Probab Il I Dade

Notas de Aula - Noções de Probabilidade
Prof.a Ma. Walkiria M. O. Macerau
UEM - Departamento de Estatística
4 de outubro de 2016
Prof.a Ma. Walkiria M. O. Macerau (UEM

Notas
- Departamento
de Aula - Noções
de Estatística)
de Probabilidade 4 de outubro de 2016 1 / 90
Introdução
Um pouco de história
As probabilidades nasceram na Idade Média com os tradicionais jogos
de azar que se faziam na Corte.
A verdadeira teoria surgiu das correspondências entre Pascal e Fermat.
O italiano Jerónimo Cardano (1501-1576) escreveu um trabalho
notável sobre probabilidades - ”Libar de ludo aleal” (Livros sobre jogos
de azar), que só apareceu impresso em 1663.

Notas
- Departamento
de Aula - Noções
de Estatística)
Introdução
Laplace (1749-1827) comentou as teorias de Pascal do seguinte modo:
”A teoria das probabilidades no fundo não é mais do que o bom senso com
exatidão aquilo que as pessoas sentem por uma espécie de instinto. É
notável que tal ciência, que começou nos estudos sobre jogos de azar,
tenha alcançado os altos níveis do conhecimento humano”.

Notas
- Departamento
de Aula - Noções
de Estatística)
Introdução
Laplace também enunciou pela primeira vez a definição clássica de
probabilidade. Porém, foi Gauss (1777-1855) que utilizou as aplicações
do cálculo de probabilidade decisivamente. Gauss criou a teoria dos
erros de observação, Theoria combinationis observatorium erroriluns
minimis obnoxia, 1809, e justificou o emprego na teoria dos erros da
lei que designou por ”normal” hoje conhecida como lei de Gauss.

Notas
- Departamento
de Aula - Noções
de Estatística)
Introdução
Experimentos
Existem dois tipos de experimentos
Determinísticos;
Não determinísticos.
- Os experimentos determinísticos, são aqueles que quando repetido várias
vezes o resultado sempre é o mesmo, em geral, são usuais na física, por
exemplo, ao aquecer a água ela entre em ebulição a 100◦ , independente do
seu volume.
- Já os fenômenos não determinísticos apresentam resultados diferentes,
mesmo quando mantida inalteradas as realizações do experimento, por
exemplo, coletar uma amostra de sangue de um paciente e verificar o tipo
sanguíneo.

Notas
- Departamento
de Aula - Noções
de Estatística)
Definição:
Espaço amostral
O conjunto de todos os resultados possíveis de um experimento aleatório é
chamado de espaço amostral do experimento.
O espaço amostral é denotado por Ω.
Espaços amostrais discreto e contínuo

Um espaço amostral é discreto se ele consiste em um conjunto finito
ou infinito contável de resultados.
Um espaço amostral é contínuo se ele contém um intervalo (tanto
finito como infinito) de números reais.

Notas
- Departamento
de Aula - Noções
de Estatística)
Espaço amostral
Exemplo 1: Lançamento de um dado.

Ω = {1, 2, 3, 4, 5, 6}
Exemplo 2: Coletar sangue de um paciente e verificar o tipo sanguíneo.

Ω = {00 A00 ,00 B 00 ,00 AB 00 ,00 O 00 }
Exemplo 3: Sabe-se que um certo tipo de folha de planta tem entre 10 e

11 milímetros de espessura.
Ω = {x; 10 < x < 11}
Exemplo 4: Observar o tempo de reação de uma droga.

Ω = {t; t > 0}

Notas
- Departamento
de Aula - Noções
de Estatística)
Espaço amostral
Exercício 1: Construa os seguintes espaços amostrais:
(a) Lançar uma moeda e observar a face voltada para cima.

(b) Possíveis genótipos do cruzamento Aa x Aa.
(c) Lançar uma moeda três vezes e observar a face voltada para cima.
(d) Realizam-se a contagem do número de bactérias em uma placa de
Petri.
(e) Um experimento que consiste em submeter ratos a um determinado
estímulo e medir o tempo de reação em minutos.

Notas
- Departamento
de Aula - Noções
de Estatística)
Definição:
Evento
Um evento é um subconjunto do espaço amostral de um experimento
aleatório.
Um evento pode ser:
discreto
contínuo.
Os eventos são denotados por letras maiúsculas de nosso alfabeto, por

exemplo, A, B e C.

Notas
- Departamento
de Aula - Noções
de Estatística)
Eventos
Exemplo 5: Jogar um dado e sair a face 4.

A = Sair a face 4 no lançamento de um dado.
A = {4}
Exemplo 6: Coletar sangue de um paciente e ele possuir sangue tipo 00 O 00 .

B = O paciente possui sangue tipo 00 O 00 .
B = {00 O 00 }
Exemplo 7: Selecionar por sorteio uma folha e ela ter menos que 10,5mm de espessura.
C = A folha da planta tem menos que 10,5mm.
C = {x; 10 < x < 10, 5}
Exemplo 8: Observar o tempo de reação de uma certa droga e ele ser inferior à 20
minutos.
C = O tempo de reação da droga é inferior à 20 minutos.
C = {t; 0 < t < 20}

Notas
- Departamento
de Aula - Noções
de Estatística)
Definição:
Evento impossível
O evento impossível é quando o evento não pode ocorrer.
Denotamos o evento impossível pelo conjunto vazio, .
Exemplo 9: Jogar um dado comum e sair a face 7.

A = Sair a face 7 no lançamento do dado.
A=

Notas
- Departamento
de Aula - Noções
de Estatística)
Definição:
Evento certo
O evento certo é quando o resultado do experimento é o próprio espaço
amostral.
Denotamos o evento certo pelo próprio espaço amostral, Ω.
Exemplo 10: Coletar sangue de um paciente e ele possuir sangue ou tipo

00 A00 ,
ou 00 B 00 , ou 00 AB 00 , ou 00 O 00 .
B = {00 A00 ,00 B 00 ,00 AB 00 ,00 O 00 }
B=Ω

Notas
- Departamento
de Aula - Noções
de Estatística)
Eventos
Exercício 2: Descreva os seguintes eventos, considerando os espaços

amostrais do Exercício 1.
(a) A: sair a face cara.

(b) B: a ocorrência de um resultado que apresente pelo menos um A.
(c) C: sair no máximo uma coroa.
(d) D: a placa de Petri possui no mínimo três bactérias.
(e) E: o tempo de reação ser superior a 10 minutos.

Notas
- Departamento
de Aula - Noções
de Estatística)
Teoria de conjuntos - Propriedades relacionadas ao eventos:
(1)A ∪ B, será o evento que ocorrerá, se e somente se A ou B, ou ambos ocorrem
(2)A ∩ B, será o evento que ocorrerá, se e somente se A e B ocorrem

Notas
- Departamento
de Aula - Noções
de Estatística)
(3) Ac , será o evento que ocorrerá, se e somente se o evento A não ocorrer
Definição: Os eventos que não puderem ocorrer juntos, ou seja, A ∩ B = , são

denominados excludentes ou disjuntos ou eventos mutuamente exclusivos.

Notas
- Departamento
de Aula - Noções
de Estatística)
Exemplo 11: Lance um dado, construa o espaço amostral e considere os

seguintes eventos:
A: ocorrência de um número impar
B: ocorrência de um número par
C : ocorrência de um número maior que 3
Obtenha:
(a) A ∪ B; (f) B ∩ C ;
(b) A ∪ C ;
(g) Ac ;
(c) B ∪ C ;
(h) B c ;
(d) A ∩ B;
(e) A ∩ C ; (i) C c ;

Notas
- Departamento
de Aula - Noções
de Estatística)
Solução:
Ω : {1, 2, 3, 4, 5, 6}
A = {1, 3, 5}
B = {2, 4, 6}
C = {4, 5, 6}
(a) A ∪ B = {1, 2, 3, 4, 5, 6} = Ω (f) B ∩ C = {4, 6}

(b) A ∪ C = {1, 3, 4, 5, 6}
(g) Ac = {2, 4, 6} = B
(c) B ∪ C = {2, 4, 5, 6}
(h) B c = {1, 3, 5} = A
(d) A ∩ B =
(e) A ∩ C = {5} (i) C c = {1, 2, 3}

Notas
- Departamento
de Aula - Noções
de Estatística)
Exercício 3: Lance dois dados honestos, construa o espaço amostral e

considere os seguintes eventos:
A: ocorrência de valores pares
B: ocorrência de valores maiores que 3
C : ocorre soma igual a 11
Obtenha:
(a) A ∪ B; (f) B ∩ C ;
(b) A ∪ C ;
(g) Ac ;
(c) B ∪ C ;
(h) B c ;
(d) A ∩ B;
(e) A ∩ C ; (i) C c ;

Notas
- Departamento
de Aula - Noções
de Estatística)
Definições de Probabilidade
Definição Clássica de Probabilidade:

Consideremos um espaço amostral Ω com N eventos equiprováveis, ou seja,
eventos com a mesma chance de ocorrência. Seja A um evento de Ω
composto de m eventos. A probabilidade do evento A ocorrer, que
denotaremos por P(A), é definida por
m n(A) número de casos favoráveis a A

P(A) = = = . (1)
N n(Ω) número de casos possíveis(Ω)

Notas
- Departamento
de Aula - Noções
de Estatística)
Probabilidade
Exemplo 12: Considerando o Exemplo 11, lançamento de um dado,

vamos calcular as seguintes probabilidades.
(a) Qual a probabilidade da ocorrência de um número ímpar?
(b) Qual a probabilidade da ocorrência de um número par?
(c) Qual a probabilidade da ocorrência de um número maior que 3?

Notas
- Departamento
de Aula - Noções
de Estatística)
Probabilidade
Solução: Ω : {1, 2, 3, 4, 5, 6}
A: ocorrência de um número impar ⇒ A = {1, 3, 5}

n(A)
P(A) = n(Ω) = 36 = 12
B: ocorrência de um número par ⇒ B = {2, 4, 6}

P(B) = n(B) 3 1
n(Ω) = 6 = 2
C : ocorrência de um número maior que 3 ⇒ C = {4, 5, 6}

P(C ) = n(C ) 3 1
n(Ω) = 6 = 2

Notas
- Departamento
de Aula - Noções
de Estatística)
Probabilidade
Exercício 4: Considerando o Exercício 3, lançamento de dois dados,

vamos calcular as seguintes probabilidades.
(a) Qual a probabilidade da ocorrência de valores pares ou maiores que 3?

(b) Qual a probabilidade da ocorrência de valores pares e maiores que 3?
(c) Qual a probabilidade da ocorrência de valores maiores que 3 ou soma
igual a 11?
(d) Qual a probabilidade da ocorrência de valores pares e soma igual a 11?
(e) Qual a probabilidade da não ocorrência de valores pares?

Notas
- Departamento
de Aula - Noções
de Estatística)
Definições de Probabilidade
Definição Axiomática de Probabilidade:

Probabilidade é uma função P definida no espaço amostral, Ω, que satisfaz
as seguintes condições:
1 0 ≤ P(A) ≤ 1, para todo evento A ∈ Ω;
2 P(Ω) = 1;
3 P(A ∪ B) = P(A) + P(B), Se A e B forem eventos mutuamente
exclusivos.

Notas
- Departamento
de Aula - Noções
de Estatística)
Definição Axiomática de Probabilidade
Propriedades:
De acordo com as definições apresentadas, temos as seguintes
propriedades:
1 P() = 0;
2 P(Ac ) = 1 − P(A) ou P(A) = 1 − P(Ac );
3 P(A ∪ B) = P(A) + P(B) − P(A ∩ B), se A e B são dois eventos
quaisquer;
4 Se A ⊂ B, então P(A) ≤ P(B).

Notas
- Departamento
de Aula - Noções
de Estatística)
Probabilidade
Exemplo 13: Considere um paciente que deseja saber o seu tipo sanguíneo
quanto ao grupo ABO.
(a) Qual a probabilidade do sangue do paciente ser tipo A?
(b) Qual a probabilidade do sangue do paciente ser tipo A ou B?
(c) Qual a probabilidade do sangue não ser tipo O?

Notas
- Departamento
de Aula - Noções
de Estatística)
Probabilidade
Solução:
Ω : {A, B, AB, O}
A:o sangue do paciente é do tipo ”A”.
B:o sangue do paciente é do tipo ”B”.
C :o sangue do paciente é do tipo ”O”.
(a) Qual a probabilidade do sangue do paciente ser tipo A?

P(A) = 14 .
(b) Qual a probabilidade do sangue do paciente ser tipo A ou B?

P(A ∪ B) = P(A) + P(B) − P(A ∩ B) = 14 + 14 − 0 = 24 = 12 .
Neste caso, temos que P(A ∩ B) = 0, pois A e B são mutuamente exclusivos.
(c) Qual a probabilidade do sangue não ser tipo O?

P(C c ) = 1 − P(C ) = 1 − 14 = 34

Notas
- Departamento
de Aula - Noções
de Estatística)
Probabilidade
Definição de Probabilidade Condicional

A probabilidade de um evento A ocorrer, dado que outro evento B tenha
ocorrido é chamado de probabilidade condicional, e é denotada por
P(A ∩ B)
P(A|B) = , com P(B) > 0. (2)
P(B)
Nesses casos estamos interessados na parte de A que ocorrerá em B, que é

A ∩ B.
OBS: Também podemos escrever

P(A ∩ B) = P(B) · P(A|B)

Notas
- Departamento
de Aula - Noções
de Estatística)
Probabilidade Condicional
Exemplo 14: Suponha que o seguinte quadro represente uma possível

divisão dos alunos matriculados nos cursos de Farmácia, Biomedicina e
Medicina.
Tabela 1: Classificação dos alunos segundo o gênero e o curso.
Curso Gênero Total

Masculino Feminino
Farmácia 35 50 85
Biomedicina 92 43 135
Medicina 80 50 130
Total 207 143 350

Notas
- Departamento
de Aula - Noções
de Estatística)
Calcule a probabilidade de:

(a) o aluno fazer o curso de Biomedicina e ser do sexo masculino;
(b) o aluno fazer o curso de Biomedicina ou ser do sexo feminino;
(c) o aluno não fazer o curso de Biomedicina;
(d) o aluno fazer o curso de Biomedicina dado que ele é do sexo feminino;
Solução:
Sorteando um aluno ao acaso, vamos considerar os seguintes eventos:
M: o aluno é do sexo masculino.
F: o aluno é do sexo feminino.
FA: o aluno cursa de Farmácia.
BI: o aluno cursa de Biomedicina.
ME: o aluno cursa de Medicina.

Notas
- Departamento
de Aula - Noções
de Estatística)
(a) P(do aluno fazer o curso de Biomedicina e ser do sexo masculino)=

92
P(BI e M)=P(BI ∩ M) = 350 .
(b) P(do aluno fazer o curso de Biomedicina ou ser do sexo feminino)=

P(BI ou F)=P(BI ∪ F ) = P(BI ) + P(F ) − P(BI ∩ F )=
135
350
+ 143
350
43
− 350 = 135+143−43
350
= 235
350
(c) P(do aluno não fazer o curso de Biomedicina)=

P(BI ) = 1 − P(BI ) = 1 − 135
350
= 215
350
(d ) P(do aluno fazer o curso de Biomedicina dado que ele é do sexo feminino)=
P(BI ∩F ) 43
P(BI |F ) = P(F )
= 143

Notas
- Departamento
de Aula - Noções
de Estatística)
Exercício 5: Considerando o Exemplo 14, calcule as seguintes probabilidades:
(a) P(FAc )=
(b) P(BI ∪ M)=
(c) P(BI |M) =
(d) P(F ∩ FA)=
(e) P(FA ∩ BI ∩ ME )=
(f) P(F |ME )=
(g) P(M ∪ ME )=
(h) P(BI ∪ F )=
(i) P(M|FA)=
(j) P(BI ∩ F )=

Notas
- Departamento
de Aula - Noções
de Estatística)
Independência Estatística
Definição:
Dois eventos A e B dizem-se independentes se e somente se
P(A ∩ B) = P(A) · P(B). (3)

Notas
- Departamento
de Aula - Noções
de Estatística)
Probabilidade Condicional e Independência Estatística
Exemplo 15: Uma urna contém 3 bolas brancas e 4 bolas amarelas. Duas
bolas são retiradas, uma após a outra. Qual a probabilidade de que ambas
sejam amarelas?
Os eventos para este exemplo são:

A: A primeira bola retirada é amarela.
B: A segunda bola retirada é amarela.
Vamos considerar duas situações:

1a as retiradas são com reposição.
2a as retiradas são sem reposição.

Notas
- Departamento
de Aula - Noções
de Estatística)
Probabilidade Condicional e Independência Estatística
1a Situação (com reposição)

P(ambas as bolas serem amarelas)=P(A primeira bola retirada ser amarela e a segunda
bola retirada ser amarela)=P(A e B)=P(A ∩ B).
Temos que P(A) = 74 e P(B) = 74 , então
P(A ∩ B) = 47 · 47 = P(A) · P(B)
Pois os eventos A e B são independentes.
2a Situação (sem reposição)

P(ambas as bolas serem amarelas)=P(A primeira bola retirada ser amarela e a segunda
bola retirada ser amarela)=P(A e B)=P(A ∩ B)
Temos que P(A) = 74 e P(B) = 63 , então
P(A ∩ B) = 47 · 36 = P(A) · P(B|A)
Pois o evento B depende do evento A.

Notas
- Departamento
de Aula - Noções
de Estatística)
Qualidade de testes diagnósticos
Teste clínico
Em um teste de diagnósticos, o pesquisador utiliza dois grupos muitos
específicos, sendo um grupo portador da doença perfeitamente
caracterizada e outro grupo são de pacientes sem a doença em questão.
O diagnóstico, deve ser feito por meio diferente do teste em estudo, o
chamado padrão ouro.
Os resultados desta etapa da pesquisa podem ser resumidos na forma da
Tabela 2, a seguir.

Notas
- Departamento
de Aula - Noções
de Estatística)
Tabela 2: Esquema padrão da síntese dos dados

para verificação da qualidade de um teste clínico.
Doença Teste Total
Positivo Negativo
Presente a b a+b
Ausente c d c +d
Total a+c b+d n =a+b+c +d
T+ corresponde a teste positivo;

T− corresponde a teste negativo;
D+ corresponde a indivíduo portador da doença;
D− corresponde a indivíduo não portador da doença;

Notas
- Departamento
de Aula - Noções
de Estatística)
Sensibilidade:
é a probabilidade de o teste ser positivo, sabendo-se que o paciente que
está sendo examinado é doente.
P(T+ ∩ D+ ) a
s = P(T+ |D+ ) = = (4)
P(D+ ) a+b
Especificidade:
é a probabilidade de o teste ser negativo, sabendo-se que o paciente que
está sendo examinado não é portador da doença.
P(T− ∩ D− ) d
e = P(T− |D− ) = = (5)
P(D− ) c +d

Notas
- Departamento
de Aula - Noções
de Estatística)
Exemplo 16: A Tabela 3 apresenta os resultados da aplicação do teste

ergométrico de tolerância a exercícios em 1465 pessoas.
Tabela 3: Resultado da aplicação do teste ergométrico

Doença Teste ergométrico Total
coronariana Positivo Negativo
Presente 815 208 1023
Ausente 115 327 442
Total 930 535 1465
Calcule a sensibilidade e a especificidade.

Notas
- Departamento
de Aula - Noções
de Estatística)
A sensibilidade, ou seja, a probabilidade do teste ergométrico ser positivo,

sabendo-se que o paciente possui doença coronariana é dada por
P(T+ ∩ D+ ) 815
s = P(T+ |D+ ) = =
P(D+ ) 1023
A especificidade, ou seja, a probabilidade do teste ergométrico ser negativo,

sabendo-se que o paciente que está sendo examinado não possui doença
coronariana é dada por
P(T− ∩ D− ) 327
e = P(T− |D− ) == =
P(D− ) 442

Notas
- Departamento
de Aula - Noções
de Estatística)
Risco relativo:
O risco relativo (RR) é uma medida de efeito da exposição ao fator, e seu
valor estimado é dado por
a
P̂1 a+c
RR = = b
(6)
P̂0 b+d
OBS: Entre os pacientes expostos P̂1 é a proporção dos pacientes que

desenvolveram a doença e P̂0 é a proporção de pacientes que não
desenvolveram a doença, em que essas proporções são amostrais.

Notas
- Departamento
de Aula - Noções
de Estatística)
Razão de chanches:
A razão de chanches (RC) é a chance de se desenvolver a doença entre dos
expostos dentre os não expostos, e seu valor estimado é dado por
P̂1 a/(a+c)
Q̂1 c/(a+c) ad
RC = = b/(b+d)
= . (7)
P̂0 bc
Q̂0 d/(b+d)
OBS: Lembrando que entre os pacientes expostos P̂1 é a proporção dos

pacientes que desenvolveram a doença e P̂0 é a proporção de pacientes que
não desenvolveram a doença. Entre os pacientes não expostos Q̂1 é a
proporção de pacientes que desenvolveram a doença e Q̂0 é a proporção de
pacientes que não desenvolveram a doença, em que essas proporções são
amostrais.
Notas
- Departamento
de Aula - Noções
de Estatística)
Utilizando os dados do Exemplo 16, temos que o risco relativo (RR) é

dado por
a 815
a+c 0, 88
RR = b = 930208
= = 2, 26. (8)
b+d 535
0, 39
O risco de quem tem teste ergométrico positivo é de 226% de desenvolver
doença coronariana. Já a razão de chanches (RC) é dada por
a/(a+c)
c/(a+c) ad (815)(327) 266505
RC = b/(b+d)
= = = = 11, 14. (9)
bc (208)(115) 23920
d/(b+d)
A chance de desenvolver doença coronariana em pacientes com teste

ergométrico positivo é de 1.114%.

Notas
- Departamento
de Aula - Noções
de Estatística)
Exercício 6: A Tabela 4 apresenta os resultados da tomografia

computadorizada em 67 pacientes com metástase e 83 sem metástase de
carcinoma hepático.
Tabela 4: Resultado da tomografia computadorizada

Metástase de Tomografia computadorizada Total
carcinoma hepático Positivo Negativo
Presente 52 15 67
Ausente 9 74 83
Total 61 89 150

Notas
- Departamento
de Aula - Noções
de Estatística)
Calcule:
(a) a probabilidade um paciente possuir metástase de carcinoma hepático.

(b) a probabilidade um paciente possuir resultado de tomografia negativo.
(c) a probabilidade um paciente não possuir metástase de carcinoma
hepático e possuir resultado de tomografia positivo.
(d) dado que um paciente não possui metástase, qual a probabilidade do
resultado da tomografia ser positivo.
(e) dado que um paciente possui resultado da tomografia negativo, qual a
probabilidade desse paciente não possuir metástase.
(f) a sensibilidade do teste.
(g) a especificidade do teste.
(h) o risco relativo.
(i) a razão de chanches.

Notas
- Departamento
de Aula - Noções
de Estatística)
Variáveis aleatórias
Definição
Seja E um experimento aleatório e Ω um espaço amostral associado ao
experimento. Uma função X que associa a cada elemento ωi ∈ Ω um
número real X (ωi ) é denominado variável aleatória.

Notas
- Departamento
de Aula - Noções
de Estatística)
Exemplo 17: Seja X a variável aleatória (v.a.) que representa o número de meninos em
uma família com duas crianças.
Solução:
X: número de filhos meninos
F: a criança é do sexo feminino.
M: a criança é do sexo masculino.
Tabela 5: Distribuição da v.a. número de meninos

em uma família com duas crianças.
Resultados possíveis de Ω Número de meninos (x)
{F , F } 0
{F , M} 1
{M, F } 1
{M, M} 2
Neste caso a v.a. X assume os valores 0, 1 e 2.

X: 0,1,2
Notas
- Departamento
de Aula - Noções
de Estatística)
O passo fundamental para se entender uma variável aleatória é associar a

cada valor que a variável aleatória X pode assumir uma probabilidade,
obtendo o que denominamos de distribuição de probabilidade caso a
variável aleatória seja discreta ou função densidade de probabilidade
caso a variável aleatória seja contínua, ou seja, uma função que associa a
cada valor x que a variável aleatória pode assumir à uma probabilidade.

Notas
- Departamento
de Aula - Noções
de Estatística)
Distribuição de probabilidade
Definição:
Seja X uma variável aleatória discreta e sejam x1 , x2 , x3 , ... os valores que
ela assume, dispostos em ordem crescente de magnitude. Suponha também
que seja atribuídos a esses valores probabilidade dadas P(X = x) = p(x).
Para que uma função p(x) seja uma distribuição de probabilidade, as
seguintes condições devem ser satisfeitas
1 p(x) ≥ 0;
Pn
i=1 p(xi ) = 1;
2

Notas
- Departamento
de Aula - Noções
de Estatística)
Exemplo 18: Utilizando o Exemplo 17, vamos construir a distribuição de

probabilidade p(x) da v.a. número de meninos em uma família com duas
crianças.
Tabela 6: Distribuição de probabilidade do número de meninos

em uma família com duas crianças.
Resultados possíveis (Ω) Número de meninos (x) P(X = x)
{F , F } 0 1/4
{F , M} 1 1/4
{M, F } 1 1/4
{M, M} 2 1/4

Notas
- Departamento
de Aula - Noções
de Estatística)
Tabela 7: Distribuição de probabilidade da v.a. X .

Pn
X 0 1 2 i=1 p(xi )
P(X=x) 1/4 2/4 1/4 1
Representação gráfica da distribuição de probabilidade P(X = x) = p(x)

Notas
- Departamento
de Aula - Noções
de Estatística)
Função de distribuição de uma v.a. discreta
Definição:
Definimos função de distribuição, ou função acumulada, ou função de
repartição, de uma v.a. X no ponto x, como sendo a probabilidade de que
X assuma um valor menor ou igual a x, ou seja,
F (x) = P(X ≤ x) = P(−∞ ≤ X ≤ x). (10)

Notas
- Departamento
de Aula - Noções
de Estatística)
Exemplo 19: Construa a distribuição acumulada F (x) para a v.a. número

de meninos em uma família com duas crianças (Exemplo 17).
Solução:
Para encontrar a função acumulada, temos que calcular a F (x) nos pontos
0, 1 e 2.
F (x) = P(X ≤ x)
1
F (0) = P(X ≤ 0) = P(X = 0) =
4
1 2 3
F (1) = P(X ≤ 1) = P(X = 0) + P(X = 1) = + =
4 4 4
1 2 1 4
F (2) = P(X ≤ 2) = P(X = 0) + P(X = 1) + P(X = 2) = + + = =1
4 4 4 4

Notas
- Departamento
de Aula - Noções
de Estatística)
Logo, a função de distribuição acumulada é dada por


 0 se x < 0,
 1 se

0 ≤ x < 1,
F (x) = 4
3
 se 1 ≤ x < 2,
 4


1 se x ≥ 2.
Representação gráfica da F (x)

Notas
- Departamento
de Aula - Noções
de Estatística)
Distribuição de probabilidade e Função de distribuição
Exercício 7: Um casal deseja ter três filhos. Seja X a variável aleatória

que representa o número de meninos nos nascimentos, obtenha:
(a) o espaço amostral.

(b) a distribuição da variável aleatória X .
(c) verifique se p(x) é uma distribuição de probabilidade.
(d) construa o gráfico da p(x).
(e) construa a função de distribuição acumulada e faça a sua
representação gráfica.

Notas
- Departamento
de Aula - Noções
de Estatística)
Esperança Matemática de uma v.a. discreta
Definição:
A média de uma v.a. X é também chamada de valor esperado, ou
esperança matemática, ou simplesmente esperança de X .
A esperança de uma v.a. discreta representada por E [X ] é definida por
n
X
µX = E [X ] = xi p(xi ). (11)
i=1
ou seja,
n
X
µX = E [X ] = xi p(xi ) = x1 · p(x1 ) + x2 · p(x2 ) + · · · + xn · p(xn )
i=1

Notas
- Departamento
de Aula - Noções
de Estatística)
Exemplo 20: Calcule a esperança do Exemplo 17.

Pn
X 0 1 2 i =1 p(xi )
P(X=x) 1/4 2/4 1/4 1
Calculando a esperança, temos

n
X
µX = E [X ] = xi p(xi ) = x1 · p(x1 ) + x2 · p(x2 ) + · · · + xn · p(xn )
i=1
1 2 1 2 2 4
E [X ] = 0 ·
+1· +2· =0+ + = =1
4 4 4 4 4 4
Se um casal deseja ter dois filhos, espera-se que um dos filhos seja do sexo
masculino.

Notas
- Departamento
de Aula - Noções
de Estatística)
Propriedades:
Se a e b são constantes e X é uma v.a. discreta, então
1 E [a] = a;
2 E [bX ] = bE [X ];
3 E [X + a] = E [X ] + E [a] = E [X ] + a;
4 E [a + bX ] = E [a] + E [bX ] = a + bE [X ]

Notas
- Departamento
de Aula - Noções
de Estatística)
Exercício 8: Um pronto socorre mantém registros dos atendimentos de

acidentados diários de certa cidade. O quadro abaixo a seguir dá o número
X de acidentes em uma semana e a respectiva probabilidade p(x).
X 0 1 2 3 4 5
p(x) 0.1 0.1 0.2 0.3 0.2 0.1
Qual o número esperado de acidentes?

Notas
- Departamento
de Aula - Noções
de Estatística)
Variância de uma v.a. discreta
Definição:
Assim, como a média ou a esperança é uma medida de posição de uma
v.a., é natural que se procure por uma medida que verifique a variabilidade
da variável aleatória, com relação à média, dispersão essa que chamamos
de variância e representamos por σX2 , a qual é definida por
h i
σX2 = Var [X ] = E (X − µ)2 = E X 2 − [E (X )]2 ,

(12)
em que a E [X 2 ] é dada por

n
X
E X2 = xi2 p(xi ) = x12 · p(x1 ) + x22 · p(x2 ) + · · · + xn2 · p(xn ).
i=1

Notas
- Departamento
de Aula - Noções
de Estatística)
Desvio padrão de uma v.a. discreta
Definição:
O desvio padrão, σX , é a raiz quadrada da variância.
Tem sobre esta última medida a vantagem de expressar a dispersão na
mesma unidade de medida da v.a.
O desvio padrão, σX é dado por
q p
σX = σX2 = Var [X ]. (13)

Notas
- Departamento
de Aula - Noções
de Estatística)
Variância e desvio padrão de uma v.a. discreta
Exemplo 21: Calcule a variância e o desvio padrão do Exemplo 17.

X 0 1 2 Total
P(X=x) 1/4 2/4 1/4 1
Calculando a esperança ao quadrado, temos

E X 2 = ni=1 xi2 p(xi ) = x12 · p(x1 ) + x22 · p(x2 ) + · · · + xn2 · p(xn )
P
E X 2 = 02 · 41 + 12 · 24 + 22 · 14 = 0 · 14 + 1 · 42 + 4 · 14 = 0 + 24 + 44 = 6

4
= 1.5
Var [X ] = E X 2 − [E (X )]2 = 1.5 − (12 ) = 1.5 − 1 = 0.5

A variância do número de filhos do sexo masculino é de 0.5 meninos2 .

p √
dp [X ] = Var [X ] = 0.5 = 0.7
Se um casal deseja ter dois filhos, espera-se que um dos filhos seja do sexo masculino,
com um desvio padrão de aproximadamente um menino.

Notas
- Departamento
de Aula - Noções
de Estatística)
Propriedades da Variância:
Se a e b são constantes e X é uma v.a. então
1 Var [X ] > 0;
2 Var [bX ] = b 2 Var [X ];
3 Var [X + a] = Var [X ];
4 Var [a + bX ] = b 2 Var [X ].
Propriedades do desvio padrão:

Se a e b são constantes e X é uma v.a. então
1 dp[X ] > 0;
2 dp[bX ] = |b|dp[X ];
3 dp[X + a] = dp[X ];
4 dp[a + bX ] = |b|dp[X ].

Notas
- Departamento
de Aula - Noções
de Estatística)
Exercício 9: Calcule a variância e o desvio padrão do Exercício 8.

Notas
- Departamento
de Aula - Noções
de Estatística)
Função densidade de probabilidade

A distribuição de uma v.a. contínua pode ser encarada como um
refinamento de uma distribuição discreta.
Uma variável aleatória contínua pode tomar todos os valores de um
dado intervalo.
Pertencem a esse tipo de variáveis as medidas de grandeza física com
coordenadas espaciais, peso, tempo e etc.
A medida que aumenta a precisão das medidas pode-se trabalhar com
um número cada vez maior de classes até que, no limite, tem-se uma
curva contínua f (x), que é chamada de função densidade de
probabilidade.

Notas
- Departamento
de Aula - Noções
de Estatística)
Definição:
Uma variável aleatória X é contínua em R, se existir uma função f (x), tal
que
1 f (x) ≥ 0;
R +∞
−∞ f (x)dx = 1, a área total sob a função densidade é 1.
2
A função f (x) é chamada de função densidade de probabilidade

(f.d.p.).

Notas
- Departamento
de Aula - Noções
de Estatística)
Probabilidade:
A probabilidade de uma variável aleatória X estar no intervalo [a, b] é dada
por
Z b
P (a ≤ X ≤ b) = f (x)dx = F (b) − F (a), (14)
a
corresponde à área delimitada pela função f (x), ou seja, área sob a curva
de função densidade de probabilidade entre os pontos a e b.

Notas
- Departamento
de Aula - Noções
de Estatística)
Exemplo de uma função densidade de uma v.a. X .

Notas
- Departamento
de Aula - Noções
de Estatística)
Modelos probabilísticos
Modelos probabilísticos
Um modelo probabilísticos constitui-se numa família de distribuições,
porque dependem de um ou mais parâmetros, que quando determinados
especificam o modelo completamente.
Temos modelos probabilísticos discretos e os contínuos, aqui veremos

apenas os modelos discretos de Bernoulli e Binomial, e o modelo contínuo
Normal.

Notas
- Departamento
de Aula - Noções
de Estatística)
Modelos probabilísticos discretos
Distribuição de Bernoulli
Seja E um experimento e Ω o espaço amostral com duas possibilidades:
sucesso ou fracasso.
Seja X a v.a. que representa o sucesso por meio do 1 (um) e o fracasso por
meio do 0 (zero).
X : 0, 1
P(sucesso) = P(X = 1) = p
P(fracasso) = P(X = 0) = (1 − p) = q
P(X = x) = p x q 1−x . (15)
E [X ] = p e Var [X ] = pq
Notação: X ∼ Ber (p)

Notas
- Departamento
de Aula - Noções
de Estatística)
Distribuição de Bernoulli
Exemplo 22: Uma gaiola contém 10 ratos machos e 40 ratas fêmeas. Ao

acaso retiramos um animal com reposição.
Convenciona-se como sucesso a ocorrência do rato ser fêmea.
Ω : {10M, 40F }
X : 0, 1
P(sucesso) = P(X = 1) = 4050 = p
P(fracasso) = P(X = 0) = 1050 = q = (1 − p)
4
E [X ] = p = 5
Var [X ] = pq = p(1 − p) = 45 · 15 = 25
4

Notas
- Departamento
de Aula - Noções
de Estatística)
Modelos probabilísticos discretos
Distribuição de Binomial
Suponha E um experimento realizado n − vezes, sendo que a probabilidade
de sucesso, p, permanece constante qualquer que seja a realização.
Seja X a v.a. que representa o número de sucessos ocorridos nas
n-realizações.
X : 0, 1, 2, ..., n
P(X = 0) = q × q × q × · · · × q = q n
P(X = 1) = n1 p 1 q n−1

Então, para x sucessos temos

n x n−x
P(X = x) = p q . (16)
x
E [X ] = np e Var [X ] = npq Lembrete:
n n!

Notação: X ∼ Bin(n, p) k = k!(n−k)!
Notas
- Departamento
de Aula - Noções
de Estatística)
Distribuição Binomial
Exemplo 23: A probabilidade dos pais de certo tipo de olhos

azuis-castanho terem um filho com olhos azuis é de 14 .
Se uma família desse tipo tem 4 filhos, qual a probabilidade de:
(a) exatamente um filho ter olhos azuis.
(b) no máximo um filho ter olhos azuis.
(c) qual o valor esperado de filhos com olhos azuis?

Notas
- Departamento
de Aula - Noções
de Estatística)
p = 14 então q =1−p =1− 1
4
= 3
4
e n=4
P(X = x) = xn p x q n−x

(a) exatamente um filho ter olhos azuis.

x =1
1 3 4−1 1 3 3
P(X = 1) = 41 14 = 41 14 1 27 108

4 4
=4· 4
· 64
= 256
(b) no máximo um ter olhos azuis.

x ≤1
P(X ≤ 1) = P(X = 0) + P(X = 1)
4 1 0 3 4−0 4 1 0 3 4 81 81

P(X = 0) = 0 4 4
= 0 4 4
=1·1· 256
= 256
81 108 189
P(X ≤ 1) = P(X = 0) + P(X = 1) = 256
+ 256
= 256
(c) qual o valor esperado de filhos com olhos azuis?

E [X ] = np = 4 · 14 = 44 = 1
Espera-se em média numa família com quatro filhos, que um dos filhos
tenha olhos azuis.
Notas
- Departamento
de Aula - Noções
de Estatística)
Exercício 10: A probabilidade de um paciente possuir determinada

característica é de 10%. Uma amostra de 10 pacientes é selecionada.
Calcule a probabilidade de:
(a) exatamente quatro pacientes apresentarem a característica.

(b) pelo menos três pacientes apresentarem a característica.
(c) quantos pacientes são esperados com essa certa
característica.

Notas
- Departamento
de Aula - Noções
de Estatística)
Modelos probabilísticos contínuos
Distribuição normal
Uma v.a. contínua X terá distribuição normal se a sua função densidade de
probabilidade for dada por
1 1 x−µ 2
f (x) = √ e − 2 ( σ ) , −∞ < x < +∞. (17)
σ 2π
E [X ] = µ e Var [X ] = σ 2
Notação: X ∼ N(µ, σ 2 )

Notas
- Departamento
de Aula - Noções
de Estatística)
Gráfico da distribuição normal

Notas
- Departamento
de Aula - Noções
de Estatística)
Distribuição normal padronizada

Entretanto, pela complexidade temos que para uma v.a. contínua X com
média µ e desvio padrão σ, podemos tomar uma variável padronizada, ou
reduzida, correspondente definida como
X −µ
Z= . (18)
σ
Podemos observar que Z = X quando a média µ = 0 e o desvio padrão
σ = 1.

Notas
- Departamento
de Aula - Noções
de Estatística)
Distribuição normal padronizada

Esta variável reduzida Z encontra importante aplicação no estudo da
distribuição normal, sua a função densidade de fZ (z) é dada por
1 1 2
fZ (z) = √ e − 2 (z) , −∞ < z < +∞. (19)
2π
E [Z ] = 0 e Var [Z ] = 1
Notação: Z ∼ N(0, 1)

Notas
- Departamento
de Aula - Noções
de Estatística)
Gráfico da distribuição normal padronizada

Notas
- Departamento
de Aula - Noções
de Estatística)
Propriedades da distribuição normal padronizada:

1 fZ (z) é simétrica em relação à origem Z = 0;
2 fZ (z) possui ponto de máximo em Z = 0;
3 fZ (z) tende a zero quando Z → ±∞;

Notas
- Departamento
de Aula - Noções
de Estatística)
Observações:
1 A função fZ (z) não depende dos parâmetros, então podemos tabelar
os valores de fZ (z);
2 P(−3 ≤ Z ≤ 3);
3 A medida usada para a conversão da normal padrão é o score, dado
por
X −µ
Z= .
σ

Notas
- Departamento
de Aula - Noções
de Estatística)
Distribuição Normal Padronizada
Exemplo 24: Determine:

(a) a área sob a curva normal padronizada à esquerda de 1,72.
(b) a área sob a curva normal padronizada abaixo de -0,53.
(c) a área sob a curva normal padronizada estar entre 0,70 e 1,35.
(d) a área sob a curva normal padronizada maiores que 1,80.

Notas
- Departamento
de Aula - Noções
de Estatística)
Solução:
(a) Determine a área sob a curva normal padronizada à esquerda de 1,72.
Consultado a tabela, vê-se que Z=1,72 corresponde à área (probabilidade) 0,9573 ou
P(Z < 1, 72) = 0, 9573
(b) Determine à área sob a curva normal padronizada abaixo de -0,53.

Na tabela, a Z=-0,53, corresponde a área 0,2981 ou
P(Z < −0, 53) = 0, 2981

Notas
- Departamento
de Aula - Noções
de Estatística)
Solução:
(c) Determine a área sob a curva normal padronizada estar entre 0,70 e
1,35.
A área (probabilidade) é a diferença entre à área à esquerda de 1,35 e a área à esquerda
de 0,70 ou
P(0, 70 < Z < 1, 35) = P(Z < 1, 35) − P(Z < 0, 70) = 0, 9115 − 0, 7580 = 0, 1535
(d) Determine a área sob a curva normal padronizada maiores que 1,80.
Podemos verificar que à área correspondente para Z maior é a mesma que toda à área
menos a área para Z menor
P(Z > 1, 80) = 1 − P(Z < 1, 80) = 1 − 0, 9641 = 0, 0359
ou por simetria, a área acima de 1,80 é igual a área à esquerda de -1,80, ou seja,
P(Z > 1, 80) = P(Z < −1, 80) = 0, 0359

Notas
- Departamento
de Aula - Noções
de Estatística)
Exercício 11: Determine as seguintes áreas sob a curva normal

padronizada:
(a) P(Z < 1.11) =

(b) P(Z < −0.8) =
(c) P(Z > 1.93) =
(d) P(Z > −0.35) =
(e) P(0 < Z < 1) =
(f) P(−2.55 < Z < 1.2) =

Notas
- Departamento
de Aula - Noções
de Estatística)
Exemplo 25: O tempo de reação de certo medicamento é de 180

segundos (µ = 180) com um desvio padrão de 60 segundos (σ = 60).
Determine a probabilidade do tempo de reação ser:
(a) menor que 170 segundos;
(b) maior que 230 segundos;
(c) entre 200 e 250 segundos.
(d) Quantos segundos deve ter o tempo de reação para
escolhermos os 10%, dos tempos de reação mais demorados?

Notas
- Departamento
de Aula - Noções
de Estatística)
Neste caso, a variável aleatória precisa ser padronizada ⇒ Z = X −µ

σ
(a) P(X < 170) =?
P Z < X −µ = P Z < 170−180

σ 60
= P(Z < −0, 17) = 0, 4325
A probabilidade do tempo de reação ser menor que 170 segundos é de 43,25%.
(b) P(X > 230) =?

P Z > X −µ = P Z > 230−180

σ 60
= P(Z > 0, 83) = P(Z < −0, 83) = 0, 2033
A probabilidade do tempo de reação ser maior que 230 segundos é de 20,33%.
(c) P(140 < X < 250) =?

P X −µ < Z < X −µ = P 140−180 < Z < 250−180

σ σ 60 60
= P(−0, 67 < Z < 1, 17) =
P(Z < 1, 17) − P(Z < −0, 67) = 0, 8790 − 0, 2514 = 0, 6276
A probabilidade do tempo de reação estar entre 140 e 250 segundos é de 62,76%.

Notas
- Departamento
de Aula - Noções
de Estatística)
(d ) X =?
Z = X −µ
σ
Zσ = X − µ
Zσ + µ = X
X = µ + Zσ
P(Z > z0 ) = 0, 10 ou
P(Z < z0 ) = 0, 90
z0 = 1, 28
X = 180 + 1, 28 · 60
X = 180 + 76, 8
X = 256, 8
A quantidade de tempo em segundos, em que estão os 10% dos tempos de reação mais demorados é a partir de 257
segundos aproximadamente.

Notas
- Departamento
de Aula - Noções
de Estatística)
Exercício 12: As alturas dos alunos do curso de Biomedicina da UEM

são normalmente distribuídos com média 1,60m e desvio padrão de 0,30m.
Encontre a probabilidade de um aluno medir:
(a) menos de 1,48m.

(b) mais de 1,75m.
(c) entre 1,50 e 1,80m.
(d) Qual deve ser a medida mínima para escolhermos os 5% dos
alunos mais altos?
(e) Supondo que o número de alunos matriculados no curso de
Biomedicina fosse de 200 alunos. Quantos alunos teriam
altura maior que 1,70m?

Notas
- Departamento
de Aula - Noções
de Estatística)
Referências
BUSSAB, W. O.; MORETTIN, P. A.; (2003); Estatística Básica.

Editora Saraiva, São Paulo-SP, 5a Edição.
DANTAS, C. A. B.: (1997); Probabilidade: Um Curso
Introdutório. Editora EDUSP, São Paulo-SP, 1a Edição.
MAGALHÃES, M. N.; LIMA, A. C. P.; (2010); Noções de
Probabilidade e Estatística. Editora EDUSP, São Paulo-SP, 7a
Edição.

Notas
- Departamento
de Aula - Noções
de Estatística)

Probab Il I Dade

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Probab Il I Dade

Caricato da

Copyright:

Formati disponibili

Notas de Aula - Noções de Probabilidade

Prof.a Ma. Walkiria M. O. Macerau

UEM - Departamento de Estatística

Prof.a Ma. Walkiria M. O. Macerau (UEM

Prof.a Ma. Walkiria M. O. Macerau (UEM

Prof.a Ma. Walkiria M. O. Macerau (UEM

Prof.a Ma. Walkiria M. O. Macerau (UEM

Prof.a Ma. Walkiria M. O. Macerau (UEM

O espaço amostral é denotado por Ω.

Espaços amostrais discreto e contínuo

Prof.a Ma. Walkiria M. O. Macerau (UEM

Exemplo 1: Lançamento de um dado.

Exemplo 2: Coletar sangue de um paciente e verificar o tipo sanguíneo.

Exemplo 3: Sabe-se que um certo tipo de folha de planta tem entre 10 e

Exemplo 4: Observar o tempo de reação de uma droga.

Prof.a Ma. Walkiria M. O. Macerau (UEM

Exercício 1: Construa os seguintes espaços amostrais:

(a) Lançar uma moeda e observar a face voltada para cima.

Prof.a Ma. Walkiria M. O. Macerau (UEM

Um evento pode ser:

Os eventos são denotados por letras maiúsculas de nosso alfabeto, por

Prof.a Ma. Walkiria M. O. Macerau (UEM

Exemplo 5: Jogar um dado e sair a face 4.

Exemplo 6: Coletar sangue de um paciente e ele possuir sangue tipo 00 O 00 .

Prof.a Ma. Walkiria M. O. Macerau (UEM

Denotamos o evento impossível pelo conjunto vazio, .

Exemplo 9: Jogar um dado comum e sair a face 7.

Prof.a Ma. Walkiria M. O. Macerau (UEM

Denotamos o evento certo pelo próprio espaço amostral, Ω.

Exemplo 10: Coletar sangue de um paciente e ele possuir sangue ou tipo

Prof.a Ma. Walkiria M. O. Macerau (UEM

Exercício 2: Descreva os seguintes eventos, considerando os espaços

(a) A: sair a face cara.

Prof.a Ma. Walkiria M. O. Macerau (UEM

(2)A ∩ B, será o evento que ocorrerá, se e somente se A e B ocorrem

Prof.a Ma. Walkiria M. O. Macerau (UEM

Definição: Os eventos que não puderem ocorrer juntos, ou seja, A ∩ B = , são

Prof.a Ma. Walkiria M. O. Macerau (UEM

Exemplo 11: Lance um dado, construa o espaço amostral e considere os

Prof.a Ma. Walkiria M. O. Macerau (UEM

(a) A ∪ B = {1, 2, 3, 4, 5, 6} = Ω (f) B ∩ C = {4, 6}

Prof.a Ma. Walkiria M. O. Macerau (UEM

Exercício 3: Lance dois dados honestos, construa o espaço amostral e

Prof.a Ma. Walkiria M. O. Macerau (UEM

Definição Clássica de Probabilidade:

m n(A) número de casos favoráveis a A

Prof.a Ma. Walkiria M. O. Macerau (UEM

Exemplo 12: Considerando o Exemplo 11, lançamento de um dado,

Prof.a Ma. Walkiria M. O. Macerau (UEM

A: ocorrência de um número impar ⇒ A = {1, 3, 5}

B: ocorrência de um número par ⇒ B = {2, 4, 6}

C : ocorrência de um número maior que 3 ⇒ C = {4, 5, 6}

Prof.a Ma. Walkiria M. O. Macerau (UEM

Exercício 4: Considerando o Exercício 3, lançamento de dois dados,

(a) Qual a probabilidade da ocorrência de valores pares ou maiores que 3?

Prof.a Ma. Walkiria M. O. Macerau (UEM

Definição Axiomática de Probabilidade:

Prof.a Ma. Walkiria M. O. Macerau (UEM

Prof.a Ma. Walkiria M. O. Macerau (UEM

Prof.a Ma. Walkiria M. O. Macerau (UEM

(a) Qual a probabilidade do sangue do paciente ser tipo A?

(b) Qual a probabilidade do sangue do paciente ser tipo A ou B?

(c) Qual a probabilidade do sangue não ser tipo O?