ESTATÍSTICA I

Professora
Kelly Alonso Costa

Probabilidade

Email: kellyalonso@id.uff.br
 Probabilidade
As origens da matemática da probabilidade são
muito antigas, por volta do século XVI. A palavra
probabilidade significa provar ou testar. Informalmente,
provável é uma das muitas expressões utilizadas para
eventos incertos ou conhecidos. No início, a
probabilidade foi muito utilizada em jogos de azar,
porém atualmente faz parte de planejamentos
estratégicos e avaliações em negócios.

Usamos a probabilidade, principalmente, para

estudar a possibilidade de quantificar quão provável é
determinado EVENTO.

2
 Probabilidade
Encontramos na natureza dois tipos de
fenômenos: determinísticos e aleatórios.
Determinísticos: os resultados são sempre os
mesmos, qualquer seja o número de ocorrência dos
mesmos.
Aleatórios: os resultados não são previsíveis, mesmo
que haja um grande número de repetições do mesmo
fenômeno.

A maioria dos fenômenos de que trata a

estatística é de natureza aleatória ou probabilística.

3
 Probabilidade - conceitos
Experimentos ou fenômenos aleatórios são processos
que, mesmo repetidos várias vezes sob condições
semelhantes, apresentam resultados imprevisíveis.
Ao descrever um experimento devemos especificar:
 o procedimento a ser realizado,
 aquilo que estamos interessados em observar.

Ex.1): “É provável que o meu time ganhe a partida de hoje!”

Pode resultar:
a) que, apesar do favoritismo, ele perca;
b) que, como foi dito, ele ganhe;
c) que empate.

Ex.2): Jogar um dado e observar o número mostrado na face superior.

Ponto Amostral uma das possíveis ocorrências ou resultados do

experimento.
 Probabilidade - conceitos

Espaço Amostral (Ω ou S): é o conjunto formado por todos os

pontos amostrais de um experimento.

Ex.: Determine o espaço amostral dos seguintes experimentos:

a) lançamento de uma moeda

b) lançamento de um dado

Os dois experimentos citados têm os

seguintes espaços amostrais:

- lançamento de uma moeda: S = {Ca, Co};

- lançamento de um dado: S = {1,2,3,4,5,6}.

5
 Probabilidade - conceitos

Evento é qualquer subconjunto de espaço amostral S de um

experimento aleatório e é denotado por uma letra
maiúscula (A,B,C...). .

Assim, qualquer que seja E, se E C S (E está contido em S),

então E é um evento de S.

Se E = S, E é chamado evento certo; se E C S e E é um

conjunto unitário, E é chamado evento elementar. Se
E=conjunto vazio, então é chamado evento impossível.

6
 Probabilidade - conceitos

Exemplo:

No lançamento de um dado, onde S = {1,2,3,4,5,6}, temos:

A = {2,4,6} C S; logo, A é um evento de S;

B = {1,2,3,4,5,6} C S; logo, B é um evento certo de S;

C = {4} C S; logo, C é um evento elementar de S;

D =  C S; logo, D é um evento impossível de S.

7
 Exemplos:
Lançar um dado e registrar os resultados:
Espaço amostral:  = 1, 2, 3, 4, 5, 6

1) Evento A: Ocorrência de um número menor que 7 e maior

que zero.
A = 1, 2, 3, 4, 5, 6
Portanto A =  , logo o evento é certo.

2) Evento B: Ocorrência de um número maior que 6.

B=
Não existe número maior que 6 no dado, portanto o evento é
impossível.

8
 Probabilidade - conceitos

Probabilidade de um ponto amostral

É um número entre 0 e 1 que mede a chance do ponto amostral

ocorrer quando o experimento é realizado. Este número pode ser
aproximado pela frequencia relativa com que o ponto amostral é
observado, quando o experimento é repetido um grande número de
vezes.

Regras para probabilidade de pontos amostrais

 A probabilidade de qualquer ponto amostral de um experimento

deve estar entre 0 e 1.

 A soma das probabilidades de todos os pontos amostrais de um

experimento é 1.

9
 Probabilidade
Dado um experimento aleatório, sendo S o seu espaço amostral,
vamos admitir que todos os elementos de S tenham a mesma chance de
acontecer, ou seja, que S é um conjunto equiprovável.
Probabilidade: seja A um evento de um espaço amostral, a
probabilidade do evento A, denotada como P(A) é definida como:
número de resultados do evento A n( A)
P ( A)  
número de resultados do espaço amostral n()
ou
Chamamos de probabilidade de um evento A
(A C S) o número real P(A), tal que:

n A
P  A 
nS 
Onde n(A) é o número de elementos de A;

n(S) é o número de elementos de S.

10
 Probabilidade

Exemplos:

1) Considerando o lançamento de uma moeda e o evento A “obter cara”,

temos:

S = {Ca, Co} n(S)=2

A={Ca} n(A)=1

1
P  A 
2
2) No lançamento de um dado perfeito, qual é a
probabilidade de sair número maior do que 4?

Espaço amostral:  = 1, 2, 3, 4, 5, 6  n() = 6

Evento A: A = 5, 6  n(A) = 2

n( A) 2 1
P( A)   P ( A)   P( A) 
n() 6 3

12
3) No lançamento simultâneo de 3 moedas perfeitas distinguíveis,
qual é a probabilidade de serem obtidas:

a) Pelo menos 2 caras?

b) Exatamente 2 caras?
C = cara K = coroa

= CCC, CCK, CKC, CKK, KCC, KCK, KKC, KKK  n() = 8

a) A = CCC, CCK, CKC, KCC  n(A) = 4

4 1
P(A)    50 %
8 2
b) B = CCK, CKC, KCC  n(B) = 3

3
P ( B )   0,375  37 ,5 %
8
13
 Probabilidade

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 (fracasso), para um mesmo evento existe sempre a
relação:
p  q  1  q  1 p

Eventos complementares – o complemento de um evento A é o

evento formado por todos os pontos do espaço amostral que
não pertencem a A. Denotamos A ou AC .


P  A  P A  1


P A A  0 

P  A  1  P A ou 
P A  1  P  A
 Probabilidade
Eventos complementares – o complemento de um evento A é o
evento formado por todos os pontos do espaço amostral que não
pertencem a A. Denotamos A ou AC .

Espaço amostral S
Evento A
A

Complemento do evento A

A área retangular representa o espaço amostral do experimento e

contém todos os possíveis pontos amostrais. O círculo representa o evento
A e contém os pontos amostrais que pertencem a A. A região sombreada do
retângulo contém todos os pontos amostrais que não estão no evento A e é,
por definição, o complemento de A.


P  A  P A  1 
P  A  1  P A ou 
P A  1  P  A
Exemplo 1: Um agente de compras declara que há uma probabilidade
de 0,90 de que um fornecedor enviará uma carga livre de peças
defeituosas. Qual a probabilidade de que a carga conterá peças
defeituosas?
P  A  1  P  A 
P ( A)  1  0,9
P ( A)  0,10
*Pode-se concluir que há uma probabilidade de 0,10 de que a carga
conterá peças defeituosas.

Exemplo: 2) Em um lote de 12 peças, quatro são defeituosas. Sendo

retirada uma peça, calcule:
4 1
a) a probabilidade de essa peça ser defeituosa P A  
12 3

b) a probabilidade de essa peça não ser defeituosa

P A  1  ( A)
1 2
P  A  1  
3 3
 Probabilidade
Eventos compostos – frequentemente, um evento pode ser
visto como uma composição de dois ou mais eventos.

Tais eventos podem ser formados de duas maneiras, conforme

abaixo:

 UNIÃO de dois eventos A e B

É o evento formado por todos os pontos amostrais que
pertencem ao evento A ou ao evento B ou a ambos.
1) União de eventos:
A  B os elementos que pertencem ao evento A ou ao B ou a ambos.

 INTERSEÇÃO de dois eventos A e B

É o evento formado por todos os pontos amostrais que
pertencem simultaneamente aos dois eventos.

2) Interseção de eventos:
A B os elementos que pertencem a A e a B.
 Probabilidade

REGRA DA ADIÇÃO

Regra da adição: a probabilidade da união de dois eventos A e B é a

soma das probabilidades dos eventos A e B menos a probabilidade da
interseção dos eventos A e B.
 Exemplo:
Qual a probabilidade
do objeto selecionado
A B ser quadrado ou ser
vermelho?

8
P (Quadrado  Vermelho) 
9

P (Quadrado  Vermelho)  P (Quadrado)  P(Vermelho)  P (Quadrado  Vermelho)

5 5 2 8
   
9 9 9 9
 Exemplo: O registro de um hospital mostra que 12% de todos os
pacientes são internados para tratamento cirúrgico, 16% para tratamento
obstétrico e 2% recebem os dois tratamentos. Se um novo paciente é
internado no hospital, qual é a probabilidade do paciente ser internado
por pelo menos um dos procedimentos.
Sejam os eventos: A – tratamento cirúrgico
B – tratamento obstétrico
Temos que

P A  0,12 ; PB   0,16 ; P A  B   0,02

e queremos descobrir P A  B 
Pela Regra da Adição:
P  A  B   P  A  P  B   P  A  B 
P A  B   0,12  0,16  0,02  0,26
Logo, a probabilidade do paciente ser internado por pelo menos
um dos procedimentos é de 0,26.
Exemplo 3: Uma pequena fábrica de montagem possui 50
empregados. Espera-se que cada trabalhador complete as atribuições
do trabalho no horário e de tal modo que o produto montado passe
numa inspeção final. Em certas ocasiões, alguns dos trabalhadores
não têm êxito em satisfazer os padrões de desempenho, completando
o trabalho mais tarde e/ou montando produtos com defeito. No fim de
um período de avaliação de desempenho, o gerente de produção
descobriu que 5 dos 50 trabalhadores tinham completado o trabalho
mais tarde, que 6 dos 50 trabalhadores tinham montado produtos com
defeito, e que 2 dos 50 trabalhadores tinham tanto completado o
trabalho mais tarde como montado produtos defeituosos. Depois de
rever os dados de performance, o gerente de produção decidiu atribuir
uma avaliação de desempenho fraco a qualquer empregado cujo
trabalho foi tanto terminado mais tarde como defeituoso. Qual a
probabilidade de que o gerente de produção tenha atribuído a um
empregado uma avaliação de desempenho fraco?

P A  B   0,18
 Probabilidade
Eventos mutuamente exclusivos: Dizemos que dois ou mais eventos
são mutuamente exclusivos se eles não têm pontos amostrais em
comum. Ou ainda, 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.
 Probabilidade
Exemplo 1: Se A é o evento “extração de um ás de um baralho”e B o da
“extração de um rei”. Então, a probabilidade de se extrair ou um ás, ou
um rei, em um lance único é:

P A  B   P( A)  P ( B)
4 1
P ( A)   P ( A) 
52 13
4 1
P( B)   P( B) 
52 13
1 1 2
P  P
13 13 13
Visto que ambos, ás e rei, não podem ser extraídos ao mesmo
tempo e por isso são eventos mutuamente exclusivos.
 Probabilidade Condicional

Muitas vezes, queremos calcular a probabilidade de

ocorrência de um evento A, dada a ocorrência de um evento B.

Qual é a probabilidade de chover amanhã em São Paulo, sabendo

que choveu hoje?

Frequentemente, a probabilidade de um evento é

influenciada pela ocorrência de um evento paralelo. Em outras
palavras, queremos calcular a probabilidade de ocorrência de A
condicionada à ocorrência prévia de B e representamos por P(A / B).
A notação / é usada para denotar o fato de que estamos
considerando a probabilidade do evento A com a condição de que o
evento B tenha ocorrido. Portanto, a notação P(A / B) é lida como “a
probabilidade de A dado B”.
 PROBABILIDADE CODICIONAL E TEOREMA DO PRODUTO

-Probabilidade Condicional: Sejam dois eventos A e B com P B   0.

A probabilidade de ocorrência do evento A, dado que o evento B
ocorreu é calculada pela seguinte expressão:

P A  B 
P A / B  
P B 
É a probabilidade de A dado que B
ocorreu ou é a probabilidade de ocorrer A quando
se sabe que o resultado pertence a B.
 PROBABILIDADE CODICIONAL E TEOREMA DO PRODUTO

Da definição de probabilidade condicional, obtemos a regra do

produto de probabilidades

P A  B 
- Teorema do Produto: temos que P A / B   , observe
P B 
P  B  A
também que P  B / A  .
P  A

Logo o Teorema do produto é:

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

 Independência de eventos: Dizemos que dois eventos são
independentes quando a realização ou a não-realização de um
dos eventos não afeta a probabilidade de realização do outro e
vice-versa. Ou ainda quando a probabilidade de ocorrer um deles
não depende do fato de os outros terem ou não terem ocorrido.
Dois eventos A e B são independentes se a informação da
ocorrência (ou não) de B não altera a probabilidade de ocorrência
de A, isto é,

P(A | B)  P(A), P(B)  0.

Temos a seguinte forma equivalente:

P(A  B)  P(A)  P(B).

Se dois eventos são independentes, a probabilidade de que eles se
realizem simultaneamente é igual ao produto das probabilidades de
realização dos dois eventos.
27
Exemplo: Sejam A e B dois eventos independentes. Determine
P A / B  e P  B / A

Solução:

P  A  B  P  A  P B 
P A / B     P  A
PB  P B 
PB  A P  B   P  A
P B / A  .
  P B 
P  A P  A
OBS.

P(A / B) = P(A)

P (B / A) = P (B)
Exemplo.: Os dados , a seguir, representam o sumário de um dia de
observação em um posto de qualidade, em que se avalia o peso dos
pacotes de leite produzidos num laticínio.
Condição do peso Tipo do leite
B (B) C (C) UHT (U) Total

Dentro das especificações (D) 500 4500 1500 6500

Fora das especificações (F) 30 270 50 350

Total 530 4770 1550 6850

Retira-se, ao acaso, um pacote de leite da população de 6850 unidades.

Sejam D e F os eventos que representam se o pacote retirado está dentro
ou for a das especificações, respectivamente. Da mesma forma, B, C e U
são eventos que representam o tipo de leite.
a) Qual a probabilidade de o pacote de leite retirado estar fora das
especificações, sabendo-se que é do tipo UHT?
 Condição do peso Tipo do leite
B (B) C (C) UHT (U) Total
Dentro das especificações (D) 500 4500 1500 6500

Fora das especificações (F) 30 270 50 350

Total 530 4770 1550 6850

Solução: P A  B 
P A / B  
PB 
PF  U 
PF / U  
PU 
50
PF / U   6850
1550
6850
P F / U   0,032
Exemplo.: Seja o lançamento de 2 dados não viciados e a observação das
faces voltadas para cima. Suponha que haja interesse nas probabilidades
dos seguintes eventos:

a) Faces iguais, sabendo que a soma é menor ou igual a 5

b) Soma das faces menor ou igual a 5, sabendo que as faces são iguais
Solução:
Inicialmente, encontramos o espaço amostral: 36 possíveis
combinações de resultados dos dois dados. 1 1
n   C  C  36
6 6

Considere os eventos:
E1 = faces iguais = {(1,1), (2,2), (3,3), (4,4), (5,5), (6,6)}

E2 = soma das faces é menor ou igual a 5= {(1,1), (1,2), (1,3), (1,4), (2,1), (2,2),
(2,3), (3,1), (3,2), (4,1) }

Portanto, E1 ∩ E2 = { (1,1), (2,2) }

a) Faces iguais, sabendo que a soma é menor ou igual a 5

2
P E1  E 2
PE1 / E 2    P E1 / E 2   36
PE 2  10
36

1
PE1 / E 2  
5

b) Soma das faces menor ou igual a 5, sabendo que as faces são iguais

2
PE 2  E1
PE 2 / E1   P E 2 / E1  36
P E1 6
36
1
PE1 / E 2  
3
 Probabilidade

Exemplo: Sejam A e B os eventos “cara na quinta jogada”e “cara na

sexta jogada”de uma moeda, respectivamente.

Então, A e B são eventos independentes, de modo que a probabilidade

de ocorrer cara em ambas as jogadas, quinta e sexta, é, admitindo-se
que a moeda é “honesta”:

P A  B   P ( A)  P( B)
1
P( A) 
2
1
P( B) 
2
1 1 1
P  P
2 2 4
 Probabilidade

Exemplo: No lançamento de dois dados, sejam A e B os eventos

“obtermos 1 na face superior no primeiro dado” e “obtermos 5 na face
superior no segundo dado”, respectivamente.

P A  B   P ( A)  P( B)
1
P( A) 
6
1
P( B) 
6
1 1 1
P  P
6 6 36
 Probabilidade
Exemplo:

Se uma caixa contém 10 lâmpadas boas e 5 defeituosas e 3 dentre essas

lâmpadas forem selecionadas, qual a probabilidade que:

a) Sejam todas defeituosas.

b) Duas sejam boas e 1 defeituosa.
c) Pelo menos 1 seja defeituosa.
Solução:
Para encontrarmos o número de elementos do espaço amostral fazemos
uma combinação simples:

x n! n
C 
n   
x!n  x !  x 

15 
n   C     455
3
15
3 
*Para cálculo pelo conceito de Probabilidade: Considere D (defeituosa) e B (boa).
 Probabilidade

a) Selecionamos 3 lâmpadas defeituosas num total de 5:

3
10 2
C  10
5
Então a probabilidade é de P 
455 91
*Conceito de Probabilidade: DxDxD

b) Selecionamos 2 lâmpadas boas num total de 10 e mais uma lâmpada

defeituosa num total de 5:

C102  C51  225

Então a probabilidade é de

225 45
P 
455 91
*Conceito de Probabilidade: (DxBxB) x 3
 Probabilidade
c) Selecionamos 2 lâmpadas boas e uma defeituosa ou selecionamos
uma lâmpada boa e duas defeituosas ou selecionamos apenas
lâmpadas defeituosas, ou seja:

C102  C51  C10

1
 C52  C53 335 67
P  
455 455 91

*Conceito de Probabilidade: 1 - (BxBxB)

 A1 A2

Probabilidade Total A3
B

A4 A5

Fonte: Viali, 2004

38
 Probabilidade Total

A1 A2

B  ( A1  B )  ( A2  B )    ( A5  B )
A3
5 5
B
P ( B )   P( Ai  B )   P( Ai ).P( B / Ai )
i 1 i 1

A4 A5

O Teorema da Probabilidade Total pode ser interpretado

fisicamente como uma medida do peso de cada um dos eventos Ai na
contribuição para formar o evento B.

39
 Probabilidade Total
Exemplo:

Fonte: Viali, 2004

40
 A1 A2
Teorema de Bayes

O Teorema de Bayes está intimamente relacionado A3

ao teorema da probabilidade total. Supõem-se as mesmas B
condições (eventos Ai mutuamente exclusivos e exaustivos e
um evento B qualquer). Basicamente, o teorema de Bayes
permite obter a probabilidade de que um dos eventos Ai A5
A4
ocorra, sabendo-se que o evento B ocorreu.

anterior,

Fonte: Viali, 2004

41
 Teorema de Bayes
Suponha que queremos saber P (Ai / B), para isso usaremos a
P( PAi(A
).Pi (∩BB)
/ Ai )
probabilidade condicional P( Ai / B )  , mas não conhecemos
P( B )
P (Ai∩B) e P (B). Pela regra do produto temos:

P (Ai∩B) = P(B/Ai) . P(Ai) = P(Ai/B) . P(B)

E pelo Teorema da Probabilidade total temos que:

5
P (B)   P ( Ai ). P( B / Ai )
i 1
Logo, o Teorema de Bayes é dado por:
A1 A2

P( Ai  B )  P ( Ai ).P( B / Ai )  P ( B ). P ( Ai / B )
A3
B P ( Ai ).P( B / Ai ) P( Ai ). P( B / Ai )
P( Ai / B )   5
P( B )
 P( A ).P( B / A )
j 1
j j

A4 A5

42
 Teorema de Bayes

Exemplo:
anterior,

P ( Ai ).P( B / Ai ) P( Ai ). P( B / Ai )
P( Ai / B )   5
P( B )
 P( A ).P( B / A )
j 1
j j

Sugestão de vídeo - Teorema de Bayes

https://www.youtube.com/watch?v=fYqeu1ckHv4

43
Exemplo: Durante o mês de agosto a probabilidade de chuva em um dia
determinado é de 4/10. O Fluminense ganha um jogo em um dia de
chuva com probabilidade 6/10 e em um dia sem chuva com
probabilidade de 4/10. Sabendo-se que o Fluminense ganhou um jogo
naquele dia de agosto, qual a probabilidade de que choveu nesse dia?

Sejam os eventos: F – Fluminense ganhar

C – chover no dia

Temos que PC   4 ; P C  6 ; P F / C   6 ; P F / C  4

  
10 10 10 10

Queremos saber PC / F  . Pelo Teorema de Bayes:

PF / C  PC  6 10  4 10 1
P C / F    
   
PF / C  PC   P F / C  P C 6 10  4 10  4 10  6 10 2

A probabilidade de chover nesse dia dado que o Fluminense ganhou é de 0,5.

44
 Exemplo:

Considere 3 fábricas A, B e C, que produzem um determinado produto em

lotes de 100, 200 e 300 peças, respectivamente. Um lote de cada fábrica
é selecionado e as peças são misturadas. Suponha que a probabilidade de
se encontrar peças defeituosas em cada uma das fábricas seja
respectivamente de 10%; 5% e 1%. Selecionando-se uma peça ao acaso,
calcule as seguintes probabilidades:

a) ser da fábrica A;
b) ser defeituosa, sabendo que a peça provém da fábrica A;
c) ser defeituosa;
d) ser da fábrica A, sabendo que a peça é defeituosa.
Solução
a)ser da fábrica A;
100 1
P( A)  
600 6

b) ser defeituosa, sabendo que a peça provém da fábrica A;

1
P( D / A) 
10

45
c) ser defeituosa;

D  ( A  D )  ( B  D )  (C  D )
P ( D )  P ( A  D )  P ( B  D )  P (C  D )
P( D )  P ( A). P ( D / A)  P ( B ). P ( D / B )  P (C ).P( D / C )
1 1 2 1 3 1 10  10  3 23
P( D )     
6 10 6 20 6 100 600 600

d) ser da fábrica A, sabendo que a peça é defeituosa;

P ( A). P ( D / A)
P( A / D ) 
P ( A).P ( D / A)  P ( B ). P ( D / B )  P (C ).P( D / C )
1 1 1
6 10 1 600 10
P( A / D )   60  
1 1 2 1 3 1 23 60 23 23
 
6 10 6 20 6 100 600

46
 Referências Bibliográficas

• Viali, Lorí. Probabilidade – Material didático. PUCRS/2004.

http://www.mat.pucrs.br/~lori/

• MONTGOMERY D. C., RUNGER, G. C., HUBELE, N.F. Estatística

Aplicada à Engenharia. Rio de Janeiro: LTC, 2004.

• Paulo Afonso Lopez – “Probabilidade e Estatística:

Conceitos, Modelos e Aplicações em Excel”; RA edit (1999).

47