Ficha de Apoio

Probabilidades
Resumo Teórico

Instituto Superior de Gestão de Negócios (Delegação da Matola)

Curso de Licenciatura em Gestão de Recursos Humanos
Estatística II
 Ficha 1 - de Apoio Estatística II 2015

1 Introdução. Definições: Experiência Aleatória e Acontecimentos Aleatórios

Pode-se dizer que a Probabilidade nasceu no século XVII por interesse comum de Pascal e Fermat.

Blaise Pascal (1623-1662) Pierre de Fermat (1601-1665)

Definição 1:
“Uma experiência, E, diz-se aleatória se:
i) for um procedimento que se pode repetir um grande número de vezes mas mesmas condições ou pelo
menos em condições semelhantes;
ii) todos os resultados possíveis são conhecidos à priori;
iii) o resultado exacto não é conhecido antes da realização da experiência, i.e.1 é imprevisível.”

Exemplos de Experiências Aleatórias:

E1: lançamento de um dado e registo do número de pontos que sai;

E2: lançamento de duas moedas2;
E3: lançamento de um dado e de uma moeda;
E4: lançamento de uma moeda até aparecer face;
E5: uma lâmpada é fabricada e ensaiada quanto à sua duração;
E6: é registada a idade de uma pessoa3;
E7: extracção de 2 peças (com ou sem reposição) de um lote de 100 peças das quais 20 são defeituosas.

Em oposição aos fenómenos aleatórios, alvo do nosso estudo, existem os fenómenos determinísticos,
que são aqueles cujos resultados são previsíveis, ou seja, temos certeza dos resultados a serem obtidos.

Definição 2:
“Designa-se por Espaço Amostral e representa-se por Ω, o conjunto de todos os resultados possíveis
associados a uma experiência aleatória.”

Definição 3:
“Designa-se por Espaço de Acontecimentos e representa-se por IP(Ω), o conjunto de todas as partes ou
subconjuntos de Ω.”

Exemplos de Espaços Amostrais:

Ω1= {1,2,3,4,5,6 };

1
i.e., id est, que significa isto é, é uma expressão que usaremos muito.
2
Designaremos face por F e coroa por C, naturalmente.
3
Em anos como habitualmente.

2
Estatística, Probabilidades
FICHA ADAPTADA - Docentes: dr. Carmino Machavane & dr. Estevao Langa
 Ficha 1 - de Apoio Estatística II 2015

Ω2= {CC , FC , FF , CF } = {(C , C ), ( F , C ), ( F , F ), (C , F )};

Ω3= {1C ,1F ,2C ,2 F ,...,6 C ,6 F } ;
Ω4= {F , CF , CCF , CCCF ,...};
Ω5= IR + ; Ω6= IN .

A partir destes exemplos inicíais observamos que um espaço amostral pode ser discreto finito (Ω1) ou
discreto infinito (Ω6) ou contínuo (Ω5). Nas experiências em que se considere mais do que uma v.a. o
mais rigoroso é apresentar os resultados obtidos sobre a forma de vector, e.g.4 Ω2, no entanto nesta fase
inicial não queremos desviar a nossa atenção do que é realmente importante: uma introdução intuitiva
destas noções.

Definição 4:
“Qualquer subconjunto do espaço amostral designa-se por acontecimento aleatório.”

Os exemplos são óbvios mas interessa destacar os seguintes casos:

i) Acontecimento Elementar: quando o acontecimento é constituído por um único elemento;
ii) Acontecimento Certo: é outra designação para o espaço amostral Ω;
iii)Acontecimento Impossível: quando o acontecimento não contém nenhum elemento, i.e., na realidade
“não aconteceu”.

Diz-se então que um acontecimento se realiza sempre que o resultado de uma experiência aleatória é um
elemento que pertence ao acontecimento.

Do que ficou dito verifica-se que há uma “equivalência” entre a noção de acontecimento e a noção de
conjunto. Verifica-se então um paralelismo entre a álgebra de conjuntos e a álgebra de acontecimentos5.

Operações entre acontecimentos:

i) se A1, …, An são acontecimentos aleatórios, então o acontecimento Uin=1 Ai ocorrerá sempre que pelo
menos um dos acontecimentos Ai ocorrer;
ii) se A1, …, An são acontecimentos aleatórios, então o acontecimento Iin=1 Ai ocorrerá sempre que todos
os acontecimentos Ai ocorrerem;
iii) o produto cartesiano pode-se aplicar a acontecimentos com o parelelismo para os conjuntos6.

Exemplo:
“Não se realizar nenhum dos dois acontecimentos”, corresponde em linguagem de conjuntos a A ∩ B .

Definição 5:
“Dois acontecimentos aleatórios, A e B, designam-se mutuamente exclusivos se não puderem ocorrer
simultaneamente, em linguagem de conjuntos, A ∩ B = { } .”

4
e.g. exempli gratia, que significa por exemplo, expressão que também usaremos muito.
5
Ver anexo 2.
6
Ver nota anterior.

3
Estatística, Probabilidades
FICHA ADAPTADA - Docentes: dr. Carmino Machavane & dr. Estevao Langa
 Ficha 1 - de Apoio Estatística II 2015

Definição 6:
“Dois acontecimentos aleatórios, A e B, dizem-se contrários se A ∩ B = { } e A ∪ B = Ω , e representa-se
o conjunto contrário de A por A .”

Sabemos que a cada experiência aleatória podemos associar ∞ acontecimentos aleatórios. Para
distinguirmos os vários acontecimentos, torna-se necessário associar a cada acontecimento aleatório A,
um número que de alguma maneira medirá o quanto verosímil é que o acontecimento A venha a ocorrer.
Este número necessário é a probabilidade do acontecimento A, P(A).

Consideremos uma urna que contem 49 bolas azuis e 1 bola branca. Se efectuarmos uma inspecção,
teremos duas possibilidades: bola azul ou bola branca. Percebemos entretanto que será muito mais
frequente obtermos numa inspecção, uma bola azul, resultando daí, podermos afirmar que o
acontecimento "sair bola azul" tem maior Probabilidade de ocorrer do que o acontecimento "sair bola
branca".

2 Cálculo de Probabilidades em espaços de resultados igualmente prováveis: Lei de Laplace

A primeira definição de probabilidade conhecida deve-se a Laplace no início do séc. XIX, para a
hipótese de casos igualmente prováveis ou o chamado princípio da simetria.

Definição 6:
“Seja A um acontecimento aleatório de Ω, a probabilidade de A, i.e.,
n º de casos favoráveis
P ( A) ≡ ”.
n º de casos possíveis

O que a definição de Laplace nos diz é que se todos os k resultados7, forem igualmente verosímeis, a
probabilidade de cada resultado, i.e., a probabilidade de cada acontecimento elementar Ai, será:
1
P( Ai ) = , i=1,…,k.
k
Exemplos:

1. Considere o lançamento de um dado. Calcule a probabilidade de:

a. sair o número 3.
Temos Ω= {1, 2, 3, 4, 5, 6} pelo que #Ω = 6. Seja A = {3} pelo que #A= 1. Portanto, a probabilidade
procurada será igual a P(A) = 1/6.
b. sair um número par.
Agora o acontecimento é A = {2, 4, 6} com 3 elementos; logo a probabilidade procurada será P(A) =
3/6 = 1/2.
c. sair um múltiplo de 3:
O acontecimento A = {3, 6} com 2 elementos; logo a probabilidade procurada será P(A) = 2/6 = 1/3.
d. sair um número menor do que 3.
Agora, o acontecimento A = {1, 2} com dois elementos. Portanto, P(A) = 2/6 = 1/3.
e. sair um quadrado perfeito.
O acontecimento A = {1,4} com dois elementos. Portanto, P(A) = 2/6 = 1/3.

7
i.e., se o cardinal de Ω for k.

4
Estatística, Probabilidades
FICHA ADAPTADA - Docentes: dr. Carmino Machavane & dr. Estevao Langa
 Ficha 1 - de Apoio Estatística II 2015

3 Noção de probabilidade: axiomas e teoremas.

Axiomática das Probabilidades

Sob um ponto de vista puramente matemático, suporemos que para cada acontecimento A, pertencente
ao conjunto de todos os acontecimentos possíveis, existe um número, que designaremos por P(A),
satisfazendo:
A1: 0 ≤ P ( A) ≤ 1 ;
A2: P (Ω) = 1 em que Ω é o acontecimento certo;
A3: Se Ai I A j = φ com i ≠ j então P ( Uin=1 Ai ) = ∑in=1 P( Ai ) .

Com estes três axiomas mesmo sem sabermos8 ainda calcular P(A) sabemos já as suas características,
com as quais se demonstram todas as propriedades seguintes. Note que pode-se recorrer, apenas para
melhor visualização, a Diagramas de Venn.

Propriedades:
P1: “Se φ for o conjunto vazio então P ( φ) = 0 ”.
P2: “Se A é o acontecimento complementar de A então P( A) = 1 − P( A) ”.
P3:“Se A é um acontecimento qualquer então P ( A) ≤ 1 ”.
P4:“Se A e B forem acontecimentos quaisquer então P ( A ∪ B ) = P( A) + P( B ) − P ( A ∩ B ) ”.
P5:“Se A, B e C forem acontecimentos quaisquer então
P ( A ∪ B ∪ C ) = P( A) + P( B ) + P(C ) − P( A ∩ B ) − P( A ∩ C ) − P( B ∩ C ) + P( A ∩ B ∩ C ) ”.
P6: “Se A ⊆ B ⇒ P( A) ≤ P( B ) ”.

Estas propriedades são portanto consequências imediatas dos axiomas referidos.

Exemplo:
Em uma certa comunidade existem apenas dois jornais disponíveis, o Jornal de Notícias e o Público.
Sabe-se que 5000 pessoas são assinantes do Jornal de Notícias, 4000 são assinantes do Público, 1200 são
assinantes de ambos e 800 não lêem jornal. Qual a probabilidade de que uma pessoa escolhida ao acaso
seja assinante de ambos os jornais?

Sabemos que não é necessário mas dado que é uma boa ferramenta pois permite a “visualização”,
representemos os conjuntos num Diagrama de Venn.
Ω

J P

A resolução destes problemas, correcta e metódica, começa com a definição dos acontecimentos
necessários a uma adequada resolução do problema.

8
Sabemos apenas se a lei de Laplace for aplicável.

5
Estatística, Probabilidades
FICHA ADAPTADA - Docentes: dr. Carmino Machavane & dr. Estevao Langa
 Ficha 1 - de Apoio Estatística II 2015

Definição dos acontecimentos:

- J = {" Ler o jornal Jornal de Noticias"}
- P = {" Ler o jornal Público"}

Note que não sabemos qual o número total de pessoas do nosso espaço amostral, Ω, que designaremos
por n(Ω). Teremos:
n (Ω ) = n(J ∪ P) + n( J ∪ P )
Em que:
J ∪ P = {" Ler pelo menos um dos jornais"},
J ∩ P = {" Ler ambos os jornais"} e J ∪ P = {" Não ler nenhum dos dois jornais"},
pelo que e.g., n( J ∪ P) representa o número de pessoas da comunidade em estudo, que não lêem jornais.
Dividindo a igualdade n (Ω ) = n(J ∪ P) + n( J ∪ P ) por n (Ω ) obtemos 1 = P(J ∪ P) + P( J ∪ P ) ,
usando a Lei de Laplace. Agora usando a propriedade P4 temos: P(J ∪ P) = P(J) + P(P) − P(J ∩ P) . É
agora possível escrever uma expressão em função dos valores do enunciado:
1 = [P(J) + P(P) - P(J ∩ P)] + P( J ∪ P )

Estas probabilidades são facilmente calculáveis a partir dos dados do problema, basta escrever em função
de n (Ω ) .

Dados do problema:
n(J) = 5000 ; n(P) = 4000 ; n(J ∩ P) = 1200 e n( J ∪ P ) = 800 .

1=
[n(J) + n(P) - n(J ∩ P)] + n( J ∪ P ) ⇔ n( Ω ) = [n(J) + n(P) - n(J ∩ P)] + n( J ∪ P ) = 5000 + 4000 - 1200 + 800 = 8600
n( Ω )

Pelo que a comunidade em estudo tem 8600 pessoas. Agora é simples responder ao pedido:

n(J ∩ P) 1200
P(J ∩ P) ≡ = = 0.1395 = 13.95%

n(Ω ) 8600
A interpretação do resultado é a seguinte: escolhendo-se ao acaso uma pessoa da comunidade, a
probabilidade de que ela seja assinante de ambos os jornais é de aproximadamente 14%(contra 86% de
probabilidade de não ser).

4 Probabilidade Condicionada

A diferença que existe entre um esquema sem reposição e outro com reposição está na base de uma
nova definição.

Definição 7:
“Sejam A e B dois acontecimentos aleatórios associados à mesma experiência aleatória. Denotaremos por
P ( A | B ) a probabilidade condicionada do acontecimento A quando B tiver ocorrido. Se P ( B ) > 0 então
P( A ∩ B )
P( A | B) ≡ ”.
P( B)

6
Estatística, Probabilidades
FICHA ADAPTADA - Docentes: dr. Carmino Machavane & dr. Estevao Langa
 Ficha 1 - de Apoio Estatística II 2015

Esta última expressão lê-se: probabilidade de A dado B ou probabilidade de A condicionada a B.

Note que se Ω for finito e com resultados igualmente possíveis podemos calcular uma probabilidade
Card ( A ∩ B ) 9
condicionada, além da definição anterior, usando a expressão: P ( A | B ) = .
Card ( B )

Exemplo:

De um baralho de 52 cartas retirou-se ao acaso uma carta, sabendo que é de “Copas”, qual a probabilidade
de ser um “Ás”?

Note que o facto de se explicitar que a escolha foi feita ao acaso significa que cada uma das cartas ter
igual probabilidade de ser retirada.

i) definir os acontecimentos necessários à resolução:

{
A = {"52 Cartas"} , B = {" Carta de Copas"} e C = " Carta ser um Ás" ; }
ii) calcular P(C | B )
P (C ∩ B ) 1 52
1º processo: pela definição temos P (C | B ) ≡ = = 1 / 13
P( B ) 13 52
# (C ∩ B )
2º processo: calculando directamente, P (C | B ) ≡ = 1 / 13 .
#B

{ }
Note que C ∩ B = " Ás de Copas" e que cada naipe tem 13 cartas.

A probabilidade condicionada contínua a ser uma probabilidade e como tal verifica os três axiomas.

Axiomática das Probabilidades Condicionadas

Sob um ponto de vista puramente matemático, suporemos que para dois acontecimento A e B,
pertencentes ao conjunto de todos os acontecimentos possíveis, IP(Ω),existe um número, que
designaremos por P( A | B ) ,satisfazendo:
A1 : 0 ≤ P ( A | B ) ≤ 1 ;
A2: P(Ω | B ) = 1 em que Ω é o acontecimento certo;
A3: Se Ai I A j = φ com i ≠ j então P ( Uin=1 Ai | B ) = ∑in=1 P( Ai | B ) .

Além dos axiomas a probabilidade condicionada verifica todas as propriedades referidas para a
probabilidade simples, e.g.:
“Se A é o acontecimento complementar de A então P ( A | B ) = 1 − P( A | B ) ”.

9
Em que Card(A) designa o cardinal do conjunto A.

7
Estatística, Probabilidades
FICHA ADAPTADA - Docentes: dr. Carmino Machavane & dr. Estevao Langa
 Ficha 1 - de Apoio Estatística II 2015

5 Teorema da Multiplicação de Probabilidades10

Teorema:
“Se P(A)>0, P(B)>0, então tem-se que P ( A ∩ B ) = P ( B ).P( A | B ) = P( A).P( B | A) ”.

Note que directamente a partir da última definição introduzida temos:

P ( A ∩ B ) = P( B ).P ( A | B )
pelo que uma generalização natural conduz a:
P ( A1 ∩ A2 ... ∩ An ) = P ( A1 ). P ( A2 | A1 ∩ A2 ).... P ( An | A1 ∩ ... ∩ An −1 ) .

Definição 8:
“Dizemos que os acontecimentos A1, A2, …,An representam uma partição de Ω se:
i) Ai ∩ A j = φ , se i ≠ j , i.e. os conjuntos são disjuntos dois a dois;
ii) Uin=1 Ai = Ω ;
iii) P ( Ai ) > 0, ∀ i =1,...,n .”

6 Teorema da Probabilidade Total

Teorema:
“Seja B um acontecimento qualquer de Ω e A1, A2, …,An representam uma partição de IP(Ω), então
P ( B ) = ∑in=1 P( Ai ).P ( B | Ai ) .”

Exercício: Contrua um Diagrama de Venn onde represente todos os conjuntos referidos e demonstre o
resultado indicado. Dê especial atenção para os casos n=2 e n=3, mais frequentes nos exercícios e nas
avaliações.

Este teorema permite calcular a probabilidade de um acontecimento qualquer a partir do conhecimento

da probabilidade de cada acontecimento que forma a partição e da respectiva probabilidade condicionada.

7 Teorema de Bayes11
Thomas Bayes (1702-1761)

10
ou Lei das Probabilidades Compostas.
11
Alguns autores designam por fórmula de Bayes e outros, por Teorema das Causas, pois é um método de calcular a probabilidade da causa, este
mesmo resultado.

8
Estatística, Probabilidades
FICHA ADAPTADA - Docentes: dr. Carmino Machavane & dr. Estevao Langa
 Ficha 1 - de Apoio Estatística II 2015

Recorrendo ao teorema anterior deduzimos um dos mais importantes teoremas em probabilidades.

Teorema:
“Seja B um acontecimento qualquer de Ω e A1, A2, …,An representam uma partição de Ω , onde
P( Ai ) > 0 e P ( B ) > 0 então para j=1,...,n tem-se
P ( A j ).P ( B | A j ) 12
P( A j | B) = n .”
∑i =1 P ( Ai ). P( B | Ai )

8 Acontecimentos Independentes

Definição 9:
“Diz-se que dois acontecimentos aleatórios quaisquer são independentes se: P ( A ∩ B ) = P( A). P( B ) .”

Exemplo:
Qual a probabilidade de em dois lançamentos de um dado, se obter número par no primeiro lançamento e
número ímpar no segundo lançamento? Ora, os acontecimentos são obviamente independentes, pois a
ocorrência de um não influência a ocorrência do outro. Logo, teremos: P(A I B)=P(A).P(B) = 3/6 . 3/6 =
1/2.1/2 = 1/4 = 0,25 = 25%.

Exemplo:
Uma urna possui cinco bolas vermelhas e duas bolas brancas. Calcule as probabilidades de:
a. em duas extracções, sem reposição da primeira bola extraída, sair uma bola vermelha e depois uma bola
branca.
b. em duas extracções, com reposição da primeira bola extraída, sair uma bola vermelha e depois uma bola
branca.

a. P(V I B)=P(V).P(B|V). P(V) = 5/7 (5 bolas vermelhas de um total de 7). Supondo que saiu bola
vermelha na primeira extracção, ficaram 6 bolas na urna. Logo: P(B|V)=2/6=1/3. Da lei das
probabilidades compostas, vem finalmente que: P(V I B) = 5/7.1/3 =5/21 = 0,2380 = 23,8%

b. Com a reposição da primeira bola extraída, os acontecimentos ficam independentes. Neste caso, a
probabilidade pedida poderá ser calculada como: P(V I B) = P(V).P(B) =5/7.2/7=10/49=0,2041 = 20.41%
< 23.8% !

Observe atentamente a diferença entre as soluções das alíneas a. e b. acima, para um entendimento
perfeito daquilo que procuramos transmitir. Lembre-se que foi exactamente esta a motivação da
introdução da noção de probabilidade condicionada.

12
Note que o j é um índice livre ao passo que o i é um índice mudo.

9
Estatística, Probabilidades
FICHA ADAPTADA - Docentes: dr. Carmino Machavane & dr. Estevao Langa
 Ficha 1 - de Apoio Estatística II 2015

Definição 10:
“Os acontecimentos aleatórios A, B e C são independentes se:
P ( A ∩ B ∩ C ) = P( A).P( B ).P (C ) ,
P( A ∩ B ) = P( A).P( B ) , P ( A ∩ C ) = P( A).P (C ) , e P ( B ∩ C ) = P( B ).P(C ) .”

Teorema:
“Se A e B são acontecimentos independentes então também são independentes os acontecimentos:
i) A e B , ii) A e B , e iii) A e B .”
Dem.: P ( A ∩ B ) = P( A ∪ B ) = 1 − P ( A ∪ B ) = 1 − [P ( A) + P ( B ) − P( A ∩ B )]
Lei

Morgan Teo. Teo.

Por hipótese
= 1 − [P( A) + P( B ) − P( A).P ( B )] = [1 − P ( A)][
. 1 − P( B )] = P( A). P( B ) Q.E.D.
A e B são independentes Teo.

10
Estatística, Probabilidades
FICHA ADAPTADA - Docentes: dr. Carmino Machavane & dr. Estevao Langa