Teoria 

Elementar da Probabilidade jlborges@fe.up.pt

O objecto geral da teoria da probabilidade é o de modelizar 
Teoria Elementar os fenómenos ou os processos nos quais interfere o acaso, 
constituindo o alicerce fundamental sobre o qual assenta a 
suporte
da  inferência estatística

Uma situação à qual estejam associados, de forma não 
Probabilidade controlada, dois ou mais resultados possíveis designa‐se por 
jlborges@fe.up.pt
experiência aleatória

Teoria Elementar da Probabilidade jlborges@fe.up.pt Teoria Elementar da Probabilidade jlborges@fe.up.pt

Gambling is a source to which probability theory owes its birth and 
development. Quando temos uma experiência aleatória é importante 
definir o
Espaço amostral (ou espaço de resultados) 
que é o

conjunto de todos os resultados 
possíveis
À mesma experiência aleatória podem estar associados 
espaços amostrais diversos, dependendo da forma como 
essa experiência é avaliada
2 3
 Teoria Elementar da Probabilidade jlborges@fe.up.pt Teoria Elementar da Probabilidade jlborges@fe.up.pt

Exemplo sequência de FC’s (face comum) e FN’s (face nacional) no lançamento de um 

Euro ao ar três vezes

Acontecimento: Ac simples

conjunto de um ou mais resultados do 
espaço amostral

Ac composto

Espaço amostral
4 5

Teoria Elementar da Probabilidade jlborges@fe.up.pt Teoria Elementar da Probabilidade jlborges@fe.up.pt

O conceito de probabilidade pode ser definido de diferentes modos Problema

Considere que de entre os dígitos 1,2,3,4,5 é seleccionado um ao acaso e, 
• Definição Clássica em seguida, uma segunda selecção é efectuada entre os restantes.

Se uma experiência aleatória tiver N resultados mutuamente 

i) Qual a probabilidade de o primeiro dígito seleccionado ser ímpar?
exclusivos e igualmente prováveis e se um acontecimento A contiver 
NA desses resultados (NAN), a probabilidade do acontecimento A é  ii) Qual a probabilidade de o segundo dígito seleccionado ser ímpar?
dada por iii) Qual a probabilidade de ambos os dígitos serem ímpares?
Nº C.F ->|C.F|
NA
P A   /
N Por
Exemplo Nº C.P ->|C.P| up2
i) 3/5   012
024
45 à
A probabilidade de obter um resultado não inferior a três no  ii) 3/5 * 2/4 + 2/5*3/4= 3/5     s 11:
34,
lançamento de um dado é 4/6=0.667 (o nº de casos favoráveis é 4, =2/3 iii) 3/5 * 2/4=3/10 9/2/
2 015
sendo 6 o nº de casos possíveis) A : ~(face < 3) = (3,4,5,6)
P (A) = |(3,4,5,6)|/6=4/6=2/3 ou 0,667 6 7
 Teoria Elementar da Probabilidade jlborges@fe.up.pt Teoria Elementar da Probabilidade jlborges@fe.up.pt

Odds de um resultado de uma experiência aleatória
26
Razão dos resultados favoráveis com os resultados desfavoráveis:  odds( A)   0.5  21
12 6
p / (1‐p)
36
Aposta com um dado  odds(B)  1  11
aposta A: ganho se sair 2 ou menos    13 6
aposta B: ganho se sair 3 ou menos

p( A)  2 6 p(B)  3 6 Se apostar 10€ com as odds  2/1  em caso de sucesso ganho 20€.

Qual das apostas envolve mais risco para o apostador? Neste caso o valor esperado da aposta A será:
odds ratio  = 
26 1/odds
odds( A)   0.5  21 2  2
12 6 E (A)   2  10   1    1  10  0
36
6  6
odds(B)  1  11
13 6
Aposta A será justa se o lucro for maior. Por cada unidade apostada recebo essa 
Logo, 2/1 corresponde a uma aposta justa.
unidade mais duas. 8 9

Teoria Elementar da Probabilidade jlborges@fe.up.pt Teoria Elementar da Probabilidade jlborges@fe.up.pt

Roleta Europeia Roulette Inside Bets

• 18 Pretos,  Wager Ex. Bet on  Payoff  Odds

Straight up A  30  35:1  36:1

• 18 Vermelhos, 
Split Bet  B  11 or 14  17:1  17.5:1
• 1 Verde  Street Bet  C  19, 20, 21  11:1  11.33:1
Corner  D  25, 26, 28, 29  8:1  8.25:1
• 37 resultados possíveis
Line Bet  E  4, 5, 6, 7, 8, 9  5:1  5.17:1

Roulette Outside Bets

• Apostar no preto = 18/37 = .49
Wager Ex. Bet on Payoff  Odds
• Prob. perder = 19/37 = .51 Set of column
Column F  2:1  2.08:1
numbers
• Probabilidades favorecem casino.  Dozen  G  25 through 36  2:1  2.08:1
O Lucro do casino a longo prazo 
supera o prejuízo. Red or Black  H  Red numbers 1:1  1.01:1

• Nos EUA a roleta tem 0 e 00,  Even or Odd  I  Odd numbers 1:1  1.01:1

sendo a margem do casino ainda 
Low or High  J  19 through 36  1:1  1.01:1
maior. 10 11
Teoria Elementar da Probabilidade jlborges@fe.up.pt Teoria Elementar da Probabilidade jlborges@fe.up.pt

• Definição Frequencista • Definição subjectiva
Estende as definições anteriores ao caso em que a simetria e a 
equiprobabilidade dos resultados não se aplicam
No caso de experiências que não se repetem de forma estável um 
número significativo de vezes, a via frequencista não possibilita 
Se no decurso de N realizações de uma experiência um acontecimento A ocorrer  estimar probabilidades
NA vezes (0  NA  N), a probabilidade do acontecimento A é dada por
Nestas situações, as probabilidades podem ser interpretadas como 
NA
expressões do grau de credibilidade que cada pessoa atribui à 
P A   lim ocorrência dos acontecimentos em causa
N  N
Exemplo
Exemplo
Qual a probabilidade de um português com 18 anos viver pelo menos até aos 
70 anos?
Qual a probabilidade de o actual governo se manter inalterado nos 
Qual a probabilidade de o Roger Federer fazer um ás num match‐point? próximos seis meses?
Probabilidades de um dado ou de uma moeda ‘defeituosa’.
12 13

Teoria Elementar da Probabilidade jlborges@fe.up.pt Teoria Elementar da Probabilidade jlborges@fe.up.pt

Mundial 2002 http://www.sportingodds.com/ (26 Fev 2004)

odds=p/(1‐p)

Odds ratio

odds  p (1  p)  p  odds (1  odds)

1 12
pPort   7.7%
1  1 12

Probabilidade de Portugal ser 
campeão mundial?
(18 Fev 2005) (6 Jul 2004)
Def. Frequencista = 0.0000 %
Def. Subjectiva = 7.7%
14 15
 Teoria Elementar da Probabilidade jlborges@fe.up.pt Teoria Elementar da Probabilidade jlborges@fe.up.pt

24/02/2010

16 17

Teoria Elementar da Probabilidade jlborges@fe.up.pt Teoria Elementar da Probabilidade jlborges@fe.up.pt

• Definição Axiomática
As definições anteriores apresentam debilidades por incluírem o 
definido nas próprias definições.
O modo de evitar essa situação passa por definir as probabilidades 
apenas com base num conjunto de regras a satisfazer, os axiomas.
Vamos considerar como axiomas três propriedades que resultam das 
três definições de probabilidade apresentadas.

Axioma 1 0  P A   1

Axioma 2 P S   1

Axioma 3 P A  B   P A   P B 

(Se A e B forem mutuamente exclusivos)

http://www.sportsscientists.com/2010/06/football‐world‐cup‐2010‐winner‐will‐be.html
18 19
 Teoria Elementar da Probabilidade jlborges@fe.up.pt Teoria Elementar da Probabilidade jlborges@fe.up.pt

Os axiomas são consistentes e pragmáticos, permitindo representar 
de forma útil fenómenos ou processos reais

Com base nos axiomas apresentados, podem deduzir‐se as seguintes 
propriedades associadas às probabilidades

P A   P A   1
P    0
P A  B   P A   P B   P A  B 

20 21

Teoria Elementar da Probabilidade jlborges@fe.up.pt Teoria Elementar da Probabilidade jlborges@fe.up.pt

Problema
Análise Combinatória
O jogador A lança 6 dados e ganha um prémio se conseguir pelo menos 
um 1. Permutações de n elementos distintos são os agrupamentos 
formados por esses elementos que apenas diferem uns dos 
O jogador B lança 12 dados e ganha um prémio se conseguir pelo menos  outros pela ordem pela qual tais elementos estão dispostos

Pn  n!
dois 1s.

Qual o jogador com maior probabilidade de ganhar um prémio?
Exemplo: considerem‐se as permutações dos 
6
 5 números 1, 2 e 3.
pA  1     0.665
6 3!=6

 5 12 15 
11
1‐2‐3 1‐3‐2 2‐1‐3 2‐3‐1 3‐1‐2 3‐2‐1
pB  1     12      0.619
 6  6  6  

22 23
Teoria Elementar da Probabilidade jlborges@fe.up.pt Teoria Elementar da Probabilidade jlborges@fe.up.pt

Arranjos de n elementos distintos tomados k a k são os  Combinações de n elementos distintos tomados k a k são os 
agrupamentos formados por k desses elementos que diferem uns  agrupamentos formados por k desses elementos que apenas 
dos outros tanto pelos elementos que neles figuram como pela  diferem uns dos outros pelos elementos que neles figuram, 
ordem pela qual estes elementos estão dispostos independentemente da ordem pela qual estes elementos estão 
dispostos
n!
Akn  n
n  k ! C kn    
n!
 k  n  k !  k!

Exemplo: considerem‐se os arranjos dos Exemplo: considerem‐se as combinações dos números 1, 2 e

números 1, 2 e 3 tomados dois a dois.
3 tomados dois a dois.
3!/1!=6
3!/(1! x 2!) = 3
1‐2 2‐1 1‐3 3‐1 2‐3 3‐2
1‐2 1‐3 2‐3
24 25

Teoria Elementar da Probabilidade jlborges@fe.up.pt Teoria Elementar da Probabilidade jlborges@fe.up.pt

Problema
Problema (cont.)
Considere os 26 caracteres do alfabeto. Admita um sistema informático que obriga  E com caracteres repetidos?
os seus utilizadores a definirem passwords de pelos menos 6 caracteres e de no 
máximo 8 caracteres. Admita ainda que um password não pode ter caracteres 
1 1
repetidos.  maiúsculas e minúsculas 
526  527  528 5.4513
i) Qual a probabilidade de acertar no password com uma tentativa ao acaso?
+ 2.3513 combinações!
ii) Faça os mesmos cálculos no caso de também se considerarem válidos os números 
e no caso de se considerarem válidos todos os caracteres disponíveis no teclado.

1 1 1
só minúsculas   maiúsculas e minúsculas 
6.64710 A652  A752  A852 3.10313

1 1
 maiúsculas, minúsculas e números 
A6(52 10)  A762  A862 3.18814

1 1
 maiúsculas, minúsculas e todos caracteres 
A6(52 10  40)  A7102  A8102 8.93615
26 27
Teoria Elementar da Probabilidade jlborges@fe.up.pt Teoria Elementar da Probabilidade jlborges@fe.up.pt

Problema
Para o exame da disciplina de estatística, o professor resolveu preparar exames de If you bet on a horse, that’s gambling.
quatro tipos, nas quantidades seguintes:
Muito Fácil:10 Fácil:10
If you bet that you can make three spades, that's 
Difícil:10 Muito Difícil:10
Os exames foram cuidadosamente misturados e colocados num monte com a frente entertainment.
voltada para baixo.
i) Num grupo de 10 alunos em que cada aluno recolhe um exame, qual a
probabilidade serem recolhidos 3 exames fáceis e 3 difíceis? If you bet cotton will go up three points, that’s 
ii) No mesmo grupo de alunos, qual a probabilidade de serem recolhidos 4 exames business.
de um tipo e 6 de outro tipo?

 10   10 
See the difference?
 10   10   20      
        4 6
3 3
i)        8.2%
4 ii)      A24  0.06%
 40  40 
   
 10   10 
28 29

Teoria Elementar da Probabilidade jlborges@fe.up.pt Teoria Elementar da Probabilidade jlborges@fe.up.pt

Probabilidade Condicional P A  B   P B   P A B   P( A)  P(B | A)

Exemplo:
Por vezes pretende‐se conhecer a probabilidade de ocorrência de 
Três lâmpadas defeituosas foram misturadas com seis lâmpada boas. 
um acontecimento A quando se admite como certa a ocorrência de 
Calcule a probabilidade de duas lâmpadas seleccionadas ao acaso serem boas.
um outro acontecimento B
A1: a primeira lâmpada é boa
Essa probabilidade, representada como p(AB), designa‐se por 
A2: a segunda lâmpada é boa
probabilidade condicional (ou probabilidade condicionada) de A
dado B
A probabilidade de ambas as lâmpadas serem boas é dada por

P A  B   P B   P A B   P( A)  P(B | A)
6 5 30 5
P(A1  A2 )  P(A1 )  P(A2 | A1 )    
P A  B  P( A)  P(B| A) 9 8 72 12
P A B    (com P(B)  0)
P B  P(B)
30 31
Teoria Elementar da Probabilidade jlborges@fe.up.pt Teoria Elementar da Probabilidade jlborges@fe.up.pt

Exemplo
Acontecimentos Independentes
No lançamento sucessivo de dois dados considerem‐se os seguintes 
Dois acontecimentos dizem‐se independentes quando a ocorrência de  acontecimentos
um não afecta a ocorrência do outro
A: a pontuação total é ímpar
B: o resultado do primeiro dado é 6
C: a pontuação total é 7
P A B   P A  (com P(B)  0)
OU C B

RESULTADO DO 2º DADO
6 Elementos do

P B A   P B 
acontecimento A
(com P( A)  0) 5

OU 4

P A   18 36 P B   6 36 P C   6 36
P A  B   P A   P B 
3
(com P( A)  0 e P(B)  0) 2
P A  B   3 36  P A   P B   A e B ind .
1
P A  C   6 36  P A   P C   A e C não ind .
1 2 3 4 5 6 P B  C   1 36  P B   P C   B e C ind .
RESULTADO DO 1º DADO
32 33

Teoria Elementar da Probabilidade jlborges@fe.up.pt Teoria Elementar da Probabilidade jlborges@fe.up.pt

Os teoremas válidos para as probabilidade são também válidos para as 
probabilidades condicionadas.

P A|H   P A |H   1
P  |H   0
P A  B |H   P A|H   P B |H   P A  B |H 

A expressão da probabilidade condicional pode ser generalizada da 
seguinte forma:

P A  B  C   P A|B  C   P B |C   P C 

34 35
 Teoria Elementar da Probabilidade jlborges@fe.up.pt Teoria Elementar da Probabilidade jlborges@fe.up.pt

Problema
Suponha que o professor de Estatística resolveu testar um novo método de iii) Se antes de ser retirado qualquer exame o professor retirar ao acaso dois
distribuição dos exames. Para tal, foram preparados exames de dois tipos, os exames exames da caixa A e os colocar na caixa B, calcule a probabilidade de o primeiro
do tipo fácil e os exames do tipo difícil, sendo os exames distribuídos por duas caixas aluno retirar um exame fácil da caixa B.
iguais da seguinte forma:
Y: nº exames fáceis retirados de A 
caixa A: 5 exames fáceis e 5 difíceis
caixa B: 7 exames fáceis e 3 difíceis.
5 4 20
i) Calcule a probabilidade de o primeiro aluno retirar um exame do tipo fácil. P(Y  0)   
10 9 90
ii)Sabendo que o primeiro aluno retirou um exame fácil calcule a probabilidade de o 5 5 5 5 50
segundo aluno também retirar um exame do mesmo tipo. P(Y  1)     
10 9 10 9 90
5 4 20
i) P(F )  P(A)  P(F | A)  P(B)  P(F |B)  0.6 P(Y  2)   
10 9 90

ii) P(2º F )  P(A)  P(1º FA)  P(2º F |1º FA)  P(1º FB)  P(2º F |1º FB)  P(F )  P(Y  0)  P(F |Y  0)  P(Y  1)  P(F |Y  1)  P(Y  2)  P(F |Y  2) 
 P(B)  P(1º FA)  P(2º F |1º FA)  P(1º FB)  P(2º F |1º FB)  0.5787 20 7 50 8 20 9
       0.67
P(A)  P(F | A) 90 12 90 12 90 12
com P(1º FA)  P(A|F )   0.417 e P(1º FB)  0.583
P(F )
36 37

Teoria Elementar da Probabilidade jlborges@fe.up.pt Teoria Elementar da Probabilidade jlborges@fe.up.pt

A: Tem doença
Ā B: Teste positivo

P(A)=0.001
P(B| A)=0.99
B P(B| Ā)=0.02

A P(A| B)=?

P( A  B)
P( A | B) 
P(B)
P( A  B)  P(B  A)  p(B | A)  P( A)

P(B)  P(B | A)  P( A)  P(B | A)  P( A)

p(B | A)  P( A) 0.99  0.001

P( A | B)    4.7%
P(B | A)  P( A)  P(B | A)  P( A) 0.99  0.001  0.02  (1  0.001)
38 39
Teoria Elementar da Probabilidade jlborges@fe.up.pt Teoria Elementar da Probabilidade jlborges@fe.up.pt

Teorema de Bayes
S
A1

C A6

A2
A
A5 B A3

X
1702-1761
A4
B

P An  B  P B  An 
P An B   
P B  P B  A1   B  A2     B  AN 
P X A   P  A  P B An  P An 
P A X   
P X A  P A   P X B  P B   P X C  P C  P B  A1   P B  A2     P B  AN 
P B An  P An 

P B A1  P A1     P B AN  P AN 
40 41

Teoria Elementar da Probabilidade jlborges@fe.up.pt Teoria Elementar da Probabilidade jlborges@fe.up.pt

Exemplo Problema
Uma fábrica de enlatados tem três linhas de produção de latas de pêssego em
Num dado país, 1% da população tem tuberculose, sabendo‐se que uma  calda nas quais passam respectivamente 50%, 30% e 20% das latas produzidas.
microrradiografia acusa a doença em 95% das pessoas tuberculosas e em  Sabe‐se que 2% das latas produzidas na linha III são seladas deficientemente e que
0.5% das pessoas saudáveis as percentagens correspondentes para as linhas II e I são de 1.5% e 1%
respectivamente. Calcule a probabilidade de uma lata que foi encontrada com
Qual a probabilidade de uma pessoa com resultado positivo estar de facto  defeito ter sido produzida na linha I.
tuberculosa?
Produção I = 0.5 e P(D | I) = 0.01
Produção II = 0.3 e P(D | II) = 0.015
P T   1% P NT   99%
Produção III= 0.2 e P(D | III) = 0.02
P  T   95% P  NT   0.5%
P  T  P T  0.95  0.01
P T     Recorrendo ao Teorema de Bayes temos
P  T  P T   P  NT  P NT  0.95  0.01  0.005  0.99
 65.7% P(I)  P(D |I)
P(I |D)  
P(I)  P(D |I)  P(II)  P(D |II)  P(III)  P(D |III)
(P(T) - prob. a priori; P(T) - prob. a posteriori) 0.5  0.01
  37%
0.5  0.01  0.3  0.015  0.2  0.02
42 43