Probabilidades Básicas

Conhecimentos Especficos Mtodos Quantitativos Anatel
Aula 02 Probabilidades
Prof. Alexandre Lima
Aula 02
Sumrio
1. Probabilidade ........................................................................................................................... 2
1.1
Os Diferentes Tipos de Probabilidade .................................................................... 2
1.2
Conjuntos e Eventos .................................................................................................... 4
1.3
Definio Axiomtica de Probabilidade ................................................................. 7
1.4
Probabilidades Conjunta e Condicional ............................................................... 12
1.5
Independncia .............................................................................................................. 15
1.6
Regras de Adio ......................................................................................................... 15
1.7
Regra da Multiplicao .............................................................................................. 17
1.8
Teorema da Probabilidade Total ............................................................................ 17
1.9
Teorema de Bayes ...................................................................................................... 21
2.
O Mnimo que Voc Precisa Saber ............................................................................... 26
3. Exerccios de Fixao ......................................................................................................... 27

4. Gabarito .................................................................................................................................. 33
5. Resoluo dos Exerccios de Fixao ........................................................................... 34
1
www.pontodosconcursos.com.br | Prof. Alexandre Lima

Saudaes! Tudo com voc? Esta aula aborda o clculo de probabilidades.

Vamos comear?
1.
Probabilidade
A Probabilidade a teoria matemtica que nos ajuda a estudar sistemas

fsicos, econmicos, biolgicos, mecnicos, financeiros, etc., num sentido
mdio (esta idia ser formalizada nos prximas aulas). O seu objetivo
construir um modelo matemtico para uma situao fsica e, a partir deste
modelo, deduzir propriedades da situao. A Inferncia Estatstica (que uma
das parte da Estatstica) baseada na teoria das probabilidades.
Um fenmeno aleatrio quando o seu comportamento futuro no pode
ser previsto com absoluta certeza. Por exemplo, as condies climticas no
dia da prova do concurso no podem ser previstas com 100% de acerto. Por
outro lado, possvel que a previso do tempo seja realizada em termos
probabilsticos. Se voc tiver a curiosidade de consultar o site de uma empresa
de previso do tempo, constatar que a previso dada em termos de
tendncias e que, inclusive, a seguinte observao poderia ser feita: esta
tendncia resultado de modelos matemticos e no tem interferncia direta
dos meteorologistas. Estes valores podem variar muito de um dia para o
outro.. Ou seja, a empresa est dizendo para os seus clientes, que so leigos
em Meteorologia, que a previso do tempo possui uma margem de erro e que
isto se deve utilizao de modelos matemticos probabilsticos de previso.
Considere, por exemplo, variveis de natureza econmica. Elas so aleatrias
por natureza. No sabemos quais sero os seus valores futuros seno depois
de observ-los. Por exemplo, no sabemos dizer, com 100% de preciso, qual
ser a cotao do Dlar daqui a um ano.
Faremos uma breve apresentao dos conceitos fundamentais da teoria da
probabilidade nesta aula.
1.1
Os Diferentes Tipos de Probabilidade
A) Probabilidade como a razo entre o nmero de resultados

favorveis e o nmero total de resultados possveis (teoria clssica)
Nesta abordagem a probabilidade de um dado evento (conceito de evento ser
formalizado mais adiante) E calculada pela frmula
(1)
P=
NE
N
2

em que P a probabilidade de E, NE representa o nmero de ocorrncias de E

e N o nmero de todos os resultados possveis. Uma noo importante que
est subentendida em (1) que os resultados devem ser equiprovveis.
Exemplo. Lance uma moeda no viciada (ou justa) duas vezes. Os resultados
possveis so cara-cara (CC), cara-coroa (CK), coroa-cara (KC) e coroa-coroa
(KK). Qual a probabilidade de se obter pelo menos uma coroa?
Seja E o evento que denota a obteno de pelo menos uma coroa; ento E o
conjunto dos resultados
E = {CK,KC,KK} .
O nmero de elementos em E 3. Como N = 4, temos que

P[E] =
NE 3
= .
4
N
A definio clssica de probabilidade possui alguns defeitos, como, por

exemplo, a sua no capacidade de abordar situaes em que os resultados so
no equiprovveis.
B) Probabilidade como freqncia relativa
Considere n realizaes de um experimento aleatrio (vide definio mais
adiante). Ento, define-se a probabilidade de um dado evento E como
(2)
P[E] = lim n
nE
n
em que nE denota o nmero de ocorrncias de E. Como na prtica no

podemos obter infinitas realizaes, temos que (2) estima P[E] dado um valor
finito de n. Observe que 0 P[E] 1 , pois nE n . Um dos problemas desta
abordagem justamente o fato de nunca podermos realizar o experimento por
um nmero infinito de vezes. Outra dificuldade que se assume que a razo
nE/n possui um limite para n tendendo a infinito.
Apesar dos problemas mencionados acima, a definio de probabilidade como
freqncia relativa essencial para a aplicao da teoria das probabilidades ao
mundo real.
3

C) Probabilidade baseada na teoria axiomtica

Esta a abordagem moderna da probabilidade. Para desenvolv-la, preciso
introduzir os conceitos de experimento aleatrio, espao amostral e
evento.
Um experimento aleatrio simplesmente um experimento em
resultados so no determinsticos, isto , probabilsticos. O
amostral o conjunto de todos os possveis resultados
experimento aleatrio. Um evento um subconjunto do
amostral de um experimento aleatrio.
1.2
que os
espao
de um
espao
Conjuntos e Eventos
Um conjunto uma coleo de objetos abstratos ou concretos. Um

exemplo de conjunto concreto o conjunto de todos os residentes na cidade
de So Paulo cuja altura exceda 1,60 m. O conjunto de todos os habitantes de
So Paulo com altura entre 1,60m e 1,70m um subconjunto do conjunto
anterior. No estudo da probabilidade, ns estamos interessados no conjunto de
todos os possveis resultados de um experimento (espao amostral) e nos
subconjuntos daquele conjunto. comum representar o espao amostral de
um experimento aleatrio usando a letra grega (mega). Eventos so
subconjuntos de . O prprio conjunto um evento, o qual denominado
evento certo. O conjunto que no envolve nenhum dos resultados possveis
o evento impossvel (conjunto vazio). Este o evento que no pode
acontecer e que includo na teoria por uma questo de completeza.
lgebra de Conjuntos
A unio (soma) de dois conjuntos E e F, denotada por EF ou E+F, o
conjunto de todos os elementos que esto em pelo menos um dos conjuntos E
ou F. Portanto, com E = {1, 2, 3, 4} e F = {1, 3, 4, 5, 6}
E F = {1, 2, 3, 4, 5, 6}.
Se E um subconjunto de F, indicamos este fato escrevendo E F. Neste
caso, segue-se que E F = F. Ns indicamos que um elemento de
escrevendo . Logo, podemos escrever
E F = {: E ou F ou est em ambos}.
A interseo de dois conjuntos E e F, denotada por E F ou EF, o conjunto
dos elementos comuns a ambos os conjuntos E e F. Portanto, com E = {1, 2,
3, 4} e F = {1, 3, 4, 5, 6}
EF = {1, 3, 4}.
4

Formalmente, tem-se que EF = {: E e F }. O complemento de um

conjunto E, denotado por Ec, o conjunto de todos os elementos que no
estejam em E. Deste modo, segue-se que
E Ec = .
Nota: O complemento de E tambm costuma ser denotado por E.
Observe que EEc = . A diferena de dois conjuntos ou, mais
apropriadamente, a reduo de E por F, denotada por E F, o conjunto de
elementos em E que no esto em F, de modo que
E F = EFc.
O ou exclusivo de dois conjuntos, denotado por E F, o conjunto de todos
os elementos em E ou F mas no em ambos. Note que
E F = (E - F) (F - E).
Dois eventos E, F so mutuamente exclusivos (ou excludentes ou
disjuntos) se EF = ; ou seja, E e F no tm elementos em comum.
As prximas trs figuras ilustram algumas operaes com conjuntos vistas
acima por meio de diagramas de Venn.
Figura: a unio dos conjuntos E e F a parte

hachurada do diagrama.
5

Ec
Figura: a parte hachurada do diagrama o complementar de E.
E-F
EF
F-E
Figura: interseo e diferenas.
Dado qualquer conjunto E, uma partio-n de E consiste em uma sequncia

de conjuntos Ei, i = 1, 2, ..., n, tal que Ei E,
i =1
Ei = E e Ei E j = para todo
i j . A figura a seguir ilustra o diagrama de Venn para uma partio-4 de um

espao amostral em quatro eventos E1, E2, E3 e E4 mutuamente exclusivos.
6

E1
E3
E2
E4
1.3
Definio Axiomtica de Probabilidade
Seja um experimento aleatrio com espao amostral . Considere um evento

qualquer E. Define-se probabilidade como a funo P[.] que atribui um
nmero P[E] para o evento E do espao amostral denominado probabilidade
de E tal que
a) P[E] 0.
b) P[] = 1.
c) P[E F] = P[E] + P[F] se E F = .
As expresses (a), (b) e (c) so os axiomas da probabilidade.
Os axiomas acima implicam os seguintes resultados:
P[] = 0
e para qualquer evento E,
P[Ec] = 1 - P[E].
Por exemplo, se a probabilidade de um evento E for 0,4, ento a probabilidade
de Ec = 1 - 0,4 = 0,6.
7

Exemplo (Petrobrs/Cesgranrio/2010). Em um posto de combustveis

entram, por hora, cerca de 300 clientes. Desses, 210 vo colocar combustvel,
130 vo completar o leo lubrificante e 120 vo calibrar os pneus. Sabe-se,
ainda, que 70 colocam combustvel e completam o leo; 80 colocam
combustvel e calibram os pneus e 50 colocam combustvel, completam o leo
e calibram os pneus. Considerando que os 300 clientes entram no posto de
combustveis para executar uma ou mais das atividades acima mencionadas,
qual a probabilidade de um cliente entrar no posto para completar o leo e
calibrar os pneus?
A) 0,10
B) 0,20
C) 0,25
D) 0,40
E) 0,45
Resoluo
Dados:
- de um total de 300 clientes (= espao amostral), 210 colocam combustvel,
130 completam o leo e 120 calibram os pneus;
- 70 clientes colocam combustvel e completam o leo, 80 colocam combustvel
e calibram os pneus e 50 colocam combustvel, completam o leo e calibram
os pneus.
Resolverei a questo usando a tcnica do Diagrama de Venn. Note que 50
clientes colocam combustvel, completam o leo e calibram os pneus. O
diagrama abaixo mostra que a interseo entre os trs conjuntos (combustvel,
leo e pneus) composta por 50 clientes.
8

Setenta (70) clientes colocam combustvel e completam o leo (adicionei 20

clientes interseo entre os conjuntos combustvel e leo):
Oitenta (80) clientes colocam combustvel e calibram os pneus (adicionei 30

clientes interseo entre os conjuntos combustvel e pneus):
9

Duzentos e dez clientes (210) colocam combustvel. Logo, temos que adicionar
210 (30 + 50 + 20) = 110 clientes que entram no posto somente para
colocar combustvel ao conjunto combustvel:
Finalmente, completarei o diagrama com as variveis X, Y e Z, que denotam,

respectivamente, o nmero restante de clientes que completam o leo e
calibram os pneus, que somente calibram os pneus e que somente completam
o leo:
10

A probabilidade de um cliente entrar no posto para completar o leo e calibrar

os pneus dada pela frao
P = (no de resultados favorveis)/(no de resultados possveis) =
50 + X
300
Resolveremos o problema, se soubermos determinar o valor de X. Mas como

faremos isso? A resposta simples: basta montar um sistema linear.
Cento e vinte (120) clientes calibram os pneus. Portanto (veja o diagrama de

Venn acima),
30 + 50 + X + Y = 120 80 + X + Y = 120 X + Y = 120 80 = 40
Cento e trinta clientes completam o leo. Ento,
50 + 20 + X + Z= 130 70 + X + Z = 130 X + Z = 130 70 = 60
O total de clientes 300:
110 + 30 + 50 + 20 + X + Y + Z= 300 210 + X + Y + Z = 300
X + Y + Z = 300 210 = 90
Chegamos deste modo ao seguinte sistema de equaes:
1X + 1Y + 0Z = 40
1X + 0Y + 1Z = 60
1X + 1Y + 1Z = 90
11

Multiplicando a segunda equao por -1, e somando o resultado obtido com a

terceira tem-se que
Y = 30.
Substituindo-se o valor de Y na primeira equao, obtemos
X + 30 = 40 X = 40 30 = 10.
Assim,
Probabilidade de um cliente entrar no posto para completar o leo e calibrar os
pneus dada pela frao = (50 + X)/300 = (50 + 10)/300 = 60/300 = 0,2 =
20%.
GABARITO: B
1.4
Probabilidades Conjunta e Condicional
Assuma que se queira realizar o seguinte experimento: estamos numa certa

cidade do Brasil e desejamos coletar dados sobre o tempo local. Em particular
estamos interessados em trs eventos, os quais sero denominados A, B e C,
onde
A o evento que representa uma temperatura igual ou maior a 20o C em
qualquer dia;
B o evento que denota um ndice de precipitao maior ou igual a 10 mm em
qualquer dia;
C o evento que representa a ocorrncia simultnea de A e B, isto , C = AB
(ou C = A B);
Como C um evento, P[C] uma probabilidade que satisfaz os axiomas. Mas
P[C] = P[AB]; neste caso, diz-se que P[AB] a probabilidade conjunta dos
eventos A e B.
Em muitas situaes prticas, o fenmeno aleatrio de interesse pode ser
desmembrado em duas etapas. A informao do que ocorreu numa dada etapa
pode influenciar as probabilidades de ocorrncias das etapas seguintes.
Nestes casos, diz-se que ganhamos informao e que podemos recalcular as
probabilidades de interesse. Essas probabilidades recalculadas so
conhecidas como probabilidades condicionais. A definio de probabilidade
condicional ser motivada pelo exemplo a seguir.
12

Exemplo. Considere os eventos A, B e C definidos acima. Seja ni o nmero de

dias em que o evento i ocorreu. Ao longo de 1.000 dias, foram feitas as
seguintes observaes: nA = 711, nB = 406, nAB = 200. Pela interpretao da
probabilidade em termos da noo de freqncia relativa, podemos estimar
que:
P[A] nA/n = 711/1.000 = 0,711
P[B] nB/n = 406/1.000 = 0,406
P[AB] nAB/n = 200/1.000 = 0,200
Agora considere a razo nAB/nA . Esta a freqncia relativa de ocorrncia do
evento AB quando o evento A ocorre. Dito de outra forma, nAB/nA corresponde
frao do tempo em que o ndice de precipitao maior ou igual a 10mm
naqueles dias em que a temperatura igual ou maior a 20 C. Portanto,
estamos lidando com a freqncia de um evento, dado que (ou
condicionado ao fato de que) outro evento ocorreu. Note que
n AB n AB / n P[ AB ]
=
nA
nA / n
P[ A]
Este conceito emprico sugere que seja introduzido o conceito de uma medida
de probabilidade condicional definida por
(3)
P[ B | A] =
P[ AB ]
,
P[ A]
P[ A] > 0
em que P[ B | A] denota a probabilidade de que B ocorra dado que A

ocorreu.
Similarmente,
(4)
P[ A | B ] =
P[ AB ]
,
P[ B ]
P[ B ] > 0
Exemplo (TRF 1 Regio/FCC/2001). Numa cidade onde se publicam 2

jornais, A e B, sabe-se que entre n famlias: 160, assinam o jornal A, 35
assinam os 2 jornais A e B, 201 no assinam B e 155 assinam apenas 1 jornal.
O valor de n e a probabilidade de que uma famlia selecionada ao acaso,
dentre as n, assinar A dado que assina B, so dados, respectivamente, por
A) 180 e 160/266
B) 250 e 35/75
13

C) 266 e 7/13
D) 266 e 35/76
E) 266 e 35/266
Resoluo
Se 35 das 160 famlias que assinam o jornal A tambm assinam o jornal B,
ento o nmero das famlias que s assinam A igual a (160 35) = 125. Se
155 famlias assinam apenas um jornal, ento (155 125) = 30 corresponde
ao nmeros de famlias que somente assinam B. Se 201 famlias no assinam
B, e, dado que 125 famlias assinam somente A, ento temos (201 125) =
76 famlias que no assinam nenhum dos dois jornais. O diagrama de Venn
abaixo ilustra o nosso raciocnio.
125
35
30
76
O nmero de famlias no espao amostral igual a 125 + 35 + 30 + 76 =

266.
A questo pede que seja calculada a probabilidade condicional P(A|B) =
P(AB)/P(B).
P(AB) = 35/266
P(B) = 65/266
Logo, P(A|B) = 35/65 = 7/13.

GABARITO: C
14

1.5
Independncia
Os eventos A e B, pertencentes ao espao amostral , com P[A]>0 e P[B]>0,

so independentes se e somente se
(5)
P[ AB ] = P[ A]P[ B ] .
Como P[ AB ] = P[ B | A]P[ A] = P[ A | B ]P[ B ] , segue-se que

(6)
P[ A | B ] = P[ A]
(7)
P[ B | A] = P[ B ]
so vlidas somente quando A e B so eventos independentes.
A definio de independncia diz que, se A e B so independentes,

ento o resultado B no ter efeito sobre a probabilidade de A e vice-versa.
1.6
Regras de Adio
Sejam os eventos A e B, pertencentes ao espao amostral . Ento vale
(8)
P[ A B ] = P[ A] + P[ B ] P[ A B ] .
Se A e B so eventos mutuamente excludentes, ento
(9)
P[ A B ] = P[ A] + P[ B] .
Sejam A, B e C eventos de um espao amostral . Neste caso, temos que

(10) P[ A B C ] = P[ A] + P[ B] + P[C ] P[ A B] P[ A C ]
P[ B C ] + P[ A B C ] .
Para uma coleo de k eventos mutuamente excludentes,
(11) P[ E1 E2 ... Ek ] = P[ E1 ] + P[ E2 ] + ... + P[ Ek ] .
15

Exemplo (SUSEP/ESAF/2006). Os eventos E1 e E2 so os conjuntos de

pontos que podem estar tanto em E1, quanto em E2, como em ambos
simultaneamente. Ento, a probabilidade de uma ocorrncia ser do evento E1
ou E2 dada por:
A) P(E1 + E2) = P(E1) + P(E2).
B) P(E1 + E2) = P(E1) + P(E2) - P(E1 E2).
C) P(E1 + E2) = P(E1) + (1 - P(E2)).
D) P(E1 + E2) = P(E2) + (1 - P(E1)).
E) P(E1 + E2) = P(E1) * P(E2).
Resoluo
A probabilidade do evento A = E1 E2
P(E1 E2) = P(E1) + P(E2) - P(E1 E2).
Logo, a resposta a alternativa B.
GABARITO: B
Exemplo (ICMS-RJ/2010/FGV). Se A e B so eventos independentes com
probabilidades P[A]=0,4 e P[B]=0,5 ento P[AB] igual a:
A) 0,2.
B) 0,4.
C) 0,5.
D) 0,7.
E) 0,9.
Resoluo
P[AB] = P[A] + P[B] P[AB]
Mas, P[AB] = P[A].P[B] = 0,4 x 0,5 = 0,2, pois A e B so eventos
independentes. Assim,
P[AB] = 0,4 + 0,5 0,2 = 0,7
GABARITO: D
16

J caiu em prova! (ANAC rea 7/CESPE-UnB/2012/Adaptada). Julgue

o prximo item com base na teoria das probabilidades.
Se A e B forem eventos mutuamente exclusivos e ambos tiverem probabilidade
de ocorrncia maior que zero, ento esses eventos sero independentes.
Resoluo
Dois eventos A e B so mutuamente exclusivos (excludentes) se AB = ;
ou seja, A e B no tm elementos em comum. Logo, P(AB)= P() = 0.
Se A e B so independentes, ento o resultado B no ter efeito sobre a
probabilidade de A e vice-versa: P(A|B) = P(A) e P(B|A) = P(B). Isto
equivalente a afirmar-se que P(AB) = P(A).P(B).
Se A e B so mutuamente excludentes, ento A e B so dependentes,
pois se A ocorre, B no ocorre, isto , a ocorrncia de um evento condiciona a
no ocorrncia do outro. A exclusividade implica dependncia.
Se A e B tiverem probabilidade de ocorrncia maior que zero e forem
independentes, ento P(AB) > 0. Mas, se forem exclusivos, teremos P(AB) = 0,
o que contraditrio. Item errado.
GABARITO: E
1.7
Regra da Multiplicao
A definio de probabilidade condicional pode ser reescrita para fornecer uma

expresso geral para a probabilidade conjunta de dois eventos A e B,
denominada regra da multiplicao, dada por
(12)
P[ AB ] = P[ A | B ]P[ B ] = P[ B | A]P[ A] .
1.8
Teorema da Probabilidade Total
Em muitas aplicaes, necessrio calcular a probabilidade no condicional de

um evento B em termos de uma soma de probabilidades condicionais
ponderadas.
Sejam os eventos A e B de um espao amostral como na figura a seguir.
Como A e Ac so disjuntos, segue-se que A B e Ac B sero mutuamente
excludentes. Sendo assim, podemos escrever B na forma
17

B = (A B) (Ac B).
A aplicao da regra da adio das probabilidades para o evento B nos d
P(B) = P(A B) + P(Ac B),
e a aplicao da regra do produto na expresso acima nos d
(13)
P(B) = P(B|A) P(A) + P(B|Ac) P(Ac),
conhecida como a regra da probabilidade total para dois eventos.
BA
BA
B
Figura: diviso
exclusivos.
do
evento
em
dois
eventos
mutuamente
A expresso (13) pode ser generalizada para o caso de k eventos mutuamente

excludentes E1, E2, ..., Ek tal que E1 E2 ... Ek = (os eventos Ei so ditos
exaustivos porque cobrem todo o espao amostral):
(14)
P ( B ) = P ( B E1 ) + P ( B E2 ) + ... + P ( B Ek ) =
= P ( B | E1 ) P ( E1 ) + P ( B | E2 ) P ( E2 ) + ... + P ( B | Ek ) P ( Ek ).
A Eq. (14) nos d a probabilidade total (no condicional) de B como uma
soma das probabilidades condicionais P(B|Ei) ponderadas, respectivamente,
pelas probabilidades dos eventos exaustivos P(Ei), i =1, 2, ..., k.
Exemplo (Cmara dos Deputados/FCC/2007). Uma rede local de
computadores composta por um servidor e 2 (dois) clientes (Z e Y).
18

Registros anteriores indicam que dos pedidos de certo tipo de processamento,

cerca de 30% vm de Z e 70% de Y. Se o pedido no for feito de forma
adequada, o processamento apresentar erro. Sabendo-se que 2% dos
pedidos feitos por Z e 1% dos feitos por Y apresentam erro, a possibilidade do
sistema apresentar erro
A) 5%
B) 4,1%
C) 3,5%
D) 3%
E) 1,3%
Resoluo
Trata-se de uma aplicao direta do teorema da probabilidade total. Devemos
determinar a probabilidade do sistema apresentar erro, seja o pedido de
processamento originado pelo cliente Z ou pelo cliente Y.
Assim,
P(erro) = P(erro|Z).P(Z) + P(erro|Y).P(Y),
em que P(erro|Z) = 2% = 0,02, P(Z) = 30% = 0,30, P(erro|Y) =1% =0,01 e
P(Y) = 70% = 0,70. Substituindo esses valores obtemos,
P(erro) = (0,02 x 0,30) + (0,01 x 0,70) = 0,013 = 1,3%
GABARITO: E
Exemplo (BACEN-rea 3/FCC/2005) Do total de ttulos em poder de um
investidor, 1/8 do tipo T1, 1/4 do tipo T2, e o restante do tipo T3. Sabe-se
que as probabilidades de se obter uma taxa real de juros positiva com estas
aplicaes so 0,60 com T1, 0,70 com T2 e 0,80 com T3. Se for escolhido um
ttulo aleatoriamente entre estes em poder do investidor e verificar-se que
apresentou uma taxa real de juros no positiva, a probabilidade dele ser do
tipo T3
A) 50%
B) 40%
C) 30%
D) 20%
E) 10%
19

Resoluo
Pede-se que seja calculada a probabilidade do ttulo aleatoriamente
escolhido ser do tipo T3 sabendo-se que o mesmo apresentou uma taxa
real de juros no positiva ( j 0 ), ou seja, trata-se do clculo da
probabilidade condicional
P (T3 | j 0) =
P (T3 j 0)
,
P ( j 0)
em que j 0 denota o evento ttulo escolhido apresenta taxa real de juros no

positiva e P ( j 0) a probabilidade total de se obter uma taxa real de juros
no positiva.
Porque P ( j 0) a probabilidade total de se obter j 0 ?
Observe que os eventos T1, T2 e T3 so mutuamente exclusivos e
exaustivos, pois
P(T1 T2 T3) = P(T1) +P(T2) + P(T3) = 1.
Logo,
P(j0) = P(j0
T1) + P(j0 T2) + P(j0 T3)
P(j0) = P(j0|T1).P(T1) + P(j0|T2).P(T2) + P(j0|T3).P(T3)

A equao acima nos d a probabilidade total (no condicional) do evento
j0 como uma soma das probabilidades condicionais P(j0|Tk), ponderadas,
respectivamente, pelas probabilidades dos eventos exaustivos P(Tk), k =1, 2,
3.
O enunciado forneceu P(T1) = 1/8 e P(T2) = 1/4. Portanto,
P(T3) = 1 - 1/8 - 1/4 = 5/8.
Alm disso,
P(j>0|T1) = 0,60 P(j0|T1) = 1 - P(j>0|T1) = 0,40
P(j>0|T2) = 0,70 P(j0|T2) = 1 - P(j>0|T2) = 0,30
P(j>0|T3) = 0,80 P(j0|T3) = 1 - P(j>0|T3) = 0,20
20

Agora, podemos construir a seguinte tabela:

Ttulo
T1
T2
T3
Totais
P(j>0|Tk)
0,60
0,70
0,80
P(j0|Tk)
0,40 = 2/5
0,30 = 3/10
0,20 = 1/5
P(Tk)
1/8
1/4
5/8
1
P(j0|Tk).P(Tk)
2/40
3/40
5/40
P(j0) = 10/40
Desejamos calcular
P (T3 | j 0) =
P(T3 j 0)
P ( j 0)
em que o numerador a probabilidade de um ttulo ser do tipo T3 e ter taxa

real no positiva, ou seja,
P (T3 j 0) = P (T3 | j 0) P ( j 0) = P ( j 0 | T3 ) P (T3 ) = P ( j 0 T3 )
P (T3 j 0) = P ( j 0 | T3 ) P(T3 ) = 5 / 40 .
Finalmente, obtemos
P (T3 | j 0) =
5 / 40
= 5 / 10 = 0,5 = 50%
10 / 40
GABARITO: A
1.9
Teorema de Bayes
Aprendemos que
P( A | B) =
P ( A B)
P( B)
como
P[ A B ] = P ( B | A) P ( A)
temos que
21

(15)
P( A | B) =
P ( B | A) P( A)
P ( B)
P ( B) 0.
A frmula (15) o Teorema (ou Regra) de Bayes.

Em geral, se A1, A2, ..., Ak forem eventos mutuamente exclusivos e exaustivos
e B for qualquer evento, ento (15) pode ser reescrita como
(16)
P ( Ak | B ) =
P ( B | Ak ) P ( Ak )
n
P( B | A ) P( A )
i
i =1
Observe que o denominador de (16) a probabilidade total de B ocorrer.

O Teorema de Bayes nos permite calcular as probabilidades dos vrios eventos
A1 , A2 ,..., An que podem causar ou provocar a ocorrncia de B. Por este motivo, o
Teorema de Bayes tambm conhecido como o teorema que nos d a
probabilidade da causa (evento Ak ) dado o efeito observado (evento B).
Na prtica, a probabilidade P ( Ak | B ) de (16) conhecida como probabilidade
a posteriori de Ak dado B ; P ( B | Ak ) denominada probabilidade a priori de
B dado Ak e P ( Ak ) a probabilidade da causa ou a priori de Ak . Geralmente,
as probabilidades a priori so estimadas a partir de medies passadas ou
pressupostas pela experincia, ao passo que as probabilidades a posteriori so
medidas ou calculadas a partir de observaes.
Exemplo. A probabilidade de que um novo teste de baixo custo identifique
corretamente algum com AIDS, dando positivo, 0,99; e a probabilidade de
que o teste identifique corretamente algum sem AIDS, dando negativo,
0,95. Suponha que a incidncia de AIDS na populao seja igual a 0,0001.
Uma pessoa escolhida ao acaso, faz o teste e o resultado d positivo. Qual
a probabilidade de que esse indivduo tenha AIDS?
Devemos calcular a probabilidade de que o indivduo tenha AIDS (= causa)
dado que o resultado do teste foi positivo (= efeito observado):
P( D | +) =
P(+ | D) P( D)
P ( + | D) P ( D)
=
,
P(+)
P (+ | D) P ( D ) + P (+ | S ) P ( S )
22

em que S denota a parcela saudvel da populao (isto , no infectada pelo

vrus), D representa a parcela da populao que tem a doena (ou seja, a
parcela infectada) e + denota o evento resultado positivo.
O enunciado fornece as seguintes probabilidades a priori:
- P(S) = 1 0,0001;
- P(D) = 0,0001;
- P(+|D) = 0,99;
- P(-|S) = 0,95;
Logo, P(+|S) = 1 P(-|S) = 1 0,95 = 0,05. Alm disso, temos que P(-|D) =
1 P(+|D) = 1 0,99 = 0,01.
A figura a seguir (diagrama de trelia) ilustra a aplicao do Teorema de Bayes
nesta questo:
POPULAO
X = 0,
P(S) = (1 - 0,0001)
RESULTADO DO TESTE
P(-|S) = 95%
| D)
P(-
P(
+| S
)
X = 1,
P(D) = 0,0001
P(D | +) =
Y = 0,
P(-) = ?
%
=1
P(+|D) = 99%
=5
%
Y = 1,
P(+) = ?
P ( + | D) P ( D )
0,99 0,0001
=
= 0,002
P(+ | D)P(D) + P(+ | S)P(S) 0,99 0,0001 + 0,05 (1 0,0001)
Nota: podemos descrever o espao amostral do experimento aleatrio

proposto pelo exemplo utilizando a notao genrica
= {(X,Y): X = 0 ou 1, Y = 0 ou 1} = {(0, 0), (0, 1), (1, 0), (1, 1)}.
Assim, os resultados elementares de so:

(0, 0) = (S, -)
(0, 1) = (S, +)
(1, 0) = (D, -)
(1, 1) = (D, +)
23

J caiu em prova! (ABIN/CESPE-UnB/2004) Em uma fbrica, as mquinas

X, Y e Z produzem um mesmo tipo de item. Na mquina X, feita a metade da
produo total desse item, e a produo da mquina Y est para a produo da
mquina Z na razo 3/2. As porcentagens de unidades defeituosas que so
produzidas pelas mquinas X, Y e Z so, respectivamente, 2%, 4% e 5%. Com
base nessas informaes, julgue os itens a seguir.
Desse item, a mquina Z produz 25% da quantidade total produzida pela
fbrica.
Resoluo
A mquina X produz 50% do item. Logo, as mquinas Y e Z produzem os 50%
restantes. Como
Y 3
=
Z 2
conclui-se que Y produz 30% do total e Z produz 20% do total. Item errado.
GABARITO: E
Se um desses itens escolhido ao acaso e defeituoso, ento a probabilidade
de ele ter sido produzido pela mquina Y superior a 0,35.
Resoluo
Este item cobra a aplicao da Regra de Bayes.
Pergunta-se:
P{Y ter produzido o item dado que o item Defeituoso} = P(Y|D) > 0,35 ?
Vimos que
P (Y | D ) =
P ( D | Y ) P (Y )
P ( D | Y ) P (Y )
=
P( D)
P ( D | X ) P ( X ) + P ( D | Y ) P (Y ) + P ( D | Z ) P ( Z )
P ( X ) = 50% =
P( D | X ) =
1
3
1
, P (Y ) = 30% =
, P ( Z ) = 20% =
2
10
5
P ( D X ) 0,02
=
= 0,04
P( X )
0,5
24

P( D | Y ) =
P ( D Y ) 0,04 4
=
= 10 1
P (Y )
0,3 3
P( D | Z ) =
P ( D Z ) 0,05
=
= 0,25
P( Z )
0,2
3
4
10 1
4
10
3
P(Y | D) =
= 36,4%
1 4
3
1 11
1
0,04 + 10 + 0,25
2 3
10
5
P(Y|D) > 0,35. Item certo.

GABARITO: C
25

2.
O Mnimo que Voc Precisa Saber
- Dois eventos A e B so mutuamente exclusivos (excludentes) se AB = ;

ou seja, A e B no tm elementos em comum.
- Probabilidade condicional: P[ A | B ] = P[ AB ] / P[ B ]
- Eventos A
P[ B | A] = P[ B ] .
independentes:
P[ AB ] = P[ A]P[ B ]
P[ A | B ] = P[ A]
- Regra da adio: P[ A B ] = P[ A] + P[ B ] P[ A B ] .
- Regra da multiplicao: P[ AB ] = P[ A | B ]P[ B ] = P[ B | A]P[ A] .
- Regra da probabilidade total:
P ( B) = P( B | E1 ) P ( E1 ) + P( B | E2 ) P ( E2 ) + ... + P ( B | Ek ) P( Ek ).
em que E1, E2, ..., Ek denotam eventos mutuamente excludentes e exaustivos

(E1 E2 ... Ek = ) e B um evento qualquer definido sobre o mesmo
espao amostral .
- Regra de Bayes: P ( Ak | B ) =
P ( B | Ak ) P( Ak )
n
P( B | A ) P( A )
i
i =1
A frmula de Bayes nos permite calcular as probabilidades dos vrios eventos

A1 , A2 ,..., An que podem causar ou provocar a ocorrncia de B (probabilidade da
causa Ak dado o efeito observado B).
26

3.
Exerccios de Fixao
1. (Petrobrs/Cesgranrio/2005) Joga-se um dado no tendencioso. Se o

resultado no foi quatro, qual a probabilidade de que tenha sido um?
A) 1/5
B) 1/6
C) 1/9
D) 1/12
E) 1/18
2. (REFAP/Cesgranrio/2007) A probabilidade de que o preo da farinha de
trigo aumente em determinado ms estimada em 40%. Se isso ocorre, a
probabilidade de que o preo do po francs tambm aumente de 50%; caso
contrrio, a probabilidade de aumento do po francs ser de apenas 10%. Se
o preo do po francs subiu, a probabilidade de que o preo da farinha de
trigo tenha sofrido majorao igual a:
A) 1/13
B) 2/10
C) 6/13
D) 6/11
E) 10/13
3. (BACEN-rea 2/Cesgranrio/2010) A probabilidade de um indivduo de
classe A comprar um automvel 3/4. Para um indivduo de classe B, essa
probabilidade 1/6, e para um indivduo de classe C, ela de 1/20. A
probabilidade de um indivduo de classe A comprar um fusca 1/10, enquanto
que, para um indivduo de classe B, essa probabilidade 3/5 e para um
indivduo de classe C, de 3/10. Sabendo-se que a revendedora XPTO vendeu
um Fusca, a probabilidade de o comprador pertencer classe B
A) 0,527
B) 0,502
C) 0,426
D) 0,252
E) 0,197
4. (DECEA/Cesgranrio/2009) A probabilidade de que, no lanamento de
trs dados comuns, honestos, a soma dos resultados seja igual a 18
A) 1/12
27

B) 1/36
C) 1/216
D) 3/18
E) 3/216
5. (IBGE/Cesgranrio/2009) Lana-se uma moeda honesta trs vezes.
Sejam os eventos: A = {sair duas caras ou trs caras} e B = {os dois
primeiros resultados so iguais}. Nessas condies, tem-se que
A) P(A) = 0,25; P(B) = 0,25; A e B no so independentes e no so
mutuamente exclusivos.
B) P(A) = 0,25; P(B) = 0,25; A e B so independentes e no so mutuamente
exclusivos.
C) P(A) = 0,5; P(B) = 0,25; A e B no so independentes e no so
D) P(A) = 0,5; P(B) = 0,5; A e B so independentes e no so mutuamente
exclusivos.
E) P(A) = 0,5; P(B) = 0,5; A e B no so independentes e no so
6. (Engenharia-BNDES/Cesgranrio/2008) O grfico a seguir mostra, em
percentuais, a distribuio do nmero de mulheres de 15 anos ou mais de
idade, segundo o nmero de filhos, no Brasil.
Selecionando-se aleatoriamente um filho dessa populao, a probabilidade de

que ele seja filho nico , aproximadamente,
28

A) 17/55
B) 17/71
C) 17/100
D) 17/224
E) 17/1.000
7. (IBG/Cesgranrio/2010) Um comit formado por trs pesquisadores
escolhidos dentre quatro estatsticos e trs economistas. A probabilidade de
no haver nenhum estatstico
A) 1/35
B) 4/35
C) 27/243
D) 64/243
E) 3/7
8. (Petrobrs/Cesgranrio/2011) Um estudo sobre a fidelidade do
consumidor operadora de telefonia mvel, em uma determinada localidade,
mostrou as seguintes probabilidades sobre o hbito de mudana:
Probabilidade de um consumidor
mudar de (ou manter a) operadora
Se a
operadora
atual
A
B
C
A
0,50
0,20
0,40
A nova operadora
B
0,35
0,70
0,30
C
0,15
0,10
0,30
A probabilidade de o 1 telefone de um indivduo ser da operadora A 0,60; a

probabilidade de o 1 telefone de um indivduo ser da operadora B 0,30; e a
de ser da operadora C 0,10.
Dado que o 2 telefone de um cliente da operadora A, a probabilidade de o
1 tambm ter sido de
A) 0,75
B) 0,70
C) 0,50
D) 0,45
E) 0,40
29

9. (Engenharia-BNDES/Cesgranrio/2011) Em uma urna, h um grande

nmero de fichas de quatro tipos: quadradas brancas, quadradas vermelhas,
redondas brancas e redondas vermelhas. Sabe-se que:
70% de todas as fichas so brancas.
25% das fichas quadradas so vermelhas.
60% das fichas vermelhas so redondas.
A porcentagem de fichas redondas e brancas nessa urna de

A) 26%
B) 30%
C) 34%
D) 38%
E) 42%
(BACEN-rea 4/Cesgranrio/2010) Considere as informaes a seguir
para responder s questes de nos 10 a 12.
A viabilidade financeira do projeto de uma microempresa leva em considerao
dados histricos de 100 projetos semelhantes. A tabela abaixo mostra a
distribuio de frequncias do VPL Valor Presente Lquido (valores em
milhes de reais) de um conjunto de microempresas similares.
VPL
Frequncia Relativa
-10 < x 0
10%
0 < x 10
80%
10 < x 20
10%
10. Utilizando os dados histricos acima, o valor esperado para o VPL da

microempresa, em milhes de reais,
A) -10
B) 0
C) 5
D) 10
E) 20
30

11. Segundo os dados histricos, o valor, em milhes de reais, que mais se

aproxima do desvio padro do VPL da microempresa
A) 1
B) 2
C) 2,5
D) 4
E) 4,5
12. Um projeto alternativo para o investidor apresenta um VPL esperado, em
reais, de 6 milhes e um risco (desvio padro) de 2 milhes. Pela tica do risco
relativo, qual o melhor investimento, a microempresa ou o projeto alternativo?
A) A microempresa, pois apresenta um Coeficiente de Variao maior.
B) A microempresa, pois apresenta um Coeficiente de Variao menor.
C) O projeto alternativo, pois apresenta um Coeficiente de Variao maior.
D) O projeto alternativo, pois apresenta um Coeficiente de Variao menor.
E) indiferente, pois os investimentos apresentam Coefi- cientes de Variao
iguais.
(Analista do INSS com formao em estatstica/CESPE-UnB/2008)
Texto para os itens de 13 a 17
perfil
Nmero de trabalhadores
(em milhes de pessoas)
total
19
Um projeto do governo tinha como objetivo atrair para o sistema

previdencirio uma parcela de trabalhadores que no eram contribuintes do
INSS. Na ocasio em que tal projeto havia sido proposto, pelos clculos do
governo, existiam no pas 19 milhes de trabalhadores com mais de 16 anos e
renda mensal de um ou mais salrios mnimos que no contribuam para a
previdencia. Esses trabalhadores foram classificados de acordo com tres perfis
A, B e C, e a distribuico do nmero de trabalhadores em cada perfil est no
quadro acima. A expectativa do governo era a seguinte: entre as pessoas com
o perfil A, a probabilidade de entrada para o sistema previdencirio era de 0,8;
para as de perfil B, a probabilidade de entrada para o sistema era de 0,5 e os
de perfil C entrariam no sistema com uma probabilidade igual a 0,1.
Correio Braziliense, 15/11/2006, p. A-14 (com adaptaes).
Com base nas informaes apresentadas no texto acima, julgue os itens

seguintes.
31

13. Na ocasio em que o projeto havia sido proposto, a probabilidade de uma

pessoa entre os 19 milhes de trabalhadores entrar para o sistema
previdencirio era superior a 0,35 e inferior a 0,40.
14. A expectativa do governo era de que mais de 7 milhes de trabalhadores
fossem atrados para o sistema previdencirio.
15. Um trabalhador que atende s condies do projeto do governo, decidiu
entrar para o sistema de previdncia. A probabilidade de ele ser um
trabalhador do perfil A superior a 0,4.
Ainda com relao ao texto e considerando que a probabilidade de dois
trabalhadores selecionados aleatoriamente entre aqueles com o perfil A
entrarem para o sistema previdencirio igual a , julgue os itens
subseqentes.
16. Por ser uma probabilidade, pode assumir qualquer valor entre 0 e 1.
17. O nmero esperado de trabalhadores do perfil A que entraro no sistema
previdencirio aumenta medida que aumenta.
32

4.
Gabarito
1A
2E
3A
4C
5D
6C
7A
8A
9C
10 C
11 E
12 D
13 C
14 C
15 E
16 E
17 E
33

5.
Resoluo dos Exerccios de Fixao
1. (Petrobrs/Cesgranrio/2005) Joga-se um dado no tendencioso. Se o

resultado no foi quatro, qual a probabilidade de que tenha sido um?
A) 1/5
B) 1/6
C) 1/9
D) 1/12
E) 1/18
Resoluo
Se j se sabe, a priori, que o resultado no foi quatro, ento s nos restam
cinco possibilidades equiprovveis. Logo, a probabilidade de que tenha sido
um igual a 1/5.
Tambm podemos resolver aplicando a frmula da probabilidade condicional,
P ( X = 1 | X 4) =
P ( X = 1 X 4)
,
P ( X 4)
1
, pois a probabilidade de que o resultado d um e
6
que ao mesmo tempo seja diferente de quatro igual a probabilidade de se
obter um,
em que P ( X = 1 X 4) =
e P ( X 4) = P ( X = 1 X = 2 X = 3 X = 5 X = 6) =
= P ( X = 1) + P ( X = 2) + P ( X = 3) + P ( X = 5) + P ( X = 6) = 5
1 5
= .
6 6
Ento,
P ( X = 1 | X 4) =
1/ 6
= 1/ 5 .
5/ 6
GABARITO: A
2. (REFAP/Cesgranrio/2007) A probabilidade de que o preo da farinha de
trigo aumente em determinado ms estimada em 40%. Se isso ocorre, a
probabilidade de que o preo do po francs tambm aumente de 50%; caso
contrrio, a probabilidade de aumento do po francs ser de apenas 10%. Se
34

o preo do po francs subiu, a probabilidade de que o preo da farinha de

trigo tenha sofrido majorao igual a:
A) 1/13
B) 2/10
C) 6/13
D) 6/11
E) 10/13
Resoluo
Considere o diagrama de trelia a seguir:
O enunciado diz que a probabilidade de que o preo da farinha de trigo

aumente em determinado ms (X=1) estimada em 40%. Logo, temos as
seguintes probabilidades a priori: PX(1) = 0,40 e PX(0) = 1 - 0,40 = 0,60.
Observe que X=0 denota o evento preo da farinha de trigo no aumentou.
Foi dito que se X=1 (preo da farinha de trigo aumentou), a probabilidade de
que o preo do po francs tambm aumente (Y=1) de 50%, ou seja, foi
dada a probabilidade de transio
Py|x(1|1) = 0,50.
Ento, a probabilidade de transio complementar Py|x(0|1) (probabilidade de
que o preo do po francs no aumente (Y=0) dado que o preo da
farinha de trigo aumentou (X=1)) dada por
Py|x(0|1) = 1 - 0,50 = 0,50.
35

Caso o preo da farinha de trigo NO aumente (X=0), a probabilidade de

aumento do po francs (Y=1) ser de apenas 10%, ou seja,
Py|x(1|0) = 0,10.
Portanto, se o preo da farinha de trigo NO aumentar (X=0), a
probabilidade do preo do po francs tambm NO aumentar (Y=0) ser
de
Py|x(0|0) = 1 - 0,10 = 0,90.
Agora, chegamos a uma verso completa do diagrama de trelia:
PREO DA
FARINHA DE TRIGO
X = 0 (sem aumento)
P X(0) = 0,60
PREO DO PO
FRANCS
Py|x(0|0) = 0,9
Py
|x (1
(
P y|x
X = 1 (com aumento)
P X(1) = 0,40
| 0)
Y = 0 (sem aumento)
PY(0) = ? (calcular
pela prob . total)
=0
,1
)=
0| 1
0, 5
Py|x(1|1) = 0,5
Y = 1 (com aumento)
PY(1) = ? (calcular
pela prob . total)
Note que as probabilidades PY(0) e PY(1) so calculadas pelo Teorema da

Probabilidade Total.
Se o preo do po francs subiu (Y=1 o efeito observado), a probabilidade
de que o preo da farinha de trigo tenha sofrido majorao (X=1 a causa)
, pelo Teorema de Bayes, dada por
5 4
20 10
10
10
Px| y (1 | 1) =
=
=
=
5 4 1 6
26 13
Py| x (1 | 1) Px (1) + Py| x (1 | 0) Px (0)
+
10 10 10 10
Py| x (1 | 1) Px (1)
GABARITO: E
3. (BACEN-rea 2/Cesgranrio/2010) A probabilidade de um indivduo de
classe A comprar um automvel 3/4. Para um indivduo de classe B, essa
36

probabilidade 1/6, e para um indivduo de classe C, ela de 1/20. A

probabilidade de um indivduo de classe A comprar um fusca 1/10, enquanto
que, para um indivduo de classe B, essa probabilidade 3/5 e para um
indivduo de classe C, de 3/10. Sabendo-se que a revendedora XPTO vendeu
um Fusca, a probabilidade de o comprador pertencer classe B
A) 0,527
B) 0,502
C) 0,426
D) 0,252
E) 0,197
Resoluo
Sabendo-se que a revendedora XPTO vendeu um Fusca (efeito) qual a
probabilidade de o comprador pertencer classe B (causa)? Ou seja, qual
o valor de P(B|Fusca)?
A pergunta formulada acima indica, de forma inequvoca, que preciso aplicar
o Teorema de Bayes (probabilidade da causa dado o efeito observado)
para resolver a questo. O equacionamento da probabilidade P(B|Fusca) pelo
Teorema de Bayes fornece
P(B|Fusca) = P(Fusca|B)P(B)/P(Fusca)
Neste ponto da resoluo, precisamos confirmar se os dados fornecidos pelo
enunciado viabilizam a aplicao do Teorema de Bayes. Recordaremos, a
seguir, o enunciado deste importante teorema do clculo de probabilidades.
Sejam os eventos mutuamente exclusivos e exaustivos E1 , E2 ,..., Ek ,..., En
definidos sobre o espao amostral . Se Z um evento qualquer de ,
ento vlida a relao
P ( Ek | Z ) =
P ( Z | Ek ) P ( Ek )
n
P(Z | E ) P( E )
i
i =1
O que seria o espao amostral , dado o enunciado do problema? Quais seriam

os eventos mutuamente exclusivos e exaustivos definidos sobre ?
Suponha que represente o espao amostral dos indivduos das classe A,
B e C que compram automveis. Neste caso, temos os seguintes eventos
mutuamente exclusivos e exaustivos:
37

- Evento A: indivduo da classe A comprar um automvel. Neste caso, a

freqncia relativa ao evento A 3/4, ou seja, P(A) = 3/4;
- Evento B: indivduo da classe B comprar um automvel, em que P(B) =
1/6;
- Evento C: indivduo da classe C comprar um automvel, em que P(C) =
1/20.
Ser que a equao P(A) + P(B) + P(C) = 1 verificada?
P(B) + P(C) = 1 - P(A) = 1 3/4 = = 0,25
P(B) + P(C) = 1/6 + 1/20 0,167 + 0,05 = 0,217 0,25
H uma discrepncia de (0,25 0,217) = 0,033. Depreende-se que a banca
considerou a aproximao
P(A) + P(B) + P(C) = 0,967 1
Quem faria o papel do evento Z? Este evento representa a compra de um
Fusca por um indivduo de qualquer classe, cuja probabilidade denotada por
P(Fusca). A probabilidade total P(Fusca) dada por
P(Fusca) = P(Fusca|A)P(A) + P(Fusca|B)P(B) + P(Fusca|C)P(C)
ou seja,
P(Fusca) = (1/10)x(3/4) + (3/5)x(1/6) + (3/10)x(1/20) = 0,19
Logo,
P ( B | Fusca) =
P ( Fusca | B ) P ( B ) (3 / 5) (1 / 6)
=
= 0,5263
0,19
P ( Fusca)
A banca utilizou o arredondamento 0,5263 0,527 (opo A).

GABARITO: A
4. (DECEA/Cesgranrio/2009) A probabilidade de que, no lanamento de
trs dados comuns, honestos, a soma dos resultados seja igual a 18
A) 1/12
B) 1/36
C) 1/216
38

D) 3/18
E) 3/216
Resoluo
Os resultados so independentes, logo
P = (1/6) x (1/6) x (1/6) = 1/216
GABARITO: C
5. (IBGE/Cesgranrio/2009) Lana-se uma moeda honesta trs vezes.
Sejam os eventos: A = {sair duas caras ou trs caras} e B = {os dois
primeiros resultados so iguais}. Nessas condies, tem-se que
A) P(A) = 0,25; P(B) = 0,25; A e B no so independentes e no so
B) P(A) = 0,25; P(B) = 0,25; A e B so independentes e no so mutuamente
exclusivos.
C) P(A) = 0,5; P(B) = 0,25; A e B no so independentes e no so
D) P(A) = 0,5; P(B) = 0,5; A e B so independentes e no so mutuamente
exclusivos.
E) P(A) = 0,5; P(B) = 0,5; A e B no so independentes e no so
Resoluo
A = {sair duas caras ou trs caras}
P(A) = P{(CCK) ou (KCC) ou (CKC) ou (CCC)}, em que C denota cara e K
representa coroas.
P(A) = P(CCK) + P(KCC) + P(CKC) + P(CCC)
Mas
P(CCK) = P(KCC) = P(CKC) = P(CCC) = (1/2) x (1/2) x (1/2) = 1/8
Ento P(A) = 4 x 1/8 = 1/2 = 0,5.
B = {os dois primeiros resultados so iguais}
P(B) = P{(CCK) ou (KKC) ou (CCC) ou (KKK)}.
39

P(B) = P(CCK) + P(KKC) + P(CCC) + P(KKK)

Mas
P(CCK) = P(KKC) = P(CCC) = P(KKK) = (1/2) x (1/2) x (1/2) = 1/8
Ento P(B) = 4 x 1/8 = 1/2 = 0,5.
Os eventos A e B esto definidos sobre o mesmo espao amostral. Eles no
so mutuamente exclusivos, haja vista os resultados elementares (CCK) e
(CCC), presentes nos dois eventos. Contudo, a probabilidade de ocorrncia de
B no afetada pela ocorrncia anterior de A, e vice-versa, ou seja, P(B|A) =
P(B) e P(A|B) = P(A). Logo, os eventos so independentes.
GABARITO: D
6. (Engenharia-BNDES/Cesgranrio/2008) O grfico a seguir mostra, em
percentuais, a distribuio do nmero de mulheres de 15 anos ou mais de
idade, segundo o nmero de filhos, no Brasil.
Selecionando-se aleatoriamente um filho dessa populao, a probabilidade de

que ele seja filho nico , aproximadamente,
A) 17/55
B) 17/71
C) 17/100
D) 17/224
E) 17/1.000
40

Resoluo
A probabilidade de que, selecionando-se aleatoriamente um filho dessa
populao, seja filho nico dada pela relao
P = (no de resultados favorveis)/(no de resultados possveis).
no de resultados favorveis = 17
no de resultados possveis = (29 x 0) + (17 x 1) + (20 x 2) + (13 x 3) + (7 x
4) + (5 x 4) + {[(10+6)/2] x 10} = 224
Nota: para a ltima classe (6 a 10 filhos, frequncia de 10%), foi usado o
ponto mdio: (10 + 6)/2 = 8 filhos.
P = 17/224
GABARITO: D
7. (IBG/Cesgranrio/2010) Um comit formado por trs pesquisadores
escolhidos dentre quatro estatsticos e trs economistas. A probabilidade de
no haver nenhum estatstico
A) 1/35
B) 4/35
C) 27/243
D) 64/243
E) 3/7
Resoluo
A probabilidade P de no haver nenhum estatstico em um comit formado por
trs pesquisadores escolhidos dentre quatro estatsticos e trs economistas
P = (no de resultados favorveis)/(no de resultados possveis).
no de resultados possveis = C7,3 = 7!/(4! x 3!) = 35
no de resultados favorveis = 1 (s existe uma maneira de formar um comit
de 3 pesquisadores )
Ento P = 1/35
41

GABARITO: A
8. (Petrobrs/2011/Cesgranrio) Um estudo sobre a fidelidade do
consumidor operadora de telefonia mvel, em uma determinada localidade,
mostrou as seguintes probabilidades sobre o hbito de mudana:
Probabilidade de um consumidor
mudar de (ou manter a) operadora
Se a
operadora
atual
A
B
C
A
0,50
0,20
0,40
A nova operadora
B
0,35
0,70
0,30
C
0,15
0,10
0,30
A probabilidade de o 1 telefone de um indivduo ser da operadora A 0,60; a

probabilidade de o 1 telefone de um indivduo ser da operadora B 0,30; e a
de ser da operadora C 0,10.
Dado que o 2 telefone de um cliente da operadora A, a probabilidade de o
1 tambm ter sido de
A) 0,75
B) 0,70
C) 0,50
D) 0,45
E) 0,40
Resoluo
A questo cobra a aplicao da Regra de Bayes. Pergunta-se:
Dado que o 2 telefone de um cliente da operadora A EFEITO
OBSERVADO
a probabilidade de o 1 tambm ter sido de CAUSA
Ou seja, deve-se determinar P(1 Tel. A|2 Tel. A).
A Regra de Bayes nos d probabilidade da causa dado o efeito
observado:
42

P( Ak | B) =
P( B | Ak ) P( Ak )
P( B | Ak ) P( Ak )
= n
,
P( B)
P( B | Ai ) P( Ai )
i =1
em que os eventos A1, A2, ..., Ak so mutuamente exclusivos e exaustivos (isto

, cobrem, todo o espao amostral ), B um evento qualquer definido sobre
o mesmo espao amostral e P(B) a probabilidade total de B.
Aplicando a Regra de Bayes questo, obtemos
P(1 Tel. A|2 Tel. A) = P(2 Tel. A|1 Tel. A). P(1 Tel. A)/ P(2 Tel. A)
Clculo da probabilidade total P(2 Tel. A):

P(2 Tel. A) = P(2 Tel. A|1 Tel. A). P(1 Tel. A) + P(2 Tel. A|1 Tel. B).
P(1 Tel. B) + P(2 Tel. A|1 Tel. C). P(1 Tel. C)
Dados fornecidos:
- probabilidades a priori: P(1 Tel. A)=0,60, P(1 Tel. B)=0,30 e P(1 Tel. C)=
0,60. Note que P(1 Tel. A) + P(1 Tel. B) + P(1 Tel. C) = 1;
- probabilidades condicionais: P(2 Tel. A|1 Tel. A) = 0,50, P(2 Tel. A|1 Tel.
B) = 0,20 e P(2 Tel. A|1 Tel. C) = 0,40;
Ento:
P(2 Tel. A) = (0,50 x 0,60) + (0,20 x 0,30) + (0,40 x 0,10) = 0,30 + 0,06 +
0,04 = 0,40
P(1 Tel. A|2 Tel. A) = 0,50 x 0,60/0,40 = 0,30/0,40 = 3/4 = 0,75.
GABARITO: A
9. (Engenharia-BNDES/Cesgranrio/2011) Em uma urna, h um grande
nmero de fichas de quatro tipos: quadradas brancas, quadradas vermelhas,
redondas brancas e redondas vermelhas. Sabe-se que:
70% de todas as fichas so brancas.
25% das fichas quadradas so vermelhas.
60% das fichas vermelhas so redondas.
A porcentagem de fichas redondas e brancas nessa urna de

A) 26%
43

B) 30%
C) 34%
D) 38%
E) 42%
Resoluo
Seja Q o nmero de fichas quadradas e R o nmero de fichas redondas. Ento
o nmero total de fichas igual a Q+R.
O enunciado diz que 70% de todas as fichas so brancas, ou seja, o nmero
de fichas brancas de 0,7(Q+R) (= total da 2 coluna da tabela a seguir). Por
conseguinte, 30% de todas as fichas so vermelhas e o nmero de fichas
vermelhas de 0,3(Q+R) (= total da 3 coluna da tabela a seguir).
Sabe-se que 25% das fichas quadradas so vermelhas, isto , o nmero de
fichas quadradas vermelhas = 0,25Q, e 60% das fichas vermelhas so
redondas, ou seja, o nmero de fichas redondas e vermelhas dado por
0,6 x 0,3(Q+R) = 0,18(Q+R).
Fichas
Brancas
Vermelhas
Sub-total
Quadradas
0,75Q
0,25Q
Redondas
0,18(Q+R)
Total
0,7(Q+R)
0,3(Q+R)
Q+R
Considere a coluna das fichas vermelhas. Note que

0,25Q + 0,18(Q+R) = 0,3(Q+R) Q = 0,9231R
Logo, o nmero de fichas redondas e vermelhas de 0,18(0,9231R + R) =
0,3462.R 34,62% das fichas redondas so vermelhas. Ento o nmero de
fichas redondas brancas igual a R 0,3462R = 0,6538R.
Fichas
Brancas
Vermelhas
Sub-total
Quadradas
0,75Q
0,25Q
Redondas
0,6538R
0,3462R
Total
0,7(Q+R)
0,3(Q+R)
Q+R
44

A frao de fichas redondas e brancas nessa urna dada por

Nmero de fichas redondas e brancas/nmero total de fichas
0,6538R/(Q+R) = 0,6538R/(0,9231R+R) = 0,6538R/1,9231R = 0,34 34%
GABARITO: C
(BACEN-rea 4/Cesgranrio/2010) Considere as informaes a seguir
para responder s questes de nos 10 a 12.
A viabilidade financeira do projeto de uma microempresa leva em considerao
dados histricos de 100 projetos semelhantes. A tabela abaixo mostra a
distribuio de frequncias do VPL Valor Presente Lquido (valores em
milhes de reais) de um conjunto de microempresas similares.
VPL
Frequncia Relativa
-10 < x 0
10%
0 < x 10
80%
10 < x 20
10%
10. Utilizando os dados histricos acima, o valor esperado para o VPL da

microempresa, em milhes de reais,
A) -10
B) 0
C) 5
D) 10
E) 20
Resoluo
A questo pede para voc calcular o valor esperado ou mdia de uma
distribuio de frequncias de dados numricos agrupados em
intervalos de classe.
Quando os dados numricos so apresentados em uma distribuio de
frequncias, todos os valores includos num certo intervalo de classe so
considerados coincidentes com o ponto mdio do intervalo.
45

Utilizemos a seguinte notao: VPL = X, E (VPL) = X (valor esperado de VPL =

mdia de X).
Clculo de E(VPL):
3
X = X i pi = (5 0,1) + (5 0,8) + (15 0,1) = 0,5 + 4,0 + 1,5 = 5,0

i =1
A memria de clculos ilustrada pela tabela a seguir.
VPL
Xi (ponto
mdio do
intervalo)
Freq. Relativa
(pi)
Xipi
-10 < x 0
-5
0,1
-0,5
0 < x 10
0,8
4,0
10 < x 20
15
0,8
1,5
Total
Xipi = 5,0
GABARITO: C
11. Segundo os dados histricos, o valor, em milhes de reais, que mais se
aproxima do desvio padro do VPL da microempresa
A) 1
B) 2
C) 2,5
D) 4
E) 4,5
Resoluo
Deve-se calcular o desvio padro de uma distribuio de frequncias de
dados numricos agrupados em intervalos de classe.
Quando os dados numricos so apresentados em uma distribuio de
frequncias, todos os valores includos num certo intervalo de classe so
considerados coincidentes com o ponto mdio do intervalo.
46

Utilizemos a seguinte notao:
VPL = X;
E (VPL) = X (valor esperado de VPL = mdia de X)
Var(VPL) denota a varincia de VPL; e
DP(VPL) representa o desvio padro de VPL.
DP(VPL) = raiz quadrada positiva de Var(VPL).
Clculo de DP(VPL):
3
Var (VPL ) = X i2 pi X 2 = ( 5 2 0,1) + (52 0,8) + (152 0,1) 25 = 45 25 = 20

i =1
DP(VPL) = Var (VPL) = 20 = 4,47 4,5

GABARITO: E
12. Um projeto alternativo para o investidor apresenta um VPL esperado, em
reais, de 6 milhes e um risco (desvio padro) de 2 milhes. Pela tica do risco
relativo, qual o melhor investimento, a microempresa ou o projeto alternativo?
A) A microempresa, pois apresenta um Coeficiente de Variao maior.
B) A microempresa, pois apresenta um Coeficiente de Variao menor.
C) O projeto alternativo, pois apresenta um Coeficiente de Variao maior.
D) O projeto alternativo, pois apresenta um Coeficiente de Variao menor.
E) indiferente, pois os investimentos apresentam Coefi- cientes de Variao
iguais.
Resoluo
A questo pede que voc compare os riscos de dois projetos. Pela tica do
risco relativo, o melhor investimento aquele que apresenta a
distribuio de frequncias com menor disperso em torno do valor
esperado. Observe que essa comparao no pode ser feita com o desvio
padro, pois essa medida no mede a disperso relativa dos dados.
A comparao dos riscos deve ser efetuada por meio do Coeficiente de
Variao (CV). Pela tica do risco relativo, o melhor investimento o que
possui VPL com o menor Coeficiente de Variao.
47

O coeficiente de variao definido como o quociente entre o Desvio Padro

(DP) e a mdia ( X ), sendo frequentemente expresso em porcentagem:
CV ( X ) =
DP ( X )
.
X
Clculo do CV para o investimento microempresa (denotado por X1):

CV ( X 1 ) =
DP ( X 1 ) 4,47
=
= 0,894
X1
5
Clculo do CV para o investimento alternativo (denotado por X2):

Dados: DP(X2) = 2 e E(X2) = 6.
CV ( X 2 ) =
DP ( X 2 ) 2
= = 0,333
X2
6
Como CV(X2) < CV(X1), o melhor investimento, pela tica do risco relativo,
o projeto alternativo, pois apresenta um Coeficiente de Variao menor.
GABARITO: D
(Analista do INSS com formao em estatstica/CESPE-UnB/2008)
Texto para os itens de 13 a 17
perfil
Nmero de trabalhadores
(em milhes de pessoas)
total
19
Um projeto do governo tinha como objetivo atrair para o sistema

previdencirio uma parcela de trabalhadores que no eram contribuintes do
INSS. Na ocasio em que tal projeto havia sido proposto, pelos clculos do
governo, existiam no pas 19 milhes de trabalhadores com mais de 16 anos e
renda mensal de um ou mais salrios mnimos que no contribuam para a
previdencia. Esses trabalhadores foram classificados de acordo com tres perfis
A, B e C, e a distribuico do nmero de trabalhadores em cada perfil est no
quadro acima. A expectativa do governo era a seguinte: entre as pessoas com
o perfil A, a probabilidade de entrada para o sistema previdencirio era de 0,8;
para as de perfil B, a probabilidade de entrada para o sistema era de 0,5 e os
de perfil C entrariam no sistema com uma probabilidade igual a 0,1.
Correio Braziliense, 15/11/2006, p. A-14 (com adaptaes).
48

Com base nas informaes apresentadas no texto acima, julgue os itens

seguintes.
13. Na ocasio em que o projeto havia sido proposto, a probabilidade de uma
pessoa entre os 19 milhes de trabalhadores entrar para o sistema
previdencirio era superior a 0,35 e inferior a 0,40.
Resoluo
Dados:
P(entrada|A) = 0,8, P(entrada|B) = 0,5 e P(entrada|C) = 0,1.
P(A) = 3/19, P(B) = 8/19 e P(C) = 8/19. Note que P(A) + P(B) + P(C) =
3/19 + 2 x 8/19 = 1, pois A, B e C so eventos mutuamente exclusivos.
A probabilidade total de uma pessoa entrar para o sistema previdencirio

dada por
P(entrada) = P(entrada|A).P(A) + P(entrada|B).P(B) + P(entrada|C).P(C)
P(entrada) = (0,8 x 3/19) + (0,5 x 8/19) + (0,1 x 8/19) = 7,2/19 0,38.
Portanto, a probabilidade de uma pessoa entre os 19 milhes de trabalhadores
entrar para o sistema previdencirio era superior a 0,35 e inferior a 0,40. O
item est certo.
GABARITO: C
14. A expectativa do governo era de que mais de 7 milhes de trabalhadores
fossem atrados para o sistema previdencirio.
Resoluo
P(entrada) = 0,38 = 38% representa a frao da populao que entraria
para o sistema da previdncia. Logo, a expectativa do governo era de que
0,38 x 19 milhes 7,22 milhes fossem atrados para o INSS. O item est
certo.
GABARITO: C
15. Um trabalhador que atende s condies do projeto do governo, decidiu
entrar para o sistema de previdncia. A probabilidade de ele ser um
trabalhador do perfil A superior a 0,4.
49

Resoluo
O item poderia ser parafraseado da seguinte forma: dado que um trabalhador
entrou para o sistema de previdncia, qual a probabilidade de ter o perfil A,
ou seja, qual a probabilidade da causa ser o grupo A?
Precisamos aplicar a regra de Bayes (probabilidade da causa dado o efeito):
P(A|entrada) = P(entrada|A).P(A)/P(entrada),
P(A|entrada) = (0,8 x 3/19)/0,38 (0,8 x 3/19)/0,4 = 2 x 3/19 1/3 0,33
inferior a 0,4. O item est errado.
Nota: voc notou que as contas acima foram feitas de forma aproximada?
Recomendamos que voc adote esta ttica na prova. Deste modo, o tempo
economizado na resoluo desta questo poder ser usado para resolver
outra(s) questo(es).
GABARITO: E
Ainda com relao ao texto e considerando que a probabilidade de dois
trabalhadores selecionados aleatoriamente entre aqueles com o perfil A
entrarem para o sistema previdencirio igual a , julgue os itens
subseqentes.
16. Por ser uma probabilidade, pode assumir qualquer valor entre 0 e 1.
Resoluo
Sejam os dois trabalhadores selecionados do grupo A denotados por T1 e T2.
Suponha que voc escolha T1 e depois T2. Como o espao amostral muito
grande (lembre que o grupo A tem 3 milhes de pessoas), podemos considerar
que
P(T2 entrar no sistema dado que T1 foi escolhido) = P(T2 entrar no sistema),
pois a escolha aleatria de T1 no muda a probabilidade de T2 entrar no
sistema conceito de independncia. Ento,
P(T1 e T2 entrarem no sistema|A) = P(entrada|A) x P(entrada|A) = 0,8 x 0,8
= 0,64 = .
Logo tem um valor fixo (= 0,64) e no pode assumir qualquer valor entre 0 e
1. Percebeu a sutileza deste item?
GABARITO: E
50

17. O nmero esperado de trabalhadores do perfil A que entraro no sistema

previdencirio aumenta medida que aumenta.
Resoluo
A expectativa do nmero de trabalhadores do perfil A que entraro no sistema
previdencirio aumentar se a probabilidade P(entrada|A) aumentar. O
aumento de consequncia do aumento de P(entrada|A) e no sua causa,
como sugerido pelo item. Assim, conclumos que o item est errado.
GABARITO: E
Bom estudo e at a prxima aula!
Alexandre Lima
alexandre@pontodosconcursos.com.br
51

Probabilidades Básicas

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Probabilidades Básicas

Diunggah oleh

Hak Cipta:

Format Tersedia

Conhecimentos Especficos Mtodos Quantitativos Anatel

Os Diferentes Tipos de Probabilidade .................................................................... 2

Conjuntos e Eventos .................................................................................................... 4

Definio Axiomtica de Probabilidade ................................................................. 7

Probabilidades Conjunta e Condicional ............................................................... 12

Regras de Adio ......................................................................................................... 15

Regra da Multiplicao .............................................................................................. 17

Teorema da Probabilidade Total ............................................................................ 17

Teorema de Bayes ...................................................................................................... 21

O Mnimo que Voc Precisa Saber ............................................................................... 26

3. Exerccios de Fixao ......................................................................................................... 27

Conhecimentos Especficos Mtodos Quantitativos Anatel

Saudaes! Tudo com voc? Esta aula aborda o clculo de probabilidades.

A Probabilidade a teoria matemtica que nos ajuda a estudar sistemas

Os Diferentes Tipos de Probabilidade

A) Probabilidade como a razo entre o nmero de resultados

Conhecimentos Especficos Mtodos Quantitativos Anatel

em que P a probabilidade de E, NE representa o nmero de ocorrncias de E

O nmero de elementos em E 3. Como N = 4, temos que

A definio clssica de probabilidade possui alguns defeitos, como, por

em que nE denota o nmero de ocorrncias de E. Como na prtica no

Conhecimentos Especficos Mtodos Quantitativos Anatel

C) Probabilidade baseada na teoria axiomtica

Um conjunto uma coleo de objetos abstratos ou concretos. Um

Conhecimentos Especficos Mtodos Quantitativos Anatel

Formalmente, tem-se que EF = {: E e F }. O complemento de um

Figura: a unio dos conjuntos E e F a parte

Conhecimentos Especficos Mtodos Quantitativos Anatel

Figura: a parte hachurada do diagrama o complementar de E.

Figura: interseo e diferenas.

Dado qualquer conjunto E, uma partio-n de E consiste em uma sequncia

i j . A figura a seguir ilustra o diagrama de Venn para uma partio-4 de um

Conhecimentos Especficos Mtodos Quantitativos Anatel

Definio Axiomtica de Probabilidade

Seja um experimento aleatrio com espao amostral . Considere um evento

Conhecimentos Especficos Mtodos Quantitativos Anatel

Exemplo (Petrobrs/Cesgranrio/2010). Em um posto de combustveis

Conhecimentos Especficos Mtodos Quantitativos Anatel

Setenta (70) clientes colocam combustvel e completam o leo (adicionei 20

Oitenta (80) clientes colocam combustvel e calibram os pneus (adicionei 30

Conhecimentos Especficos Mtodos Quantitativos Anatel

Finalmente, completarei o diagrama com as variveis X, Y e Z, que denotam,

Conhecimentos Especficos Mtodos Quantitativos Anatel

A probabilidade de um cliente entrar no posto para completar o leo e calibrar

Resolveremos o problema, se soubermos determinar o valor de X. Mas como

Cento e vinte (120) clientes calibram os pneus. Portanto (veja o diagrama de

Conhecimentos Especficos Mtodos Quantitativos Anatel

Multiplicando a segunda equao por -1, e somando o resultado obtido com a

Probabilidades Conjunta e Condicional

Assuma que se queira realizar o seguinte experimento: estamos numa certa

Conhecimentos Especficos Mtodos Quantitativos Anatel

Exemplo. Considere os eventos A, B e C definidos acima. Seja ni o nmero de

em que P[ B | A] denota a probabilidade de que B ocorra dado que A

Exemplo (TRF 1 Regio/FCC/2001). Numa cidade onde se publicam 2

Conhecimentos Especficos Mtodos Quantitativos Anatel

O nmero de famlias no espao amostral igual a 125 + 35 + 30 + 76 =

Logo, P(A|B) = 35/65 = 7/13.

Conhecimentos Especficos Mtodos Quantitativos Anatel

Os eventos A e B, pertencentes ao espao amostral , com P[A]>0 e P[B]>0,

Como P[ AB ] = P[ B | A]P[ A] = P[ A | B ]P[ B ] , segue-se que

so vlidas somente quando A e B so eventos independentes.

A definio de independncia diz que, se A e B so independentes,