Escolar Documentos
Profissional Documentos
Cultura Documentos
Probabilidades
Resumo Teórico
Pode-se dizer que a Probabilidade nasceu no século XVII por interesse comum de Pascal e Fermat.
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.”
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.”
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
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.”
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.
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".
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:
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
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 ) ”.
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
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
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.
{ }
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.
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
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) ”.
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 .”
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.
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
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
10
Estatística, Probabilidades
FICHA ADAPTADA - Docentes: dr. Carmino Machavane & dr. Estevao Langa