Aula 5

Cálculo das Probabilidades e Estatı́stica I
DEPARTAMENTO DE ESTATÍSTICA / UFPB
Prof. Rodrigo B. Silva

rodrigo@de.ufpb.br
1 / 56
Módulo 1
1. Estatı́stica descritiva
1.1 Conceitos Fundamentais
1.2 Tabelas
1.3 Gráficos
1.4 Medidas de posição
1.5 Medidas de dispersão
2. Probabilidade
2.1 Conceitos básicos de Probabilidade
2.2 Variáveis aleatórias unidimensionais
2.3 Esperança matemática
2.4 Distribuições discretas
2.5 Distribuições contı́nuas
2 / 56
Experimento
Definição: Um experimento é qualquer procedimento que envolva observação. Assim,
quando se efetuam medidas da massa de um elétron ou quando se observam as sucessivas
posição de um corpo, estão sendo realizados experimentos.
Experimentos determinı́sticos: são experimentos cujos resultados são determinados

pelas condições sob as quais o procedimento é realizado.
Exemplos:
• A conversão entre Celsius e Kelvin é determinı́stica:
Kelvin = Celsius + 273.15.
• Quando a água é aquecida a 100◦ C, sob pressão normal, ela entra em ebulição.
• Um corpo colocado a 200 metros de altura e depois solto, cai por ação da gravidade.
3 / 56
Experimento
Experimentos aleatórios: são experimentos que podem variar em seus resultados,

mesmo quando o procedimento é executado sob as mesmas condições.
Exemplos:
• Lançamento de uma moeda honesta.
• O número diário de pacientes que chegam a um hospital.
• O tempo de vida de uma lâmpada.
• O tipo sanguı́neo de uma pessoa sorteada da população.
4 / 56
Caracterı́sticas de um experimento aleatório
• O experimento pode ser repetido indefinidamente sob as mesmas condições.
• Embora não sejamos capazes de afirmar o resultado que ocorrerá, seremos capazes de
descrever o conjunto de todos os possı́veis resultados o experimento.
• Os experimentos aleatórios apresentam regularidade estatı́stica, que se manifesta na

estabilidade estatı́stica de frequências.
É esta regularidade (padrão) que torna possı́vel construir um modelo matemático para
analisar o experimento.
5 / 56
Exemplo de regularidade estatı́stica
Um exemplo de regularidade estatı́stica extremamente simples é o Tabuleiro de Galton:
6 / 56
Exemplo de regularidade estatı́stica
Frequência relativa de “caras” no lançamento de uma moeda repetidas vezes.
0.65
0.60
0.55
Proporção de caras
0.50
0.45
0.40
0.35
0 500 1000 1500 2000

Número de jogadas simuladas de uma moeda
7 / 56
Espaço amostral (S)
Definição (Espaço amostral): Para cada experimento E , definimos espaço amostral
como o conjunto de todos os resultados possı́veis de E . Representaremos por S.
Exemplos:
E1. Jogar um dado e observar a face resultante:
8 / 56
Exemplos:
S = {1, 2, 3, 4, 5, 6}.
E2. Jogar uma moeda quatro vezes e observar o número de caras obtidas:
8 / 56
Exemplos:
S = {1, 2, 3, 4, 5, 6}.
S = {0, 1, 2, 3, 4}.
E3. Em uma linha de produção, fabrique peças em série e conte o número de peças
defeituosas produzidas num perı́odo de 24 horas:
8 / 56
Exemplos:
S = {1, 2, 3, 4, 5, 6}.
S = {0, 1, 2, 3, 4}.
E3. Em uma linha de produção, fabrique peças em série e conte o número de peças
defeituosas produzidas num perı́odo de 24 horas:
S = {0, 1, 2, . . . , N}, (N é o número máximo de peças produzidas em 24hs).
8 / 56
(Continuação):
E4. Um lote de 10 testes de farmácia contém 3 itens defeituosos. Os testes são retirados
um a um (sem reposição) até que o último teste defeituoso seja encontrado. O
número total de testes retirados do lote é contado:
9 / 56
(Continuação):
S = {3, 4, 5, 6, 7, 8, 9, 10}.
E5. Na avaliação de uma nova máquina para realização de exames no Hospital Vida
Saudável, o tempo decorrido (em horas) até a falha é registrado:
9 / 56
(Continuação):
S = {3, 4, 5, 6, 7, 8, 9, 10}.
S = {t ∈ R : t ≥ 0}.
E6. Na avaliação de perdas na Energisa, o número de ligações clandestinas em uma

comunidade é anotado:
9 / 56
(Continuação):
S = {3, 4, 5, 6, 7, 8, 9, 10}.
S = {t ∈ R : t ≥ 0}.
E6. Na avaliação de perdas na Energisa, o número de ligações clandestinas em uma

comunidade é anotado:
S = {0, 1, 2, . . .}.
9 / 56
Evento
Definição (Evento): Dado um espaço amostral S, associado a um experimento E
qualquer, definimos como evento qualquer subconjunto do espaço amostral S.
Exemplos:
E1. Observar número ı́mpar:
10 / 56
Evento
Exemplos:
E1. Observar número ı́mpar: A1 = {1, 3, 5}.
E2. Cara ocorre duas ou mais vezes:
10 / 56
Evento
Exemplos:
E2. Cara ocorre duas ou mais vezes: A2 = {2, 3, 4}.
E3. Todas as peças são perfeitas:
10 / 56
Evento
Exemplos:
E3. Todas as peças são perfeitas: A3 = {0}.
E4. Os três itens defeituosos são retirados até a quarta tentativa:
10 / 56
Evento
Exemplos:
E4. Os três itens defeituosos são retirados até a quarta tentativa: A4 = {3, 4}.
E5. A máquina falha antes de 1000 horas:
10 / 56
Evento
Exemplos:
E5. A máquina falha antes de 1000 horas: A5 = {t ∈ R : 0 ≤ t < 1000}.
E6. Pelo menos 4 casas tem ligação clandestina:
10 / 56
Evento
Exemplos:
E6. Pelo menos 4 casas tem ligação clandestina: A6 = {4, 5, . . .}
10 / 56
Evento
Exemplos:
E6. Pelo menos 4 casas tem ligação clandestina: A6 = {4, 5, . . .}
Nosso interesse é atribuir probabilidades aos eventos.

10 / 56
Operações básicas com eventos
Sejam A, B e C eventos de um espaço amostral S.
União: A ∪ B é o evento que ocorrerá se e somente se A ou B ou ambos ocorrerem.
Exemplo:
A = {1, 2, 3} e B = {0} =⇒ A ∪ B = {0, 1, 2, 3}
11 / 56
Operações básicas com eventos
Intersecção: A ∩ B é o evento que ocorrerá se e somente se A e B ocorrerem
simultaneamente.
Exemplo:
A = {2, 3, 4} e B = {2, 4, 6} =⇒ A ∩ B = {2, 4}
12 / 56
Operações Básicas com Eventos
Complementar: Se A é evento de S, então, Ac é o evento que consiste em todos os
resultados de S que não estejam incluı́dos no evento A.
Exemplo: Jogar um dado e observar a face resultante.

A = {2, 3, 4} =⇒ Ac = {1, 5, 6}
13 / 56
Diferença: A − B consiste dos elementos que estão em A, mas não estão em B.
Exemplo: A = {1, 2, 3} e B = {3, 5} =⇒ A − B = {1, 2}.

14 / 56
• Leis de De Morgan:
(A ∪ B)c = Ac ∩ B c
(A ∩ B)c = Ac ∪ B c
• Leis Distributivas:
A ∪ (B ∩ C ) = (A ∪ B) ∩ (A ∪ C )
A ∩ (B ∪ C ) = (A ∩ B) ∪ (A ∩ C )
15 / 56
Eventos mutuamente excludentes (disjuntos): Dois eventos A e B são mutuamente
excludentes (ou disjuntos) se não tem elementos em comum, ou seja, se A ∩ B = ∅.
Mais geralmente, uma coleção de eventos é dita ser disjunta se os eventos forem disjuntos
aos pares, ou seja, Ai ∩ Aj = ∅, para i ̸= j.
16 / 56
Partição: Os eventos A1 , A2 , . . . , An formam uma partição do espaço amostral S se
A1 , A2 , . . . , An são mutuamente excludentes e sua união forma o espaço amostral S.
Exemplo: Considere o espaço amostral S = {1, 2, 3, 4, 5, 6}. Então, os eventos

A1 = {1, 3}, A2 = {2, 4, 6} e A3 = {5} formam uma partição de S.
17 / 56
Probabilidade
Definição: Probabilidade é uma medida atribuı́da a um evento A, que denotamos por
P(A). Esse é um valor entre 0 e 1 que mostra a probabilidade do evento ocorrer.
• Se P(A) estiver próximo de 0, é muito improvável que o evento A ocorra.
• Se P(A) for próximo de 1, é muito provável que A ocorra.
O que quer dizer?
Significa dizer que se temos a certeza de que um evento ocorrerá, diremos que sua
probabilidade é 1 (ou 100%). Por outro lado, se temos certeza de que um evento não
ocorrerá, diremos que sua probabilidade é 0 (ou 0%).
A probabilidade não nos diz exatamente o que vai acontecer, é apenas um guia.
18 / 56
Espaços amostrais finitos equiprováveis
Definição (Espaços amostrais finitos equiprováveis): quando associamos a cada

ponto amostral (cada elemento do espaço amostral) a mesma probabilidade, o espaço
amostral chama-se equiprovável.
Exemplo:
• No lançamento de uma moeda, os eventos cara e coroa tem igual probabilidade de

ocorrência. Logo, o espaço amostral S = {cara, coroa} é equiprovável.
• No lançamento de um dado, todos os elementos do espaço amostral
S = {1, 2, 3, 4, 5, 6} tem mesma probabilidade de ocorrer, ou seja, S é um espaço
amostral equiprovável.
19 / 56
Definição clássica de Probabilidade
Definição clássica de Probabilidade:
Definição (Probabilidade para espaços amostrais equiprováveis): Seja um evento A

qualquer. Temos que
Número de casos favoráveis ao evento A #A
P(A) = = .
Número total de casos no espaço amostral S #S
20 / 56
Exemplo: Considere o experimento de lançar dois dados de 6 faces. Temos, então, o
seguinte espaço amostral:
21 / 56
(Continuação:) Ou seja,
S = {(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, 1), (5, 2), (5, 3), (5, 4), (5, 5), (5, 6),
(6, 1), (6, 2), (6, 3), (6, 4), (6, 5), (6, 6)},
em que os pares representam os números lançados de cada dado (laranja, branco).
Note que todos os resultados desse experimento tem a mesma probabilidade de

ocorrência e, desta forma, S é um espaço amostral equiprovável.
22 / 56
Exemplo 1:
Problema: No lançamento de dois dados, qual a probabilidade de sair dois números

ı́mpares?
23 / 56
Exemplo 1:
Problema: No lançamento de dois dados, qual a probabilidade de sair dois números

ı́mpares?
Solução: Considere o evento A ≡ “sair dois números ı́mpares”. Então,
A = {(1, 1), (1, 3), (1, 5), (3, 1), (3, 3), (3, 5), (5, 1), (5, 3), (5, 5)}
Usando a definição clássica de probabilidade, temos que

#A 9
P(A) = = = 0.25
#S 36
23 / 56
Exemplo 2:
Problema: Jogue um par de dados e considere o total dos dois resultados. Qual é o
espaço amostral deste experimento?
24 / 56
Exemplo 2:
Solução:
S = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
24 / 56
Exemplo 2:
Solução:
S = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
Neste caso, os elementos de S apresentam probabilidades diferentes de ocorrência e,

portanto, S não é um espaço amostral equiprovável.
24 / 56
Exemplo 3:
Problema: No lançamento de dois dados, qual a probabilidade de que a soma dos pontos
seja maior do que 10?
25 / 56
Exemplo 3:
Problema: No lançamento de dois dados, qual a probabilidade de que a soma dos pontos
seja maior do que 10?
Solução: Considere o evento B ≡ “soma dos dados é maior do que 10”. Esse evento
corresponde ao conjunto
B = {(5, 6), (6, 5), (6, 6)}.
Pela definição clássica de probabilidade, temos que
#B 3
P(B) = = = 0.083
#S 36
25 / 56
Algumas regras de Probabilidade
No estudo de Probabilidade, estamos interessados em responder três questões básicas:
• O que queremos dizer quando afirmamos que a probabilidade de um evento ocorrer

é, por exemplo, 0.25?
• Como determinar ou medir, na prática, os números que chamamos de

probabilidades?
• Quais são as regras matemáticas a que as probabilidades devem obedecer?
26 / 56
Postulados de Probabilidade
Os três postulados (axiomas) de Probabilidade são dados a seguir:
A1. 0 ≤ P(A) ≤ 1, para qualquer evento A.
A2. P(S) = 1.
A3. Se A e B são dois eventos mutuamente excludentes (A ∩ B = ∅), a probabilidade de

ocorrência de um ou do outro é igual à soma de suas probabilidades:
P(A ∪ B) = P(A) + P(B).
Se A1 , A2 , . . . forem dois a dois mutuamente excludentes, então

∞ ∞
!
[ X
P Ai = P(A1 ) + P(A2 ) + · · · = P(Ai ).
i=1 i=1
27 / 56
Propriedades de Probabilidade
P1. P(∅) = 0, em que ∅ é o conjunto vazio.
P2. Se Ac é o complementar de A, então, P(Ac ) = 1 − P(A).
P3. Se A e B são dois eventos quaisquer, então
P(A ∪ B) = P(A) + P(B) − P(A ∩ B).
P4. Se A ⊂ B, então, P(A) ≤ P(B).
28 / 56
Exemplos
Exemplos:
1. Uma carta é tirada de um baralho. Determine a probabilidade de ser um rei OU ser

de naipe vermelho.
29 / 56
Exemplos
Exemplos:
1. Uma carta é tirada de um baralho. Determine a probabilidade de ser um rei OU ser

de naipe vermelho.
Solução: Um baralho comum é composto de 52 cartas divididas em 4 naipes, 2
naipes na cor preta e dois naipes na cor vermelha. Defina os eventos:
A ≡ “a carta é um rei” e B ≡ “o naipe é vermelho”.
Assim, temos
4 26 2
P(A) = , P(B) = e P(A ∩ B) =
52 52 52
Logo, a probabilidade de interesse é dada por
4 26 2 28
P(A ∪ B) = P(A) + P(B) − P(A ∩ B) = + − = = 0.5385
52 52 52 52
29 / 56
Exemplos
2. Uma carta é tirada de um baralho. Determine a probabilidade de a carta ser um rei
OU um 10.
30 / 56
Exemplos
2. Uma carta é tirada de um baralho. Determine a probabilidade de a carta ser um rei
OU um 10.
Solução: Defina os eventos:
A ≡ “a carta é um rei” e B ≡ “a carta é um 10”.
Daı́,
4 4
P(A) = e P(B) = .
52 52
Note que, neste caso, A e B são mutuamente excludentes. Logo,
4 4 8
P(A ∪ B) = P(A) + P(B) = + = = 0.1538
52 52 52
30 / 56
Exemplos
3. Da população canadense, 30% são da provı́ncia de Quebec, 25% falam francês, 24%
são de Quebec e falam francês. Escolhido ao acaso um canadense, qual a
probabilidade de:
a) Ser de Quebec ou falar francês?
b) Falar francês e não ser de Quebec?
31 / 56
Exemplos
probabilidade de:
Solução: Defina os eventos A ≡ “ser de Quebec” e B ≡ “falar francês”.
31 / 56
Exemplos
probabilidade de:

a) P(A ∪ B) = P(A) + P(B) − P(A ∩ B) = 0.30 + 0.25 − 0.24 = 0.31
31 / 56
Exemplos
probabilidade de:

a) P(A ∪ B) = P(A) + P(B) − P(A ∩ B) = 0.30 + 0.25 − 0.24 = 0.31
b) P(Ac ∩ B) = P(B − A) = 0.01
31 / 56
Exemplos
4. Amostras de emissões de três fornecedores são classificadas com relação a satisfazer
as especificações de qualidade do ar. Os resultados de 100 amostras são resumidos a
seguir:
Conforme
Fornecedor sim não
1 22 8
2 25 5
3 30 10
Seja A o evento em que uma amostra seja proveniente do fornecedor 1 e B o evento

em que uma amostra atenda às especificações. Se uma amostra for selecionada ao
acaso, determine as seguintes probabilidades:
a) P(A) e P(B) b) P(Ac ) c) P(A ∩ B) d) P(A ∪ B)
32 / 56
Exemplos
Solução:
30 77
a) P(A) = = 0.30 e P(B) = = 0.77 .
100 100
b) P(Ac ) = 1 − P(A) = 1 − 0.30 = 0.70
22
c) P(A ∩ B) = = 0.22
100
d) P(A ∪ B) = P(A) + P(B) − P(A ∩ B) = 0.30 + 0.77 − 0.22 = 0.85
33 / 56
Exemplos
Tabela de Contingência:
Perguntou-se a uma amostra de adultos com nı́vel superior completo, em três capitais, se
eles atuavam na área. Os resultados estão a seguir:
João Pessoa Recife Natal Total

Sim 160 220 180 560
Não 135 80 95 310
Total 295 300 275 870
Um adulto é selecionada ao acaso. Determine:

1. Qual a probabilidade do adulto ser de João Pessoa?
2. Qual a probabilidade do adulto não ser de Recife?
3. Qual a probabilidade do adulto ser de Recife e ele não atuar na área de formação?
34 / 56
Exemplos
Solução:
1. Qual a probabilidade do adulto ser de João Pessoa?

Sim 160 220 180 560
Não 135 80 95 310
Total 295 300 275 870
Temos que
295
P({adulto ser de João Pessoa}) = = 0.339
870
35 / 56
Exemplos
Solução:
2. Qual a probabilidade do adulto não ser de Recife?
Sim 160 220 180 560
Não 135 80 95 310
Total 295 300 275 870
Temos que
P({adulto não ser de Recife}) = P ({adulto ser de Recife}c )

= 1 − P ({adulto ser de Recife})
300
=1− = 0.655
870
36 / 56
Exemplos
Solução:
3. Qual a probabilidade do adulto ser de Recife e ele não atuar na área de formação?

Sim 160 220 180 560
Não 135 80 95 310
Total 295 300 275 870
Temos que
P({adulto não ser de Recife} ∩ {não atuar na área}) = P ((adulto ser de Recife)c )
80
= = 0.092
870
37 / 56
Probabilidade condicional
Frequentemente, a probabilidade de um evento é influenciada pela ocorrência de um

evento paralelo.
A probabilidade de um evento A ocorrer, dado (ou na condição de) que outro evento B já
ocorreu é chamada de probabilidade condicional e é definida como
P(A ∩ B)
P(A|B) = .
P(B)
38 / 56
Exemplo: Dois dados são lançados ao acaso. Qual a probabilidade da soma ser igual a 6,
dado que o primeiro dado saiu número menor que 3.
Seja A ≡ {soma igual a 6}. Então,

A = {(1, 5), (2, 4), (3, 3), (4, 2), (5, 1)}.
Seja B ≡ {primeiro dado saiu número menor que 3}. Então,

B = (1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6),

(2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6)
Neste caso, A ∩ B = {(1, 5), (2, 4)}. Pela definição de probabilidade condicional, temos
que
P(A ∩ B) 2/36 1
P(A|B) = = =
P(B) 12/36 6
39 / 56
Exemplo: Perguntou-se a uma amostra de adultos com nı́vel superior completo, em três
capitais, se eles atuavam na área. Os resultados estão a seguir:
Sim 160 220 180 560
Não 135 80 95 310
Total 295 300 275 870
Pergunta: Qual a probabilidade do adulto ter respondido não, sabendo que ele é de
Natal?
Solução: Defina os eventos
A ≡ {adulto responder não para alguma pergunta} e B ≡ {o adulto é de Natal}.
Daı́, temos
P(A ∩ B) 95/870 95
P(A|B) = = = = 0.345
P(B) 275/870 275
40 / 56
Teorema do produto: Sejam A e B dois eventos quaisquer de um mesmo espaço

amostral S, então:
P(A ∩ B) = P(A)P(B|A) = P(B)P(A|B).
Para os eventos A, B e C temos
P(A ∩ B ∩ C ) = P(A)P(B|A)P(C |A ∩ B).
De forma geral, para A1 , . . . , An eventos quaisquer, temos
P(A1 ∩ . . . ∩ An ) = P(A1 )P(A2 |A1 )P(A3 |A1 ∩ A2 ) . . . P(An |A1 ∩ . . . ∩ An−1 ).
41 / 56
Exemplo: Dois carros são selecionados em uma linha de produção com 12 unidades, 5
delas defeituosas. Determine a probabilidade de ambos os carros serem defeituosos.
Solução: Sejam os eventos A ≡ {1o. carro é defeituoso} e B ≡ {2o. carro é defeituoso}.
Temos que
5 4
P(A) = e P(B|A) = .
12 11
Daı́,
5 4 5
P(A ∩ B) = P(A)P(B|A) = · = = 0.151
12 11 33
42 / 56
Exemplo: Uma caixa contém 4 lâmpadas boas e 2 queimadas. Retira-se ao acaso 3
lâmpadas, sem reposição. Calcule a probabilidade dessas 3 lâmpadas serem boas.
Solução: Defina o evento Ai = {lâmpada i é boa}, para i = 1, 2, 3. Estamos interessados

em calcular
P(A1 ∩ A2 ∩ A3 ) = P(A1 )P(A2 |A1 )P(A3 |A1 ∩ A2 ),
em que
4 2 3 2 1
P(A1 ) = = , P(A2 |A1 ) = e P(A3 |A1 ∩ A2 ) = = .
6 3 5 4 2
Logo,
2 3 1 6 1
P(A1 ∩ A2 ∩ A3 ) = · · = =
3 5 2 30 5
43 / 56
Teorema da probabilidade total: Sejam A1 , A2 , . . . , Ak uma partição do espaço
amostral S, ou seja, eventos mutuamente exclusivos cuja união forma o espaço amostral.
Seja B um evento qualquer associado a S, então:
k
X
P(B) = P(A1 )P(B|A1 ) + · · · + P(Ak )P(B|Ak ) = P(Ai )P(B|Ai ).
i=1
44 / 56
Exemplo: Em uma turma 60% dos estudantes são homens e 40% mulheres. Além disso,
sabe-se que 1% dos homens e 4% das mulheres tem menos de 1.60m. Dado que um
estudante foi sorteado aleatoriamente, qual a probabilidade dele ter menos de 1.60m?
H ≡ “estudante é homem”
M ≡ “estudante é mulher”
A ≡ “estudante tem menos do que 1.60m”
Temos que P(H) = 0.6, P(A|H) = 0.01, P(M) = 0.4 e P(A|M) = 0.04
Assim, P(A) = P(H)P(A|H) + P(M)P(A|M) = 0.6 × 0.01 + 0.4 × 0.04 = 0.022
45 / 56
Solução alternativa: árvore de probabilidades:
P(A|H) = 0.01
.6 H A
)=0
P (H
P (M
)=0
.4 M A
P(A|M) = 0.04
Daı́,
P(A) = P(H)P(A|H) + P(M)P(A|M) = 0.6 × 0.01 + 0.4 × 0.04 = 0.022
46 / 56
Exemplo: Uma urna contém 5 bolas: 2 brancas (B) e 3 vermelhas (V). O experimento
consiste em retirar 2 bolas ao acaso e sem reposição. Qual a probabilidade de que uma
segunda bola seja sorteada na segunda extração?

Bi = {bola branca sai na i-ésima extração}
Vi = {bola vermelha sai na i-ésima extração}
Então,
P(B2 ) = P(B1 ∩ B2 ) + P(V1 ∩ B2 )
= P(B1 )P(B2 |B1 ) + P(V1 )P(B2 |V1 )
2 1 3 2 2
= · + · =
5 4 5 4 5
47 / 56
= 1/4
P (B2 |B1 ) B2
B1
5
) = 2/ P (V2 |B ) V2
P (B 1 1 = 3/4
P (V = 2/4
1) = 3/ P (B2 |V1 ) B2
5
V1
P (V2 |V ) V2
1 = 2/4
Daı́,
2 1 3 2 2
P(B2 ) = P(B1 )P(B2 |B1 ) + P(V1 )P(B2 |V1 ) = · + · =
5 4 5 4 5
48 / 56
Exemplo: Considere ainda a urna do exemplo anterior, mas vamos fazer três extrações
sem reposição. Indiquemos por Vi ou Bi a obtenção de bola vermelha ou branca na
i-ésima extração, respectivamente, i = 1, 2, 3.
Pergunta: Qual a probabilidade de sair uma bola branca na terceira extração?

Solução:
P(B3 ) = P(B1 ∩ V2 ∩ B3 ) + P(V1 ∩ B2 ∩ B3 ) + P(V1 ∩ V2 ∩ B3 )
= P(B1 )P(V2 |B1 )P(B3 |B1 ∩ V2 ) + P(V1 )P(B2 |V1 )P(B3 |V1 ∩ B2 ) + P(V1 )P(V2 |V1 )P(B3 |V1 ∩ V2 )
2 3 1 3 2 1 3 2 2 2
= · · + · · + · · =
5 4 3 5 4 3 5 4 3 5
49 / 56
1
B2 V3
1/4
B1
1/3 B3
2/5 3/4
V2
2/3 V3
1/3 B3
1/4 B2
2/4
2/3 V3
V1
2/3 B3
2/4
V2
1/3 V3
50 / 56
Teorema de Bayes
Teorema de Bayes: Sejam A1 , A2 , . . . , Ak uma partição do espaço amostral S. Seja A

um evento qualquer associado a S, então:
P(Ai ∩ B) P(Ai )P(B|Ai )

P(Ai |B) = =
P(B) P(A1 )P(B|A1 ) + · · · + P(Ak )P(B|Ak )
O Teorema de Bayes é a regra matemática que descreve como atualizar a crença sobre
a ocorrência de um determinado evento, dada alguma evidência. Em outras palavras, a
fórmula de Bayes descreve o ato de aprender.
51 / 56
Teorema de Bayes
Exemplo: Em uma turma 60% dos estudantes são homens e 40% mulheres. Além disso,
sabe-se que 1% dos homens e 4% das mulheres tem menos de 1.60m. Dado que um
estudante com menos de 1.60m foi sorteado aleatoriamente, qual a probabilidade de ser
mulher?
Solução: Estamos interessados em calcular P(M|A). Ou seja,
P(M)P(A|M) 0.4 × 0.04

P(M|A) = = = 0.727
P(H)P(A|H) + P(M)P(A|M) 0.6 × 0.01 + 0.4 × 0.04
52 / 56
Teorema de Bayes
Exemplo: Uma rede local de computadores é composta por um servidor e cinco clientes.
Dos pedidos de um tipo de processamento cerca de 10% vem do cliente A, 15% do B,
15% do C, 40% do D e 20% do E. Caso o pedido não seja feito de forma adequada, o
processamento apresentará erro. Usualmente ocorrem os seguintes percentuais de pedidos
inadequados: 1% do cliente A, 2% do cliente B, 0.5% do cliente C, 2% do cliente D e 8%
do cliente E. Sabendo-se que o processo apresentou erro calcule a probabilidade de que o
processo tenha sido pedido pelo cliente E.
Solução: Defina os eventos:
A ≡ “Pedido vem o cliente A”, B ≡ “Pedido vem o cliente B”,

C ≡ “Pedido vem o cliente C”, D ≡ “Pedido vem o cliente D”,
E ≡ “Pedido vem o cliente E” e I ≡ “Pedido inadequado”
53 / 56
Teorema de Bayes
(Continuação) Estamos interessados em calcular P(E |I ). Temos que
P(A) = 0.10 e P(I |A) = 0.010
P(B) = 0.15 e P(I |B) = 0.020
P(C ) = 0.15 e P(I |C ) = 0.005
P(D) = 0.40 e P(I |D) = 0.020
P(E ) = 0.20 e P(I |E ) = 0.080
Note que P(I ) = P(A)P(I |A) + . . . + P(E )P(I |E ) ≈ 0.029. Daı́,

P(E )P(I |E ) 0.10 × 0.01
P(E |I ) = = ≈ 0.035 = 3.5%
P(A)P(I |A) + . . . + P(E )P(I |E ) 0.029
54 / 56
Independência de eventos
Definição: Dois eventos A e B são independentes se a probabilidade de ocorrência do

evento A não é afetada pela ocorrência (ou não-ocorrência) do evento B. Isto é,
P(A|B) = P(A).
Sendo assim, temos que dois eventos A e B são independentes quando
P(A ∩ B) = P(A)P(B).
55 / 56
Independência de eventos
Exemplo: Uma moeda é lançada três vezes. Calcule a probabilidade de se obterem:
1. Três caras.
2. Duas caras e uma coroa.
3. Nenhuma cara.
56 / 56

Aula 5

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aula 5

Enviado por

Direitos autorais:

Formatos disponíveis

Cálculo das Probabilidades e Estatı́stica I

DEPARTAMENTO DE ESTATÍSTICA / UFPB

Prof. Rodrigo B. Silva

Experimentos determinı́sticos: são experimentos cujos resultados são determinados

Kelvin = Celsius + 273.15.

Experimentos aleatórios: são experimentos que podem variar em seus resultados,

• O experimento pode ser repetido indefinidamente sob as mesmas condições.

• Os experimentos aleatórios apresentam regularidade estatı́stica, que se manifesta na

0 500 1000 1500 2000

E6. Na avaliação de perdas na Energisa, o número de ligações clandestinas em uma

E6. Na avaliação de perdas na Energisa, o número de ligações clandestinas em uma

 Nosso interesse é atribuir probabilidades aos eventos.

União: A ∪ B é o evento que ocorrerá se e somente se A ou B ou ambos ocorrerem.

Exemplo: Jogar um dado e observar a face resultante.

Diferença: A − B consiste dos elementos que estão em A, mas não estão em B.

Exemplo: A = {1, 2, 3} e B = {3, 5} =⇒ A − B = {1, 2}.

Exemplo: Considere o espaço amostral S = {1, 2, 3, 4, 5, 6}. Então, os eventos

O que quer dizer?

Definição (Espaços amostrais finitos equiprováveis): quando associamos a cada

• No lançamento de uma moeda, os eventos cara e coroa tem igual probabilidade de

Definição clássica de Probabilidade:

Definição (Probabilidade para espaços amostrais equiprováveis): Seja um evento A

em que os pares representam os números lançados de cada dado (laranja, branco).

 Note que todos os resultados desse experimento tem a mesma probabilidade de

Problema: No lançamento de dois dados, qual a probabilidade de sair dois números

Problema: No lançamento de dois dados, qual a probabilidade de sair dois números

Usando a definição clássica de probabilidade, temos que

 Neste caso, os elementos de S apresentam probabilidades diferentes de ocorrência e,

No estudo de Probabilidade, estamos interessados em responder três questões básicas:

• O que queremos dizer quando afirmamos que a probabilidade de um evento ocorrer

• Como determinar ou medir, na prática, os números que chamamos de

• Quais são as regras matemáticas a que as probabilidades devem obedecer?

A1. 0 ≤ P(A) ≤ 1, para qualquer evento A.

A3. Se A e B são dois eventos mutuamente excludentes (A ∩ B = ∅), a probabilidade de

P(A ∪ B) = P(A) + P(B).

Se A1 , A2 , . . . forem dois a dois mutuamente excludentes, então

P1. P(∅) = 0, em que ∅ é o conjunto vazio.

P2. Se Ac é o complementar de A, então, P(Ac ) = 1 − P(A).

P3. Se A e B são dois eventos quaisquer, então

P(A ∪ B) = P(A) + P(B) − P(A ∩ B).

P4. Se A ⊂ B, então, P(A) ≤ P(B).

1. Uma carta é tirada de um baralho. Determine a probabilidade de ser um rei OU ser

1. Uma carta é tirada de um baralho. Determine a probabilidade de ser um rei OU ser

A ≡ “a carta é um rei” e B ≡ “a carta é um 10”.

Solução: Defina os eventos A ≡ “ser de Quebec” e B ≡ “falar francês”.

Solução: Defina os eventos A ≡ “ser de Quebec” e B ≡ “falar francês”.

Solução: Defina os eventos A ≡ “ser de Quebec” e B ≡ “falar francês”.

b) P(Ac ∩ B) = P(B − A) = 0.01

Seja A o evento em que uma amostra seja proveniente do fornecedor 1 e B o evento

João Pessoa Recife Natal Total

Um adulto é selecionada ao acaso. Determine:

João Pessoa Recife Natal Total

P({adulto não ser de Recife}) = P ({adulto ser de Recife}c )

João Pessoa Recife Natal Total

Frequentemente, a probabilidade de um evento é influenciada pela ocorrência de um

Seja A ≡ {soma igual a 6}. Então,

Teorema do produto: Sejam A e B dois eventos quaisquer de um mesmo espaço

P(A ∩ B ∩ C ) = P(A)P(B|A)P(C |A ∩ B).

De forma geral, para A1 , . . . , An eventos quaisquer, temos

P(A1 ∩ . . . ∩ An ) = P(A1 )P(A2 |A1 )P(A3 |A1 ∩ A2 ) . . . P(An |A1 ∩ . . . ∩ An−1 ).

Solução: Sejam os eventos A ≡ {1o. carro é defeituoso} e B ≡ {2o. carro é defeituoso}.

Solução: Defina o evento Ai = {lâmpada i é boa}, para i = 1, 2, 3. Estamos interessados

Solução: Defina os eventos

Nosso interesse é atribuir probabilidades aos eventos.

Note que todos os resultados desse experimento tem a mesma probabilidade de

Neste caso, os elementos de S apresentam probabilidades diferentes de ocorrência e,