EST0023 - PROBABILIDADE E ESTATÍSTICA

Unidade II

José Augusto Fiorucci

Departamento de Estatística
Universidade de Brasília
Definições básicas e exemplos
Definições

I Experimento aleatório: nesse tipo de experimento os possíveis

resultados são conhecidos, no entanto não sabemos qual resultado em
particular irá ocorrer;
I Ex 1: lançar uma moeda uma unica vez e observar o lado de cima.
Sabemos que os resultados possíveis são cara e coroa, mas não
sabemos o que irá ocorrer;
I Ex 2: lançar um dado uma unica vez e observar o lado de cima.
Sabemos que os resultados possíveis são 1, 2, 3, 4, 5 ou 6, mas não
sabemos o que irá ocorrer;
I Ex 3: escolher um aluno ao acaso e perguntar a sua idade. Sabemos
que os resultados possíveis pertence ao conjunto dos naturais N, mas
não sabemos o que irá ocorrer;
I Ex 4: o preço de fechamento de uma ação de uma empresa no
próximo dia. Sabemos que os resultados possíveis pertence ao
conjunto dos reais positivos R+ , mas não sabemos o que irá ocorrer.
I Espaço amostral: conjunto de todos os resultados possíveis do
experimento aleatório. Será denotado por Ω (“omega”).

I Evento: qualquer subconjunto do espaço amostral. Geralmente é

denotado por letras maiúsculas (A, B, C , . . .).
I O evento A = Ω é chamado de “evento certo” pois sempre ocorre.
I O evento B = ∅ é chamado de “evento impossível” pois nunca ocorre.
Exemplo: experimento aleatório de lançar uma moeda uma única vez e
observar o lado de cima

I Espaço amostral:
I Ω = {cara, coroa}

I Alguns possíveis eventos:

I Sair cara: A = {cara}
I Sair coroa: B = {coroa}
I Sair cara ou coroa: C = {cara, coroa} = Ω
I Não sair nem cara e nem coroa: D = ∅
Exemplo: experimento aleatório de escolher um aluno ao acaso e verificar
a sua idade

I Espaço amostral:
Ω = {15, 16, 17, . . . , 100} = {x ∈ N, 15 ≤ x ≤ 100}

I Alguns possíveis eventos:

I 20 anos: A = {20}
I maior que 30 anos: B = {x ∈ N, 31 ≤ x ≤ 100}
I menor que 20 anos: C = {x ∈ N, 15 ≤ x ≤ 19}
I menor que zero: D = ∅
Relembrando a teoria dos conjuntos
Teoria dos conjuntos

Seja Ω o espaço amostral (conjunto arbitrário) não vazio e seja A, B e C

eventos de Ω (isto é, A, B, C ⊆ Ω). Então:
I Contido (⊆):
I Ex: A ⊆ B denota que o conjunto A esta contido em B, ou seja,
todos os elementos de A também são elementos de B;
I Igual (=):
I Ex: A = B denota que A ⊆ B e B ⊆ A;

I Diferença (−):
I Ex: C = A − B é o conjunto formado por todos os elementos de A
que não são elementos de B, isto é,
C = {ω ∈ Ω : ω ∈ A e ω 6∈ B} = A ∩ B c ;
I Complementar (c ):
I Ex: Ac denota o conjunto formado por todos os elementos de Ω que
não são elementos de A, isto é, Ac = Ω − A = {ω ∈ Ω : ω 6∈ A};
I União (∪):
I Ex: C = A ∪ B é o conjunto formado por todos os elementos de A e
pelos elementos de B, isto é, C = {ω ∈ Ω : ω ∈ A ou ω ∈ B};
I Interseção (∩):
I Ex: C = A ∩ B é o conjunto formado por todos os elementos de A
que também elementos de B, isto é, C = {ω ∈ Ω : ω ∈ A e ω ∈ B};
I Se A ∩ B = ∅ então A e B são chamados de multuamente exclusivos
ou disjuntos;
Propriedades (leis de conjuntos)

1. Comutativa:
I A∪B =B∪A
I A∩B =B∩A

2. Associativa:
I A ∪ (B ∪ C ) = (A ∪ B) ∪ C
I A ∩ (B ∩ C ) = (A ∩ B) ∩ C

3. Distributiva:
I A ∪ (B ∩ C ) = (A ∪ B) ∩ (A ∪ C )
I A ∩ (B ∪ C ) = (A ∩ B) ∪ (A ∩ C )
I Leis de Morgan

I (A ∪ B)c = Ac ∩ B c

I (A ∩ B)c = Ac ∪ B c
Axiomas da probabilidade
Probabilidade

Considere Ω como sendo o espaço amostral associado a um determinado

experimento aleatório. Definimos então a função probabilidade da seguinte
forma:

I Probabilidade: e chamado de probabilidade uma função P() que

define um número real para todo evento de Ω e que satisfaz os
seguintes axiomas:
1. 0 ≤ P(A) ≤ 1, ∀A ⊆ Ω;
2. P(Ω) = 1, por consequência temos P(∅) = 0;
3. Se A1 , A2 , A3 , . . . forem disjuntos, então
∞
! ∞
[ X
P Ai = P(Ai )
i=1 i=1
Exemplo

Exemplo: considere o experimento aleatório de observar a face superior em

dois lançamentos de uma moeda.

I Espaço Amostral:
Ω = {cara e cara, cara e coroa, coroa e cara, coroa e coroa}

I Modelo probabilistico:
I Supondo que a moeda é honesta, isto é, a probabilidade de sair cara é
igual a probabilidade de sair coroa, podemos admitir que todos os
elementos do espaço amostral tem a mesma probabilidade (espaço
equiprovável), isto é, P( cara e cara ) = P( cara e coroa ) = P( coroa
e cara ) = P( coroa e coroa ) = 1/4, ou simplesmente podemos
escrever,
P(ω) = 1/4, ∀ω ∈ Ω
Continuação
I Probabilidade de alguns eventos:
I A: o primeiro lançamendo dar cara
I A = {cara e cara, cara e coroa}
I P(A) = 1/4 + 1/4 = 1/2

I B: pelo menos uma coroa

I B = {cara e coroa, coroa e cara, coroa e coroa}
I P(B) = 1/4 + 1/4 + 1/4 = 3/4

I B c : não ter pelo menos uma coroa

I B c = {cara e cara}
I P(B c ) = 1/4
I ou P(B c ) = 1 − P(B) = 1 − 3/4 = 1/4

I A ∩ B: o primeiro lançamendo dar cara e ter pelo menos uma coroa

I A ∩ B = {cara e coroa}
I P(A ∩ B) = 1/4

I A ∪ B: o primeiro lançamendo dar cara ou ter pelo menos uma coroa

I A ∪ B = {cara e cara, cara e coroa, coroa e cara, coroa e coroa} = Ω
I P(A ∪ B) = P(Ω) = 1
Propriedades principais

Sejam A e B eventos quaisquer de Ω. Então:

i) P(Ac ) = 1 − P(A);
ii) Se A ⊆ B então P(A) ≤ P(B);
iii) P(A ∩ B c ) = P(A) − P(A ∩ B)
iv) P(A ∪ B) = P(A) + P(B) − P(A ∩ B);

Exercício: mostre as propriedade.

I Dicas:
I no item i) utilize A ∪ Ac = Ω;
I no ii) utilize B = (B ∩ Ac ) ∪ A;
I no iii) utilize A = (A ∩ B) ∪ (A ∩ B c );
I no iv) utilize A ∪ B = (A ∩ B) ∪ (A ∩ B c ) ∪ (B ∩ Ac ) e o item iii)
Probabilidade condicional
Probabilidade condicional

O conhecimento prévio de um evento pode alterar a probabilidade dos

demais eventos. Neste caso, o ganho de informação pode ser utilizado
para recalcular a probabilidade do evento de interesse.

Def.: Para dois eventos A e B de Ω, a probabilidade de A ocorrer dado

que B ocorreu é representada por P(A|B) e calculada pela seguinte
expressão
P(A ∩ B)
P(A|B) =
P(B)
desde que P(B) > 0.
Exercício

Exercício: A planilha abaixo apresenta a distribuição dos alunos

matriculados em quatro cursos de uma faculdade. As letrar maiúsculas (A,
M, E, C, H, F) representam o respectivo evento ao selecionar um aluno
dessa facultade de forma aleatória.

Ao selecionar um aluno de modo aleatório determine a probabilidade da

ocorrência dos seguintes eventos:
I O aluno ser do curso de matemática aplicada
P(A) = 30/200
Continuação

I O aluno ser do curso de computação e do sexo feminino

P(C ∩ F ) = 10/200

I Dado que foi selecionado uma mulher, ela ser do curso de matemática
aplicada
P(A∩F ) 15/200
P(A|F ) = P(F ) = 85/200 = 15/85

I Dado que foi selecionado alguém do curso de estatística, este ser do

sexo masculino
P(H∩E ) 10/200
P(H|E ) = P(E ) = 30/200 = 10/30
Eventos independentes
Eventos independentes

I Def.: dois eventos A, B ⊆ Ω são chamados de independentes se

P(A ∩ B) = P(A)P(B)

I Neste caso, note que

I P(A|B) = P(A∩B)
P(B)
= P(A)

I P(B|A) = P(B∩A)
P(A)
= P(B)

ou seja, se A e B são independêntes então a ocorrência prévia de um

deles não interfere na probabilidade de ocorrência do outro.
Exemplo
Exemplo: considere uma urna com 2 bolas brancas e 3 bolas vermelhas, no
qual é feita duas retiradas com reposição.
Considere os eventos
I A = primeira bola é vermelha
I B = segunda bola é branca
verifique se A e B são independentes.
Solução:
I Espaço amostral: Ω = {BB, BV , VB, VV }
I Modelo de prob.: P({BB}) = 2/5 ∗ 2/5 = 4/25; P({BV }) =
6/25; P({VB}) = 6/25; P({VV }) = 9/25;
I Prob. dos eventos:
I A = {VB, VV }, logo P(A) = 6/25 + 9/25 = 15/25
I B = {BB, VB}, logo P(B) = 4/25 + 6/25 = 10/25
I A ∩ B = {VB}, logo P(A ∩ B) = 6/25

I Como P(A) ∗ P(B) = 15/25 ∗ 10/25 = 6/25 é igual a P(A ∩ B)

concluímos que os eventos A e B são independentes.
Exercício:

Exercício: Mostre que para o experimento aleatório do exemplo anterior os

eventos
I C = pelo menos uma bola vermelha
I D = pelo menos uma bola branca
não são independêntes. Calcule P(D) e P(D|C), comprove que são
diferentes.
Eventos Disjuntos e Partição
Eventos Disjuntos
Def.: dois eventos A, B ⊆ Ω são disjuntos (mutualmente excludentes) se
A ∩ B = ∅.
Logo:
I P(A ∩ B) = P(∅) = 0
P(A∩B) 0
I P(A|B) = P(B) = P(B) =0
I P(A ∪ B) = P(A) + P(B) − P(A ∩ B) = P(A) + P(B)

Obs: note que eventos disjuntos não são independentes, pois a ocorrência
de um deles implica diretamente na não ocorrência do outro. Além do
mais, nesse caso P(A ∩ B) 6= P(A)P(B) sempre que P(A) > 0 e
P(B) > 0.

Exemplo:
I A e Ac são eventos disjuntos.
Partição
Def.: uma coleção A1 , A2 , . . . , An de eventos formam uma partição do
espaço amostral Ω se,
I Ai ⊆ Ω, ∀ i = 1, 2, ..., n
I Ai ∩ Aj = ∅, para ∀ i 6= j
I A1 ∪ A2 ∪ A3 ∪ ... ∪ An = Ω

Exemplo:
I Como A e Ac são eventos disjuntos e Ω = A ∪ Ac , concluímos que A
e Ac formam uma partição do espaço amostral.

Obs.:
Pn note que se A1 , A2 , . . . , An é uma partição de Ω, então
i=1 P(Ai ) = 1, pois

n
X
1 = P(Ω) = P(A1 ∪ A2 ∪ ... ∪ An ) = P(Ai )
i=1
Regra do produto de probabilidades

I Regra do produto de probabilidades: da equação de probabilidade

condicional, temos:

P(A ∩ B) = P(A|B)P(B)

e
P(A ∩ B) = P(B|A)P(A)
Teorema da probabilidade total

I Teorema da probabilidade total: sejam A1 , A2 , . . . , An eventos que

Sn
formam uma partição do espaço amostral Ω, isto é, i=1 Ai = Ω e
Ai ∩ Aj = ∅, para ∀ i 6= j. Seja B um evento desse espaço. Então
n
X n
X
P(B) = P(B ∩ Ai ) = P(B|Ai ) P(Ai )
i=1 i=1

OBS: Note que esse teorema permite calcular a probabilidade de um

evento B, tendo como conhecimento apenas as probabilidades em
relação aos termos da partição.
Exemplo
Exemplo: Três maquinas A, B e C produzem, respectivamente, 50%, 30%
e 20% do número total de peças de uma fábrica. As porcentagens de
defeituosos na produção destas máquinas são 3%, 4% e 5%. Se uma peça
é selecionada aleatoriamente dentre todas aquelas produzidas por essa
fábrica, encontre a probabilidade dessa peça ser defeituosa.
Solução:

I As letras A, B e C denotam os eventos da peça ter sido fabricada na

respectiva fábrica. Considere a letra D como o evento da peça ser
defeituosa.
I Note que A, B e C formam uma partição e sabemos que P(A)=0,5,
P(B)=0,3 e P(C)=0,2
I Além disso, dado a origem da peça, também sabemos a probabilidade da
mesma ser defeituosa: P(D|A)=0,03, P(D|B)=0,04 e P(D|C)=0,05.
I Assim,

P(D) = P(A ∩ D) + P(B ∩ D) + P(C ∩ D)

= P(D|A)P(A) + P(D|B)P(B) + P(D|C )P(C )
= 0, 03 ∗ 0, 5 + 0, 04 ∗ 0, 3 + 0, 05 ∗ 0, 2 = 0, 037.
Exercício

Em uma clínica onde são realizados testes para rastreamento do câncer de

próstata em homens, 96% dos resultados são negativos. Dos pacientes
com resultado positivo, 31% são de fato doentes e dos pacientes com
resultado negativo, 95% não são doentes. Qual a probabilidade de um
paciente da clínica ter câncer?
I Resposta: 6,04%
Teorema de Bayes
Teorema de Bayes

I Seja A, B ⊆ Ω, então se P(B) > 0, podemos escrever

P(A ∩ B) P(B|A)P(A)
P(A|B) = =
P(B) P(B)

Essa equação é especialmente importante pois permite que uma

probabilidade a priori (P(A)) seja atualizada para uma probabilidades
a posteriori (P(A|B)).

I No caso de A1 , A2 , . . . , An formarem uma partição de Ω, temos a

seguinte versão do teorema:

P(Ai ∩ B) P(B|Ai )P(Ai )

P(Ai |B) = = Pn , i = 1, 2, . . . , n
P(B) j=1 P(B|Aj )P(Aj )
Exemplo 1 - Teorema de Bayes

Exemplo: Três maquinas A, B e C produzem, respectivamente, 50%, 30%

e 20% do número total de peças de uma fábrica. As porcentagens de
defeituosos na produção destas máquinas são 3%, 4% e 5%. Se uma peça
é selecionada aleatoriamente dentre todas aquelas produzidas por essa
fábrica, obtenha as probabilidades:
(i) A peça provenha da máquina A dado que a peça selecionada é
defeituosa.
(ii) A peça provenha da máquina B dado que a peça selecionada é
defeituosa.
(iii) A peça provenha da máquina C dado que a peça selecionada é
defeituosa.
Obs: a solução esta no próximo slide.
Exemplo 1 - Teorema de Bayes - Solução
Exemplo 2 - Teorema de Bayes
Exemplo: Um teste de laboratório é 95% efetivo para detectar uma
doença quando a pessoa de fato esta doente (sensibilidade do teste). Além
disso o teste produz um falso positivo para 1% das pessoas testadas.
Supondo que 5% da população tenha a doença, qual a probabilidade da
pessoa ter a doença dado que o resultado foi positivo?
Solução:
I Eventos:
I A : resultado do teste dar positivo; Ac : resultado do teste dar negativo
I D : a pessoa esta doente; D c : a pessoa não esta doente
I Espaço amostral: Ω = {Ac D c , Ac D, AD c , AD}
I Dados
I P(A|D) = 0.95 ⇒ P(Ac |D) = 0.05
I P(A|D c ) = 0.01 ⇒ P(Ac |D c ) = 0.99
I P(D) = 0.05 ⇒ P(D c ) = 0.95

I Probabilidade desejada: P(D|A) =?

P(A|D)P(D) P(A|D)P(D) 0.95∗0.05
P(D|A) = P(A)
= P(A|D)P(D)+P(A|D c )P(D c )
= 0.95∗0.05+0.01∗0.95
= 0.833
Exercício 1

Exercício: numa região do DF estima-se que cerca de 20% dos habitantes

têm algum tipo de alergia. Sabe-se que 40% dos alérgicos praticam
esporte, enquanto que essa porcentagem entre os não alergicos é 50%.
Para um indivíduo escolhido aleatoriamente nesta região, obtenha as
probabilidades:
A) Não praticar esporte.
I Resposta: 0,52

B) Ser alérgico dado que não pratica esporte

I Resposta: 0,2308
Exercício 2

Exercício: Suponha que 24% dos imóveis de uma certa cidade são rurais e
76% são urbanos. Suponha ainda que 75% dos imóveis rurais não realizam
a coleta seletiva, enquanto que na área urbana esse valor é de 38%. Qual
é a probabilidade de um imóvel que não realiza a coleta seletiva ser da
área rural?
I Resposta: 0,384