PROBABILIDADE

Prof. Dr. Claudinei

Responsável pela Disciplina de Estatística - FATEC-SP

181
Processo ou Experimento Aleatório
Definição 1: Qualquer fenômeno que gere resultado
incerto ou casual é chamado de Processo ou Experimento
Aleatório.
Exemplos:
1) Jogar uma moeda duas vezes e observar a sequência
obtida de caras e coroas;

182
2) Jogar um dado e observar o número mostrado na face
superior;

3) Peso de Animais;

183
 Espaço Amostral (Ω)
Definição 2: Espaço amostral (Ω) é o conjunto de todos
os resultados possíveis de um experimento aleatório.

Exemplos: Obtenha o espaço amostral dos seguintes

experimentos:
1) Jogar um dado e observar o resultado: Ω = {1, 2, 3, 4,
5, 6}.

184
2) Lançar uma moeda duas vezes e observar as faces
obtidas:

3) Uma urna contém 10 bolas azuis e 10 brancas. 3 bolas

são retiradas ao acaso e as cores são anotadas:

4) Dois dados são lançados simultaneamente e estamos

interessados na soma das faces observadas:

185
5) Uma moeda é lançada consecutivamente até
aparecimento da 1ª cara:

6) Uma máquina produz 20 peças por hora. Ao final da

primeira hora de produção, observa-se o nº de
defeituosas:

7) Medição do “tempo de vida” de uma lâmpada antes

de se queimar:

186
 Evento
Definição 3: Evento é qualquer subconjunto do espaço
amostral.
Exemplos:
(a) Alguns eventos do experimento 1: A = {5}, B = {2, 4, 6},
etc.
(b) Alguns eventos do experimento 2:
Existem dois eventos especiais: espaço amostral (Ω) e o
conjunto vazio (∅).

187
 Operações com Eventos
Sejam A e B dois eventos de um mesmo espaço amostral:
• O evento interseção de A e B, denotado A∩B, é o evento
em que A e B ocorrem simultaneamente.

• O evento união de A e B, denotado A∪B, é o evento em

que A ocorre ou B ocorre (ou ambos).

188
• O evento complementar de A, denotado , é o evento
em que A não ocorre.

Exemplos: Operações com Eventos. Seja = {1, 2, 3, 4, 5,

6} e considere os seguintes eventos
A = {2, 4, 6}, B = {4, 5, 6} e C = {1, 3, 5}.
Faça as seguintes operações:
A ∩ B = A∩C=
A ∪ B = =
189
 Eventos Disjuntos
Definição 4: Dois eventos A e B são mutuamente
exclusivos ou disjuntos se eles não podem ocorrer
simultaneamente (A ∩ B = ∅).

Exemplo:
A = o resultado do dado foi 4, e
B = o resultado do dado foi 5 ⇒ A ∩ B = ∅

190
 Exercícios
1) Determine o espaço amostral dos seguintes experimentos:
(a) Lançar 2 dados e observar as faces superiores;

(b) Lançar 2 dados e observar a soma das faces superiores;

2) Considere o seguinte espaço amostral: Ω = = {1, 2, 3, 4, 5,

6, 7, 8, 9, 10}
Defina os eventos:
A = número par:

B = número ímpar:

191
C = múltiplo de 3:

D = maior ou igual a 6:

E = maior que 8:

F = menor que 5:

G = menor ou igual a 3:

192
Obtenha os seguintes eventos:
(a) A ∩ B = (e) C ∩ D =
(b) A ∪ B = (f) E ∪ F =
(c) = (g) =
(d) = (h) =

193
 Introdução à Probabilidade
A área de Probabilidade começou a ser desenvolvida no
século XVII antes ainda da formalização da área da
Estatística, em questões propostas em jogos de azar.

1654 – Pierre de Fermat (1601-1665) e Blaise Pascal

(1623-1662), na França, estabelecem os Princípios do
Cálculo das Probabilidades. 194
1656 - Huygens (1629-1695) publica o primeiro Tratado de
Probabilidade.

No entanto, é fácil perceber que o termo probabilidade já está

enraizado no senso comum, pois as pessoas vivem o cotidiano
calculando implicitamente algumas probabilidades, tais como:
situações de sua vida pessoal;
organizando-se em relações a horários a cumprir, levando em
conta as circunstâncias do tráfego;
 agasalhando-se ao sair de casa se a previsão do tempo indicar
uma frente fria.
195
 Como podemos definir Probabilidade?
Probabilidade é uma medida que quantifica a sua incerteza
frente a um possível acontecimento futuro.

Há várias maneiras de se medir a incerteza e é costume se

pensar na seguinte divisão:
1) Método Clássico 3) Método Subjetivo
2) Método Frequentista 4) Método Moderno ou
.
Axiomático
196
O primeiro é devido a Laplace e é o mais conhecido, pois
relaciona eventos favoráveis com eventos possíveis. O
segundo consiste em repetir um experimento várias
vezes. O terceiro é baseado na opinião pessoal e o último
é devido a Kolmogorov e baseia-se no princípio de que
qualquer experimento pode ser modelado.

197
 Definição Clássica
Definição 5 (Clássica): Dado um conjunto de N eventos
equiprováveis, a probabilidade de ocorrência de um
determinado evento A, é dado pela razão:

onde n é o número de elementos em A e

N é o número de elementos em Ω.

198
 Exemplo 1
Considere o lançamento de uma moeda equilibrada,
nesse caso o espaço amostral associado é Ω = {Cara,
Coroa}. Então, pela definição clássica, a probabilidade de
ocorrência do evento “cara” é P(cara) =_______.

199
 Exemplo 2
A tabela a seguir apresenta dados relativos a
distribuição de sexo e alfabetização em habitantes de
Sergipe com idade entre 20 e 24 anos.
Sexo Lê Não Lê Total

masculino 39.577 8.672 48.249

feminino 46.304 7.297 53.601

total 85.881 15.969 101.850

Um jovem entre 20 e 24 anos e escolhido ao acaso em

Sergipe.
200
: conjunto de 101.850 jovens de Sergipe, com idade entre
20 e 24 anos.
Definimos os eventos
M: jovem sorteado e do sexo masculino;
F : jovem sorteado e do sexo feminino;
S : jovem sorteado e alfabetizado;
N : jovem sorteado não e alfabetizado.
ML = jovem sorteado é do sexo masculino e sabe ler
M = jovem sorteado é do sexo masculino ou sabe ler

201
P(M) = = = 0,473

P(L) = = = 0,843

F = P(F) = P() = 1 – P(M) = 1 – 0,473 = 0,527

P(ML) = = = 0,388

P(ML) = P(M) + P(L) – P(ML) = 0,473 + 0,843 – 0,388 = 0,928

202
 Definição Frequentista
Definição 6 (Frequentista): A probabilidade de
ocorrência de um determinado evento é igual à
frequência relativa de ocorrência de tal evento, quando o
processo aleatório que o gerou for repetido infinitas
vezes.
Exemplo: Atividade Prática do lançamento da moeda.

203
Passo 1 – Agrupem-se 2 a 2 e peguem uma moeda – chamem o
valor numérico da moeda de COROA (K ) e a outra face de CARA (C).
Suponham que haja interesse em saber se a sua moeda é “honesta”
(isto significa saber se a probabilidade de CARA de sua moeda é ½
ou, em termos percentuais, se a probabilidade de sair Cara é 50%).
Passo 2 – Um membro do grupo vai lançar a moeda e o outro vai
marcar os resultados na planilha anexa, seguindo as seguintes
instruções:
a) Jogar a moeda uma vez e anotar C ou K no espaço adequado
(linha 2) da planilha.
b) Repetir este procedimento 30 vezes, preenchendo um a um
todos os espaços da linha 2.
204
Passo 3 – Continuando com a planilha, trocar de lugar com
o parceiro, voltar para os itens a) e b) das instruções e
continuar mais 30 jogadas – até perfazer 60.
Passo 4 – Voltar ao primeiro da dupla e, ainda com a
planilha, seguir as instruções:
c) Depois do registro na linha 2 de todos os resultados
como C ou K, passar para a linha 3: chamar CARA de 1 e
COROA de 0 e colocar estes valores na planilha, abaixo de
cada resultado já obtido na linha 2. Cada membro do grupo
deve fazer metade – um faz a linha de cima e o outro a
linha de baixo.
205
d) Agora a linha 4 da planilha deve ser preenchida – em
cada posição deve ser colocado o número acumulado de
CARAS, até aquela jogada (verifique que a jogada está
explicitada na linha 1- que é a linha n). Discutir com outro
membro do grupo para ver se está claro – se não,
pergunte! A linha de baixo é continuação do acumulado
da linha de cima.
e) Finalmente chegamos à última linha – linha 5: colocar
a frequência relativa (m/n) de CARAS em cada momento
– o que é isto? Discuta com o outro membro do grupo
(desprezar as entradas assinaladas com X).
206
207
Passo 5 – depois de completar a 1a parte da planilha,
construir a seguinte tabela, usando as linhas 4 e 5 da
planilha:

208
Passo 6 – Completar o gráfico, usando os valores da
tabela recém construída, do seguinte modo:
Eixo Y – valores m/n Eixo X – valores da linha 1: (n)

209
210
Passo 7 – Comparar os resultados com os colegas e
interpretar o resultado comentando sobre a
“honestidade” da sua moeda.
Conclusão: Com isto chegamos a uma possível “definição
frequentista” de probabilidade, ou seja, probabilidade é o
valor em que a frequência relativa se estabiliza após um
número muito grande de ensaios.

211
 Definição Subjetiva
Definição 7 (Subjetiva): Cada indivíduo, baseado
em informações anteriores e na sua opinião pessoal
a respeito de um evento em questão, pode ter uma
resposta para a probabilidade desse evento.
Exemplo: Um médico experiente consegue calcular
uma probabilidade do indivíduo ter uma determinada
doença baseado nos sintomas que o indivíduo
apresenta.

212
 Definição Moderna
Definição 8 (Moderna): Probabilidade é uma função P(.),
que associa a cada evento do espaço amostral Ω, um
número real, pertencente ao intervalo [0, 1], satisfazendo
os seguintes axiomas:
(1) 0 ≤ P(A) ≤ 1.
(2) P(Ω) = 1.
(3) Se A e B são eventos mutuamente exclusivos:
 P(A∪B) = P(A) + P(B).

213
Exemplos:
Segue alguns exemplos de funções já descobertas na
literatura para calcular probabilidades, que serão
discutidas em detalhes mais adiante.

214
215
216
Propriedades
P1: P(∅) = 0, onde ∅ é o conjunto vazio.
P2: Se for o evento complementar de A, então
P() = 1 – P(A).
P3: Se A e B forem dois eventos quaisquer, então
P(A ∪ B) = P(A) + P(B) – P(A ∩ B).
P4: Se A ⊂ B, então P(A) ≤ P(B).
Em breve veremos algumas distribuições de
probabilidade para variáveis discretas e contínuas
comumente utilizadas.
217
 PROBABILIDADE CONDICIONAL
A probabilidade condicional surge, por exemplo,
quando se deseja calcular a probabilidade de um
evento A ocorrer sabendo que um evento B já
ocorreu.
Sejam A e B dois eventos associados a um mesmo
espaço amostral Ω. Denota-se por P(A|B) a
probabilidade condicionada do evento A, quando o
evento B tiver ocorrido.
Sempre que calculamos P(A|B), estamos
essencialmente calculando P(A) em relação ao
espaço amostral reduzido devido a B ter ocorrido,
em lugar de fazê-lo em relação ao espaço amostral
original Ω. 218
 PROBABILIDADE CONDICIONAL -
DEFINIÇÃO
Dados dois eventos A e B, a probabilidade
condicional de A dado que ocorreu B é
representada por P(A | B) e definida por

Da definição de probabilidade condicional, obtemos

a regra do produto de probabilidades.
P(A∩ B) = P(B)P(A | B)

219
 Exemplo:
População Residente em São João del Rei por faixa
etária em 2006, temos:

220
Se soubermos que um indivíduo sorteado é do sexo
masculino, qual é a probabilidade de que ele tenha
idade entre 30 e 39 anos?
Solução:
Seja B : o indivíduo é do sexo masculino e A = tem
idade entre 30 e 39 anos

221
 Exercício
 Na Segunda Guerra Mundial, houve um esforço de pesquisa
operacional na Inglaterra direcionado a estabelecer padrões de
busca de submarinos alemães pelas patrulhas aéreas. Por algum
tempo, houve uma tendência em concentrar os vôos em áreas
próximas à costa, uma vez que se acreditava que mais
avistamentos tinham ocorrido ali. O grupo de pesquisa estudou os
registros de 1000 patrulhas, obtendo os seguintes resultados (os
dados são fictícios):

 (a) Dado que a patrulha estava próximo à costa, qual a

probabilidade de que houve avistamento?
 (b) Dado que a patrulha estava em alto-mar, qual a probabilidade de
que houve avistamento?
 (c) Os resultados de (a) e (b) indicam uma estratégia de busca
contrária à prática anterior? 222
 Independência de Eventos
Dois eventos A e B são independentes se a
ocorrência de um não altera a probabilidade de
ocorrência do outro, isto é,

P(A|B) = P(A) ou P(B|A) = P(B)

ou ainda, a seguinte forma equivalente:

P(A∩B) = P(A) P(B)

223
 Exemplo
Joana tem probabilidade de 0,8 de passar no
vestibular enquanto que João tem probabilidade de
0,6. Qual a probabilidade dos dois passarem no
vestibular? Qual a suposição a ser feita nesse caso
para calcular a probabilidade?
Sejam os eventos: A: Joana passa no vestibular e
B: João passa no vestibular

P(A∩B) = 0,8.0,6 = 0,48

224
 O campo da Engenharia da confiabilidade se desenvolveu
rapidamente a partir do início da década de 1960. Um tipo de
problema encontrado é o de se estimar a confiabilidade de um
sistema a partir das confiabilidades dos subsistemas. A
confiabilidade é definida, aqui, como a probabilidade do
funcionamento apropriado durante um certo período de tempo.
Considere a estrutura de um sistema em série simples, como o da
figura a seguir:

 O sistema funciona se e somente se o subsistema 1 e o

subsistema 2 funcionarem. Se os subsistemas sobrevivem
independentemente, a confiabilidade do subsistema 1 é de 0,90 e
do subsistema 2 é de 0,80, qual é a confiabilidade do sistema?
225
 Regra da Probabilidade Total
Se A e B são eventos, temos duas maneiras de A
ocorrer:
ou

226
 Exemplo:
O Palmeiras ganha com probabilidade 0,7 se chove e 0,8
se não chove. Em maio a probabilidade de chuva é de
0,3. Qual a probabilidade do Palmeiras ganhar uma
partida no mês de maio?
 A: Palmeiras vencer;

227
 Exercício
Em um centro de máquinas, há quatro máquinas
automáticas de parafusos. Uma análise dos registros de
inspeção passados fornece os seguintes dados:

As máquinas 2 e 4 são mais novas e, assim, a maior

parte da produção foi atribuída a elas. Suponha que o
estoque atual reflita as porcentagens de produção
indicadas. Se um parafuso é selecionado aleatoriamente
do estoque, qual é a probabilidade de que seja
defeituoso?
228
 Teorema de Bayes
Finalmente, uma das relações mais importantes
envolvendo probabilidades condicionais é dada pelo
Teorema de Bayes. Thomas Bayes (1702-1761)
afirmou que as probabilidades devem ser revistas
quando conhecemos algo mais sobre os dados. A
versão mais simples desse teorema é dada pela
fórmula

229
A forma geral do Teorema de Bayes pode ser
introduzida da seguinte forma:

Considere a seqüência {C1, C2, ..., Cn} como sendo

uma partição do espaço amostral Ω, isto é, Ci ∩ Cj =
∅ sempre que i ≠ j e C1 ∪ C2 ∪ ... ∪ Cn = Ω.

Considere um evento qualquer A em Ω. Suponha

que sejam conhecidas as probabilidades de cada
partição (P(Ci)) e as probabilidades condicionais
P(A|Ci).

230
Logo, temos o seguinte teorema:

231
 Curiosidade
 O teorema de Bayes, que aparentemente poderia ser encarado
como mais um resultado na teoria de probabilidades, tem
importância fundamental, pois fornece a base para uma abordagem
da inferência estatística conhecida como inferência bayesiana.
Como estamos falando do Thomas Bayes, não podemos deixar de
fazer um breve comentário sobre o que chamamos de
probabilidades subjetivas, ou seja, cada indivíduo, baseado em
informações anteriores e na sua opinião pessoal a respeito de um
evento em questão, pode ter uma resposta para a probabilidade
desse evento. A inferência Bayesiana toma como uma de suas
bases o fato de que todas as probabilidades são subjetivas. O
teorema de Bayes tem um papel importante nesse tipo de
inferência, pois passa a ser visto como um mecanismo de
atualização de opiniões, ou seja, o indivíduo aprende B e passa a
ter opinião P(A|B) sobre A. As probabilidades associadas a eventos
de modo subjetivo têm propriedades análogas as que foram
mencionadas nesse curso.
232
 Exemplo:

Considere uma empresa fabricante que recebe

embarques de peças de dois diferentes
fornecedores. Atualmente, 65% das peças
compradas pela empresa são do fornecedor 1 e o
restante, 35%, são do fornecedor 2. Dado que uma
peça selecionada seja defeituosa, qual a
probabilidade dela ter vindo do fornecedor 2?

233
Solução

234
 Exercício
Em um centro de máquinas, há quatro máquinas
automáticas de parafusos. Uma análise dos registros
de inspeção passados fornece os seguintes dados:

Suponha que o estoque atual reflita as porcentagens

de produção indicadas. Se um parafuso é selecionado
aleatoriamente do estoque e ele é defeituoso, qual é a
probabilidade de que seja da máquina 2?
235