Cálculo das Probabilidades - Definições

ξ - Experimento Aleatório

• Definição: Um experimento que pode fornecer diferentes

resultados, muito embora seja repetido toda vez da mesma
maneira, é chamado experimento aleatório.

Ex: lançamento de uma moeda;

lançamento de um dado;

vida util de uma lampada.

Cálculo das Probabilidades - Definições

S – Espaço Amostral

Definição: O conjunto de todos os resultados possíveis de um
experimento aleatório é chamado espaço amostral do
experimento.
Um espaço amostral será discreto se consistir em um
conjunto finito (ou infinito contável) de resultados. Da mesma
forma, será contínuo se consistir em um conjunto infinito (ou
incontável) de resultados.
Ex: S1 = {cara, coroa};
S2 = { 1, 2, 3, 4, 5, 6 };
S3 = { x ε R / x ≥ 0 }.
Cálculo das Probabilidades - Definições

E – Evento

Definição: Um evento é um subconjunto do espaço amostral

de um experimento aleatório. Pode ser simples ou composto.

Ex: E1 = (cara), E2 = (coroa), E3 = (cara, coroa),

E4 = (1), E5 = (1, 3, 5),

E6 = ( x ε R / x ≥ 3).
Operações básicas com Eventos:

A união de dois eventos é o evento que consiste em todos os

resultados que estão contidos nos dois eventos. Denotamos a
união por A U B.
Operações básicas com Eventos:

A interseção de dois eventos é o conjunto que consiste em

todos os resultados que estão contidos em ambos os eventos,
simultaneamente. Denotamos a interseção por A ∩ B.
Operações básicas com Eventos:

Dois eventos, denotados por A e B, tal que A ∩ B = Ø são

denominados mutuamente excludentes.

A B
s

B
Operações básicas com Eventos:

O complemento de um evento em um espaço amostral é o

conjunto dos resultados no espaço amostral que não estão no
evento. Denotamos o complemento do evento A por A′.
Diagramas em forma de árvore

Espaços amostrais podem também ser descritos graficamente

com diagramas em forma de árvore:
• quando o espaço amostral puder ser construído em várias etapas
ou estágios, podemos representar cada uma das n1 maneiras de
completar a primeira etapa, como um ramo de uma árvore;
• cada uma das maneiras de completar a segunda etapa pode
ser representada por n2 ramos, começando das
extremidades dos ramos originais e assim sucessivamente.
Outras operações com Eventos:

a) (A ∩ B)’ = A’ U B’

b) (A U B)’ = A’ ∩ B’

c) A∩Ø= Ø e A∩S=A

d) Ø’ = S e S’ = Ø

e) A ∩ A’ = Ø

f) A U A’ = S

g) AUØ = A eAUS=S

h) A ∩ ( B U C ) = (A ∩ B ) U (A ∩ C)
Outras operações com Eventos: Exemplo

Lançam-se duas moedas. Sejam os eventos:

A: saída de faces iguais;
B: saída de cara na primeira moeda.

Determinar os eventos:

a)(A U B) b)(A ∩ B) c)A’ d)B’

e)(A U B)’ f)(A ∩ B)’ g)(A’ ∩ B’) h)(A’ U B’)
i)(B - A) j)(A - B) k)(A’ ∩ B) l)(B’ ∩ A)
Solução

Vamos definir os eventos: S, A e B:

S={(c;c);(c;r);(r;c);(r;r)} A={(c;c);(r;r)} B={(c;c);(c;r)}

a) A U B = {(c; c); (c; r); (r; r)} g) (A’∩ B’) = {(r; c)}

b) A ∩ B = {(c; c)} h) (A’U B’) = {((c; r); (r; c); (r; r)}

c) A’ = {(c; r); (r; c)} i) B - A = {(c; r)}

d) B’ = {(r; c); (r; r)} j) A - B = {(r; r)}

e) (A U B)’ = {(r; c)} k) (A’∩ B) = {(c; r)}

f)(A ∩ B)’ = {(c; r); (r; c); (r; r)} l) (B’∩ A) = {(r; r)}

Obs: (A U B)’ = (A’∩ B’) e (A ∩ B)’ = (A’U B’)

Probabilidade Clássica

Utilizada para quantificar verossimilhança ou chance;

Nas aplicações em engenharia, utilizada para representar risco
ou incerteza;

Pode ser interpretada como:

P (E) = numero de casos favoráveis a ocorrencia do evento E

total de casos possíveis(tamanho do espaço amostral)

P (E) = n (E) / n (S)

Probabilidade Frequencista

Outra interpretação de probabilidade está baseada no modelo

conceitual de réplicas repetidas do experimento aleatório,
sendo o valor limite da proporção de vezes que o resultado de
interesse ocorre em n repetições do experimento aleatório, à
medida que n aumenta, isto é, sua frequência relativa:

P (E) = limn→ ∞ fr (E)

Eventos Igualmente Prováveis:
Prováveis:

Quando um espaço amostral consistir em n resultados

possíveis que sejam igualmente prováveis, a probabilidade de
cada resultados é 1/n.

Definição: Para um espaço amostral discreto, a probabilidade

de um evento E, denotada por P(E), é igual à soma das
probabilidades dos resultados em E.

Exemplo:Suponha que num lote de 20 peças existam 5 peças

defeituosas. De quantas maneiras podemos escolher ao acaso
uma amostra de 4 peças, sem se importar com a ordem de
escolha? Encontre a probabilidade de encontrarmos 2 peças
defeituosas na amostra?
Solução

Indica quantos, subconjuntos de 4 elementos diferentes em

um conjunto de 20 elementos diferentes, podem ser formados.

C 20, 4 = n ! / x ! (n – x) ! = 20 ! / 4! (16) ! = 4.845

Podemos escolher C5,2 peças defeituosas e C15,2 peças não

defeituosas para compor a amostra, logo:

P (2 peças defeituosas na amostra) = C5,2 x C 15,2 = 0,217

C20,4
Exercício:: Megasena
Exercício

O jogo da megasena consiste em escolher 6 dezenas entre 60

dezenas. O jogador pode marcar num cartão de 06 a 15
dezenas. O custo de cada jogo segue na tabela:

Dezenas Custo
6 1
7 7
8 28
9 84
10 210
11 462
12 924
13 1716
14 3005
15 5005
Solução

Calcule a probabilidade de que com um unico jogo de 1 real, o

jogador acerte as seis dezenas?
Resp: E (acerto) = 1 E (S) = C60,6= 50 milhões.
Logo, P (acertar com 1 jogo de 1 real)= 1/ 50 milhões.

Por que um jogo com 7 dezenas custa 7 reais?

Resp: Porque com 7 dezenas podemos formar C7,6 = 7 jogos de 6
dezenas, que equivale a 7 vezes 1 real.
Obs: Assim fazer um jogo com 7 dezenas ou 7 jogos com 6 dezenas
são ações equivalentes.

Por que um jogo com 15 dezenas custa 5005 reais?

Resp: Porque com 15 dezenas podemos formar C15,6 = 5005 jogos de
6 dezenas, que equivale a 5005 vezes 1 real.
Obs: Assim fazer um jogo com 15 dezenas ou 5005 jogos com 6
dezenas são ações equivalentes.

Axiomas de Probabilidades

Probabilidade é um número que é atribuido a cada membro de

uma coleção de eventos, a partir de um experimento aleatório
que satisfaça as seguintes propriedades. Se S for o espaço
amostral e E for um evento qualquer em um experiemnto
aleatório:

(i) P (S) = 1
(ii) 0 ≤ P (E) ≤ 1
(iii) Para dois eventos E1 e E2 com E1 ∩ E2 = Ø então:
P ( E1 U E2 ) = P (E1) + P (E2)
Exemplo

Dado que a tabela abaixo representa as 940 pastilhas em um

processo de fabricação de semicondutores:

Centro de Ferramenta de
Produzir Faísca
Não Sim
Alta Não 514 68
Contaminação Sim 112 246

• Suponha que uma pastilha seja selecionada ao acaso. Seja E o evento

que representa uma pastilha com altos níveis de contaminação,
então:
P (E) = (112 + 246) / 940 = 358/940
Teoremas do Cálculo das Probabilidades

i. P ( Ø ) = 0
ii. P (E’) = 1 – P (E) ou P (E) + P (E’) = 1
iii. Regra da Adição
P ( A U B ) = P (A) + P (B) – P ( A ∩ B )
Voltando ao exemplo

Também P (A ∩ B) é a probabilidade da pastilha ser proveniente do

centro da ferramenta de produzir faísca e conter altos níveis de
contaminação, logo:
P (A ∩ B ) = 246 / 940

O evento P (A U B) é aquele em que uma pastilha seja proveniente do

centro da ferramenta de produzir faísca ou contenha altos níveis de
contaminação (ou ambos). Da tabela temos que:
P (A U B ) = 426 / 940

Tambem podemos obter P (A U B ) da seguinte forma:

P (A U B ) = P (A) + P (B) - P (A ∩ B )
= 358/940 + 314/940 – 246/940 = 426/940
Teoremas

Generalizando para três eventos, A, B e C, quaisquer:

P(AUBUC)= P(A)+P(B)+P(C) - P(A∩B)-P(A∩C)-P(B∩C) + P(A∩B∩C)

Observação: se A e B são mutuamente excludentes, isto é, se A∩B=∅,

∅
então P(A∩B)=0 e o resultado geral fica:
P(AUB) = P(A) + P(B)

Uma série de eventos E1,E2,..., Ek, é denominada mutuamente

excludente se, para todos os pares i, j, vale: Ei ∩ Ej = ∅.

P(E1 U E2 U... U Ek) = P(E1) + P(E2) + ... +P(Ek)

Exercício::
Exercício
Solução

Denotemos M uma peça com condição de extremidade moderada e B,

uma peça com profundidade de orifício abaixo do valor desejado.
Então:

a) P(M ∩ B) = 20/200 = 0,10

b) P(M U B) = P(M)+P(B) - P(M ∩ B)= 45/200 + 100/200 – 20/200= 5/8

c) P (M`U B`)= P(M`) + P(B`) - P(M`∩ B`) =

= 155/200 + 100/200 – 75/200 = 180/200

Ou ainda:

P (M`U B`) = 1 - P (M ∩ B) = 1 – 0,1 = 0,9

Probabilidade Condicional

• As urnas, também chamadas urnas de provas, constituem um

argumento de ampla visualização para os fenômenos aleatórios,
quando consideramos a condicionalidade dos eventos.

• Suponha bolas de diversas cores em uma urna:

• Urna contem bolas de duas cores → urna dicotômica: só permite dois

tipos de respostas possíveis (E.M.E.).

• Urna contem mais de duas cores de bolas dizemos ser policotômica.

• Com relação ao processo de extração de bolas: as urnas podem ser

classificadas em com ou sem reposição, conforme a bola retirada seja
reposta na urna ou não.

• As urnas com reposição (não exaustivas) exemplificam uma

população infinita, enquanto que as sem reposição (exaustivas)
exemplificam uma população finita.
Exemplo

• Seja uma urna dicotômica que contem 100 bolas, das quais 20 são
brancas e 80 são vermelhas. Suponha um experimento aleatório que
consiste em retirar bolas da urna, uma após outra. Vamos definir os
eventos:
• E1 : A primeira bola extraída é branca;
• E2 : A segunda bola extraída é branca.

• Se a urna for não exaustiva:

P (E1) = 20/100 e P (E2) = 20/100 → logo P (E1) = P (E2).
• Se a urna for exaustiva:
P (E1) = 20/100 e P(E2) = ?
• Entretanto o valor de P(E2) dependerá do que ocorreu na retirada
anterior, ou seja, está condicionada ao que ocorreu na extração
anterior.
Probabilidade Condicional

• Definição: Probabilidade condicional de E2 dado E1, denotada por

P (E2 / E1 ), é a probabilidade do evento E2 ocorrer condicionado ao
fato de que o evento E1 tenha ocorrido.

• No exemplo: P (E2 / E1 ) = 19/99 , pois o espaço amostral S ficou

reduzido a 99 elementos, dado que uma bola foi anteriormente
extraída e, não foi reposta na urna.

• Logo quando calcularmos P (E2 / E1 ), estaremos na realidade

calculando P (E2) em relação a um espaço amostral reduzido.
Exemplo

• Considere 250 alunos que frequentam uma faculdade: 100 são

homens, 150 mulheres, 110 cursam física e 140 cursam química. A
distribuição dos alunos por curso e sexo é a seguinte:

Física Química Total

Homens 40 60 100
Mulheres 70 80 150
Total 110 140 250

• Um aluno é sorteado ao acaso. Qual a probabilidade de que esteja

cursando química, dado que é mulher?

P (Quimica/Mulher) = 80/150
Probab.. Condicional x Teorema do Produto
Probab

• Definição: Probabilidade Condicional de A dado que B ocorreu:

P ( A / B ) = P ( A ∩ B ) / P ( B ) , se P ( B ) ≠ 0

P(B/A)=P(B∩A)/P(A) , se P ( A ) ≠ 0

• Definição: Sejam dois eventos A ⊂ S e B ⊂ S. Então:

P(A∩B)=P(B).P(A/B)

P(A∩B)=P(A).P(B/A)
Exercício

• Uma urna contém 9 bolas das seguintes cores: 2 brancas, 3 pretas e

4 verdes. Retiram-se ao acaso duas bolas dessa urna (s/ reposição).
Qual a probabilidade de que:
a) Ambas sejam verdes;
b) Sejam da mesma cor?

a) P(V ∩ V) = P (1ª V) . P (2ª V / 1ª V) = 4/9 * 3/8 = 12/72

b) P (mesma cor) = P(B ∩ B) U P(P ∩ P) U P(V ∩ V) = P (1ª B) . P (2ª B / 1ª B)

+ P (1ª P) . P (2ª P / 1ª P) + P (1ª V) . P (2ª V / 1ª V) =
= 2/9*1/8 + 3/9*2/8 + 4/9*3/8 = 20/72
Generalizando o Teorema do Produto

P (A1∩...∩An) = P(A1). P( A2 /A1 ).P(A3 /A1 ∩ A2)…

... P (An /A1 ∩ A2 ∩ …∩ An-1)

• Exemplo: Uma urna contém as letras A,A,A,R,R,S. Extraindo letra

após letra, encontre a probabilidade de formar a palavra ARARAS,
supondo as extrações:
a) com reposição; b) sem reposição.
Eventos Independentes

Sejam dois eventos A ⊂ S e B ⊂ S. Então se os eventos A e B são

eventos independentes:

P ( A/B ) = P (A) e P ( B/A ) = P (B)

• Lembrando o teorema do produto → P ( A ∩ B ) = P ( B ) . P ( A / B )

• Definição: Os eventos A e B são ditos independentes se:

P(A∩B)=P(B).P(A)
Eventos Independentes

• Dois jogadores A e B jogam 120 partidas de xadrez das quais A vence

60, B vence 40, e 20 terminam empatadas. Os jogadores resolvem
jogar mais três partidas, determine a probabilidade de que:
a) A ganhe as três; b) Duas terminem empatadas; c) A e B ganhem
alternadamente.

• Obs: Para verificarmos se três eventos A, B e C são independentes,

devemos verificar se as 4 proposições são satisfeitas:
a) P ( A ∩ B ∩ C ) = P ( A ) . P ( B ) . P ( C)
b) P ( A ∩ B ) = P ( A ) . P ( B )
c) P ( A ∩ C ) = P ( A ) . P ( C )
d) P ( B ∩ C ) = P ( B ) . P ( C )
• Se apenas uma dessas proposições não for satisfeita, os eventos não
serão independentes.
Mutuamente Exclusivos x Independentes

• Obs: Se dois eventos A e B são mutuamente exclusivos, então A e

B são eventos dependentes, visto que a ocorrência de A exclui a
ocorrência de B, e vice-versa.

• Exemplo: Sejam dois eventos A e B, tais que P (A)=0,2, P (B) = x e

P (A U B) = 0,6. Calcule o valor de x para que os eventos A e B:
a) sejam mutuamente exclusivos;
b) sejam independentes.

• Definição: Se os eventos A1, A2, …, An, são eventos independentes,

então:
∩ Ai) = P ( A1 ). P ( A2 ) … P ( An )
P (∩
Teorema da Probabilidade Total

• Consideremos o espaço amostral S e, sejam A1, A2, ..., An eventos

que formam uma partição de S. Ou seja, A1, A2, ..., An são eventos
cuja união é S , tais que Ai ∩ Aj = Ø para todo par (i,j) com i ≠ j e,
nenhum evento é vazio.

• Seja B qualquer evento em S. Então:

n
P(B ) = ∑ P( Ai).P( B
i =1
Ai )
Demonstração

• Os eventos (Ai ∩ B) e (Aj ∩ B), para i ≠ j são eventos mutuamente

exclusivos, pois: (Ai ∩ B) ∩ (Aj ∩ B) = B ∩ (Ai ∩ Aj) = B ∩ ∅ = ∅

• Dessa forma, podemos escrever o evento B como:

B = (A1 ∩ B) ∪ (A2 ∩ B) ∪... ∪ (An ∩ B)

Então: P(B) = P(A1 ∩ B) + P(A2 ∩ B) + ... + P(An ∩ B)

• Usando o teorema do produto:

P (B) = P (A1 ).P (B /A1) + P (A2 ).P ( B / A2) + … + P (An) . P (B /An )

n
P(B) = ∑ P( Ai).P( B
i =1
Ai )
Exercícios

• Ex 1: Uma urna contém duas bolas brancas e duas pretas. Uma

segunda urna contém 4 bolas brancas e duas pretas. Escolhe-se ao
acaso uma urna e dela retira-se ao acaso uma bola.
Qual a probabilidade de que a bola seja branca?

• Ex 2: Três máquinas A, B e C apresentam respectivamente 10%, 20%

e 30% de peças defeituosas na sua produção. A máquina A produz o
equivalente a 40% da produção diária; a máquina B, 25%; a máquina
C, 35%. Ao final de um dia, as peças são misturadas.
Selecionando-se uma destas peças ao acaso qual a probabilidade dela
ser defeituosa?
Teorema de Bayes

• Consideremos o espaço amostral S, sejam A1, A2,..., An eventos que

formam partição de S.

• Seja B qualquer evento em S.

• Sejam conhecidas P (Ai) e P (B / Ai), i=1, 2…n. Então:

P( A j ) * P( B A j ) ∀j = 1,2,...,n
P(Aj / B) = n

∑ P( A ) * P( B
i =1
i Ai )
Demonstração

• Como sabemos (condicional) : P( Aj / B ) = P ( Aj ∩ B ) / P ( B )

• Usando (no numerador) o teorema do produto temos:

• P ( Aj ∩ B ) = P ( Aj ). P ( B / Aj )

• Usando (no denominador) o teorema da probabilidade total, temos:

n
P(B) = ∑ P( Ai).P( B
i =1
Ai )
• Então:

P( A j ) * P( B A j )
P(Aj / B) = n
∀j = 1,2,...,n
∑ P( A ) * P( B
i =1
i Ai )
Exercícios

• Ex 1: A urna I contém 3 moedas de ouro e 2 de prata. A urna II

contém 2 moedas de ouro e 8 de prata. Escolhe-se ao acaso uma
urna e dela retira-se ao acaso uma moeda. A moeda é de ouro. Qual a
probabilidade de que tenha vindo da urna I?

• Ex 2: Três máquinas A, B e C apresentam respectivamente 10%, 20%

e 30% de peças defeituosas na sua produção. A máquina A produz o
equivalente a 40% da produção diária; a máquina B, 25%; a máquina
C, 35%. Ao final de um dia, as peças são misturadas. Selecionando-se
uma destas peças ao acaso e, verificando-se que era defeituosa, qual
a probabilidade dela ter vindo da máquina B?
Variáveis Aleatórias

• Definição: Seja ξ um experimento aleatório e seja S o espaço

amostral associado a este experimento. Uma função X, que associe a
cada evento um número real, é denominada variável aleatória.

Variável Aleatória Discreta

• Definição: Dizemos que X é uma variável aleatória discreta se o

número de valores possíveis de X for finito ou infinito, porém
enumerável.
• Exemplo: Considere o lançamento de 3 moedas. Seja X o número de
ocorrências da face cara (nas 3 moedas). Então podemos enumerar o
espaço amostral (cara = c e coroa = r) da seguinte forma:

S = { (c,c,c), (c,c,r), (c,r,c), (r,c,c), (c,r,r), (r,c,r), (r,r,c), (r,r,r)}

Representação Tabular

• Então X é a variável aleatória que representa o número de caras em

cada lançamento das 3 moedas, logo:

X Evento Correspondente

0 E1= (r, r, r)

1 E2 = (c,r,r), (r,c,r), (r,r,c)

2 E3 = (c,c,r), (c,r,c), (r,c,c)

3 E4 = (c,c,c)
Função de Probabilidade

• Definição: Seja X uma variável aleatória discreta. O conjunto dos

possíveis valores de X será formado no máximo por um número
infinito enumerável de valores x1, x2, ...
A cada possível resultado xi é associado um número P(xi) = P(X=xi),
denominado probabilidade de xi. Os números P(xi), i = 1,2,... devem
satisfazer as seguintes condições:

i) P(xi) = P(X=xi) ≥ 0, ∀i = 1,2,...

∞

ii) ∑ p( x ) = 1
i =1
i

A função P definida acima é denominada função de probabilidade da

variável aleatória X.
Forma Tabular

• No exemplo das moedas:

X P ( Ei) = P(X=xi)
0 1/8
1 3/8
2 3/8
3 1/8
Total 1,0
Distribuição de Probabilidades

• Definição: Ao conjunto formado pela variável aleatória e sua função

de probabilidade damos o nome de distribuição de probabilidades da
variável aleatória, e podemos representá-la:

{xi, P(xi), i = 1, 2, …, n}

• Obs: Podemos representar a distribuição de probabilidades de

maneira tabular (como no exemplo) ou através de gráfico.

• Obs: Deve se destacar que para que exista distribuição de

probabilidades é necessário que a seguinte condição seja satisfeita:
∞

∑ p( x ) = 1
i =1
i
Função de Probabilidade Acumulada

• Definição: Seja X uma variável aleatória discreta. Define-se a função

F(x) como a função de probabilidade acumulada da variável X como:

F(x) = P(X ≤ x), ∀ x ∈ℜ.

• Algumas Propriedades da Função de Probabilidade Acumulada:

1) F(x) = P(X ≤ x) = ∑ p( x )
xi <x
i

2) 0 ≤ F(x) ≤ 1, ∀ x ∈ℜ

3) F(x) é não decrescente, isto é, ∀ x1 ≤ x2, F(x1) ≤ F(x2).

No exemplo das moedas: F(1) = P (X ≤ 1) = P(X=0) + P(X=1) =

= 1/8 + 3/8 = 4/8 = 1/2
Parâmetros Característicos

• A distribuição de probabilidades de uma variável aleatória é

caracterizada por alguns parâmetros, cuja análise é muito importante
para definir o comportamento da variável.

• Esperança Matemática(Média ou Valor Esperado ou Expectância): É

a média aritmética ponderada da variável aleatória.

E(x) = ∑ xi. p( xi)

i =1

Notação: E(X), µ (X), µ

Voltando ao exemplo das três moedas:
moedas:

X P(X) X . P(X)

0 1/8 0
1 3/8 3/8
2 3/8 6/8
3 1/8 3/8
∑ 1,0 12/8 = 1,5

E(x) = 1,5 moedas

Propriedades da Esperança

1. E (k) = k, se k for uma constante.

2. E ( k .X ) = k . E ( X ), se k for uma constante.

3. E ( X ± Y ) = E ( X ) ± E ( Y ).

n n

4. E( ∑ Xi ) = ∑
i =1 i =1
E(Xi).

5. E ( a . X ± b ) = a . E (X) ± b.

6. E ( X - µx ) = 0.
Variância

Suponha duas distribuições distintas e encontre as esperanças:

X P(X) Y P(Y)
0 1/8 -2 1/5
1 6/8 -1 1/5
2 1/8 0 1/5
∑ 1 3 1/5
5 1/5
∑ 1
Variância e Desvio Padrão

• Como vimos no exemplo anterior, o fato de conhecermos a média de

uma distribuição é muito significativo. Porém nos falta uma medida do
grau de dispersão de probabilidades em torno dessa média.

• Repare que ambas as distribuições tem o mesmo valor para média.

Entretanto, qdo traçarmos os gráficos verificaremos o qto essas
distribuições são diferentes.

• Note que há gde concentração de probabilidades em torno da média

em X, e gde dispersão de probabilidades em torno da média em Y.

VAR(X) = E { [ X – E (X) ]2 } = E(X2) – [E(X)]2

n
onde E(X2) = ∑ xi. p( xi)
i =1
Desvio Padrão e Coeficiente de Variação

• Notação: VAR (X), V(X), σ2(X), σ2.

• Obs: Como a variância é um valor quadrático, precisaremos de uma

medida de dispersão na mesma unidade que a média.

• Desvio Padrão: σ (X) = [VAR(X)]

• Notação: σ (X), σ.

• Coeficiente de Variação: CV (X) = σ (X) / E(X)

• Obs: Qto menor a variância, menor o grau de dispersão de

probabilidades em torno da média, e qto maior a variância, maior o
grau de dispersão de probabilidades em torno da média.
No exemplo:
exemplo:

X P(X) X.P(X) X2.P(X)

0 1/8 0 0
1 6/8 6/8 6/8
2 1/8 2/8 4/8

∑ 1,0 µ=1,0 10/8 = 1,25

VAR(X) = 1,25 – (1,0)2 = 0,25

σ (X) = 0,5
CV (X) = 0,5
No exemplo:
exemplo:

Y P(Y) YP(Y) Y2.P(Y)

-2 1/5 -2/5 4/5

-1 1/5 -1/5 1/5
0 1/5 0 0
3 1/5 3/5 9/5
5 1/5 5/5 25/5

∑ 1,0 µ=1,0 39/5=7,8

VAR (Y) = 7,8 – (1,0)2 = 6,8

σ (Y) = 2,61
CV (Y) = 2,61
Propriedades da Variância

1. VAR (k) = 0, se k é constante.

2. VAR (k . X) = k2 . VAR (X), se k é constante.

3. VAR (X ± Y ) = VAR (X) + VAR (Y) ± 2. COV (X,Y).

4. VAR (a.X ± b) = a2 . VAR(X).

Distribuições de Probabilidades Discretas

Distribuição de Bernoulli

• Quando executamos um experimento de Bernoulli, associado a este

ensaio, temos uma variável aleatória com o seguinte comportamento:

• Suponhamos a realização de um experimento cujo resultado pode ser

um sucesso (se acontecer o evento que nos interessa) ou um fracasso
( o evento não se realiza).

• Seja p a probabilidade de sucesso e q a probabilidade de fracasso,

com p + q = 1

• Definimos a seguinte v.a. discreta X : nº de sucessos em uma única

tentativa do experimento.

X = 0 → fracasso → P(X = 0) = q

X = 1 → sucesso → P(X = 1) = p
Distribuição de Bernoulli

• Nessas condições a variável aleatória discreta X tem distribuição de

Bernoulli, e sua função de probabilidade é dada por:

P (X = x) = px . q1-x

Parâmetros Característicos:

X P(X) X.P(X) X2.P(X)

0 q 0 0
1 P P p
∑ 1 P p

Logo: E(X) = p → Var(X) = p – p2 = p.(1 – p) = p.q

Exercício de Bernoulli

• Uma urna tem 30 bolas brancas e 20 verdes. Retira-se uma bola

dessa urna. Seja X: nº de bolas verdes. Determinar P(X) e encontrar
a E(X), VAR (X), Desvio-padrão (X).

Solução:

X = 0 → q = 30/50 = 3/5

X = 1 → p = 20/50 = 2/5

Logo: P(X = x) = (2/5)x . (3/5)1-x

E(X) = p = 2/5

Var(X) = p.q = (2/5).(3/5) = 6/25

ơ (X) = 0,49
Distribuição Binomial

• Se executarmos um experimento tipo Bernoulli, independentemente,

“n” vezes podemos ter de “0 a n” sucessos, onde :

• O número total de possíveis sucessos em “n” repetições do

experimento é dado pela combinação de:
Distribuição Binomial

• Logo se definirmos a variável aleatória discreta Y tal que:

Y = nº de sucessos ocorridos em “n” repetições independentes do

experimento do tipo Bernoulli.

• Temos então que Y tem distribuição Binomial com parâmetros “n” e

“p”, ou seja:

• Assim a probabilidade de ocorrer “y” sucessos em “n” repetições do

experimento é calculada por:
Distribuição Binomial

• A Esperança, Variância e Desvio Padrão da variável aleatória discreta

do tipo Binomial são calculadas respectivamente por:

• Em resumo, as três propriedades básicas que caracterizam uma

variável aleatória discreta com distribuição Binomial são:
1. A variável é resultado de contagem;
2. Os experimentos devem ser independentes;
3. A probabilidade de sucesso é a mesma a cada repetição do
experimento.
Exercícios - Binomial

• Um levantamento da Associação Americana de Investidores Pessoa

Física concluiu que 20% dos seus membros tinham comprado ações
diretamente através de uma oferta pública inicial. Em uma amostra de
10 membros destes associados verifique:
a) Qual a probabilidade de que exatamente três membros tenha
comprado tais ações?
b) Qual a probabilidade de que pelo menos um membro tenha
comprado tais ações?
c) Qual a probabilidade de que no máximo 9 membros tenha
comprado tais ações?
d) Qual o número esperado de membros que compraram tais ações?
e) Qual a probabilidade de 30% dos membros comprarem tais ações?
Exercícios - Binomial

• Em uma prova do tipo multipla escolha, cada questão tem 5

alternativas de resposta onde apenas uma é correta. Supondo que a
prova é composta por dez questões desse tipo (cada uma valendo um
ponto), encontre:
a) a probabilidade de um aluno tirar nota 5,0 na prova considerando
que pretende “chutar” as respostas;
b) calcule a nota esperada para o aluno com esse procedimento.

• Nove dados são lançados simultaneamente. Seja x a variável aleatória

que representa o numero de vezes que ocorre a face 4, encontre:
a) função de probabilidade, o valor esperado e o desvio padrão de x;
b) a probabilidade de x ser superior a 2 e não superar 6;
c) a probabilidade de x não exceder a 3.
Distribuição de Poisson

• Em um experimento binomial, estamos interessados em obter a

probabilidade de um número específico de sucessos em um
determinado número de tentativas.

• Suponha que, em vez disso, queiramos saber qual é a probabilidade

de ocorrer um no específico de resultados (sucessos) dentro de
uma determinada unidade de intervalo (tempo ou espaço).

• Para determinar, por exemplo:

- a probabilidade de ocorrer um defeito a cada 15 metros na produção
de um tecido;
- a probabilidade de chegadas de 03 navios em um porto num
intervalo de 02 dias;
- a probabilidade de que uma chamada telefonica seja atendida em
menos de 30 segundos.

• Nesses casos, podemos usar a distribuição de Poisson.

Distribuição de Poisson

• A distribuição de Poisson é uma distribuição discreta de probabilidades

de uma variável aleatória x que satisfaz as seguintes propriedades:
1. o experimento consiste na contagem do número de vezes, que um
evento ocorre em um determinado intervalo. O intervalo pode ser de
tempo, distância, área ou volume;
2. a probabilidade de que o evento ocorra é a mesma para cada
intervalo;
3. o número de ocorrências em um intervalo independe do número de
ocorrências em outros intervalos.

• A probabilidade de que haja exatamente x ocorrências em um

intervalo:
• P (X = k) = (e –λ . λk) / k!
• onde λ é o número médio de ocorrencias por intervalo.
Distribuição de Poisson

• Notação: X ~ P (λ)

• Parâmetros Característicos

E (X) = λ

VAR (X) = λ

Obs: Sob circunstâncias específicas (n → ∞ e p → zero) de modo que

o produto n.p = λ, então: B (n, p) ~ P (λ)

• Exercícios:

1. O número médio de acidentes mensais em um determinado

cruzamento é 3. Qual é a probabilidade de que em um determinado
mês ocorram 4 acidentes no cruzamento?
Poisson – Exercícios

A experiência mostra que 1% das lâmpadas incandescentes

produzidas numa fábrica são defeituosas. Numa amostra
aleatória de 30 lâmpadas, encontre a probabilidade de que
mais que uma lâmpada seja defeituosa utilizando:
a)tDistribuição Binomial
b) Distribuição de Poissondefeituo

Na fabricação de fita magnética, ocorrem cortes a uma taxa

de um corte por 2000 pés. Qual é a probabilidade de que
um rolo com comprimento de 4000 pés apresente no
máximo dois cortes? Pelo menos dois cortes?
Distribuição Geométrica

• Em muitas situações é necessário que o experimento se repita até

que se obtenha um sucesso. Por exemplo, podemos ter de discar
várias vezes até conseguir conectar à internet.

• Situações assim podem ser representadas por uma distribuição

geométrica.

• A distribuição Geométrica é uma distribuição discreta de

probabilidade de uma variável aleatória x que satisfaz às seguintes
condições:
1. uma tentativa é repetida até que o sucesso ocorra;
2. as tentativas repetidas são independentes uma das outras;
3. a probabilidade de sucesso p e a da fracasso onde q = 1 – p são
constantes para cada tentativa.
Distribuição Geométrica

• A probabilidade de que o primeiro sucesso ocorrerá na tentativa

número k é:
P(X=k)= p.q k-1

• Notação: X ~ G (p)

• Parâmetros Característicos
E (X) = 1 / p
VAR (X) = q / p2

• Exercício: Por experiência, você sabe que a probabilidade de que irá

conseguir uma venda em qualquer chamada telefônica dada é de
0,23. Obtenha a probabilidade de que sua primeira venda em um
dado dia ocorra na quarta chamada telefônica.
Exercícios - Geométrica

• Um casal com problemas para engravidar, recorreu a uma técnica de

inseminação artificial no intuito de conseguir o primeiro filho. A
eficiência da referida técnica é de 0,20 e o custo de cada inseminação
U$2000,00. a) Qual a probabilidade de que o casal obtenha êxito na
terceira tentativa? b) Qual o custo esperado deste casal para obter o
primeiro filho?
a)
b)

• Bob é o jogador de basquete da faculdade. Ele é um lançador de

arremessos livres 70%. Isto significa que sua probabilidade de acertar
um arremesso livre é 0,70. Durante uma partida, qual é a
probabilidade que Bob acerte seu primeiro arremesso livre no seu
quinto arremesso?
Distribuição Binomial Negativa (Pascal)

• Consideremos um experimento no qual um sucesso ocorre com

probabilidade p e um fracasso ocorre com probabilidade q = 1 - p.

• Se o experimento é repetido indefinidamente e as tentativas são

independentes uma das outras, então a variável aleatória X, cujo
valor é o número da tentativa na qual ocorre o r-ésimo successo, tem
distribuição binomial negativa com parâmetros r e p.

• Para o r-ésimo successo ocorrer na k-ésima tentativa, deve ter havido

(r - 1) successos e (k - r) fracassos entre as primeiras (k -1)
tentativas. O total de maneiras de distribuir os (r -1) sucessos entre
(k - 1) tentativas é: k–1
r–1
• A probabilidade de ter-se (r -1) successos e (k - r) fracassos é dada
por: p r-1 .(1 - p)k-r

• A probabilidade do r-ésimo successo é p.

Distribuição Binomial Negativa (Pascal)

• Desse modo, o produto desses termos é a probabilidade de que

ocorram r successos e k - r fracassos nas k tentativas, com o r-ésimo
successo ocorrendo na k-ésima tentativa.
• Então, a distribuição de probabilidades de X é a seguinte:

• Uma variável aleatória X, com uma distribuição binomial negativa com

parâmetros r e p, é a soma de r variáveis aleatórias independentes,
cada uma delas geometricamente distribuída com parâmetro p.
• Logo X é o no de tentativas necessárias para o primeiro sucesso, mais
o no de tentativas necessárias para o segundo sucesso, ...., mais o no
de tentativas para o r-ésimo sucesso.
Distribuição Binomial Negativa (Pascal)

• Parâmetros Característicos

E (X) = r/p

VAR (X) = r. q / p2

• Exercício:

Por experiência, você sabe que a probabilidade de que irá conseguir

uma venda em qualquer chamada telefônica dada é de 0,23. Obtenha
a probabilidade de que em um dado dia precise de 6 chamadas
telefonicas para consiga realizar 3 vendas?

6-1
P(X=6) = 3 - 1 . (0,23)3 . (0,77)3
Exercícios - Pascal

• Sabendo que 20% das peças produzidas por uma determinada

máquina são defeituosas, encontre a probabilidade de que a oitava
peça produzida por esta máquina seja a quinta peça não defeituosa
produzida?
8-1
P(X=8) = 5 – 1 . (0,80)5 . (0,20)8-5

• A probabilidade de que um bit transmitido através de um canal digital

seja recebido com erro é de 10%. Dado que as transmissões são
independentes e, a variavel aleatoria X representa o número de bits
transmitidos até que o quarto erro seja encontrado. Qual a
probabilidade de termos 4 erros na transmissao de 10 bits?

P(X=10) =
Distribuição Hipergeométrica

• A Distribuição Hipergeométrica de probabilidade é usada para

calcular a probabilidade de que em uma amostra aleatória de n
elementos, selecionados sem reposição, obtenha-se k elementos
rotulados de sucesso e (n-k) elementos rotulados de fracasso.

• Para que isso ocorra, precisa-se obter k sucessos a partir dos r

sucessos na população e (n-k) fracassos a partir dos (N – r)
fracassos.

• A Função Hipergeométrica de probabilidade fornece P(X = k), a

probabilidade de se obter k sucessos em uma amostra de tamanho n,
onde os ensaios não são independentes e a probabilidade de sucesso
muda de ensaio para ensaio.

• Para ilustrar, considere uma população de N objetos, r dos quais têm

o atributo associado ao evento sucesso e (N- r) objetos têm o
atributo associado ao evento fracasso.
Distribuição Hipergeométrica

• Uma amostra de n elementos é escolhido ao acaso, sem reposição.

• Estamos interessados em calcular a probabilidade de que essa

amostra contenha k elementos com o atributo sucesso.

• Pode-se ver facilmente, utilizando o princípio multiplicativo, que essa

probabilidade é dada por:

P (X = k) =

onde 0 ≤ k ≤ (r,n).
Distribuição Hipergeométrica

• Notação: X ~ H (p), onde p = r / N.

• Exemplo: Em problemas de controle de qualidade, lotes com 100

itens são examinados. O número de defeitos é estimado em 10 itens
por lote. Colhemos uma amostra de 5 itens sem reposição; encontre a
probabilidade de não se obter peças defeituosas nessa amostra.

P ( X = 0) =
Distribuição Hipergeométrica

• Enquanto a probabilidade de se obter pelo menos uma defeituosa é,

P (X=1) + P (X=2) +...+ P (X=5) = 1 – P (X=0) = 0,426

• Pode-se demonstrar que a variável aleatória x definida acima tem

esperança (valor esperado) e variância dadas por:

• Respectivamente, onde p = r/N é a probabilidade de se obter uma

peça defeituosa numa única extração.
Exercícios - Hipergeométrica

• Suponha que selecionemos aleatoriamente 5 cartas baralho sem

reposição de um de um maço ordinário de jogo de baralho. Qual é a
probabilidade de obter exatamente 2 cartas de baralho vermelhas?

P (X = 2)

• Deve-se construir um comitê de quatro pessoas escolhidas entre três

químicos e cinco físicos. Determinar de probabilidade encontrarmos 2
químicos no comitê.
Distribuições Hipergeométrica e Binomial

• Se N for grande, quando comparado com n, então extrações com ou

sem reposição serão praticamente equivalentes, de modo que as
probabilidades dadas por:

P(X=k) = ~ P (X=k) = k p k .q n-k

• Do mesmo modo, E(x)= n.p e Var (x)= n.p.(1- p).(N - n)/(N-1);

• Se N → ∞ logo E(x) = n.p e Var (x) = n.p.q → H(p) ~ B (n,p).

Exercício – Hipergeométrica ~ Binomial

2
P(X=2) = 2 . (0,059)2 . (0,941)0 = 0,0035