Introdução à Probabilidade

Introdução:
Ao invés de utilizar afirmações como “É possível que chova amanhã” , ou “Não há chance do
Atlético ser campeão do Brasileirão”, é conveniente dispormos de uma medida que exprima
essa incerteza em termos de uma escala numérica que varie do impossível ao certo. Esta
medida é a probabilidade.

Objetivo:
Quantificar a incerteza presente em determinada situação, ora usando um número, ora usando
uma função matemática.

Conceitos básicos:
a) Experimento: É qualquer processo que permite ao pesquisador fazer observações
a.1) Experimento determinístico: É aquele que quando realizado sob determinadas
condições é possível prever o resultado particular que irá ocorrer.
Ex.: Água aquecida a 1000 c, sob pressão normal, entra em ebulição.
a.2) Experimento aleatório (não determinístico): É aquele que quando realizado sob
condições idênticas, não é possível prever, a priori, o resultado particular que irá ocorrer e
sim, o conjunto dos possíveis resultados. Ou seja, é um processo de coleta de dados
relativos a um fenômeno que acusa variabilidade em seus resultados, em que seus
possíveis resultados são conhecidos, mas não se pode saber a priori qual deles ocorrerá.
Vamos denotá-lo por ε.
Exemplos feitos em sala.
b) Espaço amostral: Conjunto de todos os resultados possíveis de um experimento aleatório.
Vamos denotá-lo por Ω.
Exemplos feitos em sala
c) Evento: Subconjunto do espaço amostral.
São representados por letras maiúsculas e seus elementos por letras minúsculas
Exemplos feitos em sala
Tipos de eventos:
• Evento simples: contém apenas um elemento de Ω.
• Evento certo ou certeza: contém todos os elementos de Ω. Se o evento A = Ω  A
é um evento certo.
• Evento impossível: não contém elementos. É igual ao conjunto vazio.
• Evento união (A U B): o evento “A união B” é formado pelos elementos que estão em A
ou em B ou em ambos ( ocorrência de A, ou de B, ou de ambos). Representa a
ocorrência de pelo menos um dos eventos.
• Evento intersecção (A ∩ B): o evento “A intersecção B” é formado pelos elementos que
pertencem ao evento A e B simultaneamente (ocorrência simultânea de A e B).
• Evento complementar: Complementar de A = negação de A, contém todos os
elementos do espaço amostral que não pertencem ao evento A. É denotado por A
ou AC
• Eventos mutuamente excludente (disjuntos ou excludentes): quando não existir
intersecção entre eles. A e B são disjuntos → (A∩B) = .

Exemplos:
1) Feito em sala
1
 2) Suponha que o espaço amostral seja formado pelos inteiros positivos de 1 a 10. Sejam os
eventos:
A = {2, 3, 4}, B = {3, 4, 5} e C = {5, 6, 7}.

A  B =  = evento simples, A  B =  A  C =   o evento A
intersecção C é um evento impossível. A e C são eventos disjuntos.

A  B  C  = 
Algumas propriedades dos eventos:
a) A  B   A  B
b) A  B   A  B

c) A A

d) 

e) 
Diagrama de Venn

Definição clássica: Seja A um evento qualquer do espaço amostral. Se os eventos simples são
equiprováveis, isto é, eles têm a mesma chance de ocorrer, podemos calcular a probabilidade
de A como:

número de resultados favoráveis à ocorrência do evento A n( A)

P( A)  
número de resultados possíveis do experiment o n ( )

2
Exemplos:
1) Seja o experimento aleatório “ jogar um dado e observar a face de cima”.
 = {1, 2, 3, 4, 5, 6}. Seja o evento A : “ocorrer número par”, A = {2, 4, 6}
n() = 6 e n(A) = 3. Se o dado for honesto, todas as seis faces têm a mesma probabilidade de
saírem para cima. Assim, a probabilidade do evento A é dada por P(A)= n(A) / n() = 3/6=0,5.

2) Feito em sala

Porém, na maioria das situações práticas, os eventos simples do espaço não são equiprováveis e
não podemos calcular probabilidades usando a definição clássica. Neste caso vamos calcular
probabilidades como a freqüência relativa de um evento.

Definição frequentista: Proporção de vezes que um evento ocorre em uma série suficientemente
grande de realizações de um experimento, em condições idênticas.
Se A é o evento de interesse, a probabilidade de A é dada por:

número de vezes que A n( A)

P( A)  
número total de repetições do experiment o n

onde o número de repetições deve ser grande.

Exemplo 1: Uma amostra de 6800 pessoas de uma determinada população foi classificada
quanto à cor dos olhos e à cor dos cabelos. Os resultados foram:

Tabela 1: Classificação de uma amostra de 6800 pessoas quanto à cor dos olhos e dos cabelos
Cor dos cabelos

Cor dos olhos Loiro Castanho Preto Ruivo Total

Azul 1768 807 189 47 2811

Verde 946 1387 746 53 3132

Castanho 115 438 288 16 857

Total 2829 2632 1223 116 6800

Considere o experimento aleatório que consiste em classificar um indivíduo quanto à cor dos
olhos.
Ω = {A, V, C}, onde: A = {a pessoa tem olhos azuis}, V = {a pessoa tem olhos verdes} e C = {a
pessoa tem olhos castanhos}.
Os eventos não são equiprováveis:
P(A) = nº de pessoas de olhos azuis / nº de pessoas na amostra = 2811/6800 = 0,4134

Axiomas de probabilidade:

Ax.1) A probabilidade de ocorrência de um evento qualquer A satisfaz a seguinte relação:

0 ≤ P(A) ≤ 1
3
Ax. 2) P(Ω) = 1
Ax. 3) Se A e B são disjuntos, então: P(A U B) = P(A) + P(B)
k
Se A1, A2, ..., Ak são eventos disjuntos, então: P( A1  A2    Ak )   P( Ai )
i 1

Consequências dos axiomas: (demonstrações feitas em sala)

C1) Se  é um evento impossível, então: P() = 0 .

C2) Se A é um evento de  , a P( A)  1  P ( A) .
C3) Se A e B são dois eventos quaisquer de  , então: P  A  B   P ( A)  P ( B )  P ( A  B ) .
C4) Se A, B e C são eventos quaisquer de  , então:
P  A  B  C   P ( A)  P ( B )  P (C )  P ( A  B )  P ( A  C )  P ( B  C )  P ( A  B  C ).

Exemplos:
1) Feito em sala
2) Considerando os dados da Tabela 1, qual a probabilidade de um indivíduo ter olhos azuis ou
cabelos loiros?
P(A U L) = P(A) + P(L) – P(A ∩ B) = 2811/6800 + 2829/6800 – 1768/6800 = 3872/6800 = 0,5694

Probabilidade condicional:
Ex.: No lançamento de dois dados não viciados, qual é a probabilidade da soma dos números
que ocorreram ser 8, se sabemos que o resultado do primeiro dado é 3?
Sol.: Sejam os eventos: A = ocorrer soma igual a 8  A = {(2,6), (3,5), (4,4), (6,2), (3,3)}; B = ocorrer
número 3 no primeiro dado  B = {(3,1), (3,2), (3,3), (3,4), (3,5), (3,6)}.
Das 6 possibilidades de ocorrência de 3 no primeiro dado, em apenas uma a soma é igual a 8,
portanto a probabilidade da soma dos números que ocorreram ser 8, se sabemos que o
resultado do primeiro dado é 3 será igual a 1/6.

4
Vimos neste exemplo que a probabilidade de um evento A se modifica quando dispomos da
informação sobre a ocorrência de um outro evento.

Muitas vezes, o objetivo é calcular a probabilidade de um evento restrito a determinada

condição, ou seja, a probabilidade de um evento condicionada à ocorrência de outro.
A probabilidade de um evento A ocorrer dado que se sabe que um evento B ocorreu, é
chamada probabilidade condicional do evento A dado B.
Ela é denotada por P(A|B) e calculada por:
P( A  B )
P( A | B )  , se P( B )  0
P( B)

Esta expressão pode ser reescrita como: P( A  B )  P( A | B) P( B), chamada de regra do

produto e é muito usada no cálculo de probabilidades.

A probabilidade de A ocorrer dado que o evento B ocorreu será:

P( A | B )  1  P( A | B)

Exemplo: Um grupo de pessoas foi classificado quanto a peso e pressão arterial de acordo com
a Tabela 2 abaixo:

Tabela 2: Distribuição de um conjunto de pacientes segundo peso e pressão arterial

Peso
Pressão Excesso Normal Deficiente Total
arterial
Elevada 100 80 20 200
Normal 150 450 200 800
Total 250 530 220 1000

a) Qual a probabilidade de uma pessoa escolhida ao acaso naquele grupo ter pressão
elevada?
b) Considerando que a pessoa escolhida tem excesso de peso, qual a probabilidade dela ter
pressão elevada?
c) Considerando que a pessoa escolhida tem excesso de peso, qual a probabilidade dela não
ter pressão elevada?
5
Solução: Eventos: A = pressão elevada, B = pressão normal, C = excesso de peso, D = peso
normal e E = peso deficiente
100
a) P(A) = 200/1000 = 0,20, b) P(A|C) = 1000  100  0,40
250 250
1000

C) P( A | C )  1  P( A | C )  1  0,40  0,60

Partição do espaço amostral:

Considere o espaço amostral particionado em i partes.
Os eventos C1, C2, ..., Cn formam a partição do espaço amostral quando:

a) Os eventos são disjuntos  Ci  C j   i, j i j

n

b) A união deles forma o espaço amostral  C  

i 1
i

Como exemplo, considere uma partição com 6 eventos como mostrado na Figura 01 a seguir.

Probabilidade total: Seja um evento A qualquer contido em um espaço amostral particionado

por Ci eventos.

6
Por exemplo: Seja um evento A qualquer contido em um espaço amostral particionado por i, i =
1, 2, ..., 6, então,

Exemplo: Feito em sala

Teorema de Bayes:
Suponha que os eventos C1, C2, ..., Cn, formam uma partição do espaço amostral e que suas
probabilidades sejam conhecidas. Suponha ainda que para um evento A, se conheçam as
probabilidades P(A | Ci) para todo i=1, 2, .., n. Então, para qualquer w,

P(Cw ) P ( A | C w )
P(C w | A)  n
w  1,2,..., n
 P(Ci ) P( A | Ci )
i 1

P(C w ) P( A | C w )
Pois, P( A  Cw )  P(C w ) P( A | C w )  P( A) P(C w | A)  P(C w | A) 
P( A)
n
P (C w ) P ( A | C w )
mas: P( A)   P(Ci ) P ( A | Ci ) , logo: P (C w | A)  n
i 1
 P(C ) P( A | C )
i 1
i i

7
Exemplo: Feito em sala

Eventos independentes: Dois eventos A e B são independentes se o fato de um deles ter ocorrido
não altera a probabilidade de ocorrência do outro, isto é,

P( A | B )  P( A) ou P( B | A)  P( B )
Da regra do produto temos:

P( A  B )  P( A | B) P( B)  P( A) P( B)
ou ainda P( A  B )  P( B | A) P( A)  P( B) P( A)

Exemplos:
1) Feito em sala
2) A probabilidade de que um homem esteja vivo daqui a 30 anos é 2/5; a probabilidade de
que a mulher esteja viva daqui a 30 anos é 2/3. Determinar a probabilidade de que daqui
a 30 anos,
a) ambos estejam vivos;
b) somente o homem esteja vivo;
c) somente a mulher esteja viva;
d) nenhum esteja vivo; e
e) pelo menos um esteja vivo.

Solução: Sejam os eventos

a) ambos estejam vivos;

22 4
P ( H  M )  P ( H ).P( M )  
5 3 15
b) somente o homem esteja vivo;
21 2
P ( H  M )  P ( H ).P ( M )  
5 3 15

c) somente a mulher esteja viva;

32 6
P ( H  M )  P ( H ).P ( M )  
5 3 15
d) nenhum esteja vivo;
31 3
P ( H  M )  P ( H ).P ( M )  
5 3 15
e) pelo menos um esteja vivo;
2 2 4 6  10  4 12
P ( H  M )  P ( H )  P( M )  P( H  M )     
5 3 15 15 15
3 12
 1  P( H  M )  1  
15 15
Obs:
4 2 6 3
P( H  M )  P ( H  M )  P( H  M )  P( H  M )     1
15 15 15 15

8
2) Sejam A e B eventos tais que P(A) = 0,2; P(B) = p; e P(A  B) = 0,6. Calcular p considerando
A e B:
a) mutuamente exclusivos;
b) independentes.

Solução:
a) mutuamente exclusivos

P ( A  B)  0
P ( A  B)  P( A)  P( B )  P( B )  P ( A  B )  P( A)
P ( B)  0,6  0,2  0, 4
b) independentes
P ( A  B )  P ( A). P ( B )
P ( A  B )  P( A)  P( B)  P( A  B )
 P( A)  P( B)  P( A).P( B )
 P( B ). 1  P( A)   P( A)
0,6  p 1  0,2   0,2
0,6  p.0,8  0,2
0,4
p  0,5
0,8