Aula 8

Modelo probabilístico, axiomas de probabilidade,

experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de
contagem, regra da adição

Cássius Henrique Estatística

 Modelos não
determinísticos

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Conceitos básicos

Modelos Não Determinísticos

• De antemão não é possível explicitar ou definir um resultado particular
• especificado através de uma distribuição de probabilidade
• estão associados a fenômenos probabilísticos/estocástico

Modelos Determinísticos
• Para uma mesma situação de entrada se produz o mesmo resultado.

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Experimento aleatório

• Fenômeno seguindo um modelo não determinístico

• O experimento pode ser repetido
• Não é possível afirmar qual resultado em particular ocorrerá, porém podem-se enumerar as possibilidades (espaço
amostral)
• A medida que aumenta o número de repetições aparece uma certa regularidade nos resultados que torna possível a
construção de um modelo matemático.
• Exemplos de experimentos aleatórios ou não determinísticos:
• Jogue um dado n vezes e anote a face de cima;
• Produza x peças em série e registre o número de defeitos;
• A taxa mensal de inadimplência dos brasileiros no pagamento de energia elétrica.

Cássius Henrique Estatística

 Teoria de
conjuntos aplicada
à Probabilidade

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Teoria de conjuntos aplicada à probabilidade

A U U  A
B  U U  B

• U é o conjunto universo (ou conjunto elementar)

• A e B são subconjuntos de U

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Teoria de conjuntos aplicada à probabilidade

• Operações básicas entre conjuntos


A  B = x | x  A ou x  B 

A B = x | x A e xB 

A− B = x | x A e xB 

B − A = x | xB e x A 

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Teoria de conjuntos aplicada à probabilidade

• Diferença


A = U − A = x | x U e x  A

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Operações com conjuntos

União e interseção de eventos (A ou B, A e B); A e B disjuntos; Complementar de A

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Teoria de conjuntos aplicada à probabilidade

• Leis Associativas

a ) A  B  C = A  (B  C ) = ( A  B )  C
b) A  B  C = A  (B  C ) = ( A  B )  C

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Teoria de conjuntos aplicada à probabilidade

• Leis Comutativas

a) A  B = B  A
b) A  B = B  A

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Teoria de conjuntos aplicada à probabilidade

• Identidade de conjuntos

a ) A  (B  C ) = ( A  B )  ( A  C )
b) A  (B  C ) = ( A  B )  ( A  C )
c) A  Ø = Ø
d)A  Ø = A
e) A  B = A  B
f )A  B = A  B
g) A = A

Cássius Henrique Estatística

 Espaço amostral

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Espaços amostrais

• Para cada experimento probabilístico E, definiremos como espaço amostrar S o conjunto de todos os possíveis resultados
de E.

• Considere os seguintes experimentos aleatórios Ei e seus respectivos espaços amostrais Si

• E1: Joga-se um dado e observa-se o número obtido na face superior.
• S1 = {1, 2, 3, 4, 5, 6}
• E2: Joga-se uma moeda 4 vezes e o observa-se o número de caras obtido.
• S2 = {0, 1, 2, 3, 4}
• E3: Joga-se uma moeda 4 vezes e observa-se a sequência de caras e coroas.
• S3 = {cccc, ccck, cckc, ckcc, kccc, cckk, kkcc, ckck, kckc, kcck, ckkc, ckkk, kckk, kkck, kkkc, kkkk}

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Exercício 1

Apresente o espaço amostral dos experimentos aleatórios abaixo:

• E5: Uma máquina nova é instalada em uma linha produtiva e observa-se o tempo gasto até ela falhar.
• E6: Lança-se uma moeda até que ocorra uma cara e conta-se então o número de lançamentos necessários.
• E7: Lançam-se dois dados e anota-se o total de pontos obtidos.

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Solução

Apresente o espaço amostral dos experimentos aleatórios abaixo:

• E5: Uma máquina nova é instalada em uma linha produtiva e observa-se o tempo gasto até ela falhar.
• S5 = {t   / t  0}

• E6: Lança-se uma moeda até que ocorra uma cara e conta-se então o número de lançamentos necessários.
• S6 = {1, 2, 3, 4, 5,...}

• E7: Lançam-se dois dados e anota-se o total de pontos obtidos.

• S7 = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}

Cássius Henrique Estatística

 Evento

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Evento

• Um evento A é um subconjunto do espaço amostral E: ( A  E )

• Logo, um evento é simplesmente um conjunto de resultados possíveis. Qualquer resultado individual também pode ser
tomado como um evento.
• Tipos de eventos:
• Evento Elementar
• Evento Complementar
• Eventos Mutuamente Exclusivos

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Evento elementar

• Seja o espaço amostral S = 1,2 ,..., n , um evento é dito elementar se é formado por apenas um elemento
(subconjunto unitário de S).
• Matematicamente: A = i , com i = 1,2,3,..., n

• A união de todos os eventos elementares resulta no espaço amostral: A i =S

i =1

• Exemplo: no lançamento de um dado, há 6 eventos elementares:

• A1 = {1}, A2 = {2}, ..., A6 = {6}

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Evento complementar

• Denotado por A c ou A , em que A = x | x U e x  A , em que A  A = S

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Eventos mutuamente exclusivos

• Eventos mutuamente exclusivos correspondem a conjuntos disjuntos de resultados possíveis.

• Conjuntos disjuntos são aqueles com interseção vazia

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Leis de De Morgan

• O evento de que nenhum dos Ai’s ocorre é igual ao complementar do evento de que pelo menos um dos Ai’s ocorre.

• O complementar de que todos os Ai’s ocorrem é exatamente o evento de que ao menos um deles não ocorre.

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Partição de um Espaço Amostral

Definição: Os eventos A1, A2,... , formam uma partição do espaço amostral se:

• Ai  Ø para i = 1, 2,... n:
• Ai  Aj  Ø para i  j (ou seja são eventos mutuamente exclusivos)
n
• A i =S
i =1

• Uma partição de um espaço amostral S é um coleção de subconjuntos não-vazios e mutuamente excludentes de S, cujas
uniões são iguais a S.

Cássius Henrique Estatística

 Probabilidade

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Probabilidade

• Probabilidade:
• resultado que pertence ao intervalo
• [0, 1] ou [0%, 100%]

• Escala de probabilidades:
• Maior probabilidade → maior chance
• 0% → evento impossível
• 100% → evento certo

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Resultados equiprováveis

• Exemplo:

• Evento A: De um lote com 100 peças, uma será escolhida aleatoriamente.

• Cada peça tem a mesma chance de ser selecionada
• Soma das probabilidades → 1 ou 100%
• Para o modelo: P(A) = 0,01 ou 1%

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Resultados equiprováveis

• Toda vez que o espaço amostral consistir em N resultados possíveis que forem igualmente prováveis, a probabilidade de
cada resultado é:

1
P=
N

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Axiomas de probabilidade

• Asseguram que as probabilidades atribuídas a um experimento podem ser interpretadas como frequências relativas

• Probabilidade é um número que é atribuído a cada membro de uma coleção de eventos, a partir de um experimento
aleatório que satisfaça as seguintes propriedades:

• Se S for o espaço amostral e E for qualquer evento em experimento aleatório,

P( S ) = 1
0  P( E )  1
Se E1  E2 = Ø  P(E1  E2 ) = P(E1 ) + P(E2 )

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Regra da adição para 2 eventos com interseção

• Utilizada para expressar a união de eventos

P(E1  E2 ) = P(E1 ) + P(E2 ) − P(E1  E2 )

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Regra da adição para 3 eventos com interseção

P ( A  B  C ) = P ( A) + P (B ) + P (C )
− P ( A  B ) − P ( A  C ) − P (B  C )
+ P( A  B  C )

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Regras de Adição para três ou mais eventos mutuamente exclusivos

P(E1  E2      En ) = P(E1 ) + P(E2 ) +    + P(En )

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Exercício 2

Suponha haver uma lista com o histórico de 940 pastilhas em um processo de fabricação de semicondutores. Considere que
uma pastilha será selecionada, ao acaso. Seja H o evento em que a pastilha contém altos níveis de contaminação.
Considere P(H) = 358/940. Suponha C o evento em que a pastilha esteja no centro de uma ferramenta de recobrimento.
Considere P(C) = 626/940. A probabilidade de a partilha ser proveniente do centro da ferramenta de recobrimento e conter
altos níveis de contaminação é 112/940. Determine a probabilidade de que uma pastilha, escolhida ao acaso, seja
proveniente do centro da ferramenta de recobrimento ou conter altos níveis de contaminação.

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Solução

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Exercício 3

Considere as pastilhas do exercício anterior. Agora, elas foram classificadas pelo grau de contaminação, conforme se nota
pela tabela abaixo.

Localização na Ferramenta de Recobrimento

Contaminação Centro Borda Total
Baixa 514 68 582
Alta 112 246 358
Total 626 314
a) Qual a probabilidade de uma pastilha estar na borda ou conter alto grau de contaminação?
b) Qual a probabilidade de uma pastilha estar no centro ou conter baixo grau de contaminação?

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Solução

Eventos:
• B = {pastilha está na borda} C = {pastilha está no centro}
• GB = {grau baixo de contaminação} GA = {grau alto de contaminação}

A) B)

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Exercício 4

(CESGRANRIO/PETROBRAS/2005) Um determinado componente instalado em um circuito eletrônico tem probabilidade

igual a 0,2 de funcionar mais de 2.000 horas. Se forem feitos ensaios em 20 componentes, a probabilidade de 15
componentes ensaiados funcionarem mais de 2.000 horas é de:

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Solução

Alternativa (D)

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Exercício 5

(CESGRANRIO/PETROBRAS/2010) Nas figuras acima, alguns exemplos de diagrama de Venn representam os espaços
amostrais em retângulos e os eventos como figuras circulares e ovais.

Com relação às probabilidades P dos eventos

nas situações I, II e III, considere as afirmações
a seguir. Escolha as que estão corretas.
I. P(X) + P(XC) < 100%
II. 0 < P(Y) + P(Z) < 100%
III. Os eventos V e W não são mutuamente exclusivos.
IV. P(espaço amostral) = 1

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Solução

Estão corretas II, III e IV

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Exercício 6

(CESGRANRIO/PETROBRAS/2010) Três usinas de biodiesel produzem, a partir de diferentes tipos de óleos, 200 milhões
de litros do combustível, sendo que, deste total, 120 milhões de litros são obtidos exclusivamente a partir do óleo de
mamona. A usina UB1 produz 70 milhões de litros de biodiesel, utilizando como matéria-prima, apenas o óleo de mamona.
Já a usina UB2 responde também pela produção de 70 milhões de litros de biodiesel, porém utilizando tanto óleo de
mamona como o óleo de girassol. Por sua vez, a usina UB3 confecciona biodiesel a partir do óleo de mamona e da soja, e é
responsável pela produção de 60 milhões de litros de biodiesel, sendo que, destes, 50 milhões de litros produzidos somente
com óleo de soja. Todo o combustível produzido é armazenado em tanques que acondicionam, cada um, até um milhão de
litros de biodiesel, sem haver qualquer mistura do combustível obtido a partir de cada um dos diferentes óleos - mamona,
soja ou girassol -, podendo, contudo, haver mistura de tipos idênticos. Considerando-se a totalidade dos tanques de
biodiesel das três usinas, determine a probabilidade de se escolher, aleatoriamente, um desses contendo biodiesel
produzido a partir do óleo de girassol.

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Solução

M = {óleo de mamona}; G = {óleo de girassol}; S = {óleo de soja}

Total: 200 mi = 120 mi (só M) + 80 mi (G e S)

UB1: 70 mi (só M)
UB2: 70 mi, mas não se sabe se é M ou G
UB3: 50 mi (só S) + 10 mi (só M)

Para descobrir UB2 fazemos 120 mi (só M) – 70 mi (UB1, só M) – 10M (UB3, só M) = 40 mi.
Como, em UB2, o total de M é 70 mi, então tem 30 mi.

Probabilidade é 30 tanques de girassol em um total de 200 tanques. 30/200 = 15%.

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Exercício 7

(CESGRANRIO/PETROBRAS/2010) Um jogo consiste em lançar uma moeda honesta até obter duas caras consecutivas ou
duas coroas consecutivas. Na primeira situação, ao obter duas caras consecutivas, ganha-se o jogo. Na segunda, ao obter
duas coroas consecutivas, perde-se o jogo. Qual a probabilidade de que o jogo termine, com vitória, até o sexto lance?

Cássius Henrique Estatística

 Aula 8 Modelo probabilístico, axiomas de probabilidade, experimento aleatório, teoria de conjuntos aplicada à
probabilidade, espaço amostral, eventos, técnicas de contagem, regra da adição

Solução

K = {cara}, C = {coroa}.
Ocorre vitória nos seguintes casos:
KK CKK KCKK CKCKK KCKCKK

Probabilidades dos casos em que ele ganha:

P(KK) = (1/2).(1/2) = 1/4
P(CKK) = (1/2).(1/2).(1/2) = 1/8
P(KCKK) = (1/2).(1/2).(1/2).(1/2) = 1/16
P(CKCKK) = (1/2).(1/2).(1/2).(1/2).(1/2) = 1/32
P(KCKCKK) = (1/2).(1/2).(1/2).(1/2).(1/2).(1/2) = 1/64

Probabilidade = 1/4 + 1/8 + 1/16 + 1/32 + 1/64 = 31/64

Cássius Henrique Estatística