Probabilidade e

Estatística

Aula 4
Probabilidade Básica

Chap 4-1
Objetivos

Nesta aula, aprenderemos:

 Conceitos básicos de probabilidade

 Probabilidade condicional
 Teorema de Bayes

Chap 4-2
Introdução
 Arcabouço para estudos de diversas situações em que nos
deparamos com incerteza.
 Probabilidade formaliza a ideia da chance de ocorrência
dos diferentes resultados esperados para um fenômeno
incerto.

 Exemplos de aplicações:
 Tempo de espera em filas
 Retorno de ações
 Resultado de um procedimento médico

Chap 4-3
Introdução
 Um experimento aleatório é um experimento que
ao ser repetido nas mesmas condições, pode fornecer
diferentes resultados.
 Exemplos:
 Jogar um dado e observar a face superior
 Selecionar ao acaso um habitante de Natal e medir sua
altura em metros.
 Retirar um lote de peças em um processo de produção e
determinar o Número de peças defeituosas.
 Número de chamades telefônicas que chegam a uma
central em um intervalo de tempo fixado.

Chap 4-4
Introdução
 Objetivo da teoria de probabilidade é construir um
modelo matemático para representar eventos
incertos (experimentos aleatórios) e a chance de
ocorrência de possíveis resultados.

 Geralmente é feito em duas etapas:

 Etapa 1: Descrição do conjunto de resultados
possíveis para um experimento aleatório
 Etapa 2: Atribuição de pesos que refletem a
maior ou menor chance de um resultado ocorrer.

Chap 4-5
Espaço Amostral e Eventos
 O conjunto de todos os resultados possíveis de um
experimento aleatório é chamado espaço amostral do
experimento. O espaço amostral é denotado por S.

 Requisitos:
 apenas um resultado em cada rodada do experimento
 escolha responda ao problema em questão
 nenhum resultado fique fora do espaço amostral

Chap 4-6
Espaço Amostral e Eventos
 Exemplo 1: Lançamento de um dado:
 S={1,2,3,4,5,6}. Numerável finito.

 Exemplo 2: Lançamento de uma moeda até que apareça a

primeira cara. C: cara, K: Coroa.
 S={C, KC, KKC, KKKC, ….}. Numerável e infinito.

 Exemplo 3: Lançamento de dardo em alvo com raio 1 (ou

ponto em circulo de raio 1)
 S={(x,y): x²+y²<=1}. Não-enumerável.

Chap 4-7
Espaço Amostral e Eventos
 Um evento é um subconjunto do espaço amostral, S,
de um experimento aleatório. Os subconjuntos de S
são representados pelas letras maiúsculas A, B,....
 O evento é denominado simples se consistir em um
único resultado.
 O evento é denominado composto se consistir em
mais de um resultado.
 O conjunto vazio é denotado por  .

Chap 4-8
Espaço Amostral e Eventos
 Exemplo 1: Lançamento de um dado: S={1,2,3,4,5,6}.
 A = {6}, B={1}: eventos simples
 C ={faces pares}, D={faces menor ou igual a 3}:
evento composto.

 Exemplo 2: Rede de computadores em operação contínua,

mas falhas podem acontecer a qualquer momento.
 A = {0 falhas em um dia}: evento simples
 B={menos de 2 falhas em um dia}: evento composto

Chap 4-9
Eventos e Espaço Amostral
 Exercício 1: Considere um experimento em lançar três moedas
e observar a face superior delas.
 Determine o espaço amostral e os eventos simples.
 Dê um exemplo de evento composto.

 Solução:

Chap 4-10
Eventos e Espaço Amostral
 Exercício 2: Considere dois jogos alternativos, ambos
envolvem o lançamento consecutivo de 10 moedas.
 Jogo 1: Você recebe um real toda vez que uma cara
aparecer.
 Jogo 2: Você recebe um real toda vez que a moeda for
jogada até aparecer a primeira cara. Depois disso, você
recebe 2 reais para cada vez que a moeda for jogada até
aparecer a segunda cara. De forma geral, a quantia por
moeda jogada dobra cada vez que uma cara apareça.

 Como você definiria o espaço amostral para estes jogos?

 Mesmo experimento descrito por espaços amostrais diferentes!

Chap 4-11
Eventos e Conjuntos
 A união de dois conjuntos (eventos) A e B é o conjunto (evento)
que consiste de todos os resultados que estão no conjunto A ou
no conjunto B ou em ambos.

AB : x  S : x  A, ou x  B
 A interseção de dois conjuntos (eventos) A e B é o conjunto que
consiste de todos os resultados que estão simultaneamente em A e
em B.
AB : x  S : x  A e x  B

 O complemento de um conjunto (evento) A, representado por Ac

(ou A’) é o conjunto de todos os resultados que não estão
contidos em A.
A c : x  S : x  A

Chap 4-12
Eventos e Conjuntos
 Eventos mutuamente excludentes são eventos que não podem
acontecer simultaneamente. Também dizemos eventos disjuntos.

 Exemplos:
 A = rainha de ouros; B = rainha de copas
 Os eventos A e B são mutuamente excludentes se apenas uma
carta é selecionada do baralho.

 Exemplos:
 Y = ter um menino; X = ter uma menina
 Os eventos X e Y são mutuamente excludentes se nascer
apenas um filho.

Chap 4-13
Eventos e Conjuntos
 Uma partição de um espaço amostral consiste de um conjunto
de eventos tais que:
 Os eventos são mutuamente excludentes (apenas um dos
eventos pode ocorrer).
 Os eventos são coletivamente exaustivos, i. e, o conjunto de
eventos cobre todo o espaço amostral.

 Exemplos:
 A = azes; B = cartas pretas; C = ouros; D =copas
 Os eventos A, B, C e D são coletivamente exaustivos (mas
não são mutuamente exclusivos)
 Os eventos B, C e D formam uma partição.

Chap 4-14
 Visualização de conjuntos
S S S
A A A

B B
B

S S S
A B
A
B
C A C
B

Chap 4-15
Eventos e Conjuntos
 Assuma que S = {0, 1, 2, 3, 4, 5, 6, 7}, A={0, 1, 2, 3,4},
B={3, 4, 5, 6} e C={1, 3, 5}. Determinar:
AB
AB
AC
AC
C B
C B
A
B
C

Chap 4-16
Propriedades de Conjuntos
 Operações entre conjuntos têm uma série de propriedades.
Exemplos:
AB  BA
   
A BC  AB  BC 
A   A
c c

AS  S
AA c 
AS  A

Chap 4-17
 Visualizando Eventos no
Espaço Amostral
 Tabelas de contigência: Ás Não Total
Ás
Preta 2 24 26
Vermelha 2 24 26
Total 4 48 52

 Diagrama de arvore:
2
Ás
rt a Preta
Ca 24
Baralho de Não é Ás
52 Cartas 2
Espaço As
Cart
Amostral Vermae Não é 24
lha Ás

Chap 4-18
Visualizando Eventos no
Espaço Amostral
 Lançamento de 2 dados de quatro lados:

Espaço Amostral para o Diagrama de Árvore para

lançamento de 2 dados o lançamento de 2 dados

2° dado
Raiz
Folhas

1° dado

Chap 4-19
 Modelo Probabilístico

Probabilidade
Evento B

Experimento
Evento A

Espaço Amostral

Eventos

Os principais ingredientes de um modelo probabilístico

Chap 4-20
Probabilidade
 Probabilidade: atribuir chances a eventos possíveis
de um experimento aleatório.

 Diferentes conceitos:
 Definição classica de probabilidade
 Definição frequentista ou Estatística de probabilidade
ou Definição Clássica empírica
 Probabilidade subjetiva

Formalizadas pelos Axiomas de Kolmogorov!

Chap 4-21
 Probabilidade Clássica
 A definição classica de probabilidade se refere a
subconjuntos unitários e equiprováveis.

 CASO 1: No caso enumerável e finito, a probabilidade de

um evento A é dada por:
Numero de vezes que A pode ocorrer
PA  
Numero total de resultados possíveis em S

 Técnicas de análise combinatória e contagem para

determinar a probabilidade.

Chap 4-22
 Probabilidade Clássica
 CASO 2: Se S é não-enumerável e equiprovável, o
conceito se aplica ao comprimento de intervalos, medidas
de áreas, …
Também chamada de probabilidade geométrica.

 Exemplo: S intervalo dos números reais.

Comprimento de A
PA  
Comprimento total de S

Chap 4-23
 Probabilidade Clássica
 Em termos práticos temos que determinar:
 O número total de resultados possíveis
 O número de vezes que podemos ganhar

 Detalhe: so pode ser aplicado quando todos os resultados tem a

mesma chance de ocorrer.
 Exemplo: dado, moeda, sexo dos filhos
 Contra-exemplo: peso de pessoas (entre 40 e 120)
chance de (40 a 50 kg) < chance (60 a 70 kg)

Chap 4-24
Probabilidade Clássica

Exemplo: Considere o lançamento de 2 dados balanceados.

 Calcular a probabilidade de:
a) Obter soma 7
b) Obter soma maior que 10
c) Que resultado do primeiro dado seja superior ao
resultado do segundo.

Chap 4-25
 Probabilidade Frequentista
 A probabilidade frequentista considera o limite de frequências
relativas como o valor da probabilidade.

 Seja nA o número de ocorrência de A em n repetições indepentes do

experimento. Assim:
nA
PA   lim
n  n

 Exemplo: caixa com 100 moedas e conte o número de caras.

Chap 4-26
 Probabilidade Frequentista
Encontre a probabilidade de selecionar um aluno de estatística
do sexo masculino a partir de uma população descrita na tabela
abaixo:
Cursando Não- Total
estatística cursando
estatística
Masculino 84 145 229
Feminino 76 134 210
Total 160 279 439

Probabilidade de selecionar n. alunos do sexo masculino cursando Estat. 84

  0.191
homem cursando estatistica n. total de alunos 439

Chap 4-27
 Axiomas de Probabilidade
Kolmogorov
 Axiomas de Kolmogorov:
 definição formal de probabilidade
 incluem as definições acima como casos particulares.

 Qualquer função P(.) dos subconjuntos do espaço amostral (eventos)

no intervalo [0,1] é uma probabilidade se satisfaz as condições:
1. (Não-negatividade): P(A) ≥ 0, sendo A um evento qquer.

2.  
(Aditividade): P E  PE  , {E j} eventos disjuntos ou
j j  j j
mut. excludentes.

3. (Normalização): P(S) = 1

Chap 4-28
 Propriedades de uma
Probabilidade
Uma função de probabilidade satisfaz as seguintes propriedades:

1.  
P E c 1  PE 

2. Se E1  E 2 , então PE1   PE 2 

3. P  0

Chap 4-29
 Propriedades de uma
Probabilidade
Uma função de probabilidade satisfaz as seguintes propriedades:

1.  
P E c 1  PE 

2. Se E1  E 2 , então PE1   PE 2 

3. P  0

Chap 4-30
Regra Geral da Adição
 Regra geral da adição:

PA  B   PA  PB   PA  B 

 Caso particular: Eventos disjuntos

Se A e B são mutuamente excludentes, então P(A ∩ B) =
0, e a regra pode ser simplificada

PA  B   PA  PB 

Chap 4-31
 Exemplo da Regra Geral de
Adição
Qual a probabilidade de selecionamos aleatoriamente um
homem ou um aluno(a) da estatística de uma população
descrita pela tabela abaixo?
Cursando Não cursando Total
estatística estatística
Homem 84 145 229

Mulher 76 134 210

Total 160 279 439

P(Homem ou Estat.) = P(H) + P(Est.) – P(H e Est.)

= 229/439 + 160/439 – 84/439 = 305/439
Chap 4-32
 Resumo de Probabilidade
 Probabilidade é uma medida numérica que 1 Certo
informa a chance de um resultado ocorrer.

 A probabilidade de um evento deve estar

entre 0 e 1, incluindo os extremos.
 0 ≤ P(A) ≤ 1 para qquer evento A.

.5
 A soma da probabilidade de uma partição
do espaço amostral é igual a 1.
 P(A) + P(B) + P(C) = 1
 em que A, B e C são eventos
mutuamente excludentes e
coletivamente exaustivos (partição de
S) 0 Impossivel

Chap 4-33
 Exemplo: Probabilidade
Selecione aleatoriamente um estudante em uma determinada
universidade e represente por A o evento dele possuir um cartão de
crédito Visa e por B o evento análogo para um Mastercard. Suponha que,
P(Visa) = 0.5, P(Mastercard) = 0.4 e P (Ambos os cartões) = 0.25.

1. Calcule a probabilidade de que um indivíduo selecionado tenha

pelo menos um dos dois tipos de cartão
2. Qual a probabilidade de o indivíduo selecionado não ter nenhum
dos tipos de cartão.
3. Descreva, em termos de A e B, o evento em que o estudante
selecionado possui um cartão Visa mas não um MasterCard.
4. Calcule a probabilidade desse evento.

Chap 4-34
 Exemplo: Probabilidade
 Vocabulário Geral:

 Pelo menos 1: A, B ou ambos = AUB

 Nenhum: nem A, nem B = (AUB)c

 Apenas 1 (ex Apenas A): possui A e não possui

B = A∩(Bc)

Chap 4-35
Técnicas de Contagem
 Princípio de contagem (divida e conquiste): o processo
é quebrado em várias etapas com o uso do diagrama de
árvores :

Folhas

n1 n2 n3 n4
opções opções opções opções

Estágio Estágio Estágio Estágio

1 2 3 4

Chap 4-36
Técnicas de Contagem

Princípio de contagem:
Considere um processo que contem r estágios. Suponha que:
 Existem n1 resultados possíveis no primeiro estágio
 Para cada resultado possível do estágio 1 existem n 2
resultados possíveis no estágio 2.
 De forma mais geral, para cada um dos resultados n i-1
primeiros estágios, existem ni resultados possíveis no i-
esimo estágio.
 Então o Número total de resultados possíveis no processo de r
estágios é de: n1*n2*n3*…*ni

Chap 4-37
Técnicas de Contagem

 Exemplo 1: Um número telefônico é composto de 8

dígitos, mas o primeiro dígito apenas assume 3
valores: 3, 8, 9. Quantos números distintos existem?
 Temos um total de 8 estágios
 No primeiro estágio apenas 3 opções
 Nos demais estágios: 10 opções
 Total: 3 * 107

Chap 4-38
Técnicas de Contagem

 Exemplo 2: Número de subconjutos em um conjunto

com n elementos? {s1, s2, s3, …, sn}
 Processo de n estágios: em cada estágio decidimos se
colocamos ou não o elemento no subconjunto
 número de opções para o primeiro estágio: 2
 Total: 2*2*2*…*2 =2n

Chap 4-39
Técnicas de Contagem

 Problema: Selecionar k objetos de um total de n

objetos

 Se a ordem é importante: Permutação

 Se a ordem não é importante: Combinação

Chap 4-40
Técnicas de Contagem
 Permutação de k objetos:
Queremos selecionar k objetos de um conjunto de n
objetos sem reposição
 Para o primeiro objeto: n possibilidades
 Para o segundo objeto: n-1 possibilidades
 …
 Para o último objeto: n - (k-1) possibilidades
 Total de permutações: n*(n-1)*…*(n-k+1)
 Usando fatorial:
n!
(n  k )!
Chap 4-41
Técnicas de Contagem

 Exemplo1: Qual o total de palavras com 4 letras

distintas (não precisa ter significado nem seguir
regras ortográficas)?

 Permutação: Selecionar 4 letras de um total de 23

sem repetir
Total de permutações de 4 elementos:
23*22*21*20

Chap 4-42
Técnicas de Contagem

 Exemplo 2: Você tem n1 Cds de musica clássica, n2

Cds de rock e n3 Cds de forró. De quantas formas é
possível arranjar os seus Cds tal que os Cds do
mesmo tipo sempre fiquem juntos?

Chap 4-43
Técnicas de Contagem
 Exemplo 2: Solução – Combinar princípio da
Contagem com permutação
 Podemos quebrar o processo em 2 estágios:
 Escolher a ordem dos tipos de Cds: 3*2*1
 Escolher a sequência dos Cds para cada tipo:
 Para Cds de música clássica: n1!
 Para Cds de rock: n2!
 Para Cds de forró: n3!

 Total: 3!*n1!*n2!*n3!
Chap 4-44
Técnicas de Contagem
 Combinação de k elementos em n
 Queremos contar o número de subconjuntos de k
elementos a partir de um conjunto de n elementos.
 A ordem dos elementos não é importante!
 Dizemos combinação de n elementos k a k

 Ex: Formar comite com 3 representantes de turma de

um total de 131 alunos.
 Se todos tem mesmo poder: combinação.
 Se teremos presidente, vice-presidente e secretario:
permutação.

Chap 4-45
Técnicas de Contagem

 Ao contrário da permutação, na combinação a ordem dos

elementos não é importante!

 Exemplo:
 Permutação de 2 elementos das letras A, B, C, D:
AB, AC, AD, BA, BC, BD, DA, DB, DC
 Combinação de 2 elementos das letras A, B, C, D:
AB, AC, AD, BC, BD, CD
já que a ordem não é importante: BA é o mesmo que
AB

Chap 4-46
 Técnicas de Contagem
Número de combinações:
Lógica reversa:
 Obter n de combinações sabendo: Princípio da Contagem e
número de permutações…
 1° estágio: selecionar uma combinação de k itens
 2° estágio: para cada possível combinação, reordernar os
itens.
 No exemplo anterior:
 Combinações: AB, AC, AD, BC, BD, CD
 Reordenação para AB: AB e BA.
 Reordenar k itens = k-permutações em total de k itens!

Chap 4-47
Técnicas de Contagem

Usando o princípio da contagem:

 Nk-permutações em total n = Nk-combinações em n * Nreordenações
 = Nk-permutações em n = Nk-combinações em n * Nk-permutações em k

n!
 N combinações * k!
(n  k )!
n!
 N combinações 
(n  k )!k!
 n
 N combinações   : Coeficiente binomial do Binômio de Newton
k

Chap 4-48
Técnicas de Contagem
 Exemplo: Número de combinações de 2 elementos das
letras A, B, C, D:
 4 4!
N combinações    6
 2  (4  2)!2!

 Conferindo:
AB, AC, AD, BC, BD, CD
 Construindo:
 Permutações de tamanho 2 em 4 = 4*3 = 12
 N-permutações = N-combinações * N-reordenações-por-
combinação
 12 = N-combinações * 2

Chap 4-49
 Probabilidade Condicional
 Como incorporar novas informações a probabilidade de um
evento?

 A probabildade condicional é a probabilidade de um evento dado

que outro evento ocorreu.

 Exemplos:
 Qual é a probabilidade de chover amanhã? Qual é a probabilidade de
chover amanhã dado que choveu hj?
 Em um jogo de chute de palavras, qual a probabilidade de a segunda
letra ser u? E se a primeira letra de uma palavra é t, qual é a
probabilidade de que a segunda seja u? E se a primeira letra for q?
 Qual a probabilidade de uma pessoa ter uma doença se um exame
médico deu negativo?

Chap 4-50
Técnicas de Contagem

 Problema: Selecionar k objetos de um total de n

objetos
 Se a ordem é importante: Permutação
R: factorial(k) = k!
R: [Link](letters[1:4], letters[1:4]) =
faz as permutações

 Se a ordem não é importante: Combinação

R: choose(n,k) = número de combinações
R: combn(letters[1:4], 3) = faz combinações

Chap 4-51
 Probabilidade Condicional
 A probabildade condicional é a probabilidade de um evento
dado que outro evento ocorreu.
Probabilidade de A dado B ou
P(A | B) probabilidade de A condicional
a B.
 B se torna o novo conjunto universo (espaço amostra)!
Renormalização!
 Pela regra da adição:
S

P(A) PA  BP A  B c 
 Então, se P(B)>0:

P(A  B )
P(A | B) 
P(B)
Chap 4-52
 Probabilidade Condicional

 Exemplo: Dos carros de um feirão de carros usados, 70%

tem ar condicionado (AC) e 40% tem um tocador de CD
(CD). 20% dos carros possuem ambos.
Qual é a probabilidade que o carro tenha um tocador de
CD, dado que o carro tem ar condicionado?

Queremos determinar: P(CD | AC).

Chap 4-53
 Probabildade Condicional
CD Sem CD Total

AC 0.2 0.5 0.7

Sem 0.2 0.1 0.3

AC
Total 0.4 0.6 1.0

P(CD e AC) .2
P(CD | AC)   .2857
P(AC) .7

Dado AC, nós apenas consideramos a linha de cima (70% dos

carros). Destes, 20% tem um tocador de CD. 20% de 70% é
aproximadamente 28.57%.
Chap 4-54
 Probabilidade Condicional:
árvores
.2
.7
Dado AC ou CD P(AC e CD) = .2
Te m
não AC: ) = . 7
C N ão
P( A CD
tem P(AC e CDc) = .5
C .5
Te mA
Todos .7
os
carros .2
N ão .3
AC tem P( A m CD P(ACc and CD) = .2
C c) Te
= .3
N ão .1
CD P(ACc and CDc) = .1
.3
Chap 4-55
 Probabilidade Condicional:
árvores
.2
.4
Dado CD ou A C P(CD e AC) = .2
Tem
sem CD: ) = . 4
D N ão
P( C AC
tem P(CD e AC/) = .2
D .2
Todos Te mC
.4
os
carros .5
N ão .6
CD tem P( C m AC P(CDc e AC) = .5
D c) Te
= .6
N ão
tem .1
AC P(CDc and ACc) = .1
.6
Chap 4-56
Probabilidade Condicional
 Exemplo: Discos de policarbonato plástico, provenientes de
um fornecedor, são analisados com relação à resistência a
arranhões e choques. Os resultados de 100 discos estão
resumidos a seguir:
Resistência a Choque
Alta (A) Baixa
Resistência a Alta (B) 80 9
arranhão
Baixa 6 5

Seja A o evento em que o disco tenha alta resistência a choque

e B o evento em que um disco tenha alta resistência a arranhão.
Determine as seguintes probabilidades:
P(A), P(B), P(A|B) e p(B|A)

Chap 4-57
 A Regra do Produto
 Outra forma de computar a probabilidade de uma
interseção de eventos:
Para a interseção dois eventos A e B:
PA  B PA B* PB

 Ou generalizando:

PA 1  A 2 ...  A n  PA n A n -1 * PA n -1 A n -2 * ... * PA 2 A 1 * PA 1 

Chap 4-58
Regra do Produto
 Exemplo: Suponha que o conselho da universidade seja
composto de 5 brancos, 4 negros e 3 orientais. Qual a
probabilidade de selecionarmos aleatoriamente um branco
seguido por um oriental?

Chap 4-59
Regra do Produto
 Exemplo: Suponha que o conselho da universidade seja
composto de 5 brancos, 4 negros e 3 orientais. Qual a
probabilidade de selecionarmos aleatoriamente um branco
seguida por um oriental?

Note que uma vez que a pessoa branca é escolhida (de um

total de 12 membros do conselho), apenas 11 restam no
espaço amostral do segundo sorteio, dos quais 3 são
orientais.

P(A 1 B e A 2 O) P(O | B) P(B) (3/11)(5/12)

5/44 .114

Chap 4-60
O Teorema da Probalidade Total
Divida e Conquiste
 Dividimos o espaço amostral em uma série de cenários
possíveis, Ai (partição de S).

 P(B|Ai) são conhecidos ou fáceis de calcular

 P(B): média ponderada de P(B) ocorrer em cada cenário,
P(B|Ai).
 Cada cenário é ponderado por sua Pr. de ocorrência: P(A i)
P(B)  PB  A1   PB  A2   PB  A3 
 PB   PB A1 PA1   PB A2 PA2   PB A3 PA3 
Chap 4-61
O Teorema da Probalidade Total
Divida e Conquiste
 Vizualizando teorema da Probabildade Total:

P(B)  PB  A1   PB  A2   PB  A3 

 PB   PB A1 PA1   PB A2 PA2   PB A3 PA3 
 A chave é a escolha da partição Ai!!

Chap 4-62
O Teorema da Probalidade Total
 Exemplo 1: Você entra em um torneio de xadrez em que
a Pr de ganhar um jogo é de
 0.3 contra a metade dos jogadores (tipo 1)
 0.4 contra um quarto dos jogadores (tipo 2)
 0.5 contra um quarto dos jogadores (tipo 3)

Vc joga contra um oponente escolhido aleatoriamente.

Qual a probabilidade de ganhar o jogo?

Chap 4-63
O Teorema da Probalidade Total
Exemplo 1: Solução
 Partição: tipos dos jogadores:
P(A1) = 0.5, P(A2) = 0.25 e P(A3) = 0.25
 Para cada um dos cenarios, vc sabe a sua pr de ganhar (B):
P(B|A1) = 0.3, P(B|A2) = 0.4 e P(B|A3) = 0.5

 Probabilidade de ganhar, usando o teorema da probabilidade

total:
P(B) = P(B|A1) *P(A1)+ P(B|A2) *P(A2)+ P(B|A3) *P(A3)
P(B) = 0.3*0.5 + 0.4*0.25 + 0.5*0.25
P(B) = 0.375

Chap 4-64
O Teorema da Probalidade Total
 Exemplo 2: Você joga um dado de 4 lados. Se o
resultado for 1 ou 2, você joga o dado mais uma vez,
caso contrário, você para. Qual a probabilidade da soma
dos dados ser de pelo menos 4?

Chap 4-65
 O Teorema da Probalidade Total
 Exemplo 2: Solução
 Partição:
 A1: 1° dado = 1, P(A1) = 0.25
Dado A1=> A soma total >=4 se 2° dado = 3,4: P(B|A1)=0.5
 A2: 1°dado = 2, P(A2) = 0.25
Dado A2 => A soma total >= 4 se 2° dado = 2,3,4: P(B|A2)=0.75
 A3: 1° dado=3, P(A3) = 0.25
Dado A3 => A soma total >= 4: nunca! P(B|A3)=0
 A4: 1° dado=4, P(A4) = 0.25
Dado A4 => A soma total >= 4 se 1° dado = 4. Sempre! P(B|A 4)=1
P(B) = 0.5*0.25 + 0.75*0.25 + 0*0.25 + 1*0.25
P(B) = 0.5625

Chap 4-66
Teorema de Bayes
 O teorema de Bayes é usado para rever probabilidades
previamente calculadas quando novas informações
aparecem.

 Matematicamente, nada mais é do que uma extensão da

probabilidade condicional e teorema do produto.

 Usada para inferência: um número de causas que podem

resultar em um efeito.
 Observo efeito. Qual a probabilidade efeito ser devido a uma
causa importante?

Chap 4-67
Teorema de Bayes
 Observamos um mancha no raio-x do pulmão de um
paciente.
 Sabemos que a mancha pode ser causada por diversos
fatores:
 Tumor maligno
 Tumor benigno
 Outras causas
 Queremos investigar a chance do paciente ter um
tumor maligno, dado o resultado do exame.

Chap 4-68
 Teorema de Bayes
 P(Tumor maligno dado mancha no raio-x)?

Causa 1: Tumor Maligno Causa 3: Outras

Efeito: Mancha

Causa 2: Tumor
Benigno

Chap 4-69
Teorema de Bayes
 Nós temos uma probabilidade « a priori » para eventos A i
mutuamente excludentes e coletivamente exaustivos:
P(Ai)

 Para cada Ai, nós sabemos P(B|Ai)

 Mas na verdade nós queremos computar P(Ai|B)

P(B | A i )P(A i )
P(A i | B) 
P(B)

Chap 4-70
 Teorema de Bayes
P(B | A i )P(A i )
P(A i | B) 
P(B A 1 )PA 1   P(B A 2 )PA 2   ...  P(B A n )PA n 

Em que:
Ai = iesimo evento de n eventos mutuamente
excludentes e coletivamente exaustivos.

B = novo evento que talvez mude a

chance de Ai ocorrer.

Chap 4-71
 Teorema de Bayes
 Exemplo: O puzzle do falso negativo
Um teste para uma doença rara (ex AIDS) dá o resultado correto
95% das vezes:
 Se a pessoa tem a doença, o resultado é positivo
 Se a pessoa não tem a doença, o resultado é negativo

A incidência da doença na população é de 0.001 (1 em mil)

Dado que uma pessoa fez o teste e o resultado deu positivo, qual a
probabilidade de a pessoa estar realmente doente?

Chap 4-72
 Teorema de Bayes
 Exemplo: O puzzle do falso negativo
Temos informações sobre probabilidade de resultados de teste dado que
observamos a saúde do paciente…
Queremos saber sobre a saúde de um paciente, dado o resultado de um
teste.
Sejam P: resultado do teste é positivo
D: o paciente esta doente
P(D|P)?

P(P | D)P(D) 0.001* 0.95

P(D | P)   0.0187
 
P(P D)PD   P(P D c )P D c 0.001* 0.95  0.999 * 0.05

Chap 4-73
 Independência
 Dois eventos são independentes se e somente se:

P(A | B) P(A)
 Os eventos A e B são independentes quando a probabilidade de
ocorrência de um evento não é afetada pela ocorrência do outro
evento.

 Pela definição de prob. condicional

P(A | B) P(A)  PA  B PA * PB

Chap 4-74
 Independência
 Facil de intuir quando eventos são independentes:
 A ocorrência dos eventos é governada por processos físicos
distintos que não interagem entre si.

 Dificil de visualizar no espaço amostral. Confusão frequente:

achar que eventos disjuntos são independentes…

 A segunda formulação é mais usada na prática para testar se

dois eventos são independentes.

Chap 4-75
Independência
 Exemplo: Lançamento sucessivo de 2 dados de 4 lados.
16 resultados equiprováveis: prob 1/16.

 Os eventos Ai = {Resultado do primeiro dado é i} e

Bj = {Resultado do segundo dado é j} são independentes?

Chap 4-76
Independência
 Temos que
P(Ai e Bj) = P( resultado: (i,j) ) = 1/16
P(Ai) = P( resultados (i,1), (i,2), (i,3) e (i,4) ) = 4/16
P(Bj) = P( resultados (1,j), (2,j), (3,j) e (4,j) ) = 4/16

4 4
 São independentes? PA i * PB j   *
16 16
1
 PA i  B j 
16

 A escolha da probabilidade clássica, também chamada de

probabilidade discreta uniforme modela apropriadamente a
independência entre os dois lançamentos.

Chap 4-77
Independência
 Exemplo: Lançamento sucessivo de 2 dados de 4 lados.
16 resultados equiprováveis: prob 1/16.

 Os eventos A = {Resultado do primeiro dado é 1} e

B= {Soma dos dois dados é 5} são independentes?

Chap 4-78
Independência
 Temos que
P(A e B) = P( resultado: (1,5) ) = 1/16
P(A) = P( resultados (1,1), (1,2), (1,3) e (1,4) ) = 4/16
P(B) = P( resultados (1,4), (2,3), (3,2) e (4,1) ) = 4/16

 São independentes? 4 4
PA * PB  *
16 16
1

16
P AB  
 SIM!

Chap 4-79
Independência
 Exemplo: Lançamento sucessivo de 2 dados de 4 lados.
16 resultados equiprováveis: prob 1/16.

 Os eventos A = {Máximo valor das faces é 2} e

B= {Mínimo valor das faces é 2} são independentes?

Chap 4-80
 Independência
 Temos que
P(A e B) = P( resultado: (2,2) ) = 1/16
P(A: Max=2) = P( resultados (1,2), (2,1) e (2,2) ) = 3/16
P(B: Min=2) = P( resultados (2,2), (2,3), (2,4), (3,2) e (4,2) ) = 5/16

 São independentes? 3 5
PA * PB  *
16 16
15
  PA  B
16 * 16
 NÃO!

Chap 4-81
 Independência
 Podemos extender para indepêndencia entre mais de dois
eventos…

 Os eventos A1, A2, …, An são independentes se e somente se:

 Para qualquer subconjunto K de {1, 2, …, n}:

 
P Ai   PA i 
 iK  iK
 Então temos que verificar todas a combinações possíveis!

Chap 4-82
 Independência
 Para 3 eventos A, B e C, precisamos verificar se:
 P(A e B) = P(A) * P(B)
 P(A e C) = P(A) * P(C) Independência 2 a 2
 P(B e C) = P(B) * P(C)
e
 P(A e B e C) = P(A) * P(B) * P(C)

Chap 4-83
Independência
 Exemplo: Um atirador acerta 80% de seus disparos e
outro (na mesmas condições de tiro), 70%.
 Qual é a probabilidade de algum dos 2 atiradores
acertarem o alvo se ambos disparam simultaneamente?
 Considere que o alvo foi acertado quando pelo menos
uma das duas balas tenha feito impacto no alvo.

Chap 4-84
Independência
 Exemplo: Um atirador acerta 80% de seus disparos e
outro (na mesmas condições de tiro), 70%.
 Pelo menos 1 acerta: A1 acerta ou A2 acerta ou ambos.

 P(ao menos 1) = 0.8 + 0.7 – P(os dois acertam)

= 0.8 + 0.7 – 0.8*0.7 = 0.94
ou
 P(ao menos 1) = 1 – P(nenhum dos 2 acerta)
= 1 – 0.2*0.3 = 0.94

Chap 4-85
Independência
 Confiabilidade de um sistema conectando A a B:

Conexão em série

Conexão em paralelo

 As falhas nos links são independentes

 Números indicam que probabilidades de aquele link
funcionar.

Chap 4-86
Independência

Para componentes em série :

 P(subsistema funcione) = p1*p2*…*pn

Para componentes em paralelo :

 P(subsistema funcione) = 1 – P(falhe)

= 1 – (1-p1)*(1-p2)*…*(1-pn)

Chap 4-87
Independência
 Qual a probabilidade que o sistema abaixo funcione?

Chap 4-88
 Independência
 Exemplo: Amostras de uma peça de alumínio fundido são
classicadas com base no acabamento (em micropolegadas) da
superfície e nas medidas de comprimento. Os resultados de 100
peças são resumidos a seguir:

Comprimento
Excelente (B) Bom
Acabamento Excelente (A) 75 7
Superfície
Bom 10 8

Seja A: evento em que disco tem excelente acabamento e B:

evento em que disco tem comprimento considerado excelente.
Os eventos A e B são independentes?

Chap 4-89
Independência
 Exemplo: A probabilidade de que um espécime de
laboratório contenha altos níveis de contaminação é de
10%. Cinco amostras são verificadas, sendo elas
independentes:

 Qual é a probabilidade de que nenhum espécime contenha

altos níveis de contaminação?
 Qual é a probabilidade de que pelo menos um espécime
contenha altos níveis de contaminação?
 Qual é a probabilidade de que exatamente um espécime
contenha altos níveis de contaminação?

Chap 4-90
Resumo
Nesta parte, vimos:
 Conceitos básicos de probabilidade.
 Espaço amostral e eventos, propriedades de conjuntos.
 Funções probabilidade:
 Probabilidade clássica, probabilidade frequentista
 Regra da adição
 Técnicas de contagem
 Probabilidade Condicional
 Regra do Produto e Teorema da Probabilidade Total
 Teorema de Bayes
 Indepedência

Chap 4-91
Perguntas Recapitulativas
 O que é um experimento aleatório?
 O que é espaço amostral?
 Qual a diferença entre um evento simples e um evento
composto?
 Qual a diferença entre eventos mutuamente excludentes e
eventos coletivamente exaustivos?
 O que é uma partição do espaço amostral?
 Qual a diferença entre a probabilidade classica e a
probabilidade frequentista?
 Como você pode usar a regra da adição para encontrar a
ocorrência do evento A ou B?

Chap 4-92
Perguntas Recapitulativas
 Quando o Teorema da probabilidade total é util para
computar a probabilidade de um evento B?

 No teorema de Bayes de que modo a probabilidade a

priori difere da probabilidade revisitada (a posteriori)?

 De que modo a probabilidade condicional se relaciona ao

conceito de independência Estatística?

Chap 4-93