Probabilidade

Departamento de Estatística
Breve Histórico
Antoine Gombaud, auto denominado Chevalier de
Méré, era um jogador inveterado que tinha boas
conexões com intelectuais da renascença;

Utilizou seus conhecimentos para melhorar seu

rendimento em jogos de azar, um deles era um jogo
em que eram feitas apostas na presença, ou não, de
ao menos um resultado 6 ao lançar um dado 4 vezes;

Pelos seus cálculos ele teria uma probabilidade de 2/3

de ganhar ao apostar na presença de ao menos um 6, sendo assim, ele apostou
consistentemente na presença do 6 e ganhou bastante dinheiro utilizando essa
estratégia;

Viando aumentar seus ganhos ele resolveu apostar em um jogo que consistia em
apostar na saída de dois 6 ao lançar 2 dados 24 vezes, utilizando o mesmo raciocínio,
ele chegou à conclusão de que teria 2/3 de probabilidade de vencer ao apostar na
saída de ao menos um par de 6, como resultado, perdeu muito dinheiro.
Breve Histórico

Querendo entender o erro em seu

raciocínio escreveu uma carta para
o Blaise Pascal em 1654

O que deu início à

correspondência entre Pascal e
Pierre Fermat e o desenvolvimento
da teoria da probabilidade.
Introdução
 Embora a probabilidade tenha se iniciado com aplicações em
jogos de azar, ela pode ser aplicada em qualquer situação de
incerteza:
 Qual será o clima de amanhã?
 Qual será o sexo do primeiro filho de determinado casal?
 Qual a chance de determinada pessoa desenvolver um tipo de câncer?
 Que tipo de negócio um empreendedor deve abrir?
 Onde investir o dinheiro economizado?
 Qual será o próximo prefeito de determinada cidade?
 ...
 Usando a teoria da probabilidade, é possível quantificar a
chance de determinado resultado ocorrer.
Introdução
 A base matemática para a probabilidade é construída
utilizando a teoria de conjuntos.
 Definição: O espaço amostral 𝑆 de um experimento é o conjunto
de todos os possíveis resultados do experimentos. Um evento 𝐴 é
um subconjunto do espaço amostral 𝑆, e diz-se que 𝐴 ocorreu se o
resultado efetivo do experimento pertencer a 𝐴.

𝐵
Fonte: (Blitzstein e Hwang, 2015)
Espaço Amostral
 O espaço amostral de um experimento pode ser finito ou
infinito.
 Espaço amostral finito
 Experimento 1- lançar um dado e observar a face voltada para
cima 𝑆 = 1,2,3,4,5,6
 Experimento 2 - extrair uma peça de uma linha de produção
e a classificar como perfeita ou não 𝑆 = sim, não
Espaço Amostral
 Espaço amostral infinito
 Infinito não-enumerável, quando a variável observada no
experimento é quantitativa contínua:
 Experimento 3 – chutar uma bola de futebol e medir a velocidade
máxima que ela alcança (𝑆 = 𝑥 𝑥 ≥ 0 )
 Infinito numerável, quando a variável observada no
experimento é quantitativa discreta:
 Experimento 4 – observar o número de carros que passam por
determinado pedágio no período de uma semana (𝑆 = 0,1,2,3,4, … )
 Na prática, esses espaço amostral é finito, porém, na maioria dos casos,
tratar esses espaços amostrais como infinitos, não só facilita, como
possibilita, o cálculo das probabilidades de eventos específicos.
 Operações entre Eventos
𝐴∪𝐵 𝐴 = 𝐴̅ 𝐴∩𝐵
Ω
𝐴 𝐴 𝐴

𝐵 𝐵 𝐵
Eventos Mutuamente Exclusivos
 Eventos mutuamente exclusivos são aqueles que
não podem ocorrer ao mesmo tempo.
 Exemplo:
 Lançamento de um dado: Evento A = sair 2; Evento B = sair um valor
maior do que 4.
1
𝐴 𝐵
𝐴∩𝐵 =∅ 2 5
6
3
4
Exercício 1
 Sendo A e B dois eventos em um mesmo espaço amostral
“traduza” para a linguagem da Teoria dos Conjuntos, as
seguintes situações:
 Pelo menos um dos eventos ocorre;
 O evento A ocorre, mas B não;
 Nenhum deles ocorre;
 Exatamente um dos eventos ocorre.
Exercício 2
 Considere os eventos 𝐴, 𝐵 e 𝐶 (definidos abaixo)
relativos ao espaço amostral S = 𝑡 𝑡 ≥ 0 .
 𝐴 = 𝑡 𝑡 < 100
 𝐵 = 𝑡 50 ≤ 𝑡 ≤ 200
 𝐶 = 𝑡 𝑡 > 150
 Encontre os conjuntos:
 𝐴 ∪ 𝐵,
 𝐴 ∩ 𝐵,
 𝐴∩ 𝐵∪𝐶 ,
 𝐴 ∩ 𝐵 ∩ 𝐶,
 𝐴∪𝐶 .
Definição de Probabilidade
 Definição:
 Seja 𝜀 um experimento. Seja Ω um espaço amostral associado a
𝜀. A cada evento 𝐴 associaremos um número real representado
por 𝑃 𝐴 e denominado probabilidade de 𝑨, que satisfaça às
seguintes propriedades:
 0 ≤ 𝑃 𝐴 ≤ 1;
 𝑃 Ω = 1;
 Se 𝐴 e 𝐵 forem eventos mutuamente excludentes, então, 𝑃 𝐴 ∪ 𝐵 =
𝑃 𝐴 +𝑃 𝐵 ;
 Se 𝐴 , 𝐴 , … , 𝐴 forem, dois a dois, eventos mutuamente excludentes,
então, 𝑃 ⋃ 𝐴 = ∑ 𝑃 𝐴 .
Espaço Amostral Finito
 A princípio, iremos considerar, apenas, experimentos
cujos espaços amostrais sejam finitos.
 𝑆 = 𝑎 ,𝑎 ,…,𝑎
Espaço Amostral Finito
 Para encontrar 𝑃 𝐴 nesses casos, é necessário, inicialmente,
considerar o evento formado por um resultado simples –
evento simples, ou elementar 𝐴 = 𝑎 .
 A cada evento simples 𝑎 será associado um valor 𝑝 , denominado
probabilidade de 𝑎 , que satisfaça as seguintes condições:
 𝑝 ≥ 0, 𝑖 = 1,2, … , 𝑘;
 𝑝 + 𝑝 + ⋯ + 𝑝 = 1.
 Em seguida pode se considerar um evento 𝐴 constituído por
𝑟 resultados, com 1 ≤ 𝑟 ≤ 𝑘. 𝐴 = 𝑎 , 𝑎 , … , 𝑎 ,
consequentemente:
 𝑃 𝐴 = 𝑝 + 𝑝 +⋯+ 𝑝 .
Exercício 3
 Suponha-se que somente três resultados sejam possíveis
em um determinado experimento aleatório, a saber, 𝑎 ,
𝑎 e 𝑎 . Além disso, suponha-se que 𝑎 seja duas vezes
mais provável de ocorrer que 𝑎 , e que 𝑎 seja duas
vezes mais provável de ocorrer que 𝑎 . Quais as
probabilidades de 𝑎 , 𝑎 e 𝑎 , cada, ocorrerem?
Resultados Igualmente Verossímeis
 A hipótese mais comumente feita para espaços amostrais finitos é a de que
todos os resultados sejam igualmente verossímeis.
 Essa hipótese não deve ser tomada como certa, mas sim justificada para
cada caso.
 Se todos os 𝑘 resultados forem igualmente verossímeis, segue-se que cada
probabilidade será dada por 𝑝 = ⁄ .
 𝑝 ≥ 0, 𝑖 = 1,2, … , 𝑘;
 𝑝 = 𝑝 = 𝑝 = , para quaisquer 𝑖 e 𝑗, com , 𝑖, 𝑗 = 1,2, … , 𝑘
 𝑝 + 𝑝 + ⋯ + 𝑝 = 𝑘. 𝑝 = 𝑘. = 1.
 Logo, para qualquer evento 𝐴 formado por 𝑟 resultados, tem-se:
 𝑃 𝐴 = ⁄ .
ú á
 𝑃 𝐴 = .
ú
Exercício 4
 Em uma universidade, 2000 estudantes do curso de medicina, em
determinado ano, foram classificados de acordo com o tipo de esporte que
praticam. Futebol é praticado por 260 estudantes, natação por 185
estudantes e musculação por 210 estudantes, sendo que alguns estudantes
praticam mais de um desses esportes. Assim, tem-se 42 estudantes que
praticam natação e musculação, 12 futebol e musculação, 18 futebol e
natação e 3 praticam as três modalidades. Se um desses estudantes é
sorteado ao acaso, qual é a probabilidade de:
 Praticar somente musculação;
 Praticar pelo menos um destes esportes;
 Praticar pelo menos dois destes esportes;
 Não praticar nenhum destes esportes.
Algumas Propriedades
 𝑃 𝐴∪𝐴 = 1; 𝐴 Ω

𝐴
 𝑃 𝐴∩𝐴 = 0;
𝐴

𝐴 𝐴
𝐴 =1 − 𝐴
 𝑃 𝐴 =1−𝑃 𝐴 .
Algumas Propriedades
 𝑃 𝐴∪𝐵 =𝑃 𝐴 +𝑃 𝐵 −𝑃 𝐴∩𝐵 ;

𝐴 𝐵 = 𝐴 𝐵 + 𝐴 𝐵 +

- 𝐴 𝐵
Exercício 5
 Sejam 𝐴 e 𝐵 dois eventos em um mesmo espaço
amostral, tais que 𝑃 𝐴 = 0,2, 𝑃 𝐵 = 𝑝, 𝑃 𝐴 ∪ 𝐵 = 0,5
e 𝑃 𝐴 ∩ 𝐵 = 0,1.
 Determine o valor de 𝑝.
Probabilidade Condicional (definição)
 Muitas vezes existe o interesse em determinar a
probabilidade de um evento 𝐵, dado que já se conhece o
resultado de um outro evento A;
 A probabilidade de ocorrer o evento 𝐵, dado que
ocorreu o evento A 𝑃 𝐵|𝐴 é dada pela seguinte
expressão:
∩
 𝑃 𝐵|𝐴 = , desde que 𝑃 𝐴 > 0.
 Para 𝑃 𝐴 = 0, temos 𝑃 𝐵|𝐴 = 𝑃(𝐵).
Probabilidade Condicional
(conceito)
 Espaço amostral original, suposto igualmente provável.
5 4
𝐴 𝑃 𝐴 =
9
𝑃 𝐵 =
9

1
𝑃 𝐴∩𝐵 =
𝐵 9

 Quero calcular a probabilidade do evento 𝐴 ocorrer,

dado que o evento 𝐵 ocorreu

𝐴 1
𝐵 𝑃 𝐴𝐵 =
4

Fonte: (Blitzstein e Hwang, 2015)

Exercício 6
 Uma classe de estatística teve a seguinte distribuição das
notas finais: 4 do sexo masculino e 6 do sexo feminino
foram reprovados, 8 do sexo masculino e 14 do sexo
feminino foram aprovados. Para um aluno sorteado dessa
classe, denote por M se o aluno escolhido for do sexo
masculino e por A se o aluno foi aprovado. Calcule:
 𝑃(𝐴 ∪ 𝑀 ) , 𝑃(𝐴 ∩ 𝑀 )
 𝑃 𝐴 𝑀 ,𝑃 𝑀 𝐴 ,𝑃 𝑀 𝐴
Regra Multiplicativa
 Sai diretamente da probabilidade condicional:
 𝑃 𝐴 ∩ 𝐵 = 𝑃 𝐴|𝐵 𝑃 𝐵 = 𝑃 𝐵|𝐴 𝑃 𝐴 .
 Essa regra é de grande utilidade na verificação de
dependência entre os eventos envolvidos.
Exercício 7
 Uma urna contem duas bolas brancas e três vermelhas.
Suponha que são sorteadas duas bolas ao acaso e sem
reposição. Qual a probabilidade de:
 As duas bolas sorteadas serem vermelhas?
 A primeira ser branca e a segunda vermelha?
 Uma ser branca e a outra vermelha (independentemente
de ordem)?
Eventos Independentes
 Dois eventos são considerados independentes quando a
ocorrência de um não influencia na ocorrência ou não-
ocorrência do outro;
 Logo, se dois eventos, 𝐴 e 𝐵, são independentes tem-se:
 𝑃 𝐴|𝐵 = 𝑃 𝐴 e 𝑃 𝐵|𝐴 = 𝑃 𝐵 ;
 Ou seja, 𝑃 𝐴 ∩ 𝐵 = 𝑃 𝐴 𝑃 𝐵 .
 OBS: Os termos mutuamente exclusivos e independentes não
são sinonimos; basta lembrar que eventos mutuamente
exclusivos não possuem interseção.
Algumas Propriedades
 Independência: se os eventos 𝐴 e 𝐵 são independentes,
então 𝐴, 𝐵, 𝐴 e 𝐵 serão independentes entre si:
 𝑃 𝐴∩𝐵 =𝑃 𝐴 𝑃 𝐵 ⇒𝑃 𝐴 ∩𝐵 =𝑃 𝐴 P 𝐵
 𝑃 𝐴∩𝐵 =𝑃 𝐴 𝑃 𝐵 ⇒𝑃 𝐴∩𝐵 =𝑃 𝐴 P 𝐵
 𝑃 𝐴∩𝐵 =𝑃 𝐴 𝑃 𝐵 ⇒𝑃 𝐴 ∩𝐵 =𝑃 𝐴 P 𝐵
 Regra multiplicativa: Considere três eventos 𝐴, 𝐵 e 𝐶 de
um mesmo espaço amostral, então:
 𝑃 𝐴 ∩ 𝐵 ∩ 𝐶 = 𝑃 𝐴|𝐵 ∩ 𝐶 𝑃 𝐵 ∩ 𝐶 ou
 𝑃 𝐴 ∩ 𝐵 ∩ 𝐶 = 𝑃 𝐴|𝐵 ∩ 𝐶 𝑃 𝐵 𝐶 𝑃(𝐶)
Generalizando
 Se 𝐴 , 𝐴 , ..., 𝐴 são eventos independentes, então:
 𝑃 𝐴 ∩𝐴 ∩⋯∩𝐴 = 𝑃 𝐴 𝑃 𝐴 ... 𝑃 𝐴

 Regra multiplicativa para 𝑛 eventos:

 𝑃 𝐴 ∩𝐴 ∩⋯∩𝐴 =
𝑃 𝐴 𝑃 𝐴 𝐴 𝑃 𝐴 𝐴 ∩𝐴 …𝑃 𝐴 𝐴 ∩ 𝐴 ∩ ⋯∩ 𝐴
Exercício 8
 Chevalier de Mèrè ganhou dinheiro com a estratégia de
apostar na presença de ao menos um resultado igual a 6 a
lançar o mesmo dado 4 vezes e que perdeu dinheiro ao
apostar na presença de ao menos um par de 6 ao lançar
os mesmos 2 dados 24 vezes. Para os 2 jogos ele
acreditava que a sua probabilidade de ganho era de 2/3.
Qual a probabilidade correta de ganhar nesses 2 jogos?
Chevalier de Mèrè estava correto em seus cálculos?
Exercício 9
 Se 𝑃 𝐴 ∪ 𝐵 = 0,8; 𝑃 𝐴 = 0,5 e 𝑃 𝐵 = 𝑥, determine o
valor de 𝑥 no caso de:
 No caso destes dois eventos serem independentes;
 No caso destes dois eventos serem mutuamente
exclusivos.
Partição do Espaço Amostral
 Uma partição do espaço amostral é dada por
um conjunto de eventos mutuamente exclusivos
que quando unidos formam o espaço amostral:

𝐵
𝐵
𝐵
𝐵

𝐵
𝐵
𝐵 𝐵

 Ω=⋃ 𝐵
Exemplo
 Suponha que um fabricante de sorvetes recebe 20% de
todo o leite que utiliza de uma fazenda 𝐹 , 30% de uma
outra fazenda 𝐹 e 50% de 𝐹 .
 Um órgão de fiscalização inspecionou as fazendas de
surpresa e observou que 20% do leite produzido por 𝐹
estava adulterado por adição de água, enquanto que para
𝐹 e 𝐹 , essa proporção era de 5% e 2%, respectivamente.
 Na indústria de sorvetes os galões de leite são
armazenados em um refrigerador sem identificação das
fazendas.
 Para um galão escolhido ao acaso, vamos analisar o leite
para decidir sobre sua adulteração ou não.
Exemplo
 Se denotarmos por 𝐴 o evento “o leite está adulterado”,
temos:
 𝑃 𝐹 = 0,20 e 𝑃 𝐴 𝐹 = 0,20
 𝑃 𝐹 = 0,30 e 𝑃 𝐴 𝐹 = 0,05
 𝑃 𝐹 = 0,50 e 𝑃 𝐴 𝐹 = 0,02
 Além disso, 𝐹 , 𝐹 e 𝐹 formam uma partição do espaço
amostral, já que uma dada amostra de leite vem,
necessariamente, de uma e apenas uma das três fazendas.
Exemplo
𝑃 𝐴𝐹 = 0,20 𝐴 𝑃 𝐴∩𝐹 = 0,2 × 0,2 = 0,04

𝑃 𝐴 𝐹 = 0,80
𝐹 𝐴 𝑃 𝐴 ∩𝐹 = 0,2 × 0,8 = 0,16
𝑃 𝐹 = 0,20
𝑃 𝐴𝐹 = 0,05 𝐴 𝑃 𝐴∩𝐹 = 0,3 × 0,05 = 0,015
𝑃 𝐹 = 0,30
𝐹
𝑃 𝐴 𝐹 = 0,95 𝐴 𝑃 𝐴 ∩𝐹 = 0,3 × 0,95 = 0,285
𝑃 𝐹 = 0,50
𝑃 𝐴𝐹 = 0,02
𝐹 𝐴 𝑃 𝐴∩𝐹 = 0,5 × 0,02 = 0,01

𝑃 𝐴 𝐹 = 0,98
𝐴 𝑃 𝐴 ∩𝐹 = 0,5 × 0,98 = 0,49
Teorema da Probabilidade Total
 Dado um evento 𝐴 e uma partição do espaço
amostra 𝐵 , … , 𝐵 tem-se:

𝐵 𝐴
𝐵

𝐵
𝐵
𝐵

𝐵
𝐵 𝐵

 𝑃 𝐴 =∑ 𝑃 𝐴∩𝐵 =∑ 𝑃 𝐴|𝐵 𝑃 𝐵
Exemplo
 Temos as seguintes informações do enunciado:
 𝑃 𝐹 = 0,20 e 𝑃 𝐴 𝐹 = 0,20
 𝑃 𝐹 = 0,30 e 𝑃 𝐴 𝐹 = 0,05
 𝑃 𝐹 = 0,50 e 𝑃 𝐴 𝐹 = 0,02
 Queremos saber a probabilidade do evento 𝐴 “o leite está
adulterado” ocorrer:
 𝑃 𝐴 =𝑃 𝐴∩𝐹 +𝑃 𝐴∩𝐹 +𝑃 𝐴∩𝐹
 𝑃 𝐴 = 𝑃 𝐴 𝐹 𝑃(𝐹 ) + 𝑃 𝐴 𝐹 𝑃(𝐹 ) + 𝑃 𝐴 𝐹 𝑃(𝐹 )
 𝑃 𝐴 = 0,20 0,20 + 0,05 0,30 + 0,02 0,50
 𝑃 𝐴 = 0,04 + 0,015 + 0,01
 𝑃 𝐴 = 0,065
Exemplo

𝐴 0,04
0,2

0,8 𝐴
𝐹 0,16
0,2
0,05 𝐴 0,015 𝑃 𝐴 = 0,04 + 0,015 + 0,01
0,3 𝐹 0,95
𝐴 0,285 𝑃 𝐴 = 0, 065
0,5

0,02
𝐹 𝐴 0,01
0,98

𝐴 0,49
Teorema de Bayes
 Dado um evento 𝐴 e uma partição do espaço
amostra 𝐵 , … , 𝐵 tem-se:
𝐵 𝐴
𝐵

𝐵
𝐵
𝐵

𝐵
𝐵 𝐵

∩ |
 𝑃 𝐵 |𝐴 = =∑
|
Exemplo
 Podemos, ainda, estar interessados em saber qual a
probabilidade de que a amostra adulterada ter sido obtida
do leite fornecido pela fazenda 𝐹 , ou seja, 𝑃(𝐹 |𝐴):
∩
 𝑃 𝐹 |𝐴 =
( )
( )
 𝑃 𝐹 |𝐴 =
( ) ( ) ( )
, ,
 𝑃 𝐹 |𝐴 =
, , , , , ,
,
 𝑃 𝐹 |𝐴 = = 0,615
,
Exemplo
𝑃 𝐴∩𝐹
𝐴 0,04
0,2
𝑃 𝐴∩𝐹
0,8 𝑃 𝐹 |𝐴 =
𝐹 𝐴 0,16 𝑃(𝐴)
0,2 𝑃 𝐴∩𝐹
𝐴 0,015 0,04
0,05 𝑃 𝐹 |𝐴 =
0,3 0,04 + 0,015 + 0,01
𝐹 0,95
0,5 𝐴 0,285
0,04
𝑃 𝐹 |𝐴 = = 0,615
0,02 0,065
𝐹 𝐴 0,01
0,98 𝑃 𝐴∩𝐹

𝐴 0,49
Exercício 10
 Três candidatos disputam as eleições para o Governo do
Estado. O candidato do partido de direita tem 30% de
probabilidade de vitória, o de centro tem 30% e o da
esquerda 40%. Em sendo eleito, a probabilidade de dar,
efetivamente, prioridade para Educação e Saúde é de 0,4;
0,6 e 0,9 para os candidatos de direita, centro e esquerda,
respectivamente.
 Qual é a probabilidade de não ser dada prioridade a essas
áreas no próximo governo?
 Se a área teve prioridade, qual a probabilidade do candidato de
direita ter ganho a eleição?
Exercício 11
 Uma família viaja ao litoral para passar um fim de semana. A
probabilidade de congestionamento na estrada é de 0,6.
Havendo congestionamento, a probabilidade dos seus dois
filhos brigarem no carro é de 0,8 e, sem congestionamento, a
briga pode aparecer com probabilidade 0,4. Quando há briga,
com ou sem congestionamento, a probabilidade do pai perder
a paciência com os filhos é de 0,7. É claro que havendo
congestionamento o pai pode perder a paciência com os filhos
mesmo sem brigas, o que aconteceria com probabilidade 0,5.
Quando não há nem congestionamento, nem briga, o pai dirige
tranquilo e não perde a paciência. Determine a probabilidade
de:
 Não ter havido congestionamento se o pai não perdeu a paciência
com seus filhos;
 Ter havido briga, dado que o pai perdeu a paciência.
Referência
 Blitzstein, J. K.; Hwang, J. Introduction to Probability. New
York: Chapman & Hall, 2015.