Escolar Documentos
Profissional Documentos
Cultura Documentos
distribuições de probabilidades
Problema
A Companhia de Seguros ABC deseja acionar uma empresa de ônibus
para indenizar a viúva de um cliente, que foi morto em um acidente com um
dos ônibus da empresa. Deseja, para isso, construir peças de evidências que
demonstrem imperícia do motorista e, portanto, culpabilidade da empresa.
Entre as peças de evidências, a Companhia ABC pretende demonstrar que a
chance de quatro testemunhas que depuseram a favor do motorista mora-
rem em casas do mesmo quarteirão dele e estarem no ônibus no evento do
acidente é muito pequena.
O motorista alegou que esse fato não ocorreu e apresentou em sua defesa
o depoimento de quatro testemunhas que teriam acompanhado o acidente
por estarem no ônibus naquele momento.
61
Probabilidades e distribuições de probabilidades
C6,2C20,2
P (X = 2) =
C26,4
190 . 15
O cálculo dessa probabilidade resulta em P(X = 2) = = 0,1906,
14 950
então a probabilidade de se retirar duas bolas azuis em uma amostra sem
reposição de uma caixa com 26 bolas, sendo 20 brancas e 6 azuis, é de 0,19
ou 19%.
62
Probabilidades e distribuições de probabilidades
C80,5C8880,35
P (X = 5) = = 0,00002
C8960,40
Conceitos fundamentais
A teoria de probabilidades foi desenvolvida para solucionar jogos de azar
durante o século XVII, mas somente no início do século XX, graças ao mate-
mático russo A. Komolgorov, que formulou toda a teoria a partir de axiomas
básicos, a teoria de probabilidades ganhou status próprio como um ramo
autônomo da matemática. Existem várias propostas de como medir a incer-
teza. Entre elas, a mais desenvolvida é a da teoria de probabilidades. Mesmo
assim, há diferentes escolas que propõem diferentes meios de acessar valores
de probabilidades. Há, portanto, alguma controvérsia sobre os fundamentos
da teoria. Discutiremos três enfoques conceituais diferentes, mas que, inde-
pendentemente das diferentes definições, usam as mesmas regras matemá-
ticas como medidas objetivas de incerteza. Os três enfoques são o da proba-
bilidade clássica, o da frequência relativa de ocorrências e o da probabilidade
63
Probabilidades e distribuições de probabilidades
subjetiva, que apesar do nome trata a probabilidade como uma medida ob-
jetiva, embora a forma de sua determinação seja subjetiva. Aqui a palavra
objetiva significa uma medida exata que se submete ao corpo axiomático da
teoria de Komolgorov.
Experimento aleatório
Experimento aleatório é um experimento no qual sabe-se que resultados
podem ocorrer, mas não se sabe de antemão que resultado ocorrerá. Pode-se,
no entanto, determinar a probabilidade associada a cada resultado. Por exem-
plo, no lance de um dado honesto sabe-se que os resultados possíveis são 1, 2,
3, 4, 5 ou 6 na face superior, cada resultado com probabilidade 1/6.
Evento
Eventos são cada um dos resultados possíveis de um experimento alea-
tório. O evento de sair cara no lance de uma moeda é chamado de evento
64
Probabilidades e distribuições de probabilidades
Espaço amostral
Podemos definir de forma simples o espaço amostral como o conjunto
de todos os resultados possíveis de um experimento aleatório ou de outra
forma o conjunto de todos os eventos simples de um experimento aleatório.
No geral, o espaço amostral é denominado por S (space, em inglês) ou pela
letra grega Ω (ômega).
65
Probabilidades e distribuições de probabilidades
soma das faces superiores ser 15 é um evento impossível. Essa definição será
útil um pouco mais tarde quando tratarmos de probabilidades.
Eventos complementares
Dois eventos são complementares quando os seus elementos pertencem
a eventos mutuamente exclusivos e a reunião de todos os elementos é igual
ao espaço amostral. Por exemplo, no lance de um dado o evento A = {1, 2} é
complementar ao evento B = {3, 4, 5, 6}. Também o evento sair um número
par na face superior no lançamento de um dado é complementar ao evento
sair um número ímpar.
Probabilidade
Probabilidade é uma medida de incerteza que pode assumir valores entre
0 e 1. Não existe probabilidade negativa nem maior do que 1. A probabilidade
de sair cara no lance de uma moeda é igual a ½ ou 0,5 e não 50%.
P (A) = #A
#S
66
Probabilidades e distribuições de probabilidades
P (A) = #A = 3 = 1 = 0,5
#S 6 2
Por outro lado, a palavra verossimilhança também não tem o mesmo sig-
nificado de probabilidade. Por exemplo, é bem sabido que se em uma noite
de inverno o frio for intenso e o céu estiver estrelado, a possibilidade de
ocorrência de geada na manhã do dia seguinte é bastante grande. Devemos
dizer que é verossímil e não que é provável a ocorrência de geada. Essa pala-
vra é muito pouco utilizada coloquialmente em português e por isso falamos
em provável ou verossímil indistintamente.
67
Probabilidades e distribuições de probabilidades
Axiomas de Kolmogorov
Seja A um evento e S o espaço amostral de um experimento aleatório, então:
(I) 0 ≤ P(A) ≤ 1;
(II) P(S) = 1;
(III) P(A B) = P(A) + P(B) – P(A B), se A e B não são eventos mutuamente
exclusivos.
68
Probabilidades e distribuições de probabilidades
Regras de probabilidades
Algumas regras úteis derivadas dos axiomas de probabilidades serão
apresentadas sem prova. Em um contexto formal elas poderiam ser apre-
sentadas como teoremas com as devidas provas, mas esse não é o interesse
neste texto.
Eventos complementares
Se A é um evento e Ā é o seu evento complementar, então P(A) + P(Ā) =
1, ou ainda P(Ā) = 1 – P(A). Um caso particular ocorre para o caso do conjun-
to vazio, sabidamente complementar ao conjunto universo. P(ø) = 1 – P(S),
então como P(S) = 1, P(ø) = 0.
Regra da adição
Se A e B são eventos mutuamente excludentes, isto é, A B = ø , então
P(A B) = P(A) + P(B), haja vista que P(ø) = 0.
A B
2 5
4 3
6
1
S
Regra da diferença
Se A e B são dois conjuntos quaisquer, podemos definir a diferença entre
os dois conjuntos, A\B como o conjunto de todos os elementos que perten-
cem a A e que não pertencem a B. Então P(A\B) = P(A) – P(A B).
A B
5
4 2
3
6
1
S
Probabilidades conjunta,
marginal, condicional e independência
Probabilidade conjunta
Em muitas aplicações, estaremos interessados na probabilidade de ocor-
rência conjunta de dois ou mais eventos. Considere uma pesquisa de merca-
do em que dois produtos, A e B, foram apresentados para uma amostra de 1
000 pessoas, 500 homens e 500 mulheres. Os resultados das preferências são
apresentados na tabela a seguir:
70
Probabilidades e distribuições de probabilidades
Probabilidade marginal
Adicionalmente às probabilidades conjuntas, é possível determinar as
probabilidades marginais com respeito ao sexo e à preferência por produto.
Essas probabilidades são chamadas de probabilidades marginais ou de pro-
babilidades incondicionais. Por exemplo, a probabilidade marginal de que
um indivíduo escolhido aleatoriamente seja homem é de P(H) = 0,5 e a pro-
babilidade que o produto A seja escolhido é de P(A) = 0,3.
Probabilidade condicional
Se estivermos interessados na probabilidade de ocorrência de um evento
uma vez que outro evento já ocorreu, podemos definir probabilidades condi-
cionais. Por exemplo, podemos estar interessados em saber qual é a proba-
bilidade de ocorrência do evento “preferência pelo produto A” dado que o
elemento sorteado foi um homem.
P(A H) 0,2 2
P(A/H) = = = = 0,4
P(H) 0,5 5
P(H A) 0,2 2
P(H/A) = = = = 0,67
P(A) 0,3 3
Independência
Verificamos que a probabilidade de preferência do produto A dado que
um homem foi sorteado é igual a 0,4. Então:
P(A M) 0,2 2
P(A/M) = = = = 0,4
P(M) 0,5 5
71
Probabilidades e distribuições de probabilidades
Regra da multiplicação
Quando dois eventos são independentes, temos que P(C/D) = P(C). Ob-
serve também que
Se P(C/D) = P(C D)/P(D) então P(C D) = P(C/D) P(D).
Utilizando a afirmação de independência, temos então que: se C e D são
eventos independentes:
72
Probabilidades e distribuições de probabilidades
Teorema de Bayes
O objetivo do teorema de Bayes é o de fazer revisão de probabilidades
com base em novas peças de evidência. Vamos apresentar o teorema a partir
de um exemplo prático. A Companhia de Petróleo ABC deseja verificar qual
é a probabilidade de haver petróleo no litoral paranaense, uma vez que foi
descoberto petróleo no litoral sul de São Paulo. Especialistas da Companhia
acreditam que devido às circunstâncias geográficas há uma probabilidade
de 70% de haver petróleo no Paraná.
Observamos que se B = {(A1 B) U (A2 B)}, então P(B) = P(A1 B) + P(A2 B).
Então P(B) = 0,63 + 0,06.
Por outro lado, P(A1/B) = P(A1 B)/ P(B). Logo, P(A1/B) = 0,63/0,69 = 0,90.
Então, a probabilidade de haver petróleo no Paraná, dado o resultado posi-
tivo do teste, é de 91%. Assim, a probabilidade de 70% de haver petróleo foi
atualizada para 91%.
73
Probabilidades e distribuições de probabilidades
Probabi-
Probabilida- Probabilidade Probabilida-
lidade a
de a priori condicional de conjunta
posteriori
Verifique que a distribuição conjunta dos eventos pode ser dada por:
A2
A1
P(A1) P(B/A1)
P(A1/B) =
P(B)
P(A1) P(B/A1)
P(A1/B) =
P(A1) P(B/A1) + P(A2) P(B/A2)
P(Ai) P(B/Ai)
P(A1/B) =
∑P(Ai) P(B/Ai)
Variável aleatória
Podemos definir aproximadamente variável aleatória como uma variá-
vel que assume valores numéricos em função do acaso. Rigorosamente, do
ponto de vista matemático, uma variável aleatória é uma função consistindo
de elementos de um espaço amostral associados a números reais relaciona-
dos a esses elementos.
75
Probabilidades e distribuições de probabilidades
68 0,25
69 0,50
70 0,10
71 0,05
0,6
0,5
Probabilidades
0,4
0,3
0,2
0,1
0
1 2 3 4 5
Preço dos produtos
76
Probabilidades e distribuições de probabilidades
(I) P(X = x) ≥ 0
(II) P(X = x) =1
(I) f(x) ≥ 0
(II) f(x) =1
F(x) = P(X ≤ x)
68 0,25 0,35
69 0,50 0,85
70 0,10 0,95
71 0,05 1,00
Esperança e variância
de uma variável aleatória discreta
A esperança de uma variável aleatória discreta, também chamada de ex-
pectância ou valor esperado, é a média aritmética ponderada pelas probabili-
dades. Ela pode ser definida como:
μ = E(X) = Σ X P(X = x)
77
Probabilidades e distribuições de probabilidades
E(X) = 68,75
Seja, por exemplo, um distribuidor que vende seu produto para duas em-
presas. A tabela abaixo representa as vendas por dia para cada empresa e as
probabilidades associadas:
Empresa X
Empresa Y 0 1 2 P(Y = y)
0 0,1 0,1 0,0 0,2
1 0,1 0,5 0,0 0,6
2 0,0 0,0 0,2 0,2
P(X = x) 0,2 0,6 0,2 1,0
78
Probabilidades e distribuições de probabilidades
Empresa Y P(Y = y)
0 0,2
1 0,6
2 0,2
P(Y = y) 1,0
Empresa X P(X = x)
0 0,2
1 0,6
2 0,2
P(X = x) 1,0
Empresa X P(X = x / Y = 1)
0 0,1/0,6 = 0,17
1 0,5/0,6 = 0,83
2 0,0
P(Y = y) 1,0
79
Probabilidades e distribuições de probabilidades
Covariância e correlação
Definimos covariância e correlação conforme segue:
Corr(X, Y) = = Cov(X, Y)
x, y
Var(X) Var(Y)
E(X) = E(Y) = 1
X,Y
= 0,3 / 1,24 = 0,24
Distribuição uniforme
Algumas vezes, todos os valores possíveis da variável aleatória assumem
o mesmo valor. Tal distribuição de probabilidades é chamada de distribuição
uniforme e tem a seguinte distribuição de probabilidades:
Exemplo:
VAR(X) = 2,92
Exemplo:
Um voo internacional está escalado para chegar ao Aeroporto Interna-
cional de Cumbica em São Paulo às 7h30min da manhã. Um estudo mostrou
que a hora real de chegada é uniformemente distribuída por minutos no
intervalo de 7h05min às 8h40min. Seja X = 1 a chegada às 7h05min, X = 2 a
chegada às 7h06min, e assim por diante.
Distribuição binomial
Na distribuição binomial há dois resultados possíveis em cada experimen-
to aleatório. E uma das distribuições mais importantes por suas aplicações na
área de negócios e de ciências sociais. O processo que se utiliza da distribui-
ção binomial é conhecido como prova de Bernoulli ou processo de Bernoulli,
matemático suíço que pela primeira vez deu sentido ao uso da distribuição
binomial.
E(X) = n.p
VAR(X) = n.p.q
X 0 1 2 3 4 5 6
E(X) = n.p = 6 . 1 = 3
2
V(X) = n.p.q = 6 . 1 . 1 = 1,5
2 2
82
Probabilidades e distribuições de probabilidades
Exemplo:
e) P( X ≥ 7) = 1 – P(X ≤ 6) = 1 – F(6) = 1 – 1 = 0.
83
Probabilidades e distribuições de probabilidades
Distribuição multinomial
No caso da distribuição binomial havia dois possíveis resultados para o
processo, “sucesso” ou “fracasso”. No caso da distribuição multinomial, pode-
mos ter mais do que dois resultados possíveis. A sua distribuição de probabi-
lidades é dada pela expressão:
P(X1 = x1, X2 = x2, ..., Xn = xn) = f(x) = [n!/x1!x2!...xn!] p1x1 p2x2 ...pnxn
E(Xi) = ni.pi
VAR(Xi) = ni.pi.qi
Exemplo:
Distribuição hipergeométrica
A distribuição binomial foi utilizada para amostragens de populações fi-
nitas com reposição. Em muitas situações práticas, as amostragens são rea-
lizadas sem reposição e, nesse caso, o modelo adequado é o da distribuição
hipergeométrica.
84
Probabilidades e distribuições de probabilidades
Suponha que temos bolas de duas cores em uma caixa com N bolas,
sendo que N1 são brancas e N – N1 são azuis. Uma amostra de tamanho n é
retirada da caixa e desejamos saber qual a probabilidade que x dessas bolas
sejam brancas.
Distribuição de Poisson
A distribuição de Poisson tem uma grande aplicação em situações como
demanda por produtos, número de telefonemas que chegam a uma central,
número de acidentes, números de tráfego de chegadas (como caminhões
em um terminal, aviões em aeroportos, navios nos portos etc.) e número de
defeitos observados em linhas de produção.
(I) as ocorrências podem ser descritas por uma variável aleatória que
toma valores como 0, 1, 2 e assim por diante;
Algumas suposições são feitas para a utilização dessa distribuição, que são:
85
Probabilidades e distribuições de probabilidades
x!
A esperança e a variância de X são iguais. E(X) = VAR (X) = μ.
Exemplo:
Seja X a variável aleatória “número de chamadas telefônicas por minuto”
durante um dado período de tempo. Então μ = 0,4 chamadas por minuto é
o parâmetro da distribuição de probabilidades de Poisson. A probabilidade
que certo número de chamadas chegará à central é dada pela expressão da
função densidade. Então:
Para X = 0
(0,4)0.e–0,4
P(X = 0) = f(0) = = 0,670.
0!
Para X = 1
(0,4)1.e–0,4
P(X = 1) = f(1) = = (0,4)(0,670) = 0,268.
1!
Para encontrar esses e outros valores de f(x), pode-se consultar direta-
mente a tabela C dos valores da função de distribuição acumulada para a dis-
tribuição de Poisson.
c
F(c) = P(X ≤ c) = ∑
x=0
f(x)
A distribuição de Poisson
como aproximação da distribuição binomial
Quando n é muito grande, o uso da distribuição binomial pode tor-
nar--se tedioso. Para evitar essa situação podemos tomar a distribuição
de Poisson como uma aproximação da distribuição binomial, quando n é
muito grande e p muito pequeno.
86
Probabilidades e distribuições de probabilidades
Exemplo:
Atividades de aplicação
1. Determine o complemento para cada um dos seguintes eventos:
b) Obtenha A B, A B e Ac.
87
Probabilidades e distribuições de probabilidades
88
Probabilidades e distribuições de probabilidades
a) nenhum.
b) exatamente 2.
c) pelo menos 1.
Gabarito
1.
2.
a) A:{(3,6)(4,5)(5,4)(6,3)}
B:{(4,1)(4,2)(4,3)(4,4)(4,5)(4,6)(5,1)(5,2)(5,3)(5,4)(5,5)(5,6)(6,1)(6,2)
(6,3)(6,4)(6,5)(6,6)}.
89
Probabilidades e distribuições de probabilidades
(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)
Ac =
(3,5)(4,1)(4,2)(4,3)(4,4)(4,6)(5,1)(5,2)(5,3)(5,5)(5,6)(6,1)(6,2)(6,4)(6,5)(6,6)
3.
c) P(AUB) = P(A) + P(B) – P(A∩B) ... P(AUB) = 0,30 + 0,80 – 0,15 = 0,95.
4.
C 83 .C120
a) 3
= 0, 049
C 20
C 82 .C12
1
b) 3
= 0,295
C 20
C 81 .C122
c) 3
= 0, 463
C 20
5.
90 110
C 400 .C1100
a) 200
C1500
C 400
0 200
.C1100 + C 400
1 199
.C1100 + C 400
2 198
.C1100
b) 1 − 200
C1500
90
Probabilidades e distribuições de probabilidades
6.
91
Probabilidades e distribuições de probabilidades
(2,32 . ε–2,3)
b) P(X = 2) = = 0,2652 ou 26,52%.
2!
c) P(X ≥ 1) = 1 – P(X < 1) = 1 – P(X = 0) ∴ P(X ≥ 1) = 1 – 0,1002 = 0,8998
ou 89,98%.
P(X ≥1) com n = 5 e p = 0,06 ∴ P(X ≥1) = 1 – P(X < 1) = 1 P(X = 0). Logo:
Como a empresa paga R$10,00 por caixa com algum componente de-
feituoso e o lote contempla 5 000 caixas, então a multa esperada será
dada por:
92