UNIVERSIDADE FEDERAL DO

MARANHÃO CURSO DE MATEMÁTICA

NÚCLEO DE EDUCAÇÃO A
DISTÂNCIA
DISCIPLINA – ESTATÍSTICA E PROBABILIDADE

 PROBABILIDADE
Introdução
 O cálculo das probabilidades pertence ao campo da
Matemática, entretanto a maioria dos fenômenos de
que trata a Estatística são de natureza aleatória ou
probabilística.

 O conhecimento dos aspectos fundamentais do cálculo

das probabilidades é uma necessidade essencial
para o estudo da Estatística Indutiva ou Inferência.
Inferência Estatística
 Consiste em obter e generalizar conclusões; ou seja,
inferir propriedades para o todo com base na parte,
no particular.

 É tratada através de técnicas e métodos que se

fundamentam na Teoria de Probabilidades.

 Em estatística utilizaremos extensivamente os termos

população e amostra.
Experimentos
Todo processo desenvolvido para realizar observações e obter
dados com um determinado objetivo é denominado experimento.

 Experimento determinístico: é quando o evento acontece com

certeza.
 Exemplo: Ao soltar uma pedra do alto de um edifício,
sabemos que esta pedra irá em direção ao chão.
 Experimento Aleatório: é quando não há certeza da ocorrência

do evento.
 Exemplo: jogar um dado homogêneo e observar o

número de sua face superior.

 Experimento Aleatório (E ou )
 São fenômenos que, mesmo repetidos várias vezes sob condições
semelhantes, apresentam resultados imprevisíveis. O resultado final
depende do acaso.
 Embora não se possa prever que resultados ocorrerão, pode-se

descrever o conjunto de resultados possíveis (espaço amostral).

 Exemplo

Da afirmação "é provável que o meu

time ganhe a partida hoje" pode resultar:

que ele ganhe que ele perca que ele empate

Este resultado final pode ter três possibilidades.
Experimento Aleatório - Exemplos

a) Lançar uma moeda honesta

b) Lançar um dado

c) Lançar duas moedas

d) Retirar uma carta de um baralho completo, com 52

cartas

e) Determinar a vida útil de um componente

 Espaço Amostral (U, S ou )
 É o conjunto universo ou o conjunto de resultados possíveis de um
experimento aleatório.

1. Lançamento de um dado: Ω={1,2,3,4,5,6} – quantitativo

discreto

2. Observação dos momentos de entrada de clientes em uma loja,

entre as 14 e 16 horas: Ω = {(X,Y): 14 < X < Y < 16} -
quantitativo contínuo

3. Observação do sexo de cada cliente que entrou na loja: Ω =

{Masculino, Feminino} - qualitativo
Espaço Amostral - Exemplos
a) Lançar uma moeda honesta
 Ω = {c, r}
b) Lançar um dado
 Ω = {1,2,3,4,5,6}
c) Lançar duas moedas
 Ω = {(c, r), (c,c), (r,c), (r,r)}
d) Retirar uma carta de um baralho completo, com 52
cartas
 Ω = {A0, ..., K0, Ap, ..., Kp, AE, .., KE, AC, ..., KC}
e) Determinar a vida útil de um componente
 Ω = {t ∈ ℝ / t ≥ 0}
Evento
 É qualquer subconjunto do espaço amostral de um experimento
aleatório.
 Um evento é representado por letras maiúsculas A, B, etc.

 Exemplo:

 Considerando o Experimento (E): Lançamento de um dado,

temos o seguinte espaço amostral Ω = {1,2,3,4,5,6}.
 Assim um possível evento A = {sair face par}, será

representado por:

A = {2,4,6}
Evento
 Se considerarmos  como espaço amostral e A como evento:
Assim, qualquer que seja A, se A   (A está contido em  ), então
A é um evento de  .
 Se A =  , A é chamado de evento certo.

Se A   e A é um conjunto unitário, A é chamado de

evento elementar.

 Se A = Ø , A é chamado de evento impossível.

 Número de Eventos de ()
 É o conjunto formado de todos os eventos (subconjuntos) do espaço
amostral.
 Considere como exemplo um espaço amostral finito:
 Ω = {a, b, c, d}

 A classe de eventos aleatórios F(Ω)

4
   
0 
4
 
 (a),(b),(c),(d) 1 
4
 
 (a,b), (a,c), (a,d), (b,c) , (b,d), (c,d) 2 
 (a,b,c), (a,b,d), (a,c,d), (b,c,d) 4
 
4 3 
 (a,b,c, d)  4 
 
 O número de eventos de um espaço amostral é F(Ω)=2n
 Usando esse espaço amostral temos que o número de eventos é 16
Propriedades com Eventos Aleatórios

Considere Ω = {e1, e2, ..., en}. Sejam A e B dois eventos de F(Ω).

Operações

União: A  B = {ei ∈ Ω / ei ∈ A OU ei ∈ B}
O evento formado pelos elementos que pertencem a pelo
menos um dos eventos.

A B

A∪B
Propriedades com Eventos Aleatórios

Interseção: A ∩ B = {ei   / ei  A E ei  B}

 O evento formado pelos elementos que pertencem
simultaneamente aos dois eventos.
A B

A∩B
◦ Complementação: Ω  A  A  {e i  Ω/e i  A}

A
__
Α
Eventos Mutuamente Exclusivos
 Dois eventos são mutuamente exclusivos se não podem ocorrer
simultaneamente:

A∩B=
 Exemplos:

1. Ao lançar um dado, A = saída ímpar e B = saída par

A = {1,3,5}, B = {2,4,6}

2. Ao analisar uma imagem de satélite, A = floresta, B = deserto

e C = oceano. Uma área analisada pode pertencer apenas a
uma destas classes.
Partição de um Espaço Amostral
 Dizemos que os eventos A1, ..., An formam uma partição do
espaço amostral Ω se:
 Não há eventos vazios a) A i  , i  1,...,n
 Não há interseção entre b) A i  A j  , i  j
os eventos n
 A união dos eventos da c) A i  Ω
partição é o espaço i 1

amostral

Exemplo:

Ω
Probabilidade
 O problema fundamental da probabilidade consiste em atribuir
um número a cada evento (E), o qual avaliará quão possível será a
ocorrência de "E", quando o experimento for realizado.
 A seguir serão apresentadas algumas definições de
probabilidades, tais como:
 Clássica;

 Empírica ou frequentista;

 Subjetiva.

 Além disso, serão apresentados os axiomas e os teoremas

fundamentais de probabilidade.
 Definições de Probabilidade
 DEFINÇÃO CLÁSSICA
 O enfoque clássico aplica-se a situações que têm resultados
igualmente prováveis.
 Quando os resultados são igualmente prováveis, a probabilidade
de cada resultado será:
1
n º de resultados possíveis
Exemplo:

1- No lançamento de uma moeda.  = { ca, co } = 2 A = {ca} = 1

P(A) = 1/2 = 0,5

 Definições de Probabilidade
 DEFINÇÃO CLÁSSICA
Se existe "a" resultados possíveis favoráveis a ocorrência de um
evento “A" e "b” resultados possíveis não favoráveis, sendo os
mesmos mutuamente excludentes, então:
nº de elementos do evento A

nº de resultados possíveis

Exemplo:

1- No lançamento de um dado.  = { 1,2,3,4,5,6 } = 6 A = { 2,4,6 } = 3

P(A) = 3/6 = ½ = 0,5

Definições de Probabilidade
 DEFINÇÃO EMPÍRICA OU FREQUENTISTA
 Há casos em que os resultados não são igualmente prováveis.

 Nestes casos, é necessário obter dados empíricos, obtidos através

de observação, numa tentativa de estimar as probabilidades.

Uma possível maneira de tratar a questão seria determinar a
frequência relativa de um evento A.
 Definições de Probabilidade
 DEFINÇÃO EMPÍRICA OU FREQUENTISTA
 Surgem, no entanto, dois problemas:

 Qual deve ser o número de repetições do experimento ()

 A sorte ou habilidade do experimentador poderá influir nos

resultados, de forma tal que a probabilidade é definida como

sendo:

P(A) = lim n fa

(Lei dos Grandes Números)

onde "n" é o número de repetições do experimento .

Definições de Probabilidade
 DEFINÇÃO EMPÍRICA OU FREQUENTISTA
 Exemplo:

 Se jogarmos uma moeda 100 vezes e obtivermos cara 60 vezes,

será razoável estimar a probabilidade de cara, em jogadas futuras

como sendo:

P(A) = 60/100 = 0,60

Definições de Probabilidade
 DEFINÇÃO SUBJETIVA

 As probabilidades determinadas pelos métodos clássico

e da frequência relativa são ditos objetivos.

 A probabilidade subjetiva é uma avaliação pessoal do

grau de viabilidade de um evento.
Axiomas da Probabilidade
 Seja um experimento E, seja () um espaço amostral
associado a (E). A cada evento (A) associa-se um número
real representado por P(A) e denominaremos de
probabilidade de A, satisfazendo as seguintes
propriedades:

a) 0P(A)1;
b) P() = 1
c) Se A e B são eventos mutuamente excludentes, então:
P(AB) = P(A) + P(B)
Axiomas da Probabilidade
d) Se A1, A2, ..., An são eventos mutuamente excludentes
dois a dois, então:

P(A1A2 ... An) = P(A1) + P(A2)+ ...+P(An)

ou
Teoremas Fundamentais
1) Se  for evento vazio, então P() = 0
2) Se o evento Ac for o evento complementar de A, então
P(Ac) = 1 - P(A)
3) Se A e B são eventos quaisquer, então: (regra da adição)
P(A U B) = P(A) + P(B) - P(A  B)
4) De acordo com o teorema acima. Sejam A1, A2, ..., An
eventos quaisquer:, teremos
Probabilidade Condicional
 As probabilidades estudadas até este momento são
denominadas probabilidades se referem ao experimento,
resultados igualmente prováveis (equiprovável).

 Há casos em que nos interessa rever a probabilidade

de um evento, pois há informações adicionais que podem
afetar o resultado.
Probabilidade Condicional
Por exemplo, dentro do mesmo espaço amostral, a
probabilidade de que aconteça o evento X sabendo que
aconteceu o evento Y é obtida a partir do espaço
amostral reduzido definido pelo evento Y.

 A probabilidade P(X/Y) é denominada probabilidade

condicional.
Probabilidade Condicional
 Exemplo
 Seja E: lançar um dado e o evento A ={sair nº 3}, então

P(A) = 1/6
 Considerando o evento B= {sair um nº ímpar}= {1,3,5}.
Para o cálculo das probabilidades calculamos as
probabilidades condicionadas.
 No exemplo, podemos estar interessados no resultado

do evento A condicionada a ocorrência do evento B.

 Em símbolos P(AlB): probabilidade de A dado B.
Probabilidade Condicional
 Exemplo - continuação
 Seja E: lançar um dado e o evento A ={sair nº 3} = {1}
e B= {sair um nº ímpar}= {1,3,5}. Assim,

P(AlB) = 1/3

 Observem que o espaço amostral condicionado a B fica

reduzido, ou seja, o que antes era {1,2,3,4,5,6} agora
será {1,3,5}
Probabilidade Condicional
 DEFINIÇÃO
 Dado dois eventos A e B, denotaremos P(AlB) a
probabilidade condicionada do evento A, quando B tiver
ocorrido, por:

 com B  0, pois B já ocorreu

Probabilidade Condicional
 LEI DA MULTIPLICAÇÃO
 Dado dois eventos A e B, denotaremos P(AB) a
probabilidade da interseção entre o evento A, quando B
tiver ocorrido e o evento B, quando A tiver ocorrido,
respectivamente, por:

P(AB)= P(B).P(A/B)

ou

P(AB)= P(A).P(B/A)
Probabilidade Condicional
 Exemplo
Independência
 Dois eventos A e B, dizemos que são independentes se
a probabilidade de um evento não interfere na ocorrência
de outro evento, então:

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

assim,

P(AB)= P(B).P(A/B) = P(A) . P(B)

Independência
 Dados “n” eventos A1, A2…An , diz-se que eles são
independentes se o forem 2 a 2, 3 a 3… n a n, ou seja,

 P(A1 A2  ... An) = P(A1) . P(A2) . P(An)

Lema da Probabilidade Total
 Considere uma partição do espaço amostral  em dois
eventos mutuamente excludentes, por exemplo Ac e A, sendo Ac
o complementar de A. Seja B um evento qualquer de , como
está representado.
Ac A
B

 Assim a P(B), será:

P(B) = P(B/A).P(A) + P(B/Ac).P(Ac)
Lema da Probabilidade Total
Lema da Probabilidade Total

B = (A1 B)(A2 B)  ... (AK B)

P(B) = P(B/A1). P(A1) + P(B/A2). P(A2)+...+ P(B/AK).P(AK)
 Teorema de Bayes
Considere novamente o espaço amostral , com a
partição representada abaixo:

A1, A2, ... An são n eventos mutuamente excludentes, tais que

A1  A2  ...  AK = 
Teorema de Bayes
 Sejam P(Ai), as probabilidades conhecidas dos eventos
da partição, e seja B um evento qualquer de  tal que
conhecemos todas as probabilidades condicionais P(B/Ai),
então, para cada i teremos:

que constitui o teorema de Bayes.

Teorema de Bayes - Exemplo
 Considere 3 urnas onde cada urna possui bolas pretas,
brancas e vermelhas, distribuídas da seguinte maneira:

Escolhendo-se uma urna ao acaso e dela extrai-se uma

bala branca. Qual a probabilidade da bola branca ter
vindo da urna 1? Ou da urna 3?
UNIVERSIDADE FEDERAL DO
MARANHÃO DEPARTAMENTO DE MATEMÁTICA
CENTRO DE CIÊNCIAS
EXATAS E TECNOLOGIA
DISCIPLINA – ESTATÍSTICA E PROBABILIDADE

 VARIÁVEIS ALEATÓRIA

PROFª ROSANI DIAS

Dezembro
2012
Introdução
 Uma variável é dita aleatória quando o valor da
mesma é obtido através de observações ou
experimentos, e a cada valor estiver associada certa
probabilidade.

 A variável é representada por letra maiúscula e os

valores assumidos por ela por letra minúscula.
Variável Aleatória Discreta
 Definição
 Sejam E um experimento e  um espaço amostral
associado ao experimento. Uma função X que associe a
cada elemento wi  um número real, X(wi), é denominada
variável aleatória.

 Uma variável aleatória X é, portanto, uma função cujo

domínio é o espaço amostral e contra-domínio é conjunto dos
números reais.
Exemplos
 Lançamento de uma moeda 3 vezes.
Seja X o número de caras obtidas no experimento. Vamos denotar

C: cara e K:coroa. Assim,  = { ccc, cck, ckc, kcc, kkc,kck,ckk,kkk }=

{ w1, w2, w3, w4, w5, w6, w7, w8 }
 X(w1) = 3 X(w2 ) = X(w3) = X(w4) = 2 X(w5 ) = X(w6) = X(w7) = 1 X(w8) = 0
 Se Rx representa o conjunto de todos os valores de X pode
assumir, então Rx = {0, 1, 2, 3}.

w x w x
(C,C,C) 3 (K,K,C) 1
(C,C,K) 2 (K,C,K) 1
(C,K,C) 2 (C,K,K) 1
(K,C,C) 2 (K,K,K) 0
Função e Tipos de Variáveis Aleatórias
 A Função de Probabilidade é uma função matemática que
associa probabilidades a valores assumidos pela variável
aleatória X. Iremos diferenciar esta função para o caso em
que a variável aleatória for discreta ou contínua.
 Uma variável aleatória X é dita Discreta, quando o conjunto
de valores que X pode assumir é um conjunto finito de valores
ou um conjunto infinito enumerável. Exemplo: Nº de alunos na
sala
 Uma variável aleatória X é dita Contínua quando assume

qualquer valor ao longo de um intervalo (nº infinito não

enumerável de valores).
Exemplo: Tempo, temperatura, peso, etc.
Distribuição de Probabilidade
A distribuição de probabilidade (ou função de probabilidade)
de uma variável aleatória X é um conjunto de valores que
associa a cada possível valor de X sua probabilidade de
ocorrência P(X = xi):

P(X = xi ) = p(xi ) ; i = 1, 2, 3, ...

Xi x1 x2 x3 x4 X5 …
P(X = xi ) P(X = x1) P(X = x2) P(X = x3) P(X = x4) P(X = x5) ...

 Esta função tem as seguintes propriedades:

 P(X = xi) = p(xi )  0
n

 p( x )  1
i 1
i
 Exemplo
 Determine a distribuição de probabilidade da
variável aleatória X: ”Número de caras em dois
lances de uma moeda equilibrada”.
 Assim  = { cc, ck, kc, kk }, então Rx: {0, 1, 2} para
esse espaço amostral teremos:

Resultados Xi P (X = xi) xi P(X=xi)

(Cara, Cara) 2 ¼ 0 0,25
(Cara, Coroa) 1 ¼ 1 0,50
(Coroa, Cara) 1 ¼ 2 0,25
(Coroa, Coroa) 0 ¼ Total 1,00
Exemplo
 Representação gráfica  Podemos representar,
também da seguinte maneira:

¼, se i = 0 e 2
Probabilidade

P(X=xi) = ½, se i = 1

0, caso contrário

Número de
caras
Função Distribuição Acumulada
 Definimos a função distribuição de probabilidade
F(x) de uma variável aleatória por
F(x)=P(X  x)
 Propriedades:


Exemplo
 Considerando o exemplo anterior onde X é o número de caras em dois
lances de uma moeda equilibrada.
 Assim teremos F(x), da seguinte maneira

0, se x  0 xi P(X=xi)
0,25 , se 0  x  1 0 0,25

 F(x) =  1 0,50
0,75, se 1  x  2 2 0,25
1,00, se x  2 Total 1,00
 Graficamente teremos:
Média
 A média aritmética de X é referida como o valor esperado E(X) de uma
variável aleatória, ou média populacional . O valor esperado representa
o valor médio da variável aleatória, que é obtida da seguinte forma, para
variável aleatória discreta:

 Voltando ao exemplo, temos:

xi 0 1 2
P(X=xi) 0,25 0,5 0,25

 E(X) = 0.(0,25) + 1.(0,5) + 2.(0,25) = 1

Variância
 A variância, 2, para uma variável aleatória denotada por Var(X),
representa a dispersão dos valores em relação ao valor esperado. A
variância de X será dado por:

 Voltando ao exemplo, temos:

xi 0 1 2
P(X=xi) 0,25 0,5 0,25

 Lembrando, E(X) = 1
 Var(X) = (0 -1)2.(0,25) + (1-1)2.(0,5) + (2-1)2.(0,25) = 0,5
  = 0,71
Variável Aleatória Contínua
 Definição
 Uma variável aleatória X diz-se (absolutamente) continua se
existe uma função fX(x) não negativa (fX(x) ≥ 0,  x  R) e
integrável

 tal que:

A função fX é a função densidade de probabilidade (f.d.p.)

da variável aleatória X.
Exemplo
Exemplo
Função Distribuição Acumulada
 Definição
 Chama-se função de distribuição (cumulativa) de

uma variável aleatória X que satisfaz:

Função Distribuição Acumulada
 Propriedades:


Exemplo
 Função de distribuição acumulada:
Exemplo
 Função de distribuição acumulada (continuação):
Exemplo
 Assim teremos:

 Graficamente
Média e Variância
 As definições de valor esperado (ou valor médio) e
variância também podem ser generalizados para
qualquer variável aleatória contínua X
UNIVERSIDADE FEDERAL DO
MARANHÃO DEPARTAMENTO DE MATEMÁTICA
CENTRO DE CIÊNCIAS
EXATAS E TECNOLOGIA
DISCIPLINA – ESTATÍSTICA E PROBABILIDADE

 DISTRIBUIÇÃO DE
PROBABILIDADE

PROFª ROSANI DIAS

Dezembro
2012
Introdução
 Distribuições de Variáveis Aleatória Discreta

 As distribuições discretas mais importantes e utilizadas

são: Bernoulli, Binomial, Hipergeométrica, Poisson,
Uniforme, Multinomial, Geométrica, Binomial Negativa
e Hipergeométrica negativa.
Distribuição de Bernoulli
Exemplos
Exemplos
Função de Probabilidade
Média e Variância
Distribuição de Binomial
 Definição
O modelo descreve probabilisticamente os resultados
de uma sequência de experimentos de Bernoulli
independentes, ou seja, onde a probabilidade de
sucesso é sempre a mesma.
Exemplo
Exemplo - continuação
Função de Probabilidade
Média
Variância
Distribuição de Poisson
Função de Probabilidade
Função de Probabilidade
Média
Média
Variância
UNIVERSIDADE CURSO DE MATEMÁTICA
FEDERAL DO
MARANHÃO DISCIPLINA – ESTATÍSTICA

 CORRELAÇÃO
Introdução
Consideramos observações de duas ou mais
variáveis: as relações que podem existir entre as
variáveis estudadas.
Assim, quando consideramos variáveis como peso
e altura de um grupo pessoas, uso do cigarro e
incidência do câncer, vocabulário e compreensão
leitura, dominância e submissão, procuramos
verificar se existe alguma relação entre as
variáveis de cada um dos pares e qual o grau
dessa relação.
Introdução
Sendo a relação entre as variáveis de natureza
quantitativa, a correlação é o instrumento
adequado para descobrir e medir essa relação.

 Quando duas variáveis estão ligadas por uma

relação estatística, dizemos que existe
correlação entre elas.
Passos para análise de correlção

 Gráfico de dispersão
 Correlação

 Análise da correlação
 Exemplo
Em uma dada região de Bocaina-SP, acredita-se que o gado alimentado
em um determinado pasto tem um ganho de peso maior que o usual.
Estudos de laboratório detectaram uma substância no pasto e deseja-se
verificar se ela pode ser utilizada para melhorar o ganho de peso dos
bovinos. Foram escolhidos 15 bois de mesma raça e idade, e cada
animal recebeu uma determinada concentração da substância X (em
mg/l). O ganho de peso após 30 dias, denotado por Y, foi anotado e os
dados foram os seguintes (em kg):

Concentração

0,2 0,5 0,6 0,7 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0 5,5 6,0
Peso

9,4 11,4 12,3 10,2 11,9 13,6 14,2 16,2 16,2 17,7 18,8 19,9 25,5 24,7 23,1
 Gráfico de dispersão
Concentração

0,2 0,5 0,6 0,7 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0 5,5 6,0
Peso

9,4 11,4 12,3 10,2 11,9 13,6 14,2 16,2 16,2 17,7 18,8 19,9 25,5 24,7 23,1
 Correlação Linear
É possível verificar que a cada correlação está associada
como "imagem" uma relação funcional. Por esse motivo, as
relações funcionais são chamadas relações perfeitas.
 Correlação Linear
a. linear positiva se os pontos do diagrama têm como
"imagem" uma reta ascendente;
b. linear negativa se os pontos têm como "imagem" uma reta
descendente;
c. não-linear se os pontos têm como "imagem" uma curva.
 Correlação Linear
 O instrumento empregado para a medida da correlação
linear é o coeficiente de correlação.

n xi yi  ( xi )(  yi )
r
n x 2
i 
 ( xi ) 2 n yi2  ( yi ) 2 

onde n é o número de observações.

Os valores limites de r são -1 e +1, isto é, o valor de r pertence

ao intervalo [-1,+1 ].
 Correlação Linear (Exemplo)
 Aplicando os dados do exeplo na equação de r, teremos:

Concentração

0,2 0,5 0,6 0,7 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0 5,5 6,0
Peso

9,4 11,4 12,3 10,2 11,9 13,6 14,2 16,2 16,2 17,7 18,8 19,9 25,5 24,7 23,1

n xi yi  ( xi )(  yi )
r
n x2
i 
 ( xi ) 2 n yi2  ( yi ) 2 

 r = 0,98