c) pelo menos um dos eventos;
17
d) no máximo dois eventos;
e) pelo menos dois eventos.
Solução:
P(A ∪ B ∪ C) = P(A) + P(B) + P(C) − P(A ∩ B) − (A ∩ C) − (B ∩ C) + P(A ∩ B ∩ C)
P(A) + P(B) + P(C) − P(A ∩ B) − (A ∩ C) − (B ∩ C) = P(A ∪ B ∪ C) − P(A ∩ B ∩ C)
Portanto, a expressão do enunciado é igual a P(A ∪ B ∪ C) − P(A ∩ B ∩ C).
Desenhando o diagrama, podemos visualizar melhor essa probabilidade:
Se ∅ é o evento impossível:
P(∅) = 0
Exemplo:
Se P(Ω) = P(∅ ∪ Ω) = P(∅) + P(Ω) = 1
Isso implica, P(∅) = 1 − P(Ω) = 1 − 1 = 0
P(A) ≤ 𝑃(𝐵)
18
7 PROBABILIDADE CONDICIONAL E INDEPENDÊNCIA
19
Há diversos casos para ilustrar a probabilidade condicional, por exemplo, as
chances de um bebê nascer menina é um evento A, mas a probabilidade de essa
criança ter doença celíaca (intolerância ao glúten) se trata de um evento B. Essa
situação pode ser considerada uma probabilidade condicional, porque a doença
celíaca atinge mais mulheres do que homens. Se as chances fossem iguais para
pessoas dos dois gêneros, esses eventos não estariam condicionados e seriam uma
probabilidade marginal ou incondicional, pois a possibilidade de que um deles ocorra
não influencia na do outro (BRITO, 2018).
Assim, se os eventos forem independentes, a probabilidade não será
condicional, pois você representa a probabilidade condicional com a seguinte
expressão: P(A|B), que se lê “a probabilidade condicional de A em relação a B”
(BRITO, 2018). Já a fórmula para calculá-la é:
𝑃(𝐴 ∩ 𝐵)
P(A|B) =
𝑃(𝐵)
Exemplo:
Maria ganhou de João nove pulseiras, quatro delas de prata e cinco de ouro.
Maria ganhou de Pedro onze pulseiras, oito delas de prata e três de ouro. Ela guarda
todas essas pulseiras – e apenas essas – em sua pequena caixa de joias. Uma noite,
arrumando-se apressadamente para ir ao cinema com João, Maria retira, ao acaso,
uma pulseira de sua pequena caixa de joias. Ela vê, então, que retirou uma pulseira
de prata. Levando em conta tais informações, a probabilidade de que a pulseira de
prata que Maria retirou seja uma das pulseiras que ganhou de João é igual a?
Solução:
Verificamos que a condição é ser uma pulseira de prata, por isso, precisamos
saber o total de pulseiras de prata que Maria ganhou: 12.
Ela quer saber a probabilidade de que essa pulseira que ela está pegando no
escuro tenha sido dada de presente pelo João. Então, precisamos verificar quantas
pulseiras de prata João deu de presente: 4.
Utilizando a fórmula:
20
4
P(A|B) =
12
1
P(A|B) =
3
P(A|B) = 0,3333 × 100
P(A|B) = 33,33%
𝑃(𝐴 ∩ 𝐵)
P(A|B) =
𝑃(𝐵)
𝑃(𝐴) × 𝑃(𝐵)
P(A|B) =
𝑃(𝐵)
P(A|B) = 𝑃(𝐴)
Fique atento:
Salienta-se que a independência de eventos não deve ser confundida com
eventos disjuntos ou eventos mutuamente exclusivos. Dois eventos, cada um com
probabilidade não nula, mutuamente exclusivos, serão dependentes desde que a
ocorrência de um interfira na ocorrência do outro. Da mesma forma, se A e B são
independentes e P(A) > 0, P(B) > 0, então A e B não podem ser mutuamente
exclusivos (BRITO, 2018).
Exemplo:
Uma urna contém 8 bolas, das quais três são vermelhas e as restantes são
brancas. Qual a probabilidade de serem retiradas duas bolas, sucessivamente, sem
reposição, sendo a 1ª vermelha e a 2ª branca?
21
Solução:
Calculando a probabilidade de ocorrer o primeiro evento, em que dentro da urna
há 8 bolas (espaço amostral) e queremos sortear uma bola vermelha, tendo, dentro
da urna, um total de 3 dessa cor (evento):
3
P(A) =
8
5
P(B) =
7
8 TEOREMA DE BAYES
𝑃(𝐵|𝐴) × 𝑃(𝐴)
𝑃(𝐴|𝐵) =
𝑃(𝐵)
𝑃(𝐵|𝐴)
𝑃(𝐴|𝐵) = × 𝑃(𝐴)
𝑃(𝐵)
23
Para compreender com mais detalhes o Teorema de Bayes é necessário
entender a regra da probabilidade total (RPT), que expressa a probabilidade total de
um resultado por meio de vários eventos disjuntos (SILVA, 2019).
Inicialmente, considere o problema em encontrar o valor para a probabilidade
do evento A.
24
Nos espaços amostrais Ω formados pela união de partes Bi disjuntas
(mutuamente exclusivas) a probabilidade de qualquer evento de Ω é:
Exemplo:
Um amigo muito próximo lhe pediu R$1.000,00 emprestado (V emprestado) para
solução financeira de uma emergência. Você é um investidor nato e não suporta a
ideia de perder o patrimônio conquistado. Embora você decida ajudar seu amigo, você
25
está preocupado com o risco do não pagamento do empréstimo e, por isso, cobrará
juros (Tjuros) sobre o montante inicial emprestado:
𝑉𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑜
𝑇𝑗𝑢𝑟𝑜𝑠 = −1
𝑉𝑒𝑚𝑝𝑟𝑒𝑠𝑡𝑎𝑑𝑜 × 𝑃(𝐴)
Você decide que o valor dos juros será determinado de maneira que o valor
esperado seja igual ao investimento inicial, isto é, 𝑉𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑜 = 𝑉𝑒𝑚𝑝𝑟𝑒𝑠𝑡𝑎𝑑𝑜 . Dessa
forma, a taxa de juros utilizada será:
1000 1
𝑇𝑗𝑢𝑟𝑜𝑠 = −1= − 1
1000 × 𝑃(𝐴) 𝑃(𝐴)
26
sabe que, assim como você, seu amigo possui conta no banco ABC, que regularmente
publica informações agregadas sobre as operações com os clientes.
Tal banco realizou um levantamento informando que 1 em cada 10 clientes
possuem registo ativo no cadastro nacional de maus pagadores. Dessa forma, a
9
probabilidade do pagamento do seu amigo se concretizar é de 𝑃(𝐴) = 10 = 90%.
1
𝑇𝑗𝑢𝑟𝑜𝑠 = −1
0,9
𝑇𝑗𝑢𝑟𝑜𝑠 = 11.111%
Dessa forma, a priori, seu amigo deveria lhe pagar R$ 1.111,11 ao final do
período para garantir que, em média e desconsiderando inflação, seu investimento
inicial seja recuperado.
Nos informativos do banco também consta que 2 em cada 4 maus pagadores
atrasam o pagamento do boleto, enquanto dentre os bons pagadores, apenas 1 a
cada 20 atrasam suas obrigações.
Durante a conversa, seu amigo te informou que possui boletos atrasados nesse
banco. Baseado nessa nova informação, qual a probabilidade do seu amigo ser mau
pagador dado que atrasou o pagamento? Qual a nova taxa de juros que você deve
adotar para proteger seu “investimento”?
O Teorema de Bayes responde diretamente essa pergunta. Antes disso, vamos
modelar os eventos e identificar suas probabilidades. Considere o evento A o cliente
ser um bom pagador e o evento B o atraso do pagamento de um boleto da obrigação
financeira nesse banco.
9
Ser bom pagador: evento A. Sendo 𝑃(𝐴) = 10
1
Ser mal pagador: evento Ac. Sendo 𝑃(𝐴𝑐 ) = 1 − 𝑃(𝐴) = 10
𝑃(𝐵|𝐴)
𝑃(𝐴|𝐵) = × 𝑃(𝐴)
𝑃(𝐵)
𝑃(𝐵|𝐴)
𝑃(𝐴|𝐵) = ⌊ ⌋ × 𝑃(𝐴)
𝑃(𝐵|𝐴) × 𝑃(𝐴) + 𝑃(𝐵|𝐴𝑐 ) × 𝑃(𝐴𝑐 )
1
20 9
𝑃(𝐴|𝐵) = ⌊ ⌋×
1 9 2 1 10
20 × 10 + 4 × 10
38 9
𝑃(𝐴|𝐵) = ⌊ ⌋ ×
20 10
𝑃(𝐴|𝐵) = 47,36%
Dessa forma, após saber que ele não pagou o boleto do banco, a probabilidade
de ser bom pagador a posteriori reduz em quase a metade da priori. Dessa forma, a
1
nova taxa de juros é 0,4736 − 1 = 111.111% fazendo com que o valor cobrado seja de
R$ 2.111,11.
9 VARIÁVEL ALEATÓRIA
Uma variável aleatória X é uma função com valores numéricos, cujo valor é
determinado por fatores de chance, ou seja, podem estar sujeitos à influência conjunta
dos fatores associados ao experimento que interagem conjuntamente. Tal variável
pode ser discreta ou contínua (SILVA, 2015).
Uma variável aleatória X é dita discreta quando puder assumir apenas valores
inteiros ao longo de uma escala. Se, para cada um dos valores da variável aleatória
discreta, teremos a sua probabilidade definida por (SILVA, 2015):
28
𝑓(𝑥) = 𝑃(𝑋 = 𝑥)
Onde:
𝑓(𝑥): função matemática de x;
𝑃(𝑋 = 𝑥) : probabilidade da variável aleatória X em determinado ponto da
escala x.
0 ≤ 𝑓(𝑥) ≤ 1
∑ 𝑓(𝑥𝑖 ) = 1
x 0 1 2
f(x) 1 2 1
4 4 4
29
9.1.1 Função de distribuição acumulada de probabilidade
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥)
𝑥 = 𝐸(𝑋) = ∑ 𝑥𝑖 𝑝(𝑥𝑖 )
𝑖=1
𝐹(𝑥) = ∫ 𝑓(𝑡)𝑑𝑡
−∞
+∞
𝜇𝑥 = 𝐸(𝑋) = ∫ 𝑡𝑓(𝑡)𝑑𝑡
−∞
+∞
10 DISTRIBUIÇÕES DISCRETAS
31
10.1 Uniforme
1
𝑝𝑋(𝑥𝑖 ) = 𝑃(𝑋 = 𝑥𝑖 ) = ∀𝑖 = 1,2, … , 𝑛
𝑛
32
Na figura a seguir estão os gráficos da função de probabilidade e função de
distribuição de uma variável aleatória discreta. Veja que como a probabilidade
associada a cada elemento 𝑥𝑖 de Im(X) é o mesmo ∀𝑖 , os degraus no gráfico da função
de distribuição tem mesmo tamanho.
1 1 1
Média: 𝐸(𝑋) = 𝑛 × 𝑥1 + 𝑛 × 𝑥2 + ⋯ + 𝑛 × 𝑥𝑛 = 𝑥̅
1 1
Variância: 𝑉𝑎𝑟(𝑋) = 𝐸[𝑋 − 𝐸(𝑋)]2 = 𝑛 × (𝑥1 − 𝑥̅ )² + 𝑛 × (𝑥2 − 𝑥̅ )² +
1
⋯ + 𝑛 × (𝑥𝑛 − 𝑥̅ )² = 𝜎𝑥2
Exemplo:
Considere o lançamento de uma moeda. Vamos definir a seguinte variável
aleatória X associada a esse experimento:
0, se ocorre cara
𝑋={
1, se ocorre coroa
Solução:
Para que essa variável aleatória tenha distribuição uniforme, é necessário
supor que a moeda seja honesta e, nesse caso,
33
1
𝑃𝑥(0) = 𝑃𝑥(1) =
2
0+1 1
𝐸(𝑋) = =
2 2
1 1 2 1 1 2 1 1 1 1 1
𝑉𝑎𝑟(𝑋) = × (0 − ) + × (1 − ) = × + × =
2 2 2 2 2 4 2 4 4
10.2 Bernoulli
1, se ocorre sucesso
𝑋={
0, se ocorre fracasso
Média: 𝐸(𝑋) = 𝑝
Variância: 𝑉𝑎𝑟(𝑋) = 𝑝 × (1 − 𝑝)
Exemplo:
Considere o lançamento de uma moeda. Vamos definir a seguinte variável
aleatória X associada a esse experimento:
0, se ocorre cara
𝑋={
1, se ocorre coroa
1
Seja p a probabilidade de cara, 0 < p < 1. Já vimos que se 𝑝 = 2 então X é
Solução:
35
Como Im(X) = {0, 1}, X tem distribuição de Bernoulli com parâmetro p, qualquer
que seja p. Nesse caso o “sucesso” é definido como a saída cara, e ocorre com
probabilidade p, e o “fracasso” a saída coroa.
1
Note que se 𝑝 = 2 X pode ser considerada uma v.a. de Bernoulli ou uniforme
10.3 Binomial
36
A fórmula da função matemática para cálculo de uma distribuição binomial é
dada por:
Onde:
𝑥: é o valor do espaço amostral que se quer calcular a probabilidade;
𝑛: é o número de repetições;
𝑝: é a probabilidade de sucesso;
𝑞 = 1 − 𝑝: é a probabilidade de fracasso.
Fique atento:
Observe que, na fórmula, temos o termo ( 𝑛𝑥 ). Isso é resolvido por análise
𝑛!
combinatória e significa 𝑛 combinação 𝑥, ou seja: ( 𝑛𝑥 ) = em que o ponto de
𝑥! ×( 𝑛− 𝑥)!
Por exemplo, atualmente, sabemos que as redes sociais são utilizadas para
comercialização de produtos. Sabe-se, por uma pesquisa realizada, que cerca de 15%
dos itens postados são efetivamente vendidos. Primeiramente, queremos saber a
probabilidade de, pelo menos, 2 itens serem vendidos em um dia que 10 itens foram
37
postados para venda. Os valores que pode assumir são x = (2,3,4,5,6,7,8,9,10). Para
não precisarmos calcular todas essas probabilidades, podemos fazer uso da
propriedade do complementar e tirar do espaço amostral os valores que não fazem
parte dessa sentença e têm probabilidade 1.
𝑃(𝑋 = 1) = ( 10 1
0 ) × 0,15 × 0,85
10−1
= 0,3474 = 34,74%
Por fim, calcularemos a probabilidade de que sejam vendidos menos de 3
produtos. Aqui, o x pode assumir os seguintes valores: x = 0,1,2.
𝑃(𝑋 < 3) = (( 10 0
0 ) × 0,15 × 0,85
10−0
+ ( 10 1
0 ) × 0,15 × 0,85
10−1
+ ( 10
0 ) × 0,15
2
× 0,8510−2 )
= 0,8202 = 82,02%
10.4 Poisson
𝑒 −λ × λ𝑥
f(x) = P(X = x) =
𝑥!
Onde:
𝑥: é o valor do espaço amostral em que se quer calcular a probabilidade;
λ: é a taxa de ocorrência.
Fique atento:
39
Observe que, na fórmula, temos o termo 𝑒, que representa a constante Euler.
É um valor constante, assim como o conhecido 𝜋. Para calcular a expressão 𝑒 −λ nas
calculadoras científicas, utilizamos a tecla 𝑒 𝑥 .
Relembrando: o ponto de exclamação representa o fatorial.
Exemplo:
Imagine essa central telefônica e que a taxa de chamadas não atendidas em
um turno de 8 horas é de 10 chamadas. Queremos investigar a probabilidade de não
termos chamadas não atendidas em uma hora.
Observem que a taxa é dada por 8 horas, mas queremos calcular a
probabilidade por hora. e então, a primeira coisa a se fazer é descobrir a taxa por hora
de chamadas não atendidas. Isso se resolve com uma regra de três.
10 chamadas 8 horas
λ 1 hora
𝑒 −1,25 × 1,250
f(0) = P(X = 0) = = 0,2685 = 26,85%
0!
10.5 Geométrica
40
E X apresenta as seguintes propriedades:
1
Média: 𝑝
1−𝑝
Variância: 𝑝
Onde:
𝑋: número total de ensaios necessários para produzir um evento, 𝑌 + 1
𝑌: número de não eventos que ocorrem antes do primeiro evento
𝑃: probabilidade de ocorrência de um evento em cada ensaio
10.6 Hipergeométrica
(𝑁𝑥1 )× (𝑛−𝑥
𝑁2
)
𝑓(𝑥) = 𝑁 , 𝑚á𝑥 (0, 𝑛 − 𝑁 + 𝑁1 ) ≤ 𝑥 ≤ 𝑚í𝑛 (𝑛, 𝑁1 )
𝑛
41
𝑁1
Média: 𝑛 × 𝑁
𝑁−𝑛 𝑁 𝑁
Variância: 𝑛 × ( 𝑁−1) × ( 𝑁1 ) × ( 𝑁2 )
Onde:
𝑁: N1 + N2 = tamanho da população
N1: número de eventos na população
N2: número de não eventos na população
𝑛: tamanho amostral
𝑥: número de eventos na amostra
11 DISTRIBUIÇÕES CONTÍNUAS
42
Concluímos, então, que, na distribuição contínua de probabilidade, não existe
probabilidade no ponto.
Matematicamente, a resolução dessas probabilidades se dá com a integração
da função da distribuição em estudo. Isso nem sempre é simples, pois nem todas as
integrações de funções de probabilidade são de fácil resolução. Para isso, funções
comumente utilizadas contêm tabelas para auxiliar no cálculo de probabilidade. Esse
é o caso da distribuição normal, a mais importante distribuição de probabilidade em
estatística. É do pressuposto de normalidade dos dados que muitas inferências são
possíveis (SILVA, 2019).
Mas, independentemente de estarmos estudando distribuições discretas ou
distribuições contínuas de probabilidade, alguns axiomas continuam valendo, como:
0 ≤ f(x) ≤ 1 e a área total abaixo da curva sempre somarão 1 na distribuição acumulada
(SILVA, 2019).
11.1 Uniforme
1
𝑓(𝑥) = {𝑏 − 𝑎 , se a ≤ x ≤ b
0, caso contrário
43
Exemplo:
A ocorrência de panes em qualquer ponto de uma rede telefônica de 7 km foi
modelada por uma distribuição uniforme no intervalo [0,7]. Qual é a probabilidade de
que uma pane venha a ocorrer nos primeiros 800 metros? E qual a probabilidade de
que ocorra nos 3 km centrais da rede?
Solução:
1
A função densidade da distribuição uniforme é dada por 𝑓(𝑥) = se 0 ≤ x ≤ 7
7
e zero, caso contrário. Assim, a probabilidade de ocorrer pane nos primeiros 800
metros é:
0,8
0,8 − 0
ℙ(𝑋 ≤ 0,8) = ∫ 𝑓(𝑥)𝑑𝑥 = = 0,1142
7
0
5
5 2
ℙ(2 ≤ 𝑋 ≤ 5) = ∫ 𝑓(𝑥)𝑑𝑥 = ℙ(𝑋 ≤ 5) − ℙ(𝑋 ≤ 2) − ≈ 0,4285
7 7
2
11.2 Exponencial
−𝜆𝑥
𝑓(𝑥) = {𝜆𝑒 , se x ≥ 0
0, se x < 0
Onde:
𝜆: é a taxa média pelo tempo ou espaço;
𝑥: é o valor da variável aleatória que se quer obter a probabilidade.
𝑥 −𝜆𝑥
𝐹(𝑥) = ∫ 𝑓(𝑠)𝑑𝑠 = {1 − 𝑒 , se x ≥ 0
0 0 se x < 0
45
Exemplo:
Suponha que o tempo de vida de uma determinada espécie de inseto tenha
1
uma distribuição exponencial de parâmetro λ = dia. Suponha também que estes
12
insetos atinjam a maturidade sexual após 3 dias de seu nascimento. Qual a função
densidade de probabilidade, em dias, dos insetos que conseguem se reproduzir? E
qual a probabilidade de que um inseto reprodutor viva mais de 24 dias?
Solução:
Seja X a distribuição do tempo de vida dos insetos, e Y a distribuição do tempo
de vida dos insetos que chegam à reprodução. Observem que Y=X+3, assim:
1 −(𝑦−3)
𝑓𝑦 (𝑥) = {12 𝑒
12 , se y ∈ (3, ∞)
0, caso contrário
11.3 Laplace
46
1 (|𝑥−μ|)
𝑓(𝑥) = 𝑒 σ , −∞ < 𝑥 < ∞, −∞ < μ < ∞, −∞ < σ < ∞
2σ
Onde:
𝜎: é o desvio-padrão;
μ: é a média;
x: é o valor da variável aleatória que se quer obter a probabilidade.
11.4 Logística
(𝑥−μ)
𝑒− σ
𝑓(𝑥) = (𝑥−μ)
, −∞ < 𝑥 < ∞, −∞ < μ < ∞, −∞ < σ < ∞
−
σ (1 + 𝑒 σ )²
47
Onde:
𝜎: é o desvio-padrão;
μ: é a média;
x: é o valor da variável aleatória que se quer obter a probabilidade.
12 DISTRIBUIÇÃO NORMAL
48
É com base na teoria da distribuição de probabilidade normal que podemos
estruturar testes de hipótese, estabelecer intervalos de confiança e calcular tamanhos
de amostra (SILVA, 2019).
A função matemática que descreve a distribuição de probabilidade normal é
dada por:
1 (𝑥−μ)²
−
𝑓(𝑥) = 𝑒 2σ² , −∞ < 𝑥 < ∞, −∞ < μ < ∞, −∞ < σ < ∞
√2𝜋σ
𝑥−μ
𝑍=
σ
50
Vamos utilizar um exemplo para aprendermos como encontrar as
probabilidades nessa tabela. Suponha uma financeira que empresta, em média, R$
2.000,00 para seus clientes com um desvio-padrão de R$ 900,00. Calcularemos a
probabilidade de a financeira emprestar menos de R$ 2.200,00 a um cliente.
2200 − 2000
𝑃(𝑋 < 2200) = 𝑃 = (𝑧 < ) = 𝑃(𝑧 < 0,22)
900
51
Fonte: Freund (2006, p. 492).
2100 − 2000
𝑃(𝑋 > 2100) = 𝑃 = (𝑧 < ) = 𝑃(𝑧 < 0,11)
900
Vale ressaltar que, com a tabela normal com a área total abaixo da curva, a
utilização é diferente para encontrarmos a probabilidade (SILVA, 2019).
Ainda como exemplo de distribuições contínuas de probabilidade, temos a
distribuição t-student. Ela tem uma curva muito semelhante à normal, também tem
parâmetros de média e desvio-padrão, porém é influenciada pelo tamanho da
amostra. Quando n tende a infinito, a distribuição normal e a distribuição t são
equivalentes (SILVA, 2019).
A distribuição t-student é utilizada nos casos em que temos amostras de
tamanho inferior a 30 ou não conhecemos o desvio-padrão populacional, quando a
população tem distribuição aproximadamente normal (SILVA, 2019).
13 TEOREMAS LIMITES
53
13.1 Lei Fraca dos Grandes Números
𝑋1 + ⋯ + 𝑋𝑛 𝑆𝑛
𝑋̅ = ( )=
n n
𝑋1 + ⋯ + 𝑋𝑛
𝐸(𝑋̅) = 𝐸 ( )
n
1
𝐸(𝑋̅) = [𝐸(𝑋1 ) + ⋯ + 𝐸(𝑋𝑛 )]
n
𝑛𝜇
𝐸(𝑋̅) = =𝜇
n
E a variância é:
𝑋1 + ⋯ + 𝑋𝑛
𝑉(𝑋̅) = 𝑉 ( )
n
1
𝑉(𝑋̅) = [𝑉(𝑋1 ) + ⋯ + 𝑉(𝑋𝑛 )]
n²
1
𝑉(𝑋̅) = [𝜎 2 + ⋯ + 𝜎 2 ]
n²
𝜎2
𝑉(𝑋̅) =
n
A lei forte dos grandes números assegura que com probabilidade 1 a sequência
𝑆1 𝑆2 𝑆3
de médias ; ; 3 ,... tende a média μ e se comporte dessa forma (SILVA, 2019).
1 2
54
𝑆𝑛
ℙ ( lim = 𝜇) = 1
𝑛→∞ 𝑛
𝑆𝑛
− 𝜇 → 0, 𝑛→∞
𝑛
55
13.3 Teorema Central do Limite
𝑆𝑛 = 𝑋1 + ⋯ + 𝑋𝑛 , 𝑛∈ℕ
𝑛
𝑆𝑛 𝑋1 + ⋯ + 𝑋𝑛 1
𝑋̅ = = = ∑ 𝑋𝑖
𝑛 𝑛 𝑛
𝑖=1
56
E pela Lei dos Grandes Números Sn → 𝜇 quando n → ∞ com probabilidade 1.
Note que, se 𝑛 ∈ ℕ, então pela propriedade da linearidade do valor esperado,
para variáveis aleatórias independentes:
𝐸[𝑆𝑛 ] = 𝑛𝜇
𝑉[𝑆𝑛 ] = 𝑛𝜎²
Como pode-se notar acima não podemos esperar que S n tenha uma
distribuição limitante quando n → ∞, pois a V(Sn) → ∞ bem como o E[Sn] → ∞.Porém
antes mesmo de estabelecer esses limites podemos verificar a forma da distribuição
à medida que n aumenta, e visualizar a pressuposição e deduções dos teoremas e
leis apresentadas até aqui (SILVA, 2019).
Através de uma simulação Monte Carlo verificaremos a forma de uma
distribuição da variável aleatória Sn, que é a soma de variáveis aleatórias
independentes e identicamente distribuídas (SILVA, 2019).
𝑆𝑛 = 𝑋1 + ⋯ + 𝑋𝑛
𝑆2 = 𝑋1 + 𝑋2
𝑆𝑛 = 𝑋1 + ⋯ + 𝑋𝑛
𝑆3 = 𝑋1 + 𝑋2 + 𝑋3
57
𝑆𝑛 = 𝑋1 + ⋯ + 𝑋𝑛
𝑆6 = 𝑋1 + 𝑋2 + 𝑋3 + 𝑋4 + 𝑋5 + 𝑋6
se degenerar.
𝑆𝑛
Então para se obter uma distribuição limitante de S n ou = 𝑋̅ que não se
𝑛
58
𝑆𝑛 − 𝑛𝜇 𝑋̅ − 𝜇
𝑍𝑛 = = 𝜎
√𝑛𝜎
√𝑛
Note que o teorema não restringe a sua dedução à algum tipo específico de
distribuição de X. Dessa forma o teorema é válido para qualquer tipo de distribuição
(SILVA, 2019).
59
REFERÊNCIAS
BIBLIOGRAFIA BÁSICA:
BIBLIOGRAFIA COMPLEMENTAR
CASELLA, G.; Berger, R. L. Statistical Inference. Duxbury Press, 1a. ed. 1990.
60
DANTAS, C. A. B. Probabilidade: um curso introdutório. 3. ed. São Paulo: EDUSP,
2008.
61
NAVIDI, W. Probabilidade e estatística para ciências exatas. Porto Alegre:
Bookman, 2012.
OYSTEIN, O. Cardano, the Gambling Scholar. New York: Dover Publications, 1965.
62
distributions-andrandom-data/supporting-topics/distributions/laplace-distribution/>.
Acesso em: 19 abr. 2021.
63