INTRODUÇÃO À PROBABILIDADE

CONCEITOS DA TEORIA DA PROBABILIDADE

Inicia-se por caracterizar os dois tipos de fenómenos existentes na natureza:

FENÓMENOS DETERMINÍSTICOS

 São aqueles que produzem sempre os mesmos resultados qualquer que seja o número
de ocorrências verificadas dos mesmos.

 Os modelos utilizados na sua investigação, são os modelos determinísticos:

determinam com bastante precisão os resultados de um experimento ou fenómeno,
conhecidas as condições em que é realizado o experimento, ou em que condições
ocorre o fenómeno.

EXEMPLOS:

 A medição da temperatura de entrada em ebulição da água (100ºc);

 O valor da velocidade de propagação do som (340 m/s), ou da luz;

 Determinado sólido que submetido à uma certa temperatura, passará para o estado
líquido.

FENÓMENOS ALEATÓRIOS

 São aqueles cujos resultados não serão previsíveis

 Fenómenos ou acontecimentos influenciados pelo acaso

 Objecto de estudo na teoria das probabilidades

 Os modelos utilizados na sua investigação, são os modelos probabilísticos ou não

determinísticos: permitem predizer em termos probabilísticos resultados de
experimentos aleatórios.

EXPERIMENTO OU EXPERIÊNCIA ALEATÓRIA

 Fenómeno produzido pelo homem

 Processo de observação ou de acção, cujos resultados embora possam ser descritos

no seu todo, não são determináveis a prióri, antes de realizada a experiência ou
experimento

 Como não se pode predizer que tipo de resultados iremos ter quando se trata de
fenómenos ou experimentos aleatórios, pode-se ao menos calcular a probabilidade
de ocorrência de determinados resultados.

1
EXEMPLOS DE EXPERIMENTOS ALEATÓRIOS:

 Lançamento de um dado

 Pode-se descrever o conjunto de todos os resultados possíveis que poderão

ocorrer:  1, 2, 3, 4, 5, 6 ;

 É impossível antes de efectuarmos o lançamento do dado, afirmar a face que irá

sair;

 Depois de efectuado o lançamento, certamente que alguma face terá ocorrido,

por exemplo face “3”;

 “3” é o resultado dessa experiência aleatória;

 Pode-se ainda calcular a probabilidade de ocorrência desse resultado.

 Quando se observa o resultado do exame de um estudante escolhido ao acaso

 O estudante pode obter uma classificação entre 0├ 20 inclusivé;

 Não se pode afirmar a classificação exacta que ele irá obter, antes da realização
do exame.

 Determinação da vida útil de uma lâmpada.

 Dererminação da vida útil de um componente electrônico.

 Mesmo que a lâmpada e o componente electrônico tenham um periodo de

garantia, o valor exacto da duração só será conhecido depois da lâmpada se ter
fundido ou do componente electrônico se ter avariado.

 Retirada de uma carta de um baralho com 52 cartas.

 Lançamento de uma moeda honesta.

 Lançamento de duas moedas, etc.

2
CARACTERÍSTICAS DE UM EXPERIMENTO OU EXPERIÊNCIA ALEATÓRIA

 Possibilidade de repetição da experiência em condições similares;

 Não se pode dizer à partida qual o resultado (fenómeno aleatório) da

experiência a realizar, mas pode descrever-se o conjunto de todos os resultados
possíveis;

 A existência de regularidade quando a experiência é repetida inúmeras vezes.

Importante: É com base nesta última característica que se desenvolve toda uma
teoria e um conjunto de modelos probabilísticos que tendem a explicar os
fenómenos aleatórios e dar uma indicação da sua maior ou menor probabilidade de
ocorrência.

ESPAÇO AMOSTRAL OU ESPAÇO DE RESULTADOS

 É o conjunto de todos os resultados possíveis de um experimento aleatório;

 Seus elementos são chamados de pontos amostrais ;

 O espaço de resultados representa-se por  (letra grega ômega).

O ESPAÇO AMOSTRAL pode ser:

 Discreto – quando o nº de elementos do  for finito ou infinito numerável.

 Contínua – quando é composto por um nº infinito não numerável de elementos.

 Quantitativo

 Qualitativo, conforme a natureza dos elementos que o compõe.

INDICAÇÃO DOS ELEMENTOS DE 

 Pela enumeração de todos os elementos que o compõe (quando são em nº finito,

evidentemente) – Definição por extenção.

Exemplo: Experimento: “Lançamento de um dado”

   1, 2, 3, 4, 5, 6 
 Pela descrição abreviada desses elementos – Definição por compreesão.

Exemplo: Experimento: “Determinação da vida útil de um componente electrônico”

  t R:t  0 
3
EVENTO OU ACONTECIMENTO ALEATÓRIO

Para defenir o conceito de acontecimento aleatório, consideraremos:

EXPERIMENTO: ”Lançamento de um dado”

   1, 2, 3, 4, 5, 6 
Sendo o  (espaço de resultados) um conjunto, é possível formar subconjuntos dos seus
elementos, como por exemplo:

A   2 ; B   1, 3, 5 ; C   3, 6 
Cujo significado é respectivamente:

A: Saída de face 2

B: Saída de face ímpar

C: Saída de face divisível por 3.

A, B e C são subconjuntos de  , Simultaneamente conjuntos de resultados possíveis da

experiência aleatória. Designam-se por acontecimentos ou eventos aleatórios.

DEFINIÇÃO – EVENTO OU ACONTECIMENTO ALEATÓRIO

 Resultado ou Conjunto de resultados obtido(os) não previsível de um experimento

aleatório
 Significa algo que a experiência aleatória pode produzir, mas não se realiza
necessariamente.

RESULTADO – Indica algo que a experiência aleatória produziu efectivamente. Só tem sentido
depois de realizada a experiência.

EVENTO – O conceito de evento tem pleno sentido mesmo antes da experiência aleatória se
realizar.

Sendo o evento um conjunto de resultados possíveis de um experimento, ele pode ser formado por:

 Um único elemento (ou ponto amostral)

 Uma reunião deles.

O evento  a   EVENTO ELEMENTAR – Para que este evento se realize, basta que ocorra
somente um resultado específico da experiência aleatória. Ex: A   2 ;

EVENTO COMPLEXO OU COMPOSTO – Aquele cuja realização implica a ocorrência de um resultado

do experimento aleatório, qualquer um de entre os vários possíveis para aquele acontecimento.

4
Ex: B   1, 3, 5 .
Portanto, na teoria das probabilidades, um evento não é um conceito referente ao passado, nem
um conceito com ocorrência assegurada no futuro, é apenas uma eventualidade (acontecimento
elementar) ou um conjunto de eventualidades (acontecimeno complexo) cuja ocorrência depende
do acaso.

OS ACONTECIMENTOS podem ainda ser CLASSIFICADOS em:

CERTOS OU SEGUROS:  (O próprio espaço amostral);

POSSÍVEIS: dependendo das condições em que o experimento é realizado;

IMPOSSÍVEIS: Ø – não existe qualquer resultado que torne viável a sua realização; O conjunto que o
define é o vazio.

5
DETERMINAÇÃO DO ESPAÇO AMOSTRAL

Podemos determiná-lo por:

 Tabela de dupla entrada (produto cartesiano)

 Diagrama em árvore (árvore de suporte)

OPERAÇÕES COM EVENTOS ALEATORIOS (Álgebra dos acontecimentos)

Definiu-se evento aleatório como um conjunto de resultados possiveis de uma experiência ou

experimento aleatorio. Esta definição sugere que se poderá utilizar todos os instrumentos da teoria
dos conjuntos para representar os eventos e as operações que se definem sobre os mesmos.

Exemplo: O Diagrama de Venn é de extrema utilidade na representação dos eventos:

 O conjunto universal (ou universo) é identificado como o espaço amostral do

experimento.

 E cada evento A por uma região interior à  .

 O diagrama de venn pode ser também utilizado para representar de forma simplificada e
sugestiva as operações que se definem sobre os eventos:

REUNIÃO (ou soma lógica)

INTERSECÇÃO (ou produto lógico)

DIFERENÇA.

Considerando um espaço amostral finito:

6
 = e1 , e2 , e3 ,   , en  e sendo A e B dois eventos, são definidas as seguintes operações:

✔ REUNIÃO DE EVENTOS

Com esta operação define-se um novo evento, união de A com B, ou soma lógica de A com B,
simbolicamente representado por  A  B  , traduzido por:

 A  B   e  : e  A  e  B, i  1,2,...,n.
i i i

 Esse novo evento terá como elementos, pontos amostrais que pertencem à pelo menos um
dos eventos, isto é A  B , consiste na realização de pelo menos um dos
contecimentos.

 A reunião de eventos implica a ideia de disjunção, de alternativa, traduzida por “ou”;

 Para que se realize o evento reunião basta que ocorra pelo menos um dos eventos: ou A ou B
ou ambos.

No diagrama de venn a reunião de A com B pode representar-se da seguinte forma:

OBS. A operação reunião de eventos pode ser generalizada à mais de dois eventos.

Dada uma sucessão infinita de acontecimentos A1, A2,---, An,----, define-se a sua união A
i1 i
como sendo o evento que ocorrerá se e somente se ocorrer pelo menos um dos eventos Ai.

✔INTERSECCAO DE EVENTOS

Com esta operação define-se um novo evento, intersecção ou produto lógico de A com B,
simbolicamente representado por  A  B  , traduzido por:
 A  B   e  : e  A  e  B, i  1,2,...,n.
i i i

 Esse novo evento terá como elementos, pontos amostrais que pertencem simultâneamente
aos eventos A e B. Isto é A  B é o evento que ocorre se e somente se, ocorrerem A
e B(em simultaneidade ou em sequência);

 A intersecção de eventos implica a ideia de conjunção, simultaneidade ou sequência,

traduzida por “e”;
No diagrama de Venn, a intersecção de A e B pode ser representada da seguinte forma:

7
OBS. Também esta operação pode ser generalizada a um conjunto finito ou infinito de eventos.


Dada uma sucessão infinita de eventos, A1, A2,---, An,----, define-se a sua intersecção Ai
i 1

como sendo o evento que se realiza sse, ocorrerem todos os eventos Ai.

IMPORTANTE: Há certos eventos que não podem ocorrer simultâneamente  A  B   . Sua

intersecção é o evento impossivel. Acontecimentos nestas condições, em que a ocorrência de um,
exclui a dos restantes dizem-se mutuamente exclusivos ou incompativeis.

No diagrama de venn estão representados 3 eventos mutuamente exclusivos.

✔DIFERENCA DE EVENTOS

A diferença de dois eventos A e B, ou evento diferença, simbolicamente representada por

A  B  ou A \ B   é o evento que se realiza quando ocorre A mas não B.

Será o evento constituido por todos os elementos de A que simultâneamente não pertencem à B,
traduzido por:

A  B  A \ B  ei  : ei  A  ei  B .

DIAGRAMATICAMENTE:


CASO PARTICULAR:

8
No caso particular da diferença de dois eventos em que um dos eventos é o próprio espaço de
resultados(  → evento certo ou seguro), o evento diferença denomina-se COMPLEMENTAÇÃO;

O complementar de qualquer evento A, representa-se por A e é o evento que ocorre quando não
ocorre A:

  A  A  ei  : ei  A .

DIAGRAMATICAMENTE:

PROPRIEDADES DAS OPERAÇÕES COM EVENTOS

De seguida apresentam-se as propriedades mais importantes das operações de reunião e

intersecção de eventos aleatórios.

Sendo A, B e C eventos associados à um espaço amostral  .

PROPRIEDADES REUNIAO INTERSECCAO

Comutativa A B  B A A B  B A
Associativa A   B  C    A  B  C A   B  C    A  B  C
Distributiva A   B  C    A  B   A  C  A   B  C    A  B   A  C 
Idem potência A A A A A A
Absorções A   A  B  A A   A  B  A
Complementares A A A A
Leis de Morgan
A B  A B A B  A B
Elemento Neutro A  A A A
Elemento absorvente A A 

Também são complementares:

; ;  A  A .

PARTIÇÃO DE UM ESPACO AMOSTRAL

9
Definição: dizemos que os eventos A1 , A2 ,..., An formam uma partição do espaço amostral  se:

a) Ai  Ø, i  1,... n
Os eventos não podem ser impossíveis.

b) Ai  Aj  , para i  j
Ou seja os eventos são dois à dois mutuamente exclusivos (não podem ocorrer
simultaneamente numa mesma realização de um experimento aleatório.

c) Ai  
i 1

A união de “n” eventos mutuamente exclusivos é o próprio espaço amostral  . Diz-se que os
eventos são mutuamente exclusivos e exaustivos ou que formam uma partição de  .

CONCEITO DE PROBABILIDADE: interpretações clássica, frequêncista, subjectivista e

axiomática.

Historicamente, a definição de probabilidade tem sido objecto de bastante controvérsia. A

incerteza quanto a eventos, fenómenos futuros, sempre exerceu verdadeiro fascínio sobre a mente
humana. O cálculo das probabilidades tem suas origens no estudo e na compreensão dos jogos de
azar. Nesse contexto surgiu a primeira definição de probabilidade,

DEFINIÇÃO CLÁSSICA

Se uma experiência aleatória tiver n resultados mutuamente exclusivos e igualmente prováveis

(com a mesma probabilidade de ocorrer), e se um evento A contiver S desses resultados (S  n),
então a probabilidade do acontecimento A é dada por:
s
P  A 
n
Ou seja a probabilidade de um evento A qualquer é o quociente entre o número de resultados (ou
casos) favoráveis à ocorrência de A e o número de resultados possíveis.

Exemplo:

Qual a probabilidade de se obter um resultado não inferior a 3 no lançamento de um dado.

Experimento: “Lançamento de um dado”.

Evento: Obter um resultado não inferior a 3.

10
O nº de casos possíveis desse experimento é 6 → Faces de um dado    1, 2, 3, 4, 5, 6 .
E o nº de casos favoráveis à ocorrência de um resultado não inferior à 3 é 4  A  3,4,5,6 .
4
Pelo que a probabilidade do evento em causa é  0,667 .
6
OBS. Essa definição de probabilidade tem a limitação de se aplicar exclusivamente aos casos em
que os eventos elementares são igualmente prováveis ou seja os resultados que compõem esses
eventos terão que ter a mesma probabilidade de ocorrer.
1
Nesse experimento, 3, 4, 5 e 6 têm a mesma probabilidade de ocorrer que é de .
6

DEFINIÇÃO FREQUENCISTA

Surgiu à seguir a definição frequêncista de probabilidade. Segundo esta definição a probabilidade

de um evento A qualquer é o limite para o qual tende a frequência relativa, quando o experimento
é repetido indefinidamente nas mesmas condições.

Se em “n” realizações de um experimento, o evento A se verificou “s” vezes, diz-se que a

frequência relativa de A nas n realizações é:
s
f A  , Sendo f A a frequência relativa do evento A.
n

Ao número para o qual tende a frequência relativa f A , quando se aumenta o número de provas,
chama-se probabilidade do evento A:

P  A  lim f A .
n

Isto equivale a aceitar que numa sucessão numerosa de experimentos é praticamente certo que a
frequência relativa de A seja aproximadamente igual a P  A .

EXEMPLO:

Consideremos A seguinte tabela relativa ao lançamento de uma moeda:

N° de Lançamentos 20 30 40 50 60 70 80 90 100
N° de vezes que saiu a face “cara” 14 12 25 19 30 39 48 42 49
Frequência relativa do evento: sair a face 0,7 0,4 0,62 0,38 0,5 0,56 0,6 0,47 0,46
“cara”

Podemos observar que à medida que aumenta o nº de lançamentos, as frequências relativas do

evento “sair face cara”, estabilizam-se à volta do valor 0,5.

O nº à volta do qual se estabiliza a frequência relativa de um evento quando o nº de experimentos

aumenta consideravelmente chama-se probabilidade do evento. Assim 0,5 é a probabilidade de
obtermos a face “cara” quando lançamos uma moeda ao ar.

OBS. Embora esta definição seja útil, por exemplo no controle de qualidade, ela só se aplica aos
casos em que o experimento pode ser repetido um grande nº de vezes exactamente nas mesmas

11
condições. Por outro lado existem experiências e fenómenos que pela sua própria natureza, nunca
se repetirão. Por exemplo não se poderia fazer qualquer afirmativa probabilista à respeito do
evento: “chover amanhã”, usando a via frequêncista, já que o dia de amanhã jamais se repetira.
Aos meteorologistas estaria vedado o uso do cálculo das probabilidades. Sendo assim a via
frequêncista não é seguramente útil para estimar as probabilidades associadas à diferentes
eventos.

DEFINICAO SUBJECTIVISTA OU PERSONALISTA

A probabilidade de um evento é dada pelo grau de credibilidade ou de confiança que cada pessoa
dá à realização de um evento.
Baseia-se na:

 Informação quantitativa (frequência de ocorrência de um evento) e/ou qualitativa

(informação sobre experiência passada em situações semelhantes) que a pessoa possui sobre o
evento em causa.

DEFINIÇÃO AXIOMÁTICA

Modernamente, adopta-se uma definição axiomática para a probabilidade. Isto significa que as
probabilidades dos eventos podem ser perfeitamente arbitrárias, excepto que devem satisfazer
certos axiomas. Portanto as probabilidades serão definidas com base num conjunto de regras ou
axiomas.

Função de Probabilidade

Definição → é a função “P” que associa à cada evento de F (conjunto formado por todos os
eventos, subconjuntos do  ), um n° real pertencente ao intervalo 0, 1 , satisfazendo aos axiomas:

AXIOMA 1

P     1 ; A probabilidade associada ao evento certo (  ) é igual à unidade.

AXIOMA 2

P  A  B   P  A  P  B  Se A e B forem mutuamente exclusivos.

AXIOMA 3

Se A1 , A2 ,..., An são eventos mutuamente exclusivos, então:

P  A1  A2  ....  An   P  A1   P  A2   ...  P  An  . Ou seja,
 
P A .
n n

P  Ai   i
 i 1  i 1

OBS. Observamos pela definição que 0  P  A  1 , para todo o evento A, A   .

→ Dessas propriedades fundamentais, resultam os seguintes Teoremas, que serão apresentados
sem demonstração:

12
TEOREMA 1

P A  1
n

i
i 1

TEOREMA 2
Se  é o evento impossível, então P     0 .
Obs. A recíproca não é verdadeira, pois o facto de P  A  0 , não implica que A seja impossível.

TEOREMA 3

Teorema do evento complementar

Para todo o evento A   :
P  A  P  A   1  P  A   1  P  A  .

TEOREMA 4

Teorema da soma
Sejam A   e B   . Então P  A  B   P  A  P  B   P  A  B 
Se A  B   então P  A  B   0 porque P     0 , e neste caso é valido o axioma 2.

13
CÁLCULO DE PROBABILIDADES EM ESPAÇOS AMOSTRAIS FINITOS → EVENTOS EQUIPROVÁVEIS.

Consideremos o espaço amostral  = e1 , e2 , e3 ,   , en  associado a um experimento aleatorio.

Chamemos :

P  ei   Pi , i  1,2,..., n.
Igualdade 1
 
n n

Temos : P  ei   Pi  1
i 1 i 1

DEFINIÇÃO: Os eventos ei , i=1, 2, …, n são equiprováveis quando,

P  e1   P  e2   ...  P  en   P , Isto é quando todos têm a mesma probabilidade de ocorrer.

 P  n * P  1 P  n
n
1
A igualdade1 fica:
i 1

Logo, se os “n” pontos amostrais (eventos) são equiprováveis, a probabilidade de cada um dos
1
pontos amostrais é .
n

 CALCULO DA PROBABILIDADE DE UM EVENTO A   , supondo que A tenha K pontos amostrais:

A  e1 , e2 , e3 ,   , ek ; 1  k  n

 P e    P  k * P  k * n .
k k
1
P  A  i
i 1 i 1

k
P  A  ; Sendo:
n

K= nº de elementos de A;

n = nº de elementos do  ;

14
PROBABILIDADE CONDICIONAL

Na resolução de problemas práticos encontram-se com frequência situações nas quais se pretende
conhecer a probabilidade de ocorrência de um evento A quando se admite que ocorreu (ou
ocorrerá) um outro acontecimento B.

A partir do momento em se conhece a probabilidade de o acontecimento B (do espaço amostral)

ocorrer, é possível calcular a probabilidade de qualquer outro acontecimento A se realizar
condicionado pelo acontecimento B.

Sejam A   e B  
Por definição: A probabilidade condicional (ou probabilidade condicionada) de A dado que B
ocorre, (A/B) é dada por:

P  A  B
P  A / B  , Se P  B   0
P  B

Isto é, a probabilidade de um evento A, condicionado pela ocorrência de um outro evento B, é

igual ao quociente entre a probabilidade de ambos se realizarem ( A  B) e a probabilidade do
evento dado.

Também se pode calcular:

P  A  B
P  B / A  , Se P  A  0 .
P  A

TEOREMA DO PRODUTO OU PROBABILIDADE DA INTERSECÇÃO DE ACONTECIMENTOS.

De acordo com a definição de probabilidade condicional resulta que:

P  A  B  P  A / B * P  B ou P  A  B   P  B / A * P  A

Ou seja a partir da definição de probabilidade condicional, poderemos enunciar o teorema do

produto:

“A probabilidade de ocorrência simultânea de dois eventos A e B, do mesmo espaço amostral, é

igual ao produto da probabilidade de um deles pela probabilidade condicional do outro dado o
primeiro”.

15
EVENTOS INDEPENDENTES

Relacionado com o conceito de probabilidade condicional;

Assim, para dois eventos A e B, de probabilidade não nula, suceder que a ocorrência ou não de
algum deles não afecta a probabilidade de ocorrer o outro, isto é, se:

P  A / B   P  A ou se P  B / A  P  B 

Então A e B consideram-se eventos independentes.

Estas relações derivam da definição formal de eventos independentes:

Dois eventos A e B dizem-se independentes se e só se a seguinte condição for verificada:

P  A  B   P  A * P  B 

Isto é se a probabilidade da sua intersecção for igual ao produto das probabilidades de cada um
deles.

Generalizando o conceito de eventos independentes:

A1 , A2 ,..., An Dizem-se independentes, se se verificarem simultaneamente as seguintes condições:

P  Ai  Aj   P  Ai  * P  Aj   i, j  1,2,... n, com i  j
P  Ai  Aj  Ak   P  Ai  * P  Aj  * P  Ak 
 i, j , k  1,2,..., n, com i  j , i  k , j  k
...
 
 P A 
n n

P Ai   i
 i 1  i 1

Os eventos A1 , A2 ,..., An dir-se-ão independentes dois a dois se verificarem apenas a primeira

condição. Convém também referir que a ultima condição é necessária mas não suficiente para que
A1 , A2 ,..., An sejam independentes.

OBS. Se A e B são mutuamente exclusivos, então A e B são dependentes, pois se A ocorre, B não
ocorre, isto é, a ocorrência de um evento condiciona a não ocorrência do outro.

16
TEOREMA DA PROBABILIDADE TOTAL E FORMULA DE BAYES

O conceito de probabilidade condicional revela-se muito importante e de larga utilização quando

se conhecem as probabilidades condicionais nas quais os eventos (acontecimentos) condicionantes
definem ou formam uma partição em  .

Definiu-se que os eventos A1 , A2 ,..., An formam uma partição do  , quando se verificarem

simultaneamente as seguintes condições:

i) A união de todos os eventos é o próprio espaço de resultados

n
A  .
i 1 i

ii) Os eventos são mutuamente exclusivos, dois a dois:

Ai  Aj   i  j, i, j  1,2,..., n.

iii) Todos os eventos têm probabilidade não nula

P  Ai   0 i  1,2,..., n

Com base nesse conceito de partição do espaço amostral, define-se:

TEOREMA DA PROBABILIDADE TOTAL

Se os eventos A1 , A2 ,..., An definem uma partição sobre  então para qualquer evento B definido
em  tem-se que:

 P  B / A   P  A   P  B / A   P  A   P  B / A   P  A   ...  P  B / A   P  A .
n

P B  i i 1 1 2 2 n n
i 1

Demonstração:

B  B
B  B  ( A1  A2  ...  An )

 
n
B  B  A
i 1 i

n
B
i 1
( B  Ai )

17
Dado que os eventos Ai são mutuamente exclusivos, então os eventos ( B  Ai ) , i = 1,2, …, n, também
o são logo: Axioma III da probabilidade

 P( B  A )
n

P( B)  P  
n
( B  A )
 i 1 i
 i
i 1

 P( A )  P( B / A )
n

 i i
i 1 Teorema do produto

DIAGRAMATICAMENTE: n=5
P (B) vem igual a soma das probabilidades dos
acontecimentos sombreados no diagrama, isto
e, dos acontecimentos ( Ai  B) , com i =
1,2,3,4,5.

FORMULA DE BAYES

Sejam A1, A2, A3, …, An, eventos mutuamente exclusivos, tais que A1  A2  A3  ...  An  .

Sejam P  Ai  as probabilidades conhecidas dos vários eventos e B um evento qualquer de  , tal

conhecemos todas as probabilidades condicionais P  B / Ai  .

Então para cada i, teremos:

P  Ai  * P  B / Ai 
P  Ai / B   , i  1, 2,..., n.
P  A1  * P  B / A1   P  A2  * P  B / A2   ...  P  An  * P  B / An 

Demonstração:

P  Ai  B  P  Ai  * P  B / Ai 
P  Ai / B    ;
P  B
P A * PB / A 
n

i i
i 1

Por definição do teorema do produto (no numerador) e pelo teorema da probabilidade total (no
denominador).

18
Exemplo: Suponhamos a seguinte configuração:

U1 U2 U3
PRETAS 3 4 2
BRANCAS 1 3 3
VERMELHAS 5 2 3

Escolheu-se uma urna ao acaso e dela extraiu-se uma bola ao acaso, verificando-se que a bola é
branca. Qual é a probabilidade da bola ter vindo da urna 2? E da urna 3?

19
DISTRIBUIÇÕES TEÓRICAS DE PROBABILIDADES DE VARIÁVEIS ALEATÓRIAS DISCRETAS.

Neste capítulo iremos estudar os modelos de distribuições discretas de probabilidade que mais
frequentemente aparecem nas aplicações estatísticas e de maior importância na teoria da
probabilidade:

 Distribuição Uniforme

 Distribuição de “Bernoulli”

 Distribuição Hipergeométrica

 Distribuição Binomial

 Distribuição de Poisson

DISTRIBUIÇÃO UNIFORME

Essa distribuição assume que os valores que uma variável aleatória discreta pode assumir, ocorrem
com igual probabilidade.

Vejamos um exemplo:

Considere o experimento que consiste no lançamento de um dado.

Seja a V.A. X: número inscrito na face voltada para cima.
A V.A. X tem distribuição uniforme pois,

1 
 P / X  1, 2, 3, 4, 5, 6.
P X  x    6 

0 P / Outros valores.  

Ou seja X pode assumir os valores inteiros 1, 2, 3, 4, 5, 6 com igual probabilidade.

Diz-se que a variável aleatória discreta X tem distribuição uniforme se a sua função de
probabilidade for dada por:

1 
 P / X  1, 2, 3, ......, n
P X  x    n 

0 P / Outros valores.  

A V.A. X assume um conjunto finito de valores, estando associado à cada um, uma probabilidade
1
constante K  .
n
O parâmetro caracterizador desta distribuição é “n”, um valor inteiro positivo qualquer e que, em
geral, corresponde ao valor mais elevado assumido pela variável X.

Se X é uma V.A. discreta com distribuição uniforme tem-se que:

n 1 n2 1
EX    x  ; Var  X    2 x  .
2 12
20
DISTRIBUIÇÃO DE “BERNOULLI”

Suponhamos a realização de um experimento aleatório E, e consideremos uma única tentativa

desse experimento, cujo resultado pode ser um sucesso (se acontecer o evento que nos interessa)
ou um fracasso (o evento não se realiza).

Esse experimento é chamado de tentativa de Bernoulli em homenagem à James Bernoulli que foi a
primeira pessoa a estudar essas provas no fim do séc. 17.

Seja X: n° de sucessos em uma única tentativa do experimento.

X assume o valor “0” que corresponde ao fracasso, com probabilidade “q” ou o valor “1” que
corresponde ao sucesso, com probabilidade “p”. Sendo que p+q = 1.

 X  0 Fracasso
X  1 com P X  0  q e P X  1  p .
 2
X  1 Sucesso 
DEFINIÇÃO

Nessas condições dizemos que a V.A. X tem distribuição de Bernoulli, e sua função de
probabilidade é dada por:

D P X  x   p x q1 x

MÉDIA E VARIÂNCIA

Calcularemos a média e a variância da variavel co distribuição de Bernoulli.

X P(X) XP(X) X2P(X)

O q 0 0
1 P P p
1 E(X) = P E(X2) = P

E X   p
Var  X   p  p 2  p1  p   p * q .

E  X   p
Logo: 
Var  X   pq

RESUMO:

X tem distribuição de Bernoulii

0  q
X   p X  x   p x * q1 x E  X   p e Var  X   pq
1  p

21
DISTRIBUIÇÃO BINOMIAL

Este modelo fundamenta-se nas seguintes hipóteses:

 N tentativas (provas) independentes de um mesmo experimento aleatório são

realizadas.

 Cada tentativa admite apenas dois resultados: fracasso com probabilidade q e sucesso
com probabilidade p, sendo que p+q = 1.

 As probabilidades de sucesso e de fracasso permanecem constantes de tentativa para

tentativa. Ou seja o processo é estacionário.

Seja X: número de sucessos em n tentativas.

Logo, X pode tomar os valores 0, 1, 2, ….., n.

Fazendo sucesso corresponder à “1” e fracasso à “0” → ou seja provas de Bernoulli, tem-se:

 Para X = 0, uma sequência de n zeros: 0*0*0*0*…..0.

Logo:

P(X = 0) = q*q*q*q*…..q = qn

 Para x = 1, uma sequência do tipo: 1000…..0; 0100…0; 00001….0; Serão n

sequências cada uma com um único sucesso e n  1 fracassos:

P X  1  n * p * q n1

 Para X = k, tem-se k sucessos e (n-k) fracassos, correspondendo às sequências com k

algarismos “1” e (n-k) “zeros”. Cada sequência terá probabilidade p k * q nk , e como
há C k sequências distintas, tem-se:
n

n
p  X  k      p k  q n k
k 
n
Que é a expressão geral da distribuição binomial. O nome bonomial é porque   * p k * q n  k nada
k 
mais é que o termo de grau k em p no desenvolvimento do binômio de newton q  p  .
n

Então:

A variável X tem distribuiçõ binomial, com parâmetros n e p, e indicaremos pela notação:

X : Bn, p  ;

n
A sua função de probabilidade é dada por: p X  k     * p k * q n k
k 
22
OBS.
Para determinar a probabilidade de se obter um dado número de sucessos, na distribuição
binomial, três valores são necessários:

 O n°de sucessos X

 O n°de tentativas ou observações (n)

 A probabilidade de sucesso em cada tentativa (p).

MÉDIA E VARIÂNCIA

E  X   np

Var  X   npq .

DISTRIBUIÇÃO HIPERGEOMÉTRICA

Utilizada quando a amostragem se faz sem reposição de cada elemento de uma população finita.
Nesse caso não se pode aplicar o processo de bernuolli, uma vez que existe uma mudança
sistemática na probabilidade de sucesso, a medida que os elementos são retirados da população
(redução do espaço amostral), ao contrário do que acontece na distribuição binomial em que o
processo é estacionario.

O modelo fundamenta-se nas seguintes hipóteses:

 Considera uma população com N elementos.

 r desses N elementos têm uma determinada característica (atributo); A

retirada de um desses elementos corresponde ao “sucesso”.

 Retiramos dessa população, sem reposição, uma amostra de tamanho n.

Seja X: número de sucessos na amostra(saída do elemento com a característica);

Qual a probabilidade de obtermos k sucessos?  P X  k  .

Sendo k o n° dado de “sucessos”, N o n° total de elementos da população, r o n° total de sucessos

na população e n o n° de elementos na amostra, a fórmula para se determinar as probabilidades
hipergeométricas é:

r   N  r
  *  
 k   n  k 
P X  k   0k n e k r.
N
 
n 

A variável assim defenida tem distribuição hipergeométrica;

Simbolicamente: X : H N , n, p  .
Observem que:

23
 N
 Podemos tirar   amostras diferentes sem reposição.
n 
r 
 Os sucessos na amostra podem ocorrer de   maneiras diferentes e os fracassos de
k 
N  r
  modos.
 n  k 

MÉDIA E VARIÂNCIA
E  X   np e Var  X   np1  p 
N  n 
N  1
r
onde p
N

RESUMO:

X: tem distribuição hipergeométrica  (retiradas sem reposição)

r   N  r
  *  
 k   n  k 
P X  k   0k n e k r
N
 
n 

E  X   np e Var  X   np1  p 
N  n 
N  1
r
onde p
N

EXEMPLO:

Suponha que de um lote de 20 peças das quais duas são defeituosas, se extrai uma amostra de 5
peças sem reposição.
Qual a probabilidade de, nas 5 peças extraidas, nenhuma ser defeituosa?

Se se defenir a variavel aleatoria X: n° de peças defeituosas extraidas sem reposição duma amostra
de 5 peças, a probabilidade pretendida será dada por:

 2  18 
   
P X  0       0,5526 .
0 5
 20 
 
5 

 20 
O denominador   , corresponde ao n° de casos possiveis, isto é, ao n° de maneiras diferentes de
5 
extrair 5 peças de um total de 20 peças que constituem o lote.

24
  2
O termo   corresponde ao n° de maneiras diferentes de seleccionar “0” peças defeituosas num
0
18 
total de duas defeituosas e o termo   ao n° de maneiras diferentes de seleccionar 5 peças não
5 
defeituosas de um total de 18 peças também não defeituosas.

Pela regra da multiplicação, o n° de casos favoráveis será:

 2  18 
    , que corresponde ao n° de maneiras diferentes de seleccionar 5 peças não defeituosas de
0 5 
um lote de 20 das quais 2 são defeituosas e 18 o não são.

DISTRIBUIÇÃO DE POISSON

A distribuição de poisson pode ser usada para determinar a pobabilidade de um dado número de
sucessos quando os eventos ocorrem em um intervalo. Esse processo chamado de processo de
poisson é similar ao processo da binomial, excepto que os eventos ocorrem em um intervalo, ao
invés de ocorrerem em tentativas ou observações fixadas. Tal como na binomial, o processo é
estacionário.

HIPÓTESES DO MODELO

 Probabilidade de ocorrência de sucessos em um determinado intervalo;

 Supõe-se que os eventos são independentes e o processo é estacionario;

 A probabilidade da ocorrência de um sucesso no intervalo é proporcional ao

intervalo;

 A probabilidade de mais de um sucesso nesse intervalo é bastante pequena com

relação à probabilidade de um sucesso;

Seja X: O n° de sucessos no intervalo, então:

   * k
P X  k   .
k!

Somente um único valor é nesessário para determinar a probabilidade de um dado n° de sucessos

em um processo de poisson: o número medio de sucessos para a específica dimensão de tempo ou
espaço de interesse. Este número médio é geralmente representado por  (letra grega “lambda”)
ou por  .

O “  ” é a constante 2,7183 (n° de Neppar).

25
APLICAÇÃO

A distribuição de poisson é muito usada na distribuição do n° de:

 Telefonemas que chegam por hora à uma central telefónica;

 Carros que passam por um cruzamento por minuto, durante uma certa hora do dia;

 Defeitos por unidade por peça fabricada;

 Mortes por ataque de coração por ano numa cidade;

 Erros tipograficos por pagina, em um material impresso;

MÉDIA E VARIÂNCIA

E X    .

Var  X    .

26
 PROPRIEDADES DA VARIANCIA
1. A variancia de uma constante é zero.
Var (k )  0 ; k: Constante.

2. Multiplicando-se uma variavel aleatoria por uma constante, sua variancia fica multiplicada
pelo quadrado da constante.
Var (kx)  k 2 *Var ( x) .

3. A variancia da soma ou diferença de duas variaveis aleatorias é:

Var ( x  y)  Var ( x)  Var ( y)  2 Cov ( x , y).

DEFINICÃO: COVARIANCIA ENTRE X e Y.

Cov ( x , y)  E x  E( x)* y  E( y)  Ex * y   Ex  * E y  .

 A covariancia mede o grau de dependencia entre as duas variaveis X e Y.
 Se X e Y são independentes, então: Var ( x  y)  Var ( x)  Var ( y).
 Se X e Y são independentes, então Cov  X , Y   0 .

OBS. A reciproca não é verdadeira.

4. Somando-se ou subtraindo-se uma constante à uma variavel aleatoria, sua variancia não se
altera.
Var ( x  k )  Var ( x)  Var (k )  Var ( x), pois Var (k )  0.

27