Probabilidade

Estatística Básica
Introdução à
Probabilidade
ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE

Contextualização
Inferência
Estatística
Teste de
Estimação
Hipóteses
Pontual Intervalar

Conceitos Básicos - População
1. Conjunto de todos os elementos que constituem a
abrangência do estudo.
2. Quanto ao número de elementos pode ser classificada
como finita ou infinita.
3. Quanto ao número de características a serem investigadas
pode ser classificada como simples ou composta.
4. Quanto ao grau de variabilidade das características é
classificada como homogênea ou heterogênea.

1. Conjunto de todos os elementos que constituem a
abrangência do estudo.
Exemplo:
Os alunos desta turma podem ser unidades populacionais,
caso a investigação seja alusiva à turma, ou unidades
amostrais caso a abrangência seja todos os alunos da
faculdade.

2. Quanto ao número de elementos pode ser classificada
como finita ou infinita.
Lógica
Não há um número a partir do qual uma população seja
caracterizada como finita ou infinita, mas consideramos a
população como finita caso a razão n/N > 0,05, onde n é o
tamanho da amostra e N o da população.

3. Quanto ao número de características a serem investigadas
pode ser classificada como simples ou composta.
Exemplo
Caso a característica a ser investigada seja renda, a
população é dita como simples.
Caso, além da renda, outra(s) característica(s) entrem no
escopo do estudo, a população passa a ser considerada
composta.

4. Quanto ao grau de variabilidade das características é
classificada como homogênea ou heterogênea.
Exemplo
A distribuição das idades dos alunos desta turma tem
coeficiente de variação de 12% (homogênea), enquanto a do
ano passado tinha uma dispersão relativa de 49%
(heterogênea).

Por que é importante classificar a população?
Resposta:
Diferentes tipos de população levam a planos de
amostragem diferentes.
Exemplo
Se uma população é homogênea, consideramos um único
conjunto de unidades. Se a população é heterogênea,
devemos estratificar as unidades em grupos homogêneos.

Conceitos Básicos - Amostra
1. É um subconjunto da população.
2. Conveniente para se fazer inferências sobre populações
infinitas.
3. Conveniente, também, em situações de testes destrutivos.
4. A precisão dos resultados depende da combinação entre
custo-tempo-precisão.

1. É um subconjunto da população.
Exemplos
– Os alunos desta turma constituem uma amostra de
todos os alunos da faculdade.
– João, Marcela, Ricardo e Sandra são unidades da
amostra dos alunos desta turma.

2. Conveniente para se fazer inferências sobre populações
infinitas.
Exemplo
Se uma zona eleitoral tiver o perfil da população de
eleitores de um estado, basta pesquisar os resultados
daquela zona para se conhecer a distribuição de votos dos
candidatos do estado.

3. Conveniente, também, em situações de testes destrutivos.
Exemplos
– Não precisamos retirar todo o nosso sangue para saber
a quantidade de glóbulos brancos no corpo. Basta
coletarmos uma amostra de sangue.
– Não precisamos quebrar todos os tijolos produzidos
para saber o ponto de esmagamento. Basta obtermos
essa informação a partir de uma amostra.

4. A precisão dos resultados depende da combinação entre
custo-tempo-precisão.
Lógica
Há que se hierarquizar as prioridades entre esses
elementos. Maior precisão aumenta o custo de coleta e o
tempo para a obtenção dos dados.

As amostras podem ser classificadas como:
◦ Aleatórias ou Probabilísticas (Simples, Estratificada, por
Conglomerados, etc).
◦ Não probabilísticas (Intencional, Conveniência, etc).
A escolha do tipo da amostra depende do tipo da população
e do objeto de estudo.

Conceitos Básicos - Amostras
Aleatórias ou Probabilísticas
Uma amostra é dita ser probabilística, ou aleatória, quando
cada elemento da população tiver a mesma probabilidade
de ser selecionado.
Para a seleção das unidades amostrais é utilizado um
procedimento que garanta a aleatoriedade da inclusão
dessas unidades de modo a evitar algum tipo de viés.
Exemplo: sorteio com auxílio de tabelas de números
aleatórios.

As unidades amostrais podem ser selecionadas SEM ou
COM reposição das unidades.
No primeiro caso cada unidade só pode entrar na amostra
uma única vez, enquanto no segundo pode entrar quantas
vezes ela vier a ser selecionada.
Quando o processo de seleção é COM reposição a
população é considerada infinita.
Nesse curso serão consideradas apenas amostras aleatórias
simples extraídas de população infinita.

De uma população de tamanho N, podemos selecionar:
 N
  Amostras sem reposição
n
n
N Amostras com reposição

De uma população com 10 unidades, podemos selecionar
o seguinte número de amostras diferentes de tamanho 2
(duas unidades):
◦ Amostras sem reposição
 N  10  10!
  =   = = 45
 n   2  2! (10 − 2)!
◦ Amostras com reposição

N = 10
n 2

INTRODUÇÃO
Embora o cálculo das probabilidades pertença ao campo da

Matemática, sua inclusão neste curso se justifica pelo fato de
a maioria dos fenômenos de que trata a Estatística são de
natureza aleatória ou probabilística.
Conseqüentemente, o conhecimento dos aspectos
fundamentais do cálculo de probabilidades é uma
necessidade essencial para o estudo da Estatística Indutiva
ou Inferencial.

EXPERIMENTO ALEATÓRIO
Em quase tudo, em maior ou menor grau, vislumbramos o
acaso. Assim, da afirmação “é provável que o meu time
ganhe a partida de hoje” pode resultar:
• que, apesar do favoritismo, ele perca;
• que, como pensamos, ele ganhe;
• que empate.
Como vimos, o resultado final depende do acaso.
Fenômenos como esse são chamados fenômenos aleatórios
ou experimentos aleatórios.
Experimentos ou fenômenos aleatórios são aqueles que,

mesmo repetidos várias vezes sob condições semelhantes,
apresentam resultados imprevisíveis.
ESPAÇO AMOSTRAL
A cada experimento correspondem, em geral, vários
resultados possíveis. Assim, ao lançarmos uma moeda, há
dois resultados possíveis: ocorrer cara ou ocorrer coroa. Já
ao lançarmos um dado há seis resultados possíveis: 1, 2, 3,
4, 5 ou 6.
Ao conjunto desses resultados possíveis damos o nome de

espaço amostral ou conjunto universo, representado por S
ou Ω.
Os dois experimentos citados anteriormente têm os

seguintes espaços amostrais:
• lançamento de uma moeda : Ω = {Ca, Co}
• lançamento de um dado: Ω = {1, 2, 3, 4, 5, 6}
OUTROS EXEMPLOS
Experimento Espaço Amostral
Jogar uma moeda {Cara, Coroa}
Jogar duas moedas {(Ca Ca), (Ca Co), (Co Ca), (Co Co)}
Selecionar uma carta {Vermelha, Preta}
Jogar uma partida de futebol {Ganha, Perde, Empata}
Inspecionar uma peça {Defeituosa, Perfeita}
Consumo de energia [0 ; )

EVENTO
Evento é um sub-conjunto do Espaço Amostral. É também
definido como o conjunto formado a partir da reunião de
Resultados Eventuais.
A partir de um Espaço Amostral finito com n resultados

eventuais, podemos definir 2n eventos distintos.

EVENTO EXEMPLO
Considere, ainda, a Experiência Aleatória que consiste no
lançamento de um dado de 6 faces para se observar o
número de pontos voltado para cima.
◦ Defina o evento que consiste na ocorrência de ponto par:
A = {2, 4, 6}
A ocorrência de um dos resultados eventuais acima

caracteriza a ocorrência do evento “ponto par”. Se
ocorrer um deles dizemos que o evento ocorreu.

DIAGRAMA DE VENN
Espaço Amostral
O 5 S
o2
O 3 A O 1
o6 o4
Resultado
Evento A Eventual

EVENTOS PARTICULARES
1. Evento Certo
◦ É o evento que sabemos que irá ocorrer antes mesmo
da realização da experiência.
Exemplo: Ocorrência de Cara ou Coroa no lançamento de

uma moeda.

2. Evento Impossível Evento Impossível
◦ É o evento que jamais irá
ocorrer.

◦ Exemplo
Ocorrência de Paus e Ouros
na mesma carta.

3. Eventos Contrários (Complementares)
◦ Para todo evento A existe um evento contrário, ou
complementar não A, representado por Ac, A’ ou A.
◦ Exemplo: Se A for a ocorrência de Cara no

lançamento de uma moeda, então Coroa será o
evento Ac, ou evento contrário (complementar).

4. Eventos Mutuamente Exclusivos
◦ São eventos que não podem ocorrer simultaneamente.
A ocorrência de um implica na não ocorrência do outro.
◦ Exemplo: Cara e Coroa são eventos ME porque não
podem ocorrer ao mesmo tempo.

5. Eventos Independentes
◦ Dois eventos são independentes quando a ocorrência
de um não afeta a ocorrência do outro.
◦ Exemplo: Se lançarmos dois dados, a ocorrência de
qualquer ponto no primeiro não afeta o resultado do
segundo.

Não confundir eventos mutuamente exclusivos com eventos
independentes.
◦ Eventos Mutuamente Exclusivos: a ocorrência de um
implica a NÃO ocorrência do outro, ou seja, não ocorrem
simultaneamente.
◦ Eventos Independentes: a ocorrência de um não afeta a

ocorrência do outro, mas ambos podem ocorrer
simultaneamente.

1) União (  ): A  B = B  A
2) Intersecção (  ): A  B = B  A
Operações
entre eventos
3) Complementar: AC =  − A (lê-se: complementar de A).

EVENTOS COMPLEMENTARES
Sabemos que um evento pode ocorrer ou não. Sendo p a probabilidade
de que ele ocorra (sucesso) e q a probabilidade de que ele não ocorra
(insucesso), para um mesmo evento existe sempre a relação:
p + q =1 q=1-p
Assim, se a probabilidade de se realizar um evento é p = 1/5 , a
probabilidade de que ele não ocorra é:
q = 1 – 1/5 = 4/5
Sabemos que a probabilidade de tirar o 4 no lançamento de um dado é
p = 1/6.
Logo, a probabilidade de não tirar o 4 no lançamento de um dado é:
q = 1 – 1/6 = 5/6

EVENTOS COMPLEMENTARES
Evento A Espaço Amostral
O 5
o2
O 3 O 1 AA=Ω
o6 o4
P(A)= 1 – P(A)
Evento A
Axiomas de Probabilidade
A1: A probabilidade de um certo evento ocorrer corresponde a um número não

negativo: P ( A)  0
A2: A probabilidade de ocorrer todo o espaço amostral é igual a um P (  ) = 1
A3: 𝐏(‫ = ) 𝒊𝑨 𝟏=𝒊𝒏ڂ‬σ𝑛𝑖=1 𝑃(𝐴𝑖 ) , se 𝐴1 , 𝐴2 ,..., 𝐴𝑛 forem, dois a dois, eventos

mutuamente exclusivos.
Conseqüência:
0  P ( A)  1 para todo evento A, A ⊂ Ω
Teoremas de Probabilidade
Teorema 1: A probabilidade de um evento impossível ocorrer é 𝑃 𝜙 = 0
Demonstração:
Para um evento A, podemos escrever a identidade 𝐴 = 𝐴 ∪ 𝜙.
Como A e 𝜙 são eventos mutualmente excludentes, decorrente da propriedade (3)

temos que:
𝑃(𝐴) = 𝑃(𝐴 ∪ ϕ)
⇒ 𝑃(𝐴) = P A + P 𝜙
⇒ P 𝜙 = 0.
ADRIELE - INTRODUÇÃO À PROBABILIDADE

Teorema 2 (Probabilidade do complemento): Seja Ω o espaço amostral. Então, a

probabilidade de um evento A não ocorrer é:
P ( AC ) = 1 − P ( A )
Demonstração:
Sabe-se que 𝐴𝐶 = Ω − 𝐴, então aplicando a função probabilidade de ambos

os lados têm-se:
A = − A
C
P ( AC ) = P (  ) − P ( A)
P ( AC ) = 1 − P ( A)

Teorema 3 (Teorema da soma): Se A e B são dois eventos do espaço amostral Ω a
probabilidade que ocorra A ou B é:
P ( A  B ) = P ( A) + P ( B ) − P ( A  B )
Demonstração:
Podemos decompor o evento 𝐴‫ 𝐵ڂ‬em dois eventos mutuamente excludentes.
A B A B
A 𝐵 ∩ 𝐴𝐶
O evento A e o evento (𝐵 ∩ 𝐴𝐶 ) são mutuamente excludentes, conforme mostrado no

diagrama, em que A ∩ 𝐵 ∩ 𝐴𝐶 = 𝜙.

Fica fácil visualizar que A ∪ 𝐵 ∩ 𝐴𝐶 = 𝐴 ∪ 𝐵
A B A B
A 𝐵 ∩ 𝐴𝐶
Aplicando a propriedade (3), em A ∪ 𝐵 = A ∪ 𝐵 ∩ 𝐴𝐶
P A ∪ 𝐵 = P A + 𝑃 𝐵 ∩ 𝐴𝐶 (1)

Agora podemos decompor o evento B em dois eventos mutuamente excludentes.
A B A B
A∩𝐵 𝐵 ∩ 𝐴𝐶
O evento (𝐴 ∩ 𝐵) e o evento 𝐵 ∩ 𝐴𝐶 são mutuamente excludentes
(𝐴 ∩ 𝐵) ∩ 𝐵 ∩ 𝐴𝐶 = 𝜙
Aplicando a propriedade 3, temos P B = P[(𝐴 ∩ 𝐵) ∪ 𝐵 ∩ 𝐴𝐶 ]

P B = P 𝐴 ∩ 𝐵 + P 𝐵 ∩ 𝐴𝐶
P 𝐵 ∩ 𝐴𝐶 = P B − P 𝐴 ∩ 𝐵 (2)

Agora podemos decompor o evento B em dois eventos mutuamente excludentes.
B C A B
A∩𝐵 𝐵 ∩ 𝐴𝐶
O evento (𝐴 ∩ 𝐵) e o evento 𝐵 ∩ 𝐴𝐶 são mutuamente excludentes
(𝐴 ∩ 𝐵) ∩ 𝐵 ∩ 𝐴𝐶 = 𝜙
Aplicando a propriedade 3, temos P B = P[(𝐴 ∩ 𝐵) ∪ 𝐵 ∩ 𝐴𝐶 ]

P B = P 𝐴 ∩ 𝐵 + P 𝐵 ∩ 𝐴𝐶
P 𝐵 ∩ 𝐴𝐶 = P B − P 𝐴 ∩ 𝐵 (2)

Substituindo a equação (2) em (1) temos:
P A ∪ 𝐵 = P A + 𝑃 𝐵 ∩ 𝐴𝐶
P A∪𝐵 =P A +P B −P 𝐴∩𝐵
Como queríamos demostrar.

Sejam A, B, e C três eventos arbitrários.
Encontre expressões, em termos de A, B e C
para os seguintes eventos:
1.1. Somente A ocorre.
1.2. A e B ocorrem, mas C não.
Atividade 1.3. Todos os três ocorrem.
Em sala de aula 1.4. Pelo menos um deles ocorre.
1.5. Pelo menos dois deles ocorrem.
1.6. Exatamente um deles ocorre.
1.7. Exatamente dois deles ocorrem.
1.8. Nenhum deles ocorre.
1.9. Não mais que dois deles ocorrem.

PROBABILIDADE
Experiência Espaço
Amostral Evento
Aleatória
Probabilidade
[0,1]

PROBABILIDADE
Dado um experimento aleatório, sendo Ω o seu espaço
amostral, vamos admitir que todos os elementos de Ω
tenham a mesma chance de acontecer, ou seja, que Ω é um
conjunto equiprovável.
Chamamos de probabilidade de um evento A (A  Ω) o
número real P(A), tal que:
P(A) = n(A)/n(Ω)
Onde:
n(A) é o número de elementos de A;
n(Ω) é o número de elementos de Ω.

ABORDAGEM CLÁSSICA
N  A nº casos favoráveis
P ( A) = =
N    nº casos possíveis
Observar um Ás em um baralho de 52 cartas.

N[A] = 4 (há quatro ases no baralho).
N[Ω] = 52 (há 52 cartas no baralho).
P(A) = 4 / 52 = 0,077.

PROPRIEDADES DE PROBABILIDADE
1. A probabilidade do evento certo e de um evento impossível.
P () = 1 P () = 0
2. A probabilidade varia entre 0 e 1.
0  P ( A)  1
3. REGRA DA ADIÇÃO
i. Usada para calcular a probabilidade da União de Eventos
P(A OU B) = P(A  B)
= P(A) + P(B) - P(A  B)
ii. Para eventos mutuamente exclusivos (A  B) = 
P(A OU B) = P(A  B)
= P(A) + P(B)
EVENTOS INDEPENDENTES
Dizemos que dois eventos são independentes quando a realização ou a
não-realização de um dos eventos não afeta a probabilidade da
realização do outro e vice-versa.
Por exemplo, quando lançamos dois dados, o resultado obtido em um
deles independe do resultado obtido no outro.
Se dois eventos são independentes, a probabilidade que eles se
realizem simultaneamente é igual ao produto das probabilidades de
realização dos dois eventos.
Assim, sendo a probabilidade de realização do primeiro evento A e a
probabilidade de realização do segundo evento B, a probabilidade de
que tais eventos se realizem simultaneamente, A ∩ 𝐵, é dada por:
P A ∩ 𝐵 = 𝑃(𝐴) × 𝑃(𝐵)

Lançamos dois dados. A probabilidade de obtermos 1 no
primeiro dado é:
P(A) = 1/6
A probabilidade de obtermos 5 no segundo dado é:
P(B) = 1/6
Logo, a probabilidade de obtermos, simultaneamente, 1 no
primeiro e 5 no segundo é:
P A ∩ 𝐵 = 1/6 x 1/6 = 1/36

Exemplo 1: Considere o lançamento de uma moeda (não viciada) três vezes.
Cujo evento A corresponde ao primeiro lançamento da moeda sair cara e o
evento B corresponde ao segundo lançamento da moeda sair cara. Esses
dois eventos são independentes?
O espaço amostral é:
 = ccc, ccr , crc, rcc, crr , rcr , rrc, rrr .

Os. eventos favoráveis aos eventos A e B são
A = ccc, ccr , crc, crr e B = ccc, ccr , rcc, rcr .
Consequentemente, A  B = ccc, ccr

Agora, vamos verificar se este dois eventos são independentes
Portanto, os eventos A e B são independentes.

Exemplo 2: Considere o lançamento de dois dados (não viciado)
uma vez. Cujo evento A corresponde ao primeiro lançamento de
um dos dados sair a face 1 o evento B corresponde ao lançamento
do segundo dado sair face 5. Esses dois eventos são
independentes?
Lançamos dois dados. A probabilidade de obtermos 1 no primeiro
dado é:
P(A) = 1/6
A probabilidade de obtermos 5 no segundo dado é:
P(B) = 1/6

Logo, a probabilidade de obtermos, simultaneamente, 1 no
primeiro e 5 no segundo é:
𝑃(𝐴 ∩ 𝐵) = 1/36
1 2 3 4 5 6
1 (1,1) (1,2) (1,3) (1,4) (1,5) (1,6)
2 (2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
3 (3,1) (3,2) (3,3) (3,4) (3,5) (3,6)
4 (4,1) (4,2) (4,3) (4,4) (4,5) (4,6)
5 (5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
6 (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
Portanto,
𝑃 𝐴 ∩ 𝐵 = 𝑃 𝐴 × 𝑃 𝐵 = 1/6 × 1/6 = 1/36

EVENTOS MUTUAMENTE EXCLUSIVOS
Dizemos que dois ou mais eventos são mutuamente exclusivos quando
a realização de um exclui a realização do(s) outro(s).
Assim, no lançamento de uma moeda o evento “tirar cara” e o evento
“tirar coroa” são mutuamente exclusivos, já que ao se realizar um deles,
o outro não se realiza.
Se dois eventos são mutuamente exclusivos, a probabilidade de que um
ou outro se realize é igual à soma das probabilidades de que cada um
deles se realize:
𝑃 (𝐴∪B)=P(A)+P(B)

Exemplo 3. No lançamos um dado, qual a probabilidade de se tirar o 3
ou o 5? Esses dois eventos são mutualmente excludentes?
O espaço amostral é:
Ω: {1, 2, 3, 4, 5, 6}
Os eventos favoráveis aos eventos A e B são
𝐴: 3 ; 𝐵: 5 e 𝐴 ∪ 𝐵: {3,5}
1
𝑃 𝐴 = 1 1 2 1
6 2 1
𝑃 𝐴 +𝑃 𝐵 = + = =
6 6 6 3
e 𝑃 𝐴∪𝐵 = =
1 6 3
𝑃 𝐵 =
6
1 1 1
Consequentemente 𝑃 𝐴 ∪ 𝐵 = 𝑃 𝐴 + 𝑃 𝐵 = + =
6 6 3
Portanto os dois eventos são mutuamente exclusivos.

PROBABILIDADE CONDICIONAL
Probabilidade de um evento ocorrer dado que outro evento
tenha ocorrido
P( A e B)
P( A | B) =
P (B )
O conhecimento que B ocorreu implica que para que A

ocorra, deve ocorrer junto com B e faz dele (B) o novo
Espaço Amostral, já que sabemos que ele ocorreu.

PROBABILIDADE CONDICIONAL
B Casos Possíveis
B (novo Ω)
A
Ω
P ( A B )
P ( A |B ) =
P (B )
AB
Casos Favoráveis

TEOREMA DO PRODUTO
Teorema . Sejam 𝐴⊂Ω e 𝐵⊂Ω. Então,
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) × 𝑃(𝐵|𝐴)

ou
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐵) × 𝑃(𝐴|𝐵)
Demonstração: Diretamente da definição de condicional.

REGRA DA MULTIPLICAÇÃO (OU DO
PRODUTO)
1. Usada para calcular a probabilidade da
Interseção de Eventos
2. P(A e B) = P(A  B) Conforme o Teorema do

= P(A) * P(B|A) produto (anteriormente)
= P(B) * P(A|B)
3. Para Eventos Independentes:
P(A e B) = P(A  B) = P(A)*P(B)

Probabilidade Condicional
Exemplo 1: Qual a probabilidade no lançamento de um dado, a face superior do
dado ser maior ou igual a 4 sabendo que ela é par?
 = 1, 2,3, 4,5, 6 ; A = 2, 4, 6 ; B = 4,5, 6

P ( B | A) = ?
P ( A  B)
P ( A | B) = , P ( B)  0
P ( B)
P( A) =
n( A) 3 1
= = 
n() 6 2  P ( A  B) 1 3 1 . 2 2
  P ( B | A ) =
P ( A)
= = =
n( A  B) 2 1  1 2 3 1 3
P ( A  B) = = =
n() 6 3 
ADRIELE GIARETTA BIASE - PROBABILIDADE
Exemplo 2: Em uma urna tem-se 40 bolas, sendo10 pretas e 30 vermelhas (20 com
manchas brancas e 10 sem manchas). Qual a probabilidade de se ter uma bola
vermelha com mancha branca, sabendo que o evento bola vermelha já ocorreu.
Probabilidades
P 1
4
1/4
VB 3 2 6 1
3/4 2/3 × = =
4 3 12 2
V 3 1 3 1
1/3 × = =
4 3 12 4
V


Teorema da Probabilidade Total
Teorema 5. Sejam 𝐴1 , 𝐴2 , … , 𝐴𝑛 eventos que formam uma
partição do espaço amostral. Seja B um evento desse espaço.
Então
𝑃 𝐵 = ෍ 𝑃(𝐴𝑖 ) × 𝑃(𝐵/𝐴𝑖 )
𝑖=1

Demonstração:
𝐵 = (𝐵∩𝐴1 ) ∪ (𝐵∩𝐴2 ) ∪ (𝐵∩𝐴3 ) ∪ (𝐵∩𝐴3 ) ∪ ⋯ ∪ (𝐵∩𝐴𝑛 )
𝑃(𝐵) = 𝑃(𝐵∩𝐴1 ) + 𝑃 𝐵∩𝐴2 + 𝑃(𝐵∩𝐴3 ) + 𝑃(𝐵∩𝐴3 ) + ⋯ + 𝑃(𝐵∩𝐴𝑛 )
Usando o Teorema do produto, vem:
𝑃 𝐵 = 𝑃 𝐴1 × 𝑃 𝐵/𝐴1 + 𝑃(𝐴2 ) × 𝑃(𝐵/𝐴2 ) + ⋯ + 𝑃(𝐴𝑛 ) × 𝑃(𝐵/𝐴𝑛 )
∴ 𝑃(𝐵) = ෍ 𝑃(𝐴𝑖 ) × 𝑃(𝐵/𝐴𝑖 )

𝑖=1

Exemplo 3. A caixa I contém 2 fichas vermelhas e 3 fichas azuis, e a caixa II contém 3
fichas vermelhas e 7 fichas azuis. Joga-se uma moeda. Se a moeda der cara, extrai-se ao
acaso uma ficha de caixa I. Se der cora, extrai-se ao acaso uma ficha da caixa II.
Determinar a probabilidade de ser extraída uma ficha vermelha. Vamos definir os
eventos:

eventos:
𝐶1 = {escolha da caixa I}.

𝐶2 = {escolha da caixa II}, e
V = {a ficha é vermelha}.
𝐶1 e 𝐶2 representam uma partição do espaço amostral, uma vez que
𝐶1 ∪ 𝐶2 = Ω e 𝐶1 ∩ 𝐶2 = ϕ

eventos:
𝐶1 = {escolha da caixa I}.

𝐶2 = {escolha da caixa II}, e
V = {a ficha é vermelha}.
𝐶1 e 𝐶2 representam uma partição do espaço amostral, uma vez que
𝐶1 ∪ 𝐶2 = Ω e 𝐶1 ∩ 𝐶2 = ϕ
Então, pelo Teorema da Probabilidade Total:
𝑃 𝑉 = 𝑃 V 𝐶1 × 𝑃 𝐶1 + 𝑃 V 𝐶2 × 𝑃 𝐵2
2 1 3 1 7
= × + × =
5 2 10 2 10
DISTRIBUIÇÕES CONJUNTAS
Quando investigamos dois eventos, ambos com número
finito de resultados eventuais, como fizemos no cálculo de
probabilidades condicionais, os resultados eventuais podem
ser organizados segundo uma tabela de dupla entrada.

Exemplo: Recente pesquisa com 8.000 jovens constatou que
5.700 conseguiram um emprego e 2.300 não conseguiram.
Dentre os contratados, 4.200 tinham algum curso de pós-
graduação e dentre os que não foram contratados 500 não
tinham cursado uma pós-graduação. Podemos resumir as
informações conforme abaixo.
Com Pós Sem Pós Total

Contratado 4.200 1.500 5.700
Não Contratado 1.800 500 2.300
Total 6.000 2.000 8.000

Podemos calcular as probabilidades das células.

Contratado 4.200 1.500 5.700
Total 6.000 2.000 8.000
◦ P(ser contratado e ter pós) = 4200/8000

◦ P(ser contratado e não ter pós) =1500/8000
◦ P(não ser contratado e ter pós) =1800/8000
◦ P(não ser contratado e não ter pós) = 500/8000
Podemos calcular as probabilidades marginais conforme
abaixo.
Contratado 4.200 1.500 5.700
Total 6.000 2.000 8.000
◦ P(ser contratado) = 5700/8000

◦ P(não ser contratado) = 2300/8000
◦ P(ter pós graduação) = 6000/8000
◦ P(não ter pós) = 2000/8000
Podemos calcular as probabilidades condicionais com base
nas margens conforme abaixo.
Contratado 4.200 1.500 5.700
Total 6.000 2.000 8.000
◦ P(ter pós / ser contratado) = 4200/5700

◦ P(não ter pós / ser contratado) = 1500/5700
◦ P(ser contratado / ter pós) = 4200/6000
◦ P(não ser contratado / ter pós) = 1800/6000

Podemos investigar se dois eventos dispostos em uma
tabela de contingência são independentes calculando as
probabilidades condicionais e verificando a igualdade com
as probabilidades marginais.
◦ Por exemplo: P(Y=0 / X=0) = 4200/5700
P(Y=0) = 6000/8000
Como não são iguais podemos concluir que os eventos
conseguir emprego e ter curso de pós graduação não são
independentes.

ÁRVORE DE EVENTOS
Permitem visualizar sequência de eventos (independentes
ou não).
Levam em conta todas os modos possíveis de a sequência

ocorrer.
Eventos subsequentes ocorrem condicionados a eventos

antecedentes.

ÁRVORE DE EVENTOS “DESAFIO”
Você está fazendo uma prova com 3 questões de múltipla
escolha. Cada questão possui 5 alternativas, sendo uma
correta. Como você não estudou, decide “chutar”.
a) Qual é a probabilidade de você acertar duas questões?
b) Se você precisasse acertar pelo menos duas questões
para passar, qual seria a sua probabilidade de passar?

ÁRVORE DE EVENTOS
Questão Questões
1 2 3 Certas
Erra Erra Erra 0
Erra Erra Acerta 1
Erra Acerta Erra 1
Acerta Erra Erra 1
Erra Acerta Acerta 2
Acerta Erra Acerta 2
Acerta Acerta Erra 2
Acerta Acerta Acerta 3

ÁRVORE DE EVENTOS
Questão 1 Questão2 Questão 3 Resultados Probabilidades
1 (1 1 1) (0,2)(0,2)(0,2) = 0,008
1 0
(1 1 0) (0,2)(0,2)(0,8) = 0,032
1 0 1 (1 0 1) (0,2)(0,8)(0,2) = 0,032
0
(1 0 0) (0,2)(0,8)(0,8) = 0,128
0 1 (0 1 1) (0,8)(0,2)(0,2) = 0,032
1 0
(0 1 0) (0,8)(0,2)(0,8) = 0,128
0 1 (0 0 1) (0,8)(0,8)(0,2) = 0,128
0
(0 0 0) (0,8)(0,8)(0,8) = 0,512
Total 1,000

ÁRVORE DE EVENTOS
Questão Questões
Qual é a probabilidade de você
Certas
acertar duas questões? 1 2 3
Erra Acerta Acerta 2
P(X=2) = P{(1 1 0)  (1 0 1)  (0 1 1)}
= P{(1 1 0)} + P{(1 0 1)} + P{(0 1 1)}
= (0,2).(0,2).(0,8) + (0,2).(0,8).(0,2) + (0,8).(0,2).(0,2)
= 0,032 + 0,032 + 0,032 = 0,096
PROFº GILMAR JÚNIOR E JULIANO BORTOLINI - DISCIPLINA DE INFERÊNCIA ESTATÍSTICA - ESPECIALIZAÇÃO EM ESTATÍSTICA APLICADA
ÁRVORE DE EVENTOS
Se você precisasse acertar pelo Questão Questões
menos 2 questões para passar,
Certas
qual seria a sua probabilidade de 1 2 3
passar? Erra Acerta Acerta 2
Acerta Acerta Acerta 3
P(X2)=P(X=2)+P(X=3)=0,104
P(X=2) = P{(1,1,0)  (1,0,1)  (0,1,1)} = 0,096
P(X=3) = P{(1,1,1) =0,008
PROFº GILMAR JÚNIOR E JULIANO BORTOLINI - DISCIPLINA DE INFERÊNCIA ESTATÍSTICA - ESPECIALIZAÇÃO EM ESTATÍSTICA APLICADA
REGRA DE BAYES
Aumenta a precisão do cálculo de probabilidade de um
evento com o uso de informação adicional.
Serve para corrigir probabilidades a priori, obtendo as

probabilidades a posteriori, com o uso da informação
adicional.

Teorema de Bayes
Se A1, A2,..., Ak são conjuntos mutuamente exclusivos cuja união resulta em Ω
e no qual a P(A k ) é conhecida, e B é um evento qualquer, então:
P ( Ai ) P ( B | Ai )
P ( Ai | B ) = k
 P( A )P(B | A )
i =1
i i

REGRA DE BAYES
A e B são digitadores. A processa 60% e B 40% das fichas de
uma secretaria. A tem uma taxa de erro de 2% e B de 5% da
produção diária. Se uma ficha é selecionada ao acaso e
contém erro, qual é a probabilidade de ter sido digitada por
cada um deles?

REGRA DE BAYES
Temos as seguintes probabilidades (a priori):
P(A) = 0,6 – Selecionar ficha digitada por A.
P(B) = 0,4 – Selecionar ficha digitada por B.
P(E | A) = 0,02 – Encontrar erro dado que a ficha tenha
sido digitada por A.
P(E | B) = 0,05 – Encontrar erro dado que a ficha tenha
sido digitada por B.
Pede-se:
P(A | E) e P(B | E)

REGRA DE BAYES
Se há erro, só pode ter sido cometido por A ou B. Logo:
E  (E  A)  (E  B)
P(E) = P{(E  A)  (E  B)}
= P{(E  A)} + P{(E  B)}
= P(E | A).P(A) + P(E | B).P(B)

REGRA DE BAYES
P(E  A) P(E | A) . P(A)
P(A | E) = =
P(E) P(E|A).P(A) + P(E|B).P(B)
P(E  B) P(E | B) . P(B)

P(B | E) = =
P(E) P(E|A).P(A) + P(E|B).P(B)

REGRA DE BAYES
Logo:
P(E | A)  P(A)
P(A | E ) =
P(E | A)  P(A) + P(E | B)  P(B)
0,02  0,60
P(A | E ) = = 0,375
0,02  0,60 + 0,05  0,40
P( E | B)  P( B)
P( B | E ) =
P ( E | A)  P ( A) + P ( E | B )  P ( B )
0,05  0,40
P( B | E ) = = 0,625
0,02  0,60 + 0,05  0,40

REGRA DE BAYES
Note que:
◦ A probabilidade pedida é de a ficha ter sido digitada por
cada um dos digitadores.
◦ P(A) e P(B) são as probabilidades a priori
◦ P(A/E) e P(B/E) são as probabilidades a posteriori
avaliadas (corrigidas) com o conhecimento da existência
do erro.
No exemplo, como B tem taxa de erro superior a A, o
conhecimento que a ficha tem erro faz com que a
probabilidade de a ficha ter sido digitada por B seja maior
do que a de ter sido digitada por A.
REGRA DE BAYES
A e B são digitadores. A processa 60% e B 40% das fichas de
uma secretaria. A tem uma taxa de erro de 2% e B de 5% da
produção diária. Se uma ficha é selecionada ao acaso e
contém erro, qual é a probabilidade de ter sido digitada por
cada um deles?

REGRA DE BAYES
Temos as seguintes probabilidades (a priori):
P(A) = 0,6 – Selecionar ficha digitada por A.
P(B) = 0,4 – Selecionar ficha digitada por B.
P(E | A) = 0,02 – Encontrar erro dado que a ficha tenha
sido digitada por A.
P(E | B) = 0,05 – Encontrar erro dado que a ficha tenha
sido digitada por B.
Pede-se:
P(A | E) e P(B | E)

REGRA DE BAYES
Se há erro, só pode ter sido cometido por A ou B. Logo:
E  (E  A)  (E  B)
P(E) = P{(E  A)  (E  B)}
= P{(E  A)} + P{(E  B)}
= P(A) . P(E | A) + P(B) . P(E | B)
P(E  A) = P(A).P(E | A)
P(E  B) = P(B).P(E | B)

Probabilidades
E
2% (0,6)(0,02)=0,012
A
60% (0,6)(0,98)=0,588
98%
Acerto
E
40% 5% (0,4)(0,05)=0,02
B
95% (0,4)(0,95)=0,38
Acerto
P(E  A) = P(E | A) . P(A) = (0,6)(0,02) = 0,012
P(E  B) = P(E | B) . P(B) = (0,4)(0,05) = 0,02
P(E) = P(E | A).P(A) + P(E | B).P(B) = (0,6)(0,02)+(0,4)(0,05)= 0,032

REGRA DE BAYES
P(E  A) P(A) . P(E | A)
P(A | E) = =
P(E) P(A).P(E|A) + P(B).P(E|B)
P(E  B) P(B) . P(E | B)

P(B | E) = =
P(E) P(A).P(E|A) + P(B).P(E|B)

REGRA DE BAYES
Logo:
P(E | A)  P(A)
P(A | E ) =
P(E | A)  P(A) + P(E | B)  P(B)
0,02  0,60
P(A | E ) = = 0,375
0,02  0,60 + 0,05  0,40
P( E | B)  P( B)
P( B | E ) =
P ( E | A)  P ( A) + P ( E | B )  P ( B )
0,05  0,40
P( B | E ) = = 0,625
0,02  0,60 + 0,05  0,40

Teorema de Bayes
Exemplo 4: Uma empresa produz circuitos integrados em três fábricas. A fábrica 1
produz 40% dos circuitos enquanto que as fábricas 2 e 3, produzem 30% cada. A
probabilidade de que um circuito produzido por estas fábricas não funcione é de
0,01; 0,04 e 0,03 respectivamente. Qual a probabilidade de se pegar um circuito ao
acaso da produção total da companhia, sendo ele da fábrica 1 e sabendo que ele
não funciona?

Teorema de Bayes
Exemplo 4: Uma empresa produz circuitos integrados em três fábricas. A fábrica 1
produz 40% dos circuitos enquanto que as fábricas 2 e 3, produzem 30% cada. A
probabilidade de que um circuito produzido por estas fábricas não funcione é de
0,01; 0,04 e 0,03 respectivamente. Qual a probabilidade de se pegar um circuito ao
acaso da produção total da companhia, sendo ele da fábrica 1 e sabendo que ele
não funciona? Probabilidades
perf. (0,4)(0,99)
F1 0,99
0,01 def. (0,4)(0,01)

0,4
F2 0,96 perf. (0,3)(0,96)

0,3
0,04 def. (0,3)(0,04)

0,3 F3 0,97 perf. (0,3)(0,97)
0,03 def. (0,3)(0,03)

Probabilidades
Teorema de Bayes
perf. (0,4)(0,99)
F1 0,99
0,01 def. (0,4)(0,01)

0,4
F2 0,96 perf. (0,3)(0,96)

0,3
0,04 def. (0,3)(0,04)

0,3 F3 0,97 perf. (0,3)(0,97)
0,03 def. (0,3)(0,03)
P ( F1 ) .P ( def | F1 )
P ( F1 | def ) =
P ( F1 ) .P ( def | F1 ) + P ( F2 ) .P ( def | F2 ) + P ( F3 ) .P ( def | F3 )
0, 40 * 0,01
P ( F1 | def ) = = 0,16
0, 40 * 0,01 + 0,30 * 0,04 + 0,30 * 0,03
Fim do módulo

Probabilidade

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

Probabilidade

Enviado por

Direitos autorais:

Formatos disponíveis

Estatística Básica

ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE

ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE

ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE

ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE

ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE

ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE

ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE

ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE

ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE

ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE

ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE

ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE

ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE

ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE

ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE

ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE

De uma população de tamanho N, podemos selecionar:

ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE

◦ Amostras com reposição

ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE

Embora o cálculo das probabilidades pertença ao campo da

ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE

Experimentos ou fenômenos aleatórios são aqueles que,

Ao conjunto desses resultados possíveis damos o nome de

Os dois experimentos citados anteriormente têm os

Jogar uma moeda {Cara, Coroa}

Selecionar uma carta {Vermelha, Preta}

Jogar uma partida de futebol {Ganha, Perde, Empata}

Inspecionar uma peça {Defeituosa, Perfeita}

ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE

A partir de um Espaço Amostral finito com n resultados

ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE

◦ Defina o evento que consiste na ocorrência de ponto par:

A ocorrência de um dos resultados eventuais acima

ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE

ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE

Exemplo: Ocorrência de Cara ou Coroa no lançamento de

ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE

ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE

◦ Exemplo: Se A for a ocorrência de Cara no

ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE

ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE

ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE

◦ Eventos Independentes: a ocorrência de um não afeta a

ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE

3) Complementar: AC =  − A (lê-se: complementar de A).

ADRIELE - ANÁLISE COMBINATÓRIA E PROBABILIDADE

A1: A probabilidade de um certo evento ocorrer corresponde a um número não

A2: A probabilidade de ocorrer todo o espaço amostral é igual a um P (  ) = 1

A3: 𝐏(‫ = ) 𝒊𝑨 𝟏=𝒊𝒏ڂ‬σ𝑛𝑖=1 𝑃(𝐴𝑖 ) , se 𝐴1 , 𝐴2 ,..., 𝐴𝑛 forem, dois a dois, eventos

Teorema 1: A probabilidade de um evento impossível ocorrer é 𝑃 𝜙 = 0

Para um evento A, podemos escrever a identidade 𝐴 = 𝐴 ∪ 𝜙.

Como A e 𝜙 são eventos mutualmente excludentes, decorrente da propriedade (3)

ADRIELE - INTRODUÇÃO À PROBABILIDADE

Teorema 2 (Probabilidade do complemento): Seja Ω o espaço amostral. Então, a

Sabe-se que 𝐴𝐶 = Ω − 𝐴, então aplicando a função probabilidade de ambos

ADRIELE - INTRODUÇÃO À PROBABILIDADE

O evento A e o evento (𝐵 ∩ 𝐴𝐶 ) são mutuamente excludentes, conforme mostrado no

ADRIELE - INTRODUÇÃO À PROBABILIDADE

Aplicando a propriedade (3), em A ∪ 𝐵 = A ∪ 𝐵 ∩ 𝐴𝐶

ADRIELE - INTRODUÇÃO À PROBABILIDADE

O evento (𝐴 ∩ 𝐵) e o evento 𝐵 ∩ 𝐴𝐶 são mutuamente excludentes