Teoria das Probabilidades

Iola Maria Silvério Pinto

ipinto@deetc.isel.ipl.pt

Ano Lectivo 2010/2011

 1.INTRODUÇÃO
Fenómenos Fenómenos Probabilísticos
Determinísticos ou Estocásticos

A relação funcional entre as A relação funcional

variáveis dependentes e entre as variáveis
independentes existe e é dependentes e
totalmente explicita, ou seja,
independentes não é
conhecida.
totalmente explicita, ou
seja, atribui-se
importância ao factor
SORTE.
2
1.INTRODUÇÃO

 É difícil definir Probabilidade;

 no entanto é usual usarmos palavras como: provável, acaso,
sorte;
 ou frases como:
“É mais provável que esteja um dia chuvoso em Dezembro
do que em Agosto”;
“ Actualmente é menos provável contrair tuberculose, do
que há uns 30 anos atrás”;
 Estamos a fazer comparações, baseando-nos em raciocínios
probabilísticos;

3
1.INTRODUÇÃO

• No nosso quotidiano utilizamos a noção de probabilidade

emitindo as nossas opiniões, mas não estamos preparados
para atribuir um valor numérico à probabilidade;
• Identificamos com facilidade os acontecimentos impossíveis e
os certos:
– Qual a probabilidade de existir um homem com 3 metros de altura?
ZERO.
– Qual a probabilidade do sol nascer amanhã?
UM.

4
1.INTRODUÇÃO

• Se ao enviar uma mensagem de rádio, consideramos

apenas duas possibilidades:
– recepção com erro;

– recepção sem erro;

• e quisermos atribuir igual probabilidade aos dois

casos possíveis a cada um corresponde a
probabilidade ½.

5
1.INTRODUÇÃO

• A probabilidade pode-se definir como a medida da

convicção que temos sobre a realização de um dado
acontecimento;

• Como quantificar essa convicção?

• Existem formas distintas de o fazer.

6
1.INTRODUÇÃO

Exemplo 1.
“A probabilidade de contrair cancro da laringe é de 7%
nos indivíduos que fumam mais de um maço de cigarros
por dia”;

 Neste caso quantificamos a probabilidade com base em

estudos experimentais. A probabilidade é calculada pela
frequência relativa com que, numa amostra representativa da
população, o acontecimento sucedeu.

7
 1.INTRODUÇÃO

Exemplo 2.
“Num dado equilibrado com seis faces, a probabilidade de
sair a face três num lançamento é 1/6”.

 Neste caso não foi necessário realizar a experiência

para obter o valor da probabilidade.

8
 1.INTRODUÇÃO

Exemplo 3.
Suponha-se o lançamento de uma moeda equilibrada,
uma série de vezes e o registo da face que fica voltada
para cima.

Neste caso, por assumirmos que a moeda é equilibrada,

estamos a adoptar um certo modelo probabilístico: espera-se
que o número de caras e coroas saídas seja aproximadamente
igual.

9
1.INTRODUÇÃO

Exemplo 4.

Vamos agora supor que a moeda não é equilibrada.

Quando se repete a experiência um certo número de
vezes, não se sabe o número de caras e coroas que
esperamos obter, dado que as probabilidades
associadas a estes acontecimentos não são conhecidas.

10
1.INTRODUÇÃO

• Neste caso, para obter mais informação, podemos

repetir a experiência, procedendo a um determinado
número de lançamentos, e baseando-nos nos
resultados podemos calcular a frequência relativa da
saída de cara.

11
1.INTRODUÇÃO

1000 lançamentos
324 caras
 Um valor aproximado para a probabilidade de sair
cara é

324
p  0,324
1000

12
1.INTRODUÇÃO

Qual é o objectivo da Estatística?

A Estatística tem como objectivo o estudo das

Populações, ou seja, conjuntos de indivíduos com
características comuns.

13
1.INTRODUÇÃO
•Definição: Variável

Característica comum que assume valores diferentes de

indivíduo para indivíduo.

Uma forma de recolher observações de uma variável é

proceder à realização de uma experiência aleatória.

14
2.Conceitos sobre Probabilidades

•Definição: Experiência Aleatória

É um processo sobre o qual se conhece o conjunto de

resultados possíveis. Cada vez que é repetido em
idênticas condições pode produzir um resultado
diferente, que não se conhece à priori, sabendo-se
apenas que será um do conjunto de
resultados possíveis.

15
 2. Conceitos sobre Probabilidades

•Definição: Observação

Resultado associado a uma realização duma experiência Aleatória.

•Definição: Espaço de resultados ou Espaço Amostral:

S ou
É o conjunto de todos os resultados possíveis duma experiência
aleatória.

16
2. Conceitos sobre Probabilidades

• Definição: Evento ou Acontecimento

É um subconjunto do espaço de resultados.

– Evento Simples ou Elementar

É um evento que contém exactamente um dos resultados possíveis do
espaço de resultados.

– Evento Composto
É um evento que contém mais do que um dos
resultados possíveis do espaço de resultados.
17
 2. Conceitos sobre Probabilidades

• Evento Impossível

É um evento que não tem resultados, estando

associado ao conjunto vazio  .

• Evento Certo
É o evento que contém todos os resultados possíveis
do espaço de resultados.

18
 2. Conceitos sobre Probabilidades

Diagrama de Venn para representação de eventos

A B S

19
 2. Conceitos sobre Probabilidades

 Definição: Complemento de um Evento A em S

Representa-se por A e define-se como o conjunto dos
elementos de S que não pertencem a A.

 Definição: Intersecção de dois eventos A e B

Representa-se por A  B os elementos de S que
Pertencem a A e B.

 Definição: Eventos mutuamente exclusivos A e B

Os eventos A e B dizem-se mutuamente exclusivos
quando a sua intersecção é vazia. 20
2. Conceitos sobre Probabilidades

 Definição: Diferença entre os eventos A e B

Representa-se por A - B e define-se como os elementos
de S que pertencem a A e não pertencem a B.

 Definição: Reunião de dois eventos A e B

Representa-se por A  B o evento que se define como
os elementos que pertencem a A ou a B ou aos dois
eventos.

21
2. Conceitos sobre Probabilidades

Exemplo 5.
Considere a experiência aleatória que consiste no lançamento de
1 dado equilibrado e registo do número inscrito na face que fica
voltada para cima.
(a) Determine o espaço de resultados
(b) Definam-se os acontecimentos:
A: “Saiu a face 3”;
B: “Saiu a face 6”;
Determine o resultado das seguintes operações:

(b1) (b2) A  B e A \ B
22
 2. Conceitos sobre Probabilidades

Exemplo 6.
Considere a experiência aleatória que consiste no
lançamento de uma moeda 3 vezes ao ar e observação
da sequência de caras e coroas obtidas.

(a) Determine o espaço de resultados construindo um

esquema em árvore.
(b) Determine o número de elementos do espaço de
resultados utilizando as técnicas de contagem.
23
 2. Conceitos sobre Probabilidades

Exemplo 7.
Considere a experiência aleatória que consiste em retirar dois
CD’s, sucessivamente e sem reposição de uma caixa com 5 cd’s
em que 2 estão riscados.
Represente através de um diagrama de Venn, o espaço de
resultados e o acontecimento:

A: pelo menos um cd está avariado

Os cd’s riscados representamos por A1 e A2, e os não riscados
por B1, B2 e B3, obtendo-se:

24
2. Conceitos sobre Probabilidades

25
2. Conceitos sobre Probabilidades

Exemplo 8. Disciplinas Nº
Numa determinada universidade,
Análise 57
verificou-se que, de entre os 115
alunos do 1º ano de certa Álgebra 45
licenciatura, temos a seguinte Probabilidades 87
distribuição para o número de
Análise e Álgebra 28
alunos aprovados, relativamente
a três disciplinas: Análise e 35
Probabilidades
Álgebra e 30
Pretende-se representar os Probabilidades
acontecimentos num diagrama Análise, Álgebra e 15
de Venn. Probabilidades
26
2. Conceitos sobre Probabilidades

27
3. Notas históricas sobre Probabilidades

• Motivação: Desenvolvimento de estratégias que possibilitassem

vencer nos jogos de azar (Século XVII);

• Nomes Famosos do século XVII:

– Pascal
– Fermat
– Leibniz
– Bernoulli

28
3. Notas históricas sobre Probabilidades

• A Estatística como disciplina autónoma começou a

desenvolver-se por volta do século XVII em
Inglaterra;

• Os Ingleses efectuaram os primeiros estudos

numéricos sobre fenómenos sociais e políticos como
a Natalidade e Mortalidade.

29
3. Notas históricas sobre Probabilidades

• Metade do Século XIX, principio do Século XX a

Estatística matemática sofre um grande impulso com os
ingleses:

– Pearson
– Gosset
– Fisher

30
3. Notas históricas sobre Probabilidades

• Estes basearam-se nos trabalhos já efectuados por:

– Bayes ( inglês do século XVIII);

– Laplace ( francês do séculos XVIII e XIX);

– Chebyshev ( russo do século XIX);

– Kolmogorov ( russo do século XX).

31
3. Notas históricas sobre Probabilidades

• A partir dos anos 50 (2ª metade do século XX) a

inferência estatística começou a estender-se a outras
áreas;

• Generalização da utilização da Estatística como

ferramenta essencial para a tomada de decisões no
contexto social, político, médico, etc….

32
3. Notas históricas sobre Probabilidades

• Para o cálculo de probabilidades é

fundamental ter conhecimentos básicos
sobre

TÉCNICAS DE CONTAGEM:

• Arranjos com e sem repetição

• Combinações com e sem repetição
• Permutações com e sem repetição

33
 4. Conceitos de Probabilidade

• A probabilidade mede a verosimilhança com que um

Evento ocorre;

• Definido o espaço de resultados, é necessário obter

valores para as probabilidades dos acontecimentos;

• Os diferentes conceitos de probabilidade são formas de

construir modelos de probabilidades;

34
4. Conceitos de Probabilidade

Conceito Clássico ou Laplaciano

Se uma experiência tiver N resultados possíveis que
sejam diferentes, mas igualmente prováveis, e se
exactamente n desses resultados correspondem ao
evento A, então

n nº de casos favoráveis a A
P ( A)  
N nºde casos possíveis

35
4. Conceitos de Probabilidade

Conceito Subjectivo
Baseia-se na intuição e conhecimento pessoal do problema.
Relaciona a probabilidade com a crença, a experiência e as
informações pessoais.

Conceito Objectivo ou Frequencista

Baseia-se em repetições da experiência. Se a experiência for
repetida um número suficientemente grande de vezes, a
probabilidade de um evento é calculada pelo rácio entre o
número total de experiências e o nº de vezes em que se obteve
esse evento como resultado.
36
 5. Axiomas da teoria das Probabilidades

Sejam A e Ai , i=1,…,n, quaisquer eventos de S. Chama-se probabilidade

de A, e denota-se por P(A), o número real associado a A, que mede a
verosimilhança com que A ocorre e que satisfaz os seguintes axiomas:

(1) P(A)  0, A  S

(2) P(S)  1

(3) Se A , A ,..., A forem eventos mutuamente exclusivos, isto é,

1 2 n

A  A   ( i  j ), então P ( A  A 
i j 1 2
)  P(A )  P(A ) 
1 2
 P( A )
n

37
 5. Axiomas da teoria das Probabilidades

Consequências dos Axiomas

1. Dado um acontecimento A, com P( A)  0 a probabilidade do seu

complementar obtém-se por

P( A)  1  P( A)

2. A probabilidade do acontecimento impossível é zero, isto é:

P()  0
38
5. Axiomas da teoria das Probabilidades

3. Dados dois acontecimentos quaisquer A e B, a

probabilidade do acontecimento diferença A-B,
obtém-se por

P( A  B)  P( A \ B)  P( A)  P( A  B)

39
5. Axiomas da teoria das Probabilidades

4. A probabilidade da união de dois eventos quaisquer A

e B, obtém-se somando as suas probabilidades e
subtraindo a probabilidade da sua intersecção, ou seja:
P( A  B)  P( A)  P(B)  P( A  B)
logo

P( A  B)  P( A)  P(B)

40
5. Axiomas da teoria das Probabilidades

5. Se A e B são eventos mutuamente exclusivos, então:

AB   e P( A  B)  P( A)  P(B)

Generalização a três eventos:

P ( A  B  C )  P ( A  B)  C   P ( A  B)  P (C )  P ( A  B)  C  
 P ( A)  P (B)  P ( A  B)  P (C )  P ( A  C )  (B  C ) 

41
5. Axiomas da teoria das Probabilidades

Simplificação no caso dos eventos serem mutuamente

exclusivos

• Uma colecção de eventos A1, A2, , Ak dizem-se mutuamente

exclusivos se para todos os pares se tem

Ai  Aj  , j  i
Para uma colecção de eventos mutuamente exclusivos tem-se para a
probabilidade da sua união:
P  A    P ( A )
 
i i
i i

42
6. Probabilidades Condicionadas. Teoremas

• A probabilidade condicionada permite-nos inferir sobre a

probabilidade dum evento quando nos é fornecida
informação adicional que relaciona a possibilidade de
ocorrência desse evento com a possibilidade de ocorrência de
outros eventos.

Constrói-se uma Nova Lei de

probabilidade que atende ao facto
de existir informação adicional.

43
6. Probabilidades Condicionadas. Teoremas

Exemplo 9
Considere-se o resultado da experiência aleatória que consiste no
lançamento dum dado equilibrado com 6 faces.

Todos os eventos que pertencem ao espaço de resultados são

igualmente prováveis. Suponha-se agora os eventos:

A: ”saiu face 6”

B: ”saiu uma face par”

44
6. Probabilidades Condicionadas. Teoremas

A probabilidade de sair a face seis sabendo que saiu uma face

par é:
1
P ( A | B) 
3
Este exemplo sugere-nos que, com um espaço de resultados
finito e com Resultados Equiprováveis, temos:

número de elementos associados a A  B

P ( A | B) 
número de elementos de B

45
 6. Probabilidades Condicionadas.
Teoremas
• Definição: Probabilidade de A condicionada por B
P ( A  B)
P ( A | B)  , P (B)  0
P (B)
• Sendo uma lei de probabilidade satisfaz os três axiomas
enunciados atrás para a probabilidade simples.

• Com A1 e A2 , quaisquer dois eventos disjuntos, temos:

P[( A1  A2 ) | B]  P( A1 | B)  P( A2 | B)

46
6. Probabilidades Condicionadas. Teoremas

Teorema do produto. Probabilidade da intersecção

de eventos
P ( A  B)
P ( A | B)   P ( A  B) 
P (B)
P ( A  B)
P (B | A)   P ( A  B) 
P ( A)

P ( A  B)  P ( A | B).P (B)

P ( A  B)  P (B | A).P ( A)
47
6. Probabilidades Condicionadas. Teoremas

• Generalização a três eventos

P ( A  B  C )  P [( A  B)  C ] 
 P [C | ( A  B)].P ( A  B) 

sendo,
P( A  B)  P(B | A).P( A)

48
 6. Probabilidades Condicionadas. Teoremas

Generalização a n eventos

Assumindo que todos os eventos condicionados têm probabilidade

positiva tem-se:

P A   P( A ).P( A | A ).P[ A | ( A  A )]
n n 1
P( A | A)
 i 1 i
 1 2 1 3 1 2 n i 1 i

49
6. Probabilidades Condicionadas. Teoremas

• Eventos Independentes
Se para dois eventos A e B, suceder que a ocorrência
ou não de algum deles não afecta a probabilidade de
ocorrer do outro, isto é se,

• Então A e B dizem-se Eventos Independentes

P( A | B)  P( A) e se P(B | A)  P(B)
50
6. Probabilidades Condicionadas.
Teoremas

Se A e B são eventos independentes então:

P ( A | B)  P ( A)
P (B | A)  P (B)

P ( A  B)  P ( A).P (B)

51
7. Probabilidades Condicionadas. Teorema da
probabilidade total

• Sejam A1, A2,..., An eventos disjuntos que formam uma

partição do espaço de resultados S duma determinada
experiência, ou seja,

i) A união de todos os eventos é o próprio espaço;

n
i 1
Ai  S

52
7. Probabilidades Condicionadas.
Teorema da probabilidade total
ii) Os eventos são mutuamente exclusivos dois a dois;

A  A  , i  j , j  1,2,..., n
i j

iii) Todos os eventos têm probabilidade não nula;

P( A )  0, i  1,..., n
i

53
7. Probabilidades Condicionadas.
Teorema da probabilidade total

A1

A1 A2A
2
S
B

A3

54
7. Probabilidades Condicionadas.
Teorema da probabilidade total

 Teorema da Probabilidade Total

Se os eventos A1, A2,..., An definem uma partição de S, então para

qualquer evento B definido em S, temos

P (B)  P ( A1  B)  P ( A2  B)   P ( An  B) 
 P ( A1).P (B | A1)  P ( A2 ).P(B | A2 )   P( An ).P(B | An )

55
7. Probabilidades Condicionadas.
Teorema de Bayes
• Teorema de Bayes
Se A1, A2,..., An definem uma partição de S, então para
qualquer evento B, tal que P(B)  0
tem-se:
P ( Ai ).P (B | Ai )
P ( Ai | B)  , i  1,..., n
P (B)
com

P(B)  P(A1).P (B | A1)  P (A2 ).P (B | A2 )   P (An ).P (B | An )

56