Leis básicas das probabilidades (cont.

9. P (A∪B∪C) = P (A)+P (B)+P (C)−P (A∩B)−P (A∩C)−

P (B ∩ C) + P (A ∩ B ∩ C) ←− Provar!!
10. Generalização: A1 , A2 , ..., An acontecimentos
quaisquer
n
Pn i=1 Ai ) =
P (∪
i=1 P (Ai )−P (A1 ∩A2 )−P (A1 ∩A3 )−...−P (An−1 ∩An )
+P (A1 ∩ A2 ∩ A3 ) + ... + P (An−2 ∩ An−1 ∩ An )
+... + (−1)n−1 P (A1 ∩ A2 ∩ ... ∩ An ).

Exercı́cio 4 (Folhas de exercı́cios)

Sejam A, B e C acontecimentos aleatórios tais que
1 1
P (A) = P (B) = P (C) = ; P (A ∩ B) = P (B ∩ C) = 0; e P (A ∩ C) = .
4 8
Calcule a probabilidade de se verificar pelo menos um dos
acontecimentos A, B ou C. Manuela Neves - ISA - 05/06 – p. 12/28
 Exemplo - uma aplicação em Genética

Numa das suas experiências Mendel estudou a hereditariedade das

cores de flores em ervilheiras. Mendel tinha ervilhas cujas plantas
davam flores vermelhas ou brancas. A cor de cada flor é determinada
por um gene que tem dois alelos, que denotamos por A e B. São
possı́veis os seguintes genótipos: AA, AB e BB. Os genótipos AA e AB
produzem flores vermelhas enquanto os BB produzem flores brancas.
Admitamos que se dá o cruzamento de duas ervilheiras, ambas com o
genótipo AB.
1. Determine a probabilidade da ocorrência de cada genótipo na
geração seguinte.
2. Qual a probabilidade de a ervilheira resultante ter flores
vermelhas?
3. Suponha que tem duas plantas ambas com o genótipo AB. Do
cruzamento resultou uma planta que deu flores vermelhas. Qual a
probabilidade de essa planta ter o genótipo AA? Manuela Neves - ISA - 05/06 – p. 13/28
 Probabilidade condicional

Na questão 3. há mais algum conhecimento sobre os resultados

da experiência do que existia na questão 1.!!!

Definição Chama-se Probabilidade condicional de A dado B ou

probabilidade de A se B e representa-se por P (A|B), com
P (B) > 0 a
P (A ∩ B) P (AB)
P (A|B) = =
P (B) P (B)

Sugestão: resolver o exercício 7. das folhas de práticas

Manuela Neves - ISA - 05/06 – p. 14/28

 Probabilidade condicional e independência

Da definição anterior tem-se

Teorema das probabilidades compostas
Se P (A) > 0, P (B) > 0, tem-se
P (AB) = P (A) P (B|A) = P (B) P (A|B)
Generalização a três acontecimentos Sejam A, B, C tais
que P (A) > 0, P (B) > 0 e P (C) > 0, tem-se,

P (ABC) = P (A)P (B|A)P (C|AB) = P (B)P (C|B)P (A|BC) =

= P (C)P (A|C)P (B|AC).

Dois acontecimentos A e B dizem-se
Definição
mutuamente independentes se e só se
P (A ∩ B) = P (A) P (B). Manuela Neves - ISA - 05/06 – p. 15/28
 Probabilidade condicional e independência

Da definição conclui-se que se A e B são independentes

então P (A|B) = P (A) se P (B) > 0 e
P (B|A) = P (B) se P (A) > 0 .
Teorema
Se A e B são independentes
A e B, A e B e A e B, também são independentes.
Independência de três acontecimentos
Os acontecimentos A, B e C dizem-se mutuamente
independentes ou apenas independentes se e só se
P (ABC) = P (A) P (B) P (C); P (AB) = P (A)P (B);
P (AC) = P (A)P (C); P (BC) = P (B)P (C).
Nota: A independência par a par não assegura
independência de um conjunto de acontecimentos.
Manuela Neves - ISA - 05/06 – p. 16/28
 Probabilidade condicional e independência

Exemplo: Considere um tetraedro regular, com faces numeradas de 1 a 4.

As faces estão ainda pintadas da seguinte forma: uma de verde, outra de
amarelo, outra de branco e outra de verde + amarelo + branco. Vamos realizar
a experiência aleatória que consiste no lançamento do tetraedro e observação
da face em que ele se apoia. A probabilidade de cada face é a mesma e é
igual a 1/4.
Consideremos os acontecimentos: A1 – saı́da da cor verde;
A2 – saı́da da cor amarela; A3– saı́da da cor branca.
Mostre que A1, A2 e A3 não são mutuamente independentes (no entanto
são independentes dois a dois).

Manuela Neves - ISA - 05/06 – p. 17/28

 Independência

Extensão do conceito de independência

Dados n acontecimentos A1 , A2 , ..., An dizem-se mutuamente
independentes se para qualquer subsucessão Ai1 , ..., Aik
daqueles acontecimentos, se tem
P (Ai1 ∩ ... ∩ Aik ) = P (Ai1 )...P (Aik ).

Nota: Independência não é equivalente a exclusividade

mútua.
Se P (A) > 0 e P (B) > 0, A e B independentes ⇒ A e B
não mutuamente exclusivos.

Manuela Neves - ISA - 05/06 – p. 18/28

 Exemplo

Um supermercado tem para venda três marcas diferentes de café, A, B e C ,

mas todas elas têm embalagens iguais. O supermercado abastece-se das três
marcas numa proporção de 4:5:1, respectivamente.
As embalagens devem permitir manter as propriedades do café, mas quando
têm defeito, ao fim de pouco tempo o café perde a qualidade. Tem-se
verificado que a marca A, B e C têm apresentado, respectivamente, 0.02;
0.01 e 0.015 das embalagens de café em más condições de qualidade.

1. Escolhida uma embalagem ao acaso no supermercado, qual a

probabilidade de o café estar em más condições?

2. Escolhida uma embalagem ao acaso, verifica-se que o café está em más

condições. Qual a probabilidade de essa embalagem ser do tipo B ?

Manuela Neves - ISA - 05/06 – p. 19/28

 Teorema da probabilidade total

A resolução da questão 1. baseia-se no seguinte teorema

Teorema da probabilidade total

Sejam A1 , A2 , ..., An acontecimentos definindo uma
partição sobre Ω, i.e.,

A1 ∪ A2 ∪ .... ∪ An = Ω e Ai ∩ Aj = ∅ (i 6= j).

Se P (Ai ) > 0 , então para qualquer acontecimento B ⊂ Ω

tem-se
Xn
P (B) = P (Ai ) P (B|Ai ).
i=1

Manuela Neves - ISA - 05/06 – p. 20/28

 Teorema de Bayes

Relativamente à segunda questão do problema anterior,

pretendemos actualizar a probabilidade de um
acontecimento à priori, à custa da informação à posteriori.
O seguinte teorema formaliza a resposta à questão:

Teorema de Bayes
Sejam A1 , A2 , ..., An acontecimentos formando uma
partição de Ω , onde P (Ai ) > 0. Seja B um outro
acontecimento de Ω, tal que P (B) > 0. Então para
k = 1, ..., n tem-se

P (Ak ).P (B|Ak )

P (Ak |B) = n
P
i=1 P (Ai ).P (B|Ai )

Manuela Neves - ISA - 05/06 – p. 21/28

 Exercı́cio

Exercı́cio 20 (Folhas de exercı́cios)

Num dado paı́s 10% da população sofre de uma determinada doença:
6% de forma grave e 4% de forma moderada. Para o seu diagnóstico é
efectuado um teste que dá resultado positivo:
– com probabilidade 1 para um indivı́duo com doença na forma grave;
– com probabilidade 0.75 para um indivı́duo com doença na forma
moderada;
– com probabilidade 0.05 para um indivı́duo não doente.
a) Efectuando um teste num indivı́duo ao acaso, qual a probabilidade
de o resultado ser positivo?
b) Se, para um dado indivı́duo, o resultado do teste foi positivo, qual a
probabilidade de ele ter a doença?
c) Será que existe independência entre ter a doença na forma
moderada e na forma grave? Justifique.
Manuela Neves - ISA - 05/06 – p. 22/28
 Variável aleatória

Consideremos a seguinte experiência aleatória: Num jogo de

futebol entre Ases e Estrelas perguntou-se a 3 espectadores
escolhidos ao acaso se concordavam ou não com a substituição
do treinador. Suponhamos que os espectadores seleccionados
foram o Asdrúbal, o Segismundo e a Pancrácia. Quais as
respostas possíveis?
Usando C- para significar concordo e D - discordo,
o espaço de resultados associado às respostas do Asdrúbal, do
Segismundo e da Pancrácia é

Ω = {DDD, DDC, DCD, CDD, DCC, CDC, CCD, CCC}.

Porém não interessa saber a ordem das respostas mas

sim o número de respostas C (por exemplo).
Manuela Neves - ISA - 05/06 – p. 23/28
 Variável aleatória

Assim, a cada resultado da experiência vamos associar

números reais de acordo com o número de respostas C.
Esta correspondência define o que se costuma designar
por variável aleatória.
Chama-se variável aleatória e costuma
Definição
representar-se por X, a uma função com domínio Ω e
contradomínio em IR, cujo valor é determinado pelo
resultado de uma experiência aleatória, i.e,
X : ω ∈ Ω → X(ω) = x ∈ IR.
Exercı́cio: Definir a variável aleatória associada ao exemplo anterior
A cada um dos valores de uma variável aleatória X
corresponde PX a que se chama, lei de probabilidade ou
distribuição: PX := P [X(w) = x] = P [X = x]
Manuela Neves - ISA - 05/06 – p. 24/28
 Variável aleatória e função de distribuição

Para o exemplo anterior

P [X = 0] = P ({DDD}) = 1/8
P [X = 1] = P ({DDC, CDD, DCD}) = 3/8
P [X = 2] = P ({DCC, CDC, CCD}) = 3/8
P [X = 3] = P ({CCC}) = 1/8

Associada a toda a variável aleatória existe uma função

real de variável real assim definida:
Definição Chama-se função de distribuição cumulativa ou
apenas função de distribuição associada à variável aleatória
X e representa-se por F ou FX , à aplicação

F : x ∈ IR → F (x) = P [X ≤ x].
Manuela Neves - ISA - 05/06 – p. 25/28
 Função de distribuição.

A função de distribuição cumulativa associada à v.a. X do

exemplo estudado é:



 0 x < 0;

0 ≤ x < 1;

 1/8



F (x) = 4/8 1 ≤ x < 2;


7/8 2 ≤ x < 3;





 1 x ≥ 3.


Exercı́cio Faça a representação gráfica de F .

Observe-se que, neste caso, se trata de uma função em escada,
onde os pontos de salto são os valores onde a v.a. está
definida.
Manuela Neves - ISA - 05/06 – p. 26/28
 Propriedades da função de distribuição

1. 0 ≤ F (x) ≤ 1
2. F (−∞) = limx→−∞ F (x) = 0
F (+∞) = limx→+∞ F (x) = 1.
3. F é uma função monótona não decrescente, i.e.,
dados dois números reais x1 e x2 tais que x1 < x2 ,
tem-se F (x1 ) ≤ F (x2 )
4. F (x) é contínua à direita, i.e., limx→x+0 F (x) = F (x0 ).
5. P (X = a) = F (a) − F (a− ) onde
F (a− ) = limx→a− F (x)

Manuela Neves - ISA - 05/06 – p. 27/28

 Função de distribuição e Probabilidade

O conhecimento da função de distribuição F (.) é equivalente ao

conhecimento da lei de probabilidade PX = P .
Como F (x) = P [X ≤ x], conhecer P ⇒ conhecer F (x).
Reciprocamente ... conhecer F (x), permite calcular a probabilidade
dos vários tipos de intervalos.
P (X ≤ x) = F (x) (por definição);

P (X < x) = P (X ≤ x) − P (X = x) = F (x− );

P (X ≥ x) = 1 − P (X < x) = 1 − F (x− );

P (X > x) = 1 − P (X ≤ x) = 1 − F (x);

P (a < X ≤ b) = P (X ≤ b) − P (X ≤ a) = F (b) − F (a);

P (a < X < b) = P (X < b) − P (X ≤ a) = F (b− ) − F (a);

P (a ≤ X ≤ b) = P (X ≤ b) − P (X < a) = F (b) − F (a− );

P (a ≤ X < b) = P (X < b) − P (X < a) = F (b− ) − F (a− ). Manuela Neves - ISA - 05/06 – p. 28/28