Fundamentos de

Probabilidade

Variáveis Aleatórias
 Variáveis aleatórias
Uma variável aleatória, x, é o resultado
numérico de um experimento
probabilístico.
x = o número de pessoas num carro.

x = quantos metros cúbicos de gás são

comprados numa semana.

x = o tempo que leva para ir de carro de casa

até a escola.

x = o número de vezes que você vai à escola

por semana.
 Variável Aleatória
Comentário

Ao usar a variável aleatória para

calcular probabilidades, os modelos de
análise são mais fáceis,são totalmente
abrangentes com fins de pesquisas, alem
de ser o objetivo de análise probabilística
em uma pesquisa.
 Tipos de variáveis aleatórias
Uma variável aleatória é discreta se o número de
resultados possíveis é finito ou pode ser contado.
Variáveis aleatórias discretas são determinadas por
uma contagem.

Uma variável aleatória é contínua se pode assumir

qualquer valor dentro de determinado intervalo. O
número de resultados possíveis não pode ser
listado. Variáveis aleatórias contínuas são
determinadas por uma medição.
 Tipos de variável aleatória
Identifique cada variável aleatória como discreta ou
contínua.
x = o número de pessoas em um carro.

x = quantos metros cúbicos de gás são comprados

numa semana.

x = o tempo que leva para ir de carro de casa até a

escola.

x = o número de vezes que você vai à escola por

semana.
 Tipos de variável aleatória
Identifique cada variável aleatória como discreta ou
contínua.
x = o número de pessoas em um carro.
Discreta – você conta o número de pessoas: 0, 1, 2,
3… Os valores possíveis podem ser enumerados.
x = quantos metros cúbicos de gás são comprados
numa semana.
Contínua – você mede os metros cúbicos de gás. Você
não pode enumerar todos os valores possíveis.
x = o tempo que leva para ir de carro de casa até a
escola.
Contínua – você mede a quantidade de tempo. Os valores
possíveis não podem ser enumerados.
x = o número de vezes que você vai à escola por
semana.
Discreta – você conta o número de vezes que vai. Os
valores possíveis podem ser enumerados.
 Distribuições Discretas de
Probabilidade
O que é

São modelos matemáticos criados de

forma coletiva no qual para o usuário,
bastará interpretar o problema de forma
qualitativa e definirá o modelo a usar de
forma sucinta, e sem maiores dificuldades.
Distribuições discretas de probabilidade
Uma distribuição discreta de probabilidade enumera cada
valor possível da variável aleatória, bem como sua
probabilidade.
x P (x )
Em um levantamento, 0 0,004
número de
perguntou-se a uma veículos
amostra de famílias 1 0,435
quantos veículos elas 2 0,355
possuíam.
3 0,206

Propriedades de uma distribuição de probabilidade

• Cada probabilidade precisa estar entre 0 e 1, inclusive.

• A soma de todas as probabilidades é 1.

 Distribuições Discretas de
Probabilidade
Comentário

No presente texto serão estudados os

modelos de interesse de pesquisa em
saúde, os modelos remanescentes para
teoria de jogos e outros aspectos
científicos não serão vistos.
 Histograma de probabilidade
0,435
0,40 0,355

0,30
0,206
0,20

1
0,004
0

0 1 2 3 x

• A altura de cada barra corresponde à probabilidade de x.

• Se a largura da barra é 1, sua área corresponde à

probabilidade de que o valor de x ocorra.
 Média,variância e desvio padrão
A média de uma distribuição discreta de probabilidade é:

A variância de uma distribuição discreta de

probabilidade é:

O desvio padrão de uma distribuição

discreta de probabilidade é:
 Média (valor esperado)
Calcule a média:

Multiplique cada valor por sua probabilidade.

Some os produtos.
x P (x ) xP (x )
0 0,004 0
1 0,435 0,435
2 0,355 0,71
3 0,206 0,618
1,763

O valor esperado (a média) é de 1,763 veículo.

 Calcule a variância e o desvio padrão

A média é de 1,763 veículo.

x P (x ) x- P(x)
0 0.004 -1.763 3.108 0.012
1 0.435 -0.763 0.582 0.253
2 0.355 0.237 0.056 0.020
3 0.206 1.237 1.530 0.315
0.601
variância

O desvio padrão é de 0,775 veículo.

 Experimento de Bernoulli
Nota
1. No experimento de Bernoulli, por ter
exatamente dois resultados, não indica
que ambos terão a mesma chance de
ocorrência, ou seja, nem sempre são
equiprováveis;

2. A quase totalidade dos experimentos,

quando executado, transforma em
Experimento de Bernoulli devido ao fato
de ter para o idealizador o resultado que
Satisfaz o desejado e o que Não-satisfaz.
 Distribuições Discretas de
Probabilidade
Experimento de Bernoulli

É todo experimento no qual quando

realizado possuirá exatamente dois
resultados possíveis, batizados de
SUCESSO e FRACASSO.
 Experimento de Bernoulli
Notação
Aqui denota-se:

Propriedade:
p+q=1
É equivalente a: q = 1 – p.
 Distribuição binomial
Característica
Para que tenha distribuição
binomial é necessário que:

1. Experimento ser realizado em

repetições (repetitivo);

2. Em cada Repetição ser um

Experimento de Bernoulli;
 Distribuição binomial
Característica
3. Repetir uma quantia fixa de vezes,
denotada por n;

4. Estas repetições serem

independentes;
5. Ter uma variável aleatória, digamos
X, cuja lei de formação é a quantia
de sucessos nas n repetições.
 Distribuição binomial
Notação
Nas condições acima diz ter:
“Uma distribuição binomial de
parâmetros n e p”,

Ao qual denota: X  b(n,p)

O símbolo: ~ lê-se: “Possui

Distribuição”
 Distribuição binomial
Propriedades
Se X  b(n,p) , então:
1. Cálculo de probabilidade –
Usa a Fórmula:
 Distribuição binomial
Propriedades

Detalhe:
 Distribuição binomial
Propriedades
Fórmula da Combinação:
 Distribuição binomial
Propriedades

2. Média:

3. Variância:

Em que:
 Distribuição binomial
Exemplo 1
Ao jogar uma moeda cinco vezes de
forma consecutiva, ache a probabilidade
de que a face cara ocorra:
a. Duas vezes;
b. Nenhuma vez.
Solução
  Jogar ao acaso uma moeda 5 vezes.
 Distribuição binomial
Exemplo 1 - Solução
Característica do experimento:
Jogar 5 vezes: Experimento Repetitivo;
Moeda possui 2 faces:
É Experimento de Bernoulli;
Número de Repetições 5: Quantia fixa;
 Exemplo 1
Característica do experimento
Qualquer face que ocorra em uma
repetição, na próxima a moeda permanece
nas mesmas características: Repetições
Independentes;
Nota: As características acima
designam um Experimento Binomial

Variável Aleatória X: “número de caras

nas 5 repetições”
 Exemplo 1
Cálculo de Probabilidade
Pela definição da variável aleatória,
Sucesso é ocorrer Cara em um
lançamento.
Assim X  b(n,p)

onde n = 5 e
 Exemplo 1
Cálculo de Probabilidade
a. Cara duas vezes

Desenvolvendo:
 Exemplo 1
Cálculo de Probabilidade
Nenhuma Cara:
Exemplo 1
Resposta
 Exemplo 1
Resposta

Interpretação:
a. Existe 31,25% de chance de que
ocorrerá face cara duas vezes;
b. Existe 3,125% de chance de que
ocorrerá face cara em nenhuma vezes;
Distribuição hipergeométrica
Condições Iniciais
Experimento ser realizado em repetições
(repetitivo);

Em cada Repetição ser um Experimento de

Bernoulli;

Repetir uma quantia fixa de vezes,

denotada por n;

Estas repetições sejam SEM Reposição;

Distribuição hipergeométrica
Condições Iniciais
Ter uma variável aleatória, digamos X,
cuja lei de formação é a quantia de
sucessos nas n repetições.

Nota
Por ser SEM reposição, indica que a
cada repetição o original fica reduzido em
uma unidade, devido a isto é necessário
ter as Condições Iniciais para ter o ponto
de partida do experimento.
Distribuição hipergeométrica
Condições Iniciais
Considere que no inicio (antes de efetuar
a primeira repetição), a situação inicial é
que tenha o seguinte diagrama:
Distribuição hipergeométrica
Propriedades.
Com as condições iniciais acima citado,
Se X  hipergeométrica:
Cálculo de Probabilidade:
Distribuição hipergeométrica
Propriedades.

Média:

Variância:
Distribuição hipergeométrica
Exemplo 1
Em um laboratório de análises clínicas
foram realizados 54 exames de HIV, das
quais 14 deram soropositivos. Um
inspetor irá pegar ao acaso 5 destes
exames de forma casual. Ache a
probabilidade de que o número de
exames escolhidos que tenha
soropositivo seja:
a. 2; b. 5
 Distribuição hipergeométrica
Exemplo 1 - Solução
  Pegar ao acaso 5 exames.

Característica do experimento:
 Pegar cinco exames: Experimento
Repetitivo;
 Possui dois tipos, Soropositivo ou
soronegativo: Experimento de Bernoulli;

 Número de Repetições cinco: Quantia

fixa;
 Distribuição hipergeométrica
Exemplo 1 - Solução
Característica do experimento:
A escolha é feita SEM reposição;
Nota: As características acima designam
um Experimento Hipergeométrico

Variável Aleatória X: “número de

exames que deu soropositivo entre as 5
selecionadas”
Distribuição hipergeométrica
Exemplo 1 - Solução
Pela definição da variável aleatória,
Sucesso é exame selecionado ser
soropositivo.
Esta característica indica que X tem
distribuição Hipergeométrica, com a
situação inicial:
r = 14 (Número de sucessos)
k = 40 (Número de Fracasso)
 Distribuição hipergeométrica
Exemplo 1 - Solução.
Com as condições iniciais acima citado,
X  hipergeométrica:

 Dois soropositivo
 Distribuição hipergeométrica
Exemplo 1 - Solução.
b. Cinco soropositivos
 Distribuição de Poisson
Característica
1. Experimento ser realizado em repetições
(repetitivo);

2. Em cada Repetição ser um Experimento de

Bernoulli, com o detalhe de que P(sucesso)
tende a ZERO;

3. Repetir uma quantia fixa de vezes,

denotada por n, e que n tende a infinito;
4. repetições sejam independentes;
 Distribuição de Poisson
Característica
5. Ter uma variável aleatória, digamos X,
cuja lei de formação é a quantia de
sucessos nas n repetições.
Nota
Pela característica da Poisson,
percebe-se que são as mesmas da
Binomial, com o detalhe é que:
i) p  0,000 ;
i i) n  ∞.
 Distribuição de Poisson
Nota – Cont.
Por: p  0,000 diz-se que a
distribuição de Poisson é a distribuição
de eventos raros.

Na quase totalidade da Distribuição

de Poisson, o valor de p depende da
unidade do tempo, é preciso atentar para
este fato para achar o seu valor. Por diz-
se que a distribuição de Poisson é a
distribuição de eventos raros.
 Distribuição de Poisson
Exemplo de Eventos Raros
No caso de saúde, existe uma quantidade muito
grande de eventos raros, aos quais pode ilustrar:
1. Ocorrer óbito, em mulheres grávidas devido à
gestação;
2. Criança, no útero da mãe, sofrer uma
anomalia grave;

3. Na sociedade, escolher um adolescente e ele

ser usuário de cocaína;

4. Uma pessoa sofrer o mal de Parkinson;

5. Etc.
 Distribuição de Poisson
Notações
No caso da distribuição de Poisson, a
média é denotada por: , ao qual se
compara-la com a da binomial chega que:

Denota-se: X ~ Poisson ()

 Distribuição de Poisson
Teorema: Se X ~ Poisson ()
1. Cálculo de probabilidade:

e = 2,71828 . . . (Número e,
base do logaritmo natural)
 Distribuição de Poisson
Teorema: Se X ~ Poisson ()

2. Cálculo da Média:

3. Cálculo da variância:
 Distribuição de Poisson
Exemplo 1
Em Angola, de cada 100 mil mulheres
grávidas, 1 500 morrem devido à
gravidez (OMS 09/04/2005). Numa
comunidade Angolana em que houver
300 mulheres em estado de gravidez,
ache a probabilidade de que morrerão:
a. Nenhuma
b. 3 delas
c. 5 delas.
 Distribuição de Poisson
Exemplo 1 - Solução
  Avaliar condições de saúde de 300
mulheres grávidas.

Característica do experimento:
i. 300 mulheres estarem grávidas:
Experimento Repetitivo;

i. Possui dois tipos (sobreviver, não-

sobreviver): Experimento de Bernoulli;
 Distribuição de Poisson
Exemplo 1 - Solução
Característica do experimento(cont.):

iii. Número de Repetições 300: Quantia

fixa;
iv. Óbito de uma não influência na
saúde da outra: Repetições
Independentes;
Nota: As características acima designam
um Experimento Binomial.
 Distribuição de Poisson
Exemplo 1 - Solução
Característica do experimento(cont.):

v. Variável Aleatória X: “número de

óbitos entre as 300 grávidas”
(X possui distribuição binomial)

Devido à definição da variável aleatória,

Sucesso é ocorrer óbito, e assim:
 Distribuição de Poisson
Exemplo 1 - Solução
n = 300 (Número de Repetições);

Nota: Em uma pesquisa, este número é

chamado de “Prevalência”.

Assim: X  b(300 ; 0,015)

 Distribuição de Poisson
Exemplo 1 - Solução
Devido aos valores de n e de p, esta
variável aproxima de uma distribuição de
Poisson com:

 = 300x0,0015 = 4,5

Este número indica que em 300 mulheres

gestantes em Angola é de se esperar que
4,5 delas virão a óbito devido à gravidez.
 Distribuição de Poisson
Exemplo 1 - Solução
a. Nenhum óbito

b. 3 Óbitos

Resposta: 0,1687 é equivalente a:16,87%

 Distribuição de Poisson
Exemplo 1 - Solução
a. Nenhum óbito
 Distribuição de Poisson
Exemplo 1 - Solução
b. 3 Óbitos

Resposta: 0,1687
é equivalente a : 16,87%
 Distribuição de Poisson
Exemplo 1 - Solução
5 óbitos

Resposta: 0,1708 (17,08%)

Variáveis Aleatórias

FIM
Prof. Gercino Monteiro Filho