Escolar Documentos
Profissional Documentos
Cultura Documentos
www.unimetroangola.com
---------------------------------
Probabilidade e Estatística
Manual de apoio
1
Observação:
Este manual serve de apoio às aulas de Probabilidades e Estatística. Para uma melhor
compreensão dos assuntos abordados, aconselha-se a leitura de alguns dos livros
indicados nas referências bibliográficas e disponibilizados pelo professor.
2
Conteúdo Programático
3
Capítulo I. Introdução à Teoria Geral de Probabilidade
1. Experiência aleatória
• Ex2 : S = {1,2,3,4,5,6};
• Ex3 : S = R+.
4
3. Eventos (Acontecimento)
1. Evento Certo
2. Evento Impossível
3. Sub-acontecimento
5
4. Algumas propriedades importantes
1. Distributiva: A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C) e A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C);
2. Leis de De Morgan: 𝐴 ∩ B = A ∪ 𝐵 e A ∪ B = A ∩ B.
6. Eventos opostos
São dois eventos mutuamente exclusivos que com certeza um deles ocorre.
7. Eventos equiprováveis
8. Eventos incompatíveis
6
1.2. Definição de Probabilidade
ℎ
𝑃(𝐴) =
𝑛
ℎ
𝑃(𝐴) ≈
𝑛
Exemplo 9. Se lançarmos uma moeda 1000 vezes ao ar, aparece “cara” 532 vezes,
estimamos a probabilidade de “cara” em:
' )#&
𝑃(𝐴) ≈ ( ℎ = 532, 𝑛 = 1000 ⟹ 𝑃(𝐴) ≈ %*** ⟹ 𝑃(𝐴) ≈ 0,532
7
3. Definição Axiomática de Probabilidade
A Probabilidade é uma função, que a cada evento A faz corresponder um valor real,
P(A), e que verifica as seguintes condições ou axiomas:
2. P(S)=1;
1. P (∅) =0;
3. P>A? = 1 − P(A)
4. 0 ≤ 𝑃(𝐴) ≤ 1
8
1.3 Probabilidade Condicional e Independência
1. Probabilidade Condicional
As probabilidades atribuídas a diversos eventos dependem do que seja conhecido sobre a
situação experimental quando a atribuição é feita. Depois da atribuição inicial,
informações parciais sobre ou relevantes para o resultado do experimento podem estar
disponíveis. Essas informações podem fazer com que revisemos algumas atribuições de
probabilidade. Para um determinado evento A, usamos P(A) para representar a
probabilidade atribuída a A. Agora interpretamos P(A) como a probabilidade original ou
incondicional do evento A. Nesta secção, examinamos como a informação "ocorreu um
evento B" afeta a probabilidade atribuída a A. Por exemplo: A pode se referir a um
indivíduo que tenha determinada doença pela presença de alguns sintomas. Se for feito
um exame de sangue no indivíduo e o resultado for negativo (B = exame de sangue
negativo), então a probabilidade de ter a doença será alterada (ela deve diminuir, mas
normalmente não para zero, já que os exames de sangue não são infalíveis). Usaremos a
notação P(B|A) para representar a probabilidade condicional de B dado que ocorreu o
evento A.
Dado que A ocorreu, o espaço amostral relevante não é mais S, mas consiste em
resultados contidos em A; B ocorreu se, e somente se, um dos resultados da interseção
tiver ocorrido, de forma que a probabilidade condicional de B dado A é proporcional a
P (A ∩ B). A proporção constante 1/P(B) é utilizada para assegurar que a probabilidade
P(B∩B) do novo espaço amostral de B seja igual a 1.
Sejam A e B dois eventos, com P(A) > 0. Denotamos por P(B|A) ou P(B) a
probabilidade de ocorrência de B na hipótese de A ter ocorrido.
Como A ocorreu, A passa a ser o novo espaço amostral que vem substituir o espaço
original S.
𝑃(𝐴 ∩ 𝐵)
P(B|A) =
𝑃(𝐴)
9
Resolução:
a) Seja A: Evento de saída de número menor que 4, 𝐴 = {1,2,3} ⇒ ℎ = 3
ℎ 3 1
𝑃(𝐴) = , 𝑛 = 6 𝑒 ℎ = 3 ⟹ 𝑃(𝐴) = ⟹ 𝑃(𝐴) =
𝑛 6 2
b) Seja B: Evento de saída de número ímpar, 𝐵 = {1,3,5} ⇒ ℎ = 3
&
Seja 𝐴⋂𝐵 = {𝑠𝑎í𝑑𝑎 𝑑𝑒 𝑢𝑚 𝑛ú𝑚𝑒𝑟𝑜 𝑚𝑒𝑛𝑜𝑟 𝑞𝑢𝑒 4 𝑒 í𝑚𝑝𝑎𝑟} ℎ = 2 ⟹ 𝑃(𝐴⋂𝐵) = $
2
𝑃(𝐴⋂𝐵) 2 2
𝑃(𝐵|𝐴) = = 6 = ⟹ 𝑃(𝐵|𝐴) =
𝑃(𝐴) 3 3 3
6
! #
𝑃 (𝐵|𝐴) = ⇒ 𝑃(𝐵|𝐴) =
" $
Exemplo 10. Suponha que, de todos os indivíduos que compram uma determinada câmara
digital, 60% incluem um cartão de memória opcional na compra, 40% incluem uma pilha
extra e 30% incluem um cartão e uma pilha. Considere a seleção aleatória de um
comprador e sejam B = {compra de cartão de memória} e A = {compra de pilha }. Dessa
forma, P(B) = 0,60, P(A) = 0,40 e P (compra de ambos) = P(A⋂B) = 0,30. Dado que o
indivíduo selecionado comprou uma pilha extra, a probabilidade de compra de um cartão
opcional é
𝑃(𝐴⋂𝐵) 0,30 3
𝑃(𝐵|𝐴) = = = = 0,75
𝑃(𝐴) 0,40 4
Isto é, de todos os que compraram uma pilha extra, 75% compraram um cartão
de memória extra. De forma análoga,
𝑃(𝐴⋂𝐵) 0,30
𝑃(𝐴/𝐵) = = = 0,50
𝑃(𝐴) 0,60
10
2. Independência e Dependência de Eventos
P (A1 ∩ A2) = P(A1) . P (A2| A1) ou P (A1. A2) = P(A1) . P (A2| A1)
Em geral, se A1, A2, A3 ,..., An são n eventos independentes que têm, respectivamente
as probabilidade: P1, P2, P3 ,..., Pn, então a probabilidade da ocorrência simultânea de
A1, A2, A3 ,..., An é 𝑃% . 𝑃& . 𝑃# … 𝑃( .
11
3. Teorema de Bayes
Considere A1, A2, A3, ..., An eventos mutuamente excludentes
(exclusivos) cuja união representa o espaço amostral S, isto é, um dos
eventos necessariamente deve ocorrer. Observe o diagrama seguinte,
então:
𝑃(𝐴- )𝑃(𝐵|𝐴- )
𝑃(𝐴- 𝐵) = 𝑃(𝐵)𝑃(𝐴- |𝐵) = 𝑃(𝐴- )𝑃(𝐵|𝐴- ) ⟹ 𝑃(𝐴- |𝐵) =
𝑃(𝐵)
𝑃(𝐴- ) 𝑃(𝐵|𝐴- )
𝑃(𝐴- |𝐵) =
𝑃(𝐴% )𝑃(𝐵|𝐴% ) + 𝑃(𝐴& )𝑃(𝐵|𝐴& ) + 𝑃(𝐴# )𝑃(𝐵|𝐴# ) + ⋯ + 𝑃(𝐴( )𝑃(𝐵|𝐴( )
𝑃(𝐵|𝐴- ) ∗ 𝑃(𝐴- )
𝑃(𝐴- |𝐵) = (
∑-.% 𝑃(𝐵|𝐴- ) ∗ 𝑃(𝐴- )
Saiba que o teorema apresentado permite determinar as probabilidades dos vários eventos
A1, A2, A3, ..., An que podem ser a causa da ocorrência do evento B. Devido a isto, o
teorema de Bayes é também conhecido como teorema da probabilidade das causas.
12
1.4 Cálculo Combinatório
O cálculo combinatório é uma ferramenta que nos poderá auxiliar em muitas dessas
situações.
1. Princípio Fundamental
segundo resultado (evento) pode ser obtido de n2 maneiras diferentes, .... (assim
maneiras diferentes.
2. Arranjos
podem constituir com r dos n objectos dados (todos diferentes), diferindo uns dos outros
Sejam dados n objectos distintos queremos dispor r desses objectos em uma fileira. Como
e é determinado por:
𝐴0( = 𝑛 ∗ (𝑛 − 1) ∗ (𝑛 − 3) ∗ … ∗ (𝑛 − 𝑟 + 1)
13
𝑛 ∗ (𝑛 − 1) ∗ (𝑛 − 3) ∗ … ∗ (𝑛 − 𝑟 + 1) ∗ (𝑛 − 𝑟) ∗ (𝑛 − 𝑟 − 1)!
𝐴0( =
(𝑛 − 𝑟) ∗ (𝑛 − 𝑟 − 1)!
𝑛 ∗ (𝑛 − 1) ∗ (𝑛 − 3) ∗ … ∗ (𝑛 − 𝑟 + 1) ∗ (𝑛 − 𝑟)!
𝐴0( =
(𝑛 − 𝑟)!
3. Permutação
n elementos, grupos que diferem uns dos outros pela ordem dos seus elementos
Sejam dados n objectos distintos queremos dispor r desses objectos em uma fileira. Como
O número de permutação de n objectos r a r é representado por 𝑛𝑃𝑛; 𝑃(( ; 𝑃(𝑛, 𝑛); 𝑃(,(
determinado por:
𝑃( = 𝐴(( = 𝑛 ∗ (𝑛 − 1) ∗ (𝑛 − 2) ∗ (𝑛 − 3) ∗ … ∗ {𝑛 − (𝑛 − 1)}
𝑃( = 𝐴(( = 𝑛 ∗ (𝑛 − 1) ∗ (𝑛 − 2) ∗ (𝑛 − 3) ∗ … ∗ (𝑛 − 𝑛 + 1)
𝑃( = 𝐴(( = 𝑛 ∗ (𝑛 − 1) ∗ (𝑛 − 2) ∗ (𝑛 − 3) ∗ … ∗ 1 ⇒ 𝑃( = 𝑛!
14
4. Combinações
sem distinção da ordem em que eles aparecem. Tais escolhas são chamadas
𝑛 ∗ (𝑛 − 1) ∗ (𝑛 − 3) ∗ … ∗ (𝑛 − 𝑟 + 1)
𝐶(0 =
𝑟!
𝑛 ∗ (𝑛 − 1) ∗ (𝑛 − 3) ∗ … ∗ (𝑛 − 𝑟 + 1) ∗ (𝑛 − 𝑟) ∗ (𝑛 − 𝑟 − 1)!
𝐶(0 = ⟹
𝑟! ∗ (𝑛 − 𝑟) ∗ (𝑛 − 𝑟 − 1)!
𝑛 ∗ (𝑛 − 1) ∗ (𝑛 − 3) ∗ … ∗ (𝑛 − 𝑟 + 1) ∗ (𝑛 − 𝑟)!
𝐶(0 = ⟹
𝑟! ∗ (𝑛 − 𝑟)!
𝑛!
𝐶(0 =
(𝑛 − 𝑟)! ∗ 𝑟!
(𝑎 + 𝑏)( = 𝐶(* . 𝑎( + 𝐶(% . 𝑎(2% . 𝑏 + 𝐶(& . 𝑎(2& . 𝑏 & + ⋯ + 𝐶((2% . 𝑎% . 𝑏 (2% + 𝐶(( . 𝑏 (
15
1.5 Provas Repetidas
1. Prova de Bernoulli
Em provas de repetições (provas de Bernoulli), a probabilidade do evento A ocorrer r
vezes em n provas é:
P" (n) = C"3 ∗ p3 ∗ q"23 p=1−q
Onde:
C"3 − é combinação de n provas o evento A repetir-se r vezes.
p − é a probabilidade de ocorrência do evento A.
q − é a probabilidade de ocorrência do evento oposto de A.
n − é o número de provas
r − é o número de vezes que o evento A se repeti.
Exemplo: Lança-se uma moeda 100 vezes ao ar, calcule a probabilidade do evento de que
a face “cara” ocorre 35 vezes.
A: Evento de ocorrência da face “cara” no lançamento de uma moeda
1 1
S = {cara, coroa}, n = 2, A = {cara}, h = 1 ⇒ P(A) = =𝑝 ⟹𝑝=
2 2
% % %
𝑃>𝐴? = 𝑞 = 1 − & = & ⟹ 𝑞 = &
#)
1 #) 1 %**2#) #)
1 %**
𝑃%** (35) = 𝐶%** ∗o p ∗o p ⟹ 𝑃%** (35) = 𝐶%** ∗o p = 0,000864
2 2 2
16
Capítulo II. Variável Aleatória e Distribuição de Probabilidades
2.1. Variáveis Aleatórias
1. Definição: Chama-se variável aleatória à variável que em resultado de um experimento
assume um e somente um valor possível anteriormente desconhecido e depende de causas
aleatórias.
Exemplos1: O números de meninas, entre 100 recém-nascidos é uma variável aleatória
que tem os seguintes valores:
𝑋 = 0, 1, 2, 3, … , 100
Exemplo2: Distância entre a mira e o projéctil ao disparar-se um canhão, é uma variável
aleatória que tem os valores possíveis pertencentes [𝑎, 𝑏].
disparo
a b
17
𝑃 (𝑋 = 𝑥& ) = 𝑃& = 𝑓 (𝑥& ) 𝑜𝑛𝑑𝑒 𝑘 = 1, 2, 3, … , 𝑛
Se Introduzirmos a função de probabilidade da V.A. D. X temos:
𝑝& = 𝑓(𝑥& ) 𝑞𝑢𝑎𝑛𝑑𝑜 𝑥 = 𝑥& 𝑜𝑛𝑑𝑒 𝐾 = 1,2,3, … , 𝑛
𝐹 (𝑥 ) = 8
0 = 𝑓(𝑥) 𝑞𝑢𝑎𝑛𝑑𝑜 𝑥 ≠ 𝑥&
𝑥 𝑥% 𝑥# 𝑥$ … 𝑥"
𝑓(𝑥) 𝑓(𝑥% ) 𝑓(𝑥% ) 𝑓(𝑥% ) … 𝑓(𝑥" )
𝑝 𝑝% 𝑝# 𝑝$ … 𝑝"
% % % &2% %
⟹ P& (1) = C&% ∗ y&z ∗ y&z ⇒ P& (0) = &
% & % * %
⟹ P& (2) = C&& ∗ y&z ∗ y&z ⇒ P& (2) = +
𝑥 0 1 2 ou
18
Nota:
1) 𝑓(𝑥) ≥ 0
2) 𝑓(𝑥% ) + 𝑓(𝑥& ) + 𝑓(𝑥# ) + ⋯ + 𝑓(𝑥( ) = 𝑝% + 𝑝& + 𝑝# + ⋯ + 𝑝( = 1
X é o número de aparecimento de face “cara” ao lançar-se uma moeda 2 vezes.
A: Evento de ocorrência de face “cara” no lançamento de uma moeda.
𝑆 = }𝐴𝐴, 𝐴𝐴, 𝐴𝐴, 𝐴𝐴~ ⟹ 𝑛 = 4 𝑒 (𝑋 = 0) ≡ 𝐴
1 1 1
𝑃(𝑋 = 0) = 𝑃>𝐴 ∗ 𝐴? = 𝑃>𝐴? ∗ 𝑃>𝐴? = ∗ =
2 2 4
1 1 2 1
𝑃(𝑋 = 1) = 𝑃>𝐴𝐴 ∪ 𝐴𝐴? = 𝑃>𝐴𝐴 ∪ 𝐴𝐴? = + = =
4 4 4 2
1 1 1
𝑃(𝑋 = 2) = 𝑃(𝐴 ∗ 𝐴) = 𝑃(𝐴) ∗ 𝑃(𝐴) = ∗ =
2 2 4
𝑥 0 1 2
𝑝& 1 1 1
4 2 4
𝑝&
0,50 ...............................
..........
0 1 2 X
19
2. Função de distribuição da variável aleatória
0 𝑠𝑒 𝑥<0
⎧ 1
⎪ 𝑠𝑒 0≤ 𝑥<1
𝐹(𝑋) = 𝑃(𝑋 ≤ 2) = 4
⎨ 3 𝑠𝑒 1≤ 𝑥<2
⎪ 4
⎩ 1 𝑠𝑒 𝑥≥2
20
2.3. Função de distribuição da variável aleatória contínua (V.A.C.)
𝑥<0 ⟹ 𝑓(𝑥) = 0
𝑃𝑎𝑟𝑎 Ž0 < 𝑥 < 3 ⟹ 𝑓(𝑥) = 𝑐𝑥 &
𝑥>3 ⟹ 𝑓(𝑥 ) = 0
,7 * # ,7 #
&
ˆ 𝑓(𝑥)𝑑𝑥 = ˆ 0. 𝑑𝑥 + ˆ 𝑐𝑥 𝑑𝑥 + ˆ 0. 𝑑𝑥 = ˆ 𝑐𝑥 & 𝑑𝑥 = 1
27 27 * # *
#
𝑐𝑥 3 3 1
• = 1 ⟹ 𝑐(3# − 0# p = 3 ⟹ 27𝑐 = 3 ⟹ 𝑐 = ⟹𝑐=
3 0 27 9
Então a função de densidade é:
𝑥&
𝑓(𝑥) = ‘ 9 𝑠𝑒 0 < 𝑥 < 3
0 𝑠𝑒 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
21
8
a) 𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = (−∞ < 𝑋 ≤ 𝑥) ⟹ 𝐹(𝑥) = ∫27 𝑓(𝑡)𝑑𝑡
Se 𝑥 < 0 ⟹ 𝐹(𝑥) = 0
Se 0 < 𝑥 ≤ 3 ⟹ 𝐹(𝑥) = 𝑃(−∞ < 𝑋 ≤ 𝑥) ⟹
8 * 8 * 8 &
𝑡
𝐹(𝑥) = ˆ 𝑓(𝑡)𝑑𝑡 = ˆ 𝑓(𝑡)𝑑𝑡 + ˆ 𝑓(𝑡)𝑑𝑡 = ˆ 0. 𝑑𝑡 + ˆ 𝑑𝑡 ⟹
27 27 * 27 # 9
8 8
1 1 𝑡# 𝑥 1 # 𝑥#
⟹ 𝐹(𝑥) = ˆ 𝑓(𝑡)𝑑𝑡 = ∗ ˆ 𝑡 & 𝑑𝑡 = ∗ ’ = (𝑥 − 0# ) ⟹ 𝐹(𝑥) =
27 9 * 9 3 0 27 27
Se 𝑥 ≥ 3
8 * # 8
⟹ 𝐹(𝑥) = ˆ 𝑓(𝑡)𝑑𝑡 = ˆ 𝑓(𝑡)𝑑𝑡 + ˆ 𝑓(𝑥)𝑑𝑡 + ˆ 𝑓(𝑡)𝑑𝑡 ⟹
27 27 * *
8 * # & 8
𝑡
⟹ 𝐹(𝑥) = ˆ 𝑓(𝑡)𝑑𝑡 = ˆ 0. 𝑑𝑡 + ˆ 𝑑𝑡 + ˆ 0. 𝑑𝑡 ⟹
27 27 * 9 *
1 # 1 𝑡# 3 1 # 1
⟹ 𝐹(𝑥) = 0 + ˆ 𝑡 & 𝑑𝑡 + 0 = ∗ • = (3 − 0# ) = ∗ 27 = 1
9 * 9 3 0 27 27
Se 𝑥 ≥ 3 ⟹ 𝐹(𝑥) = 1
0 𝑠𝑒 𝑥<0
𝑥#
⟹ 𝐹(𝑥) = “ 𝑠𝑒 0 ≤ 𝑥 < 3
27
1 𝑠𝑒 𝑥≥3
&! %! :2% 9
b) Calcule 𝑃(1 ≤ 𝑋 ≤ 2) = 𝐹(2) − 𝐹(1) = &9 − &9 = &9
= &9
7
⇒ 𝑃(1 ≤ 𝑋 ≤ 2) =
27
22
2.4. Distribuição Conjunta
1. Caso discreto
Suponhamos que X pode tomar qualquer um dos m valores possíveis 𝑥% , 𝑥& , 𝑥# , … , 𝑥;
e Y pode tomar qualquer um dos n valores possíveis 𝑦% , 𝑦& , 𝑦#, … , 𝑦( .
. . . ... . .
. . . ... . .
. . . ... . .
𝑥; 𝑓(𝑥; ; 𝑦% ) 𝑓(𝑥; ; 𝑦& ) ... 𝑓(𝑥; ; 𝑦( ) 𝑓% (𝑥; )
Totais 𝑓& (𝑦% ) 𝑓& (𝑦& ) ... 𝑓& (𝑦( ) 1
2. Caso contínuo
23
Exercícios
1. Determine a função de probabilidade de X “a variável aleatória do número de
meninas em família com 3 filhos”, admitindo iguais as probabilidades de meninas e
meninos.
a) Calcule a função de distribuição.
@
2. Uma variável X tem função de densidade 𝑓(𝑥) = 8 " ,% 𝑐𝑜𝑚 − ∞ < 𝑥 < +∞
24
3. Funções Marginais de Probabilidade e Funções de Distribuição Marginal
A última linha e última coluna da tabela das probabilidades 𝑓(𝑥- , 𝑦- ) os valores 𝑓% (𝑥- )
e 𝑓& >𝑦> ? são chamadas funções marginais de probabilidades de X e Y respectivamente.
Em caso contrário, a partir da fórmula ⨂, tem-se:
8 ,7
𝐹% (𝑥) = 𝑃(𝑋 ≤ 𝑥 ) = ˆ ˆ 𝑓(𝑢, 𝑣)𝑑𝑢𝑑𝑣 (1)
D.27 C.27
,7 A
𝐹& (𝑦) = 𝑃(𝑌 ≤ 𝑦) = ˆ ˆ 𝑓(𝑢, 𝑣)𝑑𝑢𝑑𝑣 (2)
D.27 C.27
25
Capítulo III. Momentos
Seja X uma variável aleatória contínua com função de densidade 𝑓(𝑥% ) define-se a
esperança matemática como:
,7
𝐸(𝑥) = ˆ 𝑥𝑓(𝑥) 𝑒 𝐸(𝑥) = 𝜇
27
26
Propriedades da Esperança Matemática
27