Probabilidade - Ana Farias

Universidade Federal Fluminense
Instituto de Matemtica e Estatstica
Mtodos Estatsticos Aplicados Economia I

(GET00117)
Probabilidade
Ana Maria Lima de Farias

Departamento de Estatstica
Agosto 2015
Sumrio
1 Probabilidade: conceitos bsicos
1.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2
Experimento aleatrio, espao amostral e evento . . . . . . . . . . . . . . . . . . .
1.2.1
Experimento aleatrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.2
Espao amostral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.3
Eventos aleatrios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Operaes com eventos aleatrios . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.1
Interseo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.2
Excluso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.3
Unio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.4
Complementao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.5
Diferena . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.6
Propriedades das operaes . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3
2 Probabilidade: axiomas e propriedades
13
2.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
2.2
Definio axiomtica de probabilidade . . . . . . . . . . . . . . . . . . . . . . . . .
13
2.3
Espaos amostrais finitos e equiprovveis . . . . . . . . . . . . . . . . . . . . . . .
17
3 Probabilidade condicional e independncia de eventos

3.1
27
Probabilidade condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
27
3.1.1
32
Regra da multiplicao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
i
ii
SUMRIO
3.2
Independncia de eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4 Teorema da Probabilidade Total e Teorema de Bayes
38
43
4.1
Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43
4.2
Os teoremas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
52
5 Exerccios propostos
55
A Anlise combinatria
63
A.1 Princpio Fundamental da Adio . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
63
A.2 Princpio Fundamental da Multiplicao . . . . . . . . . . . . . . . . . . . . . . . .
65
A.3 Permutaes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
66
A.4 Arranjos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
69
A.5 Combinaes Simples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
71
A.6 Tringulo de Pascal e Binmio de Newton . . . . . . . . . . . . . . . . . . . . . . .
75
A.6.1
Aplicaes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
81
Captulo 1
Probabilidade: conceitos bsicos
1.1
Introduo
No nosso cotidiano, lidamos sempre com situaes em que est presente a incerteza do
resultado, embora, muitas vezes, os resultados possveis j sejam conhecidos. Por exemplo:
o sexo de um embrio pode ser masculino ou feminino, mas s saberemos o resultado exato
quando o beb nascer. Se estivermos interessados na face voltada para cima ao jogarmos um
dado, os resultados possveis sero 1, 2, 3, 4, 5, 6. Mas s saberemos o resultado quando o
experimento se completar, ou seja, quando o dado atingir a superfcie sobre a qual foi lanado.
conveniente, ento, dispormos de uma medida que exprima a incerteza presente em cada
um desses acontecimentos. Tal medida a probabilidade.
No estudo das distribuies de frequncias, vimos como essas so importantes para
entendermos a variabilidade de um fenmeno aleatrio. Por exemplo, quando sorteamos uma
amostra de empresas para analisar a distribuio do nmero de empregados, sabemos que
uma outra amostra fornecer resultados diferentes. No entanto, se sortearmos um grande
nmero de amostras, esperamos que surja um determinado padro que ir refletir a verdadeira
distribuio da populao de todas as empresas. Atravs de um modelo terico, construdo
com base em suposies adequadas, podemos reproduzir a distribuio de frequncias quando
o fenmeno for observado diretamente. Esses modelos so chamados modelos probabilsticos
e sero estudados na segunda parte deste curso. A probabilidade a ferramenta bsica na
construo de tais modelos e ser estudada nesta primeira parte.
1.2
Experimento aleatrio, espao amostral e evento
Consideremos o lanamento de um dado, a fim de estudarmos a proporo de ocorrncias

das suas faces. O primeiro fato a observar que existem apenas 6 resultados possveis, as
faces 1, 2, 3, 4, 5, 6. O segundo fato uma suposio sobre o dado: em geral, razovel supor
que ele seja equilibrado. Assim, cada face deve ocorrer o mesmo nmero de vezes e, portanto,
CAPTULO 1. PROBABILIDADE: CONCEITOS BSICOS
essa proporo deve ser 16 . Nessas condies, nosso modelo probabilstico para o lanamento
de um dado pode ser expresso da seguinte forma:
Face
Frequncia terica
1
6
1
6
1
6
1
6
1
6
1
6
Total
1
Suponhamos que uma mulher esteja grvida de trigmeos. Sabemos que cada beb
pode ser do sexo masculino (M) ou feminino (F). Ento, as possibilidades para o sexo das trs
crianas so: MMM, MMF, MFM, FMM, FFM, FMF, MFF, FFF. Uma suposio razovel que
todos esses resultados sejam igualmente provveis, o que equivale a dizer que cada beb tem
igual chance de ser do sexo masculino ou feminino. Ento cada resultado tem uma chance de
1
8 de acontecer. Assim, o modelo probabilstico para esse experimento seria
Sexo
Freq. terica
MMM
MMF
MFM
FMM
FFM
FMF
MFF
FFF
1
8
1
8
1
8
1
8
1
8
1
8
1
8
1
8
Total
1
Por outro lado, se s estivermos interessados no nmero de meninas, esse mesmo

experimento nos conduzir ao seguinte modelo probabilstico:
Meninas
Freq. terica
1
8
3
8
3
8
1
8
Total
1
Nesses exemplos, vimos que a especificao de um modelo probabilstico para um

fenmeno casual depende da especificao dos resultados possveis e das respectivas
probabilidades. Vamos, ento, estabelecer algumas definies antes de passarmos definio
propriamente dita de probabilidade.
1.2.1
Experimento aleatrio
Um experimento aleatrio um processo que acusa variabilidade em seus resultados,

isto , mesmo repetindo-se o experimento sob as mesmas condies, os resultados
sero diferentes. Em contraposio aos experimentos aleatrios, temos os experimentos
determinsticos, que, repetidos sob as mesmas condies, conduzem a resultados idnticos.
Neste curso, estaremos interessados apenas nos experimentos aleatrios.
1.2.2
Espao amostral
O espao amostral de um experimento aleatrio o conjunto de todos os resultados

possveis do mesmo. Iremos denotar tal conjunto pela letra grega mega maiscula, . Quando
o espao amostral for finito ou infinito enumervel, ser chamado de espao amostral discreto.
Caso contrrio, isto , quando for no enumervel, iremos cham-lo de espao amostral
contnuo.
1.2. EXPERIMENTO ALEATRIO, ESPAO AMOSTRAL E EVENTO
1.2.3
Eventos aleatrios
Os subconjuntos de so chamados de eventos aleatrios e os elementos de so

chamados de eventos elementares. Os eventos, sendo conjuntos, sero representados por
letras maisculas do nosso alfabeto, enquanto os elementos de um evento sero representados
por letras minsculas.
EXEMPLO 1.1 Lanamento de uma moeda
O lanamento de uma moeda um experimento aleatrio, uma vez que, em cada lanamento,
mantidas as mesmas condies, no podemos prever qual das duas faces (cara ou coroa) cair
para cima. Por outro lado, se colocarmos uma panela com gua para ferver e anotarmos a
temperatura de ebulio da gua, o resultado ser sempre 100o C. Logo, este um experimento
determinstico.
EXEMPLO 1.2 Lanamento de um dado
Consideremos o experimento aleatrio lanamento de um dado. O espao amostral =
{1, 2, 3, 4, 5, 6} , sendo, portanto, um espao discreto. Os eventos elementares so {1} , {2} ,
{3} , {4} , {5} , {6}. Outros eventos so: face par= {2, 4, 6} , face mpar = {1, 3, 5} , face
mpar menor que 5 = {1, 3}, etc.
EXEMPLO 1.3 Lanamento de duas moedas
Consideremos o lanamento simultneo de duas moedas. Vamos representar por K a
ocorrncia de cara e por C a ocorrncia de coroa. Um espao amostral para esse experimento
= {K K , K C , C K , CC } , que tambm um espao discreto. Os eventos simples so {K K } ,
{K C } , {C K } , {CC } e um outro evento cara no primeiro lanamento = {K C , K K } . Para
esse mesmo experimento, se estivermos interessados apenas no nmero de caras, o espao
amostral poder ser definido como = {0, 1, 2} .
EXEMPLO 1.4 Medio do nvel de rudo
Considere o experimento que consiste em medir, diariamente e durante um ms, em decibis, o
nvel de rudo na vizinhana da obra de construo do metr em Ipanema. O espao amostral
associado a este experimento formado pelos nmeros reais positivos, sendo, portanto, um
espao amostral contnuo. Um evento: observar nveis superiores a 80 decibis, representado
pelo intervalo (80, ) , que corresponde a situaes de muito barulho.
EXEMPLO 1.5 Bolas em uma urna
Uma urna contm 4 bolas, das quais 2 so brancas (numeradas de 1 a 2) e 2 so pretas
(numeradas de 3 a 4). Duas bolas so retiradas dessa urna, sem reposio. Defina um espao
amostral apropriado para esse experimento e os seguintes eventos:

A:
B:
C:
a primeira bola branca;

a segunda bola branca;
ambas as bolas so brancas;
Soluo
Considerando a numerao das bolas, o espao amostral pode ser definido como:
= {(i, j) : i = 1, 2, 3, 4; j = 1, 2, 3, 4; i 6= j}
= {(1, 2), (1, 3), (1, 4), (2, 1), (2, 3), (2, 4), (3, 1), (3, 2), (3, 4), (4, 1), (4, 2), (4, 3)}
Os eventos so:
A = {(i, j) : i = 1, 2; j = 1, 2, 3, 4; i 6= j}
= {(1, 2), (1, 3), (1, 4), (2, 1), (2, 3), (2, 4)}
B = {(i, j) : i = 1, 2, 3, 4; j = 1, 2; i 6= j}
= {(2, 1), (3, 1), (4, 1), (1, 2), (3, 2), (4, 2)}
C
= {(i, j) : i = 1, 2; j = 1, 2; i 6= j}
= {(1, 2), (2, 1)}
EXEMPLO 1.6 Cartas de um baralho

Trs cartas so retiradas, sem reposio, de um baralho que tem trs cartas de cada uma das
seguintes cores: azul, vermelha, preta e branca. D um espao amostral para esse experimento
e, em seguida, liste os eventos:
A:
B:
C:
D:
todas as cartas selecionadas so vermelhas;

uma carta vermelha, uma carta azul e uma carta preta so selecionadas;
trs diferentes cores ocorrem;
todas as quatro cores ocorrem.
Soluo
Vamos denotar por A, V , P e B as cores azul, vermelha, preta e branca, respectivamente.
Ento,
= {(x1 , x2 , x3 ) : xi = A, V , P, B; i = 1, 2, 3}
Os eventos so:
A = {(V , V , V )}
B = {(V , A, P), (V , P, A), (A, V , P), (A, P, V ), (P, V , A), (P, A, V )}
(V , A, P), (V , P, A), (A, V , P), (A, P, V ), (P, V , A), (P, A, V ),
(V , A, B), (V , B, A), (A, V , B), (A, B, V ), (B, V , A), (B, A, V ),

C =
(V , B, P), (V , P, B), (B, V , P), (B, P, V ), (P, V , B), (P, B, V ),
(B, A, P), (B, P, A), (A, B, P), (A, P, B), (P, B, A), (P, A, B)
1.3. OPERAES COM EVENTOS ALEATRIOS
Como temos quatro cores diferentes e apenas trs extraes, no possvel obter todas
as cores. Logo,
D =
1.3
1.3.1
Operaes com eventos aleatrios

Interseo
O evento interseo de dois eventos A e B o que equivale ocorrncia simultnea

de A e B (ver Figura 1.1). Seguindo a notao da teoria de conjuntos, a interseo de dois
eventos ser representada por A B.
Figura 1.1 Interseo de dois eventos: A B

Note que
x AB
xA
xB
(1.1)
EXEMPLO 1.7 Lanamento de dois dados - continuao

Consideremos o experimento lanamento de dois dados os eventos A =soma das faces
um nmero par e B = soma das faces um nmero maior que 9. Calcule A B.
Soluo
O espao amostral desse experimento, que tem 36 elementos,
= {(1, 1), (1, 2), . . . , (1, 6), (2, 1), . . . , (2, 6), . . . , (6, 6)}
Para que um elemento pertena interseo A B, ele tem de pertencer,
simultaneamente, aos eventos A e B. O evento B
B = {(4, 6), (5, 5), (5, 6), (6, 4), (6, 5), (6, 6)}
Dos seus elementos, os nicos que pertencem ao evento A, isto , aqueles que
tm soma das faces par, so os elementos (4, 6) , (5, 5) , (6, 4) e (6, 6). Logo, A B =
{(4, 6) , (5, 5) , (6, 4) , (6, 6)} . Note que no precisamos listar o evento A, que tem 18 elementos!
1.3.2
Excluso
Dois eventos, A e B, so mutuamente exclusivos quando no podem ocorrer

simultaneamente, isto , quando a ocorrncia de um impossibilita a ocorrncia do outro. Isso
significa dizer que os eventos A e B no tm elementos em comum. Ento, esses dois eventos
sero mutuamente exclusivos quando sua interseo for o conjunto vazio, ou seja, A B =
(ver Figura 1.2).
Figura 1.2 Eventos mutuamente exclusivos: A B =

EXEMPLO 1.8 Lanamento de dois dados
Consideremos, novamente, o experimento lanamento de dois dadosSejam

os eventos A =
soma das faces mpar e B = duas faces iguais. Ento, A e B so mutuamente exclusivos,
porque a soma de dois nmeros iguais sempre um nmero par.
1.3.3
Unio
A unio de dois eventos A e B o evento que corresponde ocorrncia de pelo menos

um deles. Note que isso significa que pode ocorrer apenas A, ou apenas B, ou A e B
simultaneamente. Esse evento ser representado por A B; (ver Figura 1.3).
Figura 1.3 Unio de dois eventos: A B

Observe que
x AB
EXEMPLO 1.9 Lanamento de duas moedas
xA
ou
xB
(1.2)
Consideremos o experimento lanamento de duas moedas, em que o espao amostral =

{K K , K C , C K , CC }. Sejam os eventos A = ocorrncia de exatamente 1 cara e B = duas
faces iguais. Ento A = {K C , C K } e B = {CC , K K } ; logo, A B = e A B = . Seja C o
evento pelo menos uma carae, ento, C = {K C , C K , K K } e B C = e B C = {K K } =
6 .
1.3.4
Complementao
O complementar de um evento A, denotado por A ou Ac , a negao de A. Ento, o

complementar de A formado pelos elementos que no pertencem a A (ver Figura 1.4).
Figura 1.4 Complementar do evento A = A

Observe que
xA
e tambm que
x
/ A
(1.3)
AA=
(1.4)

Consideremos o experimetno lanamento de um dado e seja A = face par. Ento, A o
evento face mpar. Note que A = {2, 4, 6} e A = {1, 3, 5} e = A A.
1.3.5
Diferena
A diferena entre dois eventos A e B, representada por A \ B, o evento formado pelos

elementos do espao amostral que pertencem a A, mas no pertencem a B (ver Figura 1.5).
Perceba que podemos pensar em A \ B como o complementar de B relativo ao evento A.
Note que
x A\B
e tambm que
xA
x
/ B
x AB
A = (A \ B) (A B)
Alm disso, A \ B 6= B \ A, conforme ilustrado na Figura 1.6.

De maneira anloga, B \ A o complementar de A relativo ao evento B.
(1.5)
(1.6)
Figura 1.5 Diferena A \ B
Figura 1.6 Diferena B \ A

Consideremos, novamente, o lanamento de dois dados e os eventos A = soma das faces
par e B = soma das faces maior que 9. Vamos considerar as duas diferenas, A \ B e
B \ A. Temos

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

A\B =
(1, 1) , (1, 3) , (1, 5) , (2, 2) , (2, 4) , (2, 6) , (3, 1) , (3, 3) , (3, 5) ,

(4, 2) , (4, 4) , (5, 1) , (5, 3) , (6, 2)
B\A = {(5, 6) , (6, 5)}
1.3.6
Propriedades das operaes

Sejam A, B, C eventos de um espao amostral . Ento, valem as seguintes propriedades.
1. Identidade
A =
A =
(1.7)
A = A
A = A
(1.8)
Note que o equivalente do conjunto universal da teoria de conjuntos.

2. Complementar
=
=
(1.9)
AA =
AA =
3. Involuo
(1.10)
A = (Ac )c = A
4. Idempotncia
AA = A
AA = A
(1.11)
5. Comutatividade
AB = BA
AB = BA
(1.12)
6. Associatividade
(A B) C
= A (B C )
(A B) C
= A (B C )
(1.13)
7. Distributividade
A (B C ) = (A B) (A C )
A (B C ) = (A B) (A C )
(1.14)
A ilustrao da primeira propriedade est na Figura 1.7. Na linha superior, ilustramos

o lado esquerdo da igualdade A (B C ): no diagrama esquerda, temos o evento A e,
no diagrama do centro, o evento B C . Para assinalar a interseo desses dois eventos,
basta considerar as partes que esto sombreadas em ambos os diagramas, o que resulta
no diagrama direita, onde temos o evento A (B C ). Na linha inferior, ilustramos o
lado direito da igualdade (A B)(A C ): no diagrama esquerda, temos o evento AB
e, no diagrama do centro, o evento A C . Para determinar a unio desses dois eventos,
basta considerar todas as partes que esto sombreadas em algum dos diagramas, o que
resulta no diagrama direita, onde temos o evento (A B) (A C ) . Analisando os
diagramas direita nas duas linhas da figura, vemos que A (B C ) = (A B) (A C ).
10
C
A
C
B
Figura 1.7 Ilustrao da propriedade distributiva: A (B C ) = (A B) (A C )
A ilustrao da segunda propriedade est na Figura 1.8. Na linha superior, ilustramos o

lado esquerdo da igualdade A(B C ): no diagrama esquerda, temos o evento A e, no
diagrama do centro, o evento B C . Para determinar a unio desses dois eventos, basta
tomar todas as partes que esto sombreadas em algum dos diagramas, o que resulta no
diagrama direita, onde temos o evento A (B C ) . Na linha inferior, ilustramos o lado
direito da igualdade (A B) (A C ): no diagrama esquerda, temos o evento A B e,
no diagrama do centro, o evento AC . Para determinar a interseo desses dois eventos,
basta considerar todas as partes que esto sombreadas em ambos os diagramas e isso
resulta no diagrama direita, onde temos o evento (A B) (A C ) . Analisando os
diagramas direita nas duas linhas da figura, vemos que A (B C ) = (A B) (A C ).
8. Absoro
A (A B) = A
A (A B) = A
(1.15)
9. Leis de De Morgan
AB = AB
AB = AB
(1.16)
Na primeira linha da Figura 1.9, ilustra-se a primeira propriedade A B = A B.

Observe que, no diagrama esquerda, temos o evento A B. J nos dois diagramas
centrais, temos, respectivamente, A e B; e no diagrama direita, A B, que igual ao
diagrama esquerda, ou seja, A B = A B.
C
A
11
C
B
Figura 1.8 Ilustrao da propriedade distributiva: A (B C ) = (A B) (A C )
Na segunda linha da Figura 1.9, ilustra-se a segunda propriedade A B = A B: no

diagrama esquerda temos A B; nos dois diagramas centrais, respectivamente, A e B;
e no diagrama direita, AB, que igual ao diagrama esquerda, ou seja, A B = AB.
Figura 1.9 Ilustrao das leis de De Morgan
12
Captulo 2
Probabilidade: axiomas e propriedades
2.1
Introduo
Considere, mais uma vez, o experimento aleatrio que consiste no lanamento de um

dado equilibrado. Como j visto, o espao amostral desse experimento = {1, 2, 3, 4, 5, 6},
e alguns eventos de interesse so A =sair face 2, B =sair face par, etc. A questo que se
coloca, agora, como atribuir probabilidade a esses eventos. Ou seja, queremos determinar
um nmero que expresse a verossimilhana de cada um desses eventos.
Uma soluo seria lanar o dado um grande nmero de vezes e observar a proporo
dos lanamentos que resultam no evento A. Se denotarmos por n(A) o nmero de vezes que
ocorreu o evento A em n lanamentos, a definio de probabilidade com base na frequncia
relativa
n(A)
P(A) = lim
n n
Essa definio tem alguns problemas, a saber: quo grande deve ser n? quem garante
que a razo n(A)
n converge e converge sempre para o mesmo nmero cada vez que repetimos
o experimento? Temos que buscar, ento, uma nova forma de definir probabilidade.
2.2
Definio axiomtica de probabilidade
A abordagem que adotaremos ser a utilizao da definio axiomtica da probabilidade.

Isto , vamos estabelecer algumas propriedades mnimas que se espera sejam satisfeitas pela
probabilidade de qualquer evento. Tais propriedades so os axiomas da probabilidade.1 .
A ttulo de motivao, vamos usar o experimento do lanamento de um dado, bem como
Axioma: (1) Premissa imediatamente evidente que se admite como universalmente verdadeira sem exigncia
de demonstrao. (2) Proposio que se admite como verdadeira porque dela se podem deduzir as proposies
de uma teoria ou de um sistema lgico ou matemtico. (dicionrio Aurlio)
1
14
CAPTULO 2. PROBABILIDADE: AXIOMAS E PROPRIEDADES
a definio frequentista vista acima. A primeira observao que podemos fazer a seguinte:
dado um experimento aleatrio, desejamos atribuir probabilidade aos eventos do respectivo
espao amostral, ou seja, para cada evento, queremos determinar um nmero que indique a
probabilidade desse evento. Assim, probabilidade uma funo definida no conjunto de todos
os eventos de um espao amostral . Vamos denotar tal funo por P.
Uma primeira propriedade bastante intuitiva que a probabilidade de qualquer evento
deve ser um nmero no negativo, ou seja, para qualquer evento A, P(A) 0.
Para apresentar a segunda propriedade, considere o seguinte evento associado ao
experimento do lanamento de um dado: C =face menor que 7. bastante intuitivo ver
que, ao lanarmos um dado, sempre obteremos uma face menor que 7, ou seja, a proporo de
vezes que obteremos o evento C ser sempre 1, no importa quantas vezes lancemos o dado.
Note, tambm, que C = . Assim, a segunda propriedade que vamos exigir da probabilidade
que P() = 1.
A terceira propriedade envolve a unio de eventos mutuamente exclusivos. Vimos que,
se A B = , ento n(A B) = n(A) + n(B) e, assim, a definio frequentista da probabilidade
nos daria que P(A B) = P(A) + P(B). Esse o terceiro e ltimo axioma que precisamos para
definir probabilidade.
DEFINIO Definio axiomtica de probabilidade
Seja um espao amostral associado a um experimento aleatrio. Probabilidade

uma funo, denotada por P, que associa a cada evento A de um nmero real
P(A), que satisfaz os seguintes axiomas:
I. Axioma 1: P(A) 0
II. Axioma 2: P() = 1
III. Axioma 3: A B = P(A B) = P(A) + P(B)
Vamos, agora, apresentar propriedades da probabilidade que resultam dos Axiomas I a

III.
1. P() = 0
Demonstrao
Temos que = e como = , podemos aplicar o Axioma III para obter que
P() = P() + P(), de onde segue que P() = 0.

2. P(A) = 1 P(A)
Demonstrao
2.2. DEFINIO AXIOMTICA DE PROBABILIDADE
15
Temos que = A A e como A A = , podemos aplicar o Axioma III para obter que
P() = P(A) + P(A) e o Axioma II nos d que 1 = P(A) + P(A), de onde segue o resultado.

3. P(A \ B) = P(A B) = P(A) P(A B)
Demonstrao
Veja a Figura 2.1 para visualizar melhor esse resultado. um erro comum pensar que
P(A \ B) = P(A) P(B), o que pode resultar em uma probabilidade negativa. O evento
A \ B a parte sombreada mais escura; a parte sombreada mais clara corresponde a
A B e o evento A a unio dessas duas partes, ou seja,
A = (A \ B) (A B)
de onde segue o resultado pela aplicao do Axioma III, j que as partes sombreadas
no tm interseo.
Figura 2.1 Diferena de dois eventos A \ B = A B.

Volte Figura 2.1 para ver que o evento B\A = BA corresponde parte no sombreada
do evento B e que P(B \ A) = P(B A) = P(B) P(A B)

4. Para dois eventos A e B quaisquer,
P(A B) = P(A) + P(B) P(A B).
Demonstrao
Note que esse resultado generaliza o Axioma III para dois eventos quaisquer, ou seja,
no estamos exigindo que A e B sejam mutuamente exclusivos. Veja a Figura 2.2:
Toda a parte sombreada representa a unio dos dois eventos, que pode ser decomposta
nas duas partes com diferentes sombreamentos, isto , A B = (A \ B) B. Como
(A \ B) B = , o Axioma III nos d que
P(A B) = P(A \ B) + P(B)
P(A B) = P(A) P(A B) + P(B)
como consequncia da Propriedade 3.
Note que, se somssemos P(A) + P(B) estaramos contando duas vezes a probabilidade
da interseo, da o resultado.
16
Figura 2.2 Unio de dois eventos quaisquer A B

5. Se B A, ento P(B) P(A).
Demonstrao
Veja a Figura 2.3; note que
B A A = B (A \ B)
P(A) = P(B) + P(A \ B) P(A) P(B)
uma vez que P(A \ B) 0.
Figura 2.3 B A

6. P(A) 1 para qualquer evento A .
Demonstrao
Esse resultado consequncia imediata da propriedade anterior, uma vez que A
P(A) P() = 1
Eis um resumo dos axiomas e propriedades da probabilidade:
2.3. ESPAOS AMOSTRAIS FINITOS E EQUIPROVVEIS
17
Axiomas
P(A) 0
P() = 1
A B = P(A B) = P(A) + P(B)
Propriedades
P() = 0
P(A) = 1 P(A)
P(A \ B) = P(A B) = P(A) P(A B)
P(A B) = P(A) + P(B) P(A B)
A B P(A) P(B)
P(A) 1
2.3
Espaos amostrais finitos e equiprovveis
Vamos considerar, agora, uma situao especial, em que o espao amostral finito e
todos os seus eventos elementares so igualmente provveis. Esse contexto leva definio
clssica de probabilidade, que foi a primeira definio formal de probabilidade, explicitada
por Girolamo Cardano (1501-1576).
Sejam E1 , E2 , EN os eventos elementares de . Ento,
= E1 E2 EN
e esses eventos elementares so mutuamente exclusivos dois a dois. Pode-se provar, por
induo, que
P() = 1 = P(E1 E2 EN ) = P(E1 ) + P(E2 ) + + P(EN )
Como estamos supondo que todos eles so igualmente provveis, resulta
P(Ei ) =
1
1
=
N
n()
Mas, qualquer evento A pode ser escrito como unio de eventos elementares. Logo,
P(A) =
n(A)
n(
18
DEFINIO Definio clssica de probabilidade
Seja um espao amostral finito, cujos eventos elementares so todos igualmente

provveis, isto , podemos escrever
= E1 E2 EN
onde
P(Ei ) =
1
1
=
N
n()
Ento, para qualquer evento A ,

P(A) =
n(A)
n()

No lanamento de um dado, qual a probabilidade de se obter face maior que 4?
Soluo
Note que esse um espao amostral finito em que os eventos elementares so
igualmente provveis, pois estamos supondo que o dado seja honesto. J sabemos que
2
1
n() = 6 e que o evento de interesse A = {5, 6). Logo, P(A) = = .
6
3

EXEMPLO 2.2 Carta de um baralho
Considere um baralho usual composto de 52 cartas divididas em 4 naipes: ouros, copas, paus
e espadas, cada naipe com 13 cartas. As cartas dos 2 primeiros naipes so vermelhas e as
dos dois ltimos, pretas. Em cada naipe, as cartas podem ser s, 2, 3, 4, 5, 6, 7, 8, 9, 10,
Valete, Dama e Rei. Essas trs ltimas so figuras que representam a realeza. Retira-se, ao
acaso, uma carta desse baralho. Qual a probabilidade de que seja
(a) uma figura?
(b) uma carta preta?
(c) uma figura ou uma carta preta?
Soluo
Temos um espao amostral finito em que os eventos elementares so igualmente
provveis, pois estamos retirando a carta aleatoriamente. Como h 52 cartas ao todo,
19
n() = 52. Vamos denotar por F o evento carta retirada uma figura e por P o evento
carta retirada preta.
(a) Em cada um dos 4 naipes h trs figuras. Logo, o nmero total de figuras 4 3, ou seja,
n(F ) = 12. Logo,
3
12
=
.
P(F ) =
52
13
(b) Metade das cartas de cor preta. Logo,
P(P) =
26
1
= .
52
2
P(F P) = P(F ) + P(P) P(F P) =
6
32
8
12 26
+
=
=
52 52 52
52
13

20
EXEMPLO 2.3 Escolha de um nmero

Um nmero escolhido entre os 20 primeiros inteiros, de 1 a 20. Qual a probabilidade de
que o nmero escolhido seja
(a) par?
(b) primo?
(c) quadrado perfeito?
Soluo
Temos um espao amostral finito com eventos elementares equiprovveis, pois estamos
escolhendo o nmero aleatoriamente.
(a) Vamos denotar por P o evento nmero par. Logo,
P = {2, 4, 6, 8, 10, 12, 14, 16, 18, 20} P(P) =
1
10
=
20
2
(b) Seja R o evento nmero primo

R = {1, 3, 5, 7, 11, 13, 17, 19} P(R) =
8
2
=
20
5
(c) Se Q o evento quadrado perfeito, ento,

Q = {1, 4, 9, 16} P(Q) =
4
1
=
20
5

EXEMPLO 2.4 Bolas em uma urna
Uma urna contm 6 bolas pretas, 2 bolas brancas e 8 bolas verdes. Uma bola escolhid,a ao
acaso, desta urna. Qual a probabilidade de que essa bola
(a) no seja verde?
(b) seja branca?
(c) no seja nem branca nem verde?
Soluo
Temos um total de 6 + 2 + 8 = 16 bolas. Logo, n() = 16. Vamos denotar por P, B, V
os eventos bola preta, branca e verde, respectivamente.
21
(a) Queremos a probabilidade de V , ou seja, do complementar de V .

P(V ) = 1 P(V ) = 1
(b)
P(B) =
8
8
1
=
=
16
16
2
n(B)
2
1
=
= .
n()
16
8
(c) Se a bola no branca nem verde, ela tem de ser preta. Observe que estamos pedindo
P(B V ). Pela lei de De Morgan e pela Propriedade 2 e Axioma III, temos
P(B V ) = P(B V ) = 1 P(B V )
= 1 [P(B) + P(V )] = 1
=
2
8
6
=
16 16
16
3
= P(P)
8


Consideremos, novamente, o lanamento de dois dados e vamos definir os seguintes eventos:
A = soma das faces par, B = soma das faces maior que 9, C = soma das faces mpar
menor que 9. Agora vamos calcular a probabilidade de tais eventos.
Soluo
A visualizao do espao amostral desse experimento pode ser vista na tabela a seguir,
onde, para cada par possvel de resultados, apresentamos tambm a soma das faces:
Dado 2
1
Dado
1
1
2
3
4
5
6
(1, 1)
(2, 1)
(3, 1)
(4, 1)
(5, 1)
(6, 1)
2
3
4
5
6
7
2
(1, 2)
(2, 2)
(3, 2)
(4, 2)
(5, 2)
(6, 2)
3
4
5
6
7
8
3
(1, 3)
(2, 3)
(3, 3)
(4, 3)
(5, 3)
(6, 3)
4
5
6
7
8
9
4
(1, 4)
(2, 4)
(3, 4)
(4, 4)
(5, 4)
(6, 4)
5
6
7
8
9
10
5
(1, 5)
(2, 5)
(3, 5)
(4, 5)
(5, 5)
(6, 5)
6
7
8
9
10
11
Podemos ver que :
(1, 1) , (1, 2) , (1, 3) , (1, 4) , (1, 5) , (1, 6) ,
(2, 1) , (2, 2) , (2, 3) , (2, 4) , (2, 5) , (2, 6) ,
(3, 1) , (3, 2) , (3, 3) , (3, 4) , (3, 5) , (3, 6) ,

=
(4, 1) , (4, 2) , (4, 3) , (4, 4) , (4, 5) , (4, 6) ,
(5,
1) , (5, 2) , (5, 3) , (5, 4) , (5, 5) , (5, 6) ,
(6, 1) , (6, 2) , (6, 3) , (6, 4) , (6, 5) , (6, 6)
(1, 1) , (1, 3) , (1, 5) , (2, 2) , (2, 4) , (2, 6) ,

(3, 1) , (3, 3) , (3, 5) , (4, 2) , (4, 4) , (4, 6) ,
A=
(5, 1) , (5, 3) , (5, 5) , (6, 2) , (6, 4) , (6, 6)
n() = 36
n(A) = 18
6
(1, 6)
(2, 6)
(3, 6)
(4, 6)
(5, 6)
(6, 6)
7
8
9
10
11
12
22

B = {(4, 6) , (5, 5) , (5, 6) , (6, 4) , (6, 5) , (6, 6)} n(B) = 6

(1, 2) , (1, 4) , (1, 6) , (2, 1) , (2, 3) , (2, 5) ,
C=
n(C ) = 12
(3, 2) , (3, 4) , (4, 1) , (4, 3) , (5, 2) , (6, 1) ,
Logo,
P (A) =
18
1
=
36
2
P (B) =
6
1
=
36
6
P (C ) =
12
1
=
36
3

EXEMPLO 2.6 Bolas de uma urna

Em uma urna ,h 4 bolas brancas e 3 verdes. Duas bolas so retiradas dessa urna,
seqencialmente e sem reposio. Qual a probabilidade de obtermos
(a) 2 bolas brancas?
(b) 2 bolas verdes?
(c) 2 bolas de cores diferentes?
Soluo
Vamos indicar por B1 , B2 , B3 e B4 as quatro bolas brancas e por V1 , V2 e V3 as trs
bolas verdes. O espao amostral para este experimento
= {(C1 , C2 );
C1 , C2 = B1 , B2 , B3 , B4 , V1 , V2 , V3 ;
C1 6= C2 }
A primeira bola pode ser qualquer uma, logo, h 7 bolas possveis. Como a extrao sem
reposio, para a segunda bola, s h 6 possibilidades. Assim, o nmero total de pares
7 6 = 42, ou seja, n() = 42.
(a) Para os pares do evento A = 2 bolas brancas, a primeira bola pode ser qualquer uma
das brancas, e a segunda, qualquer uma das brancas restantes. Logo,
n(A) = 4 3 P(A) =
12
2
=
42
7
(b) Analogamente, se B = 2 bolas verdes,

n(B) = 3 2 P(B) =
6
1
=
42
7
(c) O evento C = bolas de cores diferentes o complementar do evento D = bolas de

cores iguais. Por sua vez, D = A B, e assim, como A e B so mutuamente exclusivos,
temos
2 1
3
3
4
P(D) = P(A) + P(B) = + = P(C ) = 1 P(D) = 1 =
7 7
7
7
7

23
EXEMPLO 2.7 Extrao de bolas de uma urna
interessante notar o seguinte fato sobre a extrao das bolas: em vez de fazermos extraes
sequenciais, podemos retirar 2 bolas simultaneamente. Em ambos os casos, as extraes so
sem reposio, ou seja, a mesma bola no pode sair duas vezes. O que muda, ento?
Soluo
Nas extraes simultneas, no podemos diferenciar a ordem das bolas: por exemplo,
os pares V1 V2 e V2 V1 so os mesmos. Dessa forma, a cardinalidade do espao amostral fica
reduzida por 2, que 2!, nmero de maneiras de organizar as 2 bolas. Se fossem 3 bolas,
ficaria reduzido por 3! = 6. Para ajudar na compreenso dessa diferena, vamos listar o espao
amostral nos dois casos, bem como os eventos que estudamos.
Evento
2 bolas
brancas
2 bolas
verdes
Branca
e verde
Verde
e
branca
Extraes sequenciais
B1 B2 , B 1 B3 , B 1 B4 ,
B2 B1 , B 2 B3 , B 2 B4 ,
B3 B1 , B 3 B2 , B 3 B4 ,
B4 B1 , B 4 B2 , B 4 B3 ,
V1 V2 , V 1 V3 ,
V2 V1 , V 2 V3 ,
V3 V1 , V 3 V2 ,
B1 V1 , B 1 V2 , B 1 V3 ,
B2 V1 , B 2 V2 , B 2 V3 ,
B3 V1 , B 3 V2 , B 3 V3 ,
B4 V1 , B 4 V2 , B 4 V3 ,
V1 B1 , V 1 B2 , V 1 B3 , V 1 B4 ,
V2 B1 , V 2 B2 , V 2 B3 , V 2 B4 ,
V3 B1 , V 3 B2 , V 3 B3 , V 3 B4
Extraes simultneas
B1 B2 , B1 B3 , B1 B4 ,
B2 B3 , B2 B4 ,
B3 B4 ,
Evento
2 bolas
brancas
2 bolas
verdes
V1 V2 , V 1 V3 ,
V2 V3 ,
Uma
branca
e uma
verde
B1 V1 , B1 V2 , B1 V3 ,
B2 V1 , B2 V2 , B2 V3 ,
B3 V1 , B3 V2 , B3 V3 ,
B4 V1 , B4 V2 , B4 V3
Note que as probabilidades so as mesmas em ambos os casos:
Extraes sequenciais
Extraes simultneas
P(2 verdes)
1
6
42 = 7
3
21
1
7
P(2 brancas)
12
2
42 = 7
6
21
2
7
P(cores diferentes)
24
4
42 = 7
12
21
4
7

EXEMPLO 2.8 Ou exclusivo
Prove que:

P

A B A B = P(A) + P(B) 2 P(A B)
Observe que a afirmao trata da probabilidade da ocorrncia de exatamente um dos eventos

A ou B.
Soluo
24

Pela Propriedade 3, temos que
P AB
= P(A) P (A B)
P AB
= P(B) P (A B)
Somando essas igualdades termo a termo, obtm-se que:

P A B + P A B = P(A) P (A B) + P(B) P (A B)
Como A B e A B so mutuamente exclusivos, a soma de suas probabilidades a
probabilidade da sua unio, ou seja,

P AB +P AB =P AB AB
Logo,

P

A B A B = P(A) + P(B) 2 P (A B)

EXEMPLO 2.9 Questes certas em uma prova prova

Em uma prova, caram dois problemas. Sabe-se que 132 alunos acertaram o primeiro, 86
erraram o segundo, 120 acertaram os dois e 54 acertaram apenas um. Sorteando-se, ao
acaso, um desses alunos, qual a probabilidade de que o sorteado:
(a) no tenha acertado qualquer um dos dois problemas?
(b) tenha acertado apenas o segundo problema?
Soluo
Vamos denotar por P1 e P2 os eventos acertar problema 1 e acertar problema 2
respectivamente. Os dados do problema nos do que:
n(P1 P2 ) = 120
n(P1 ) = 132
n
P1 P 2
n(P 2 ) = 86

(P 1 P2 ) = 54
(acertar os 2)
(acertar o primeiro)
(errar o segundo)
(acertar apenas um)
Usando o resultado do exemplo anterior, tem-se que:

n P1 P 2 (P 1 P2 ) = n(P1 ) + n(P2 ) 2n(P1 P2 )
54 = 132 + n(P2 ) 2 120
n(P2 ) = 162
Logo, o nmero total de alunos
n() = n(P2 P 2 ) = n(P2 ) + n(P 2 ) = 162 + 86 = 248
25
(a) Pela lei de De Morgan, tem-se que:

P P 1 P 2 = P P1 P2 = 1 P (P1 P2 ) =
= 1 [P(P1 ) + P(P2 ) P(P1 P2 )] =
132 162 120
+
= 1
248 248 248
74
37
=
=
248
124
(b) Pela Propriedade 3, tem-se que:

162 120
42
21
P P2 P 1 = P(P2 ) P(P1 P2 ) =
=
=
248
248
124

EXEMPLO 2.10 Atribuio de probabilidade
Dado que = {1, 0, 1} , verifique se possvel definir uma medida de probabilidade em
tal que
P ({1, 1}) = 0, 6
P ({0, 1}) = 0, 9
P ({1, 0}) = 0, 5
Justifique sua resposta.
Soluo
Note que o evento {1, 1} = {1} {1}. Logo, as probabilidades dadas se transformam
no seguinte sistema de 3 equaes com 3 incgnitas:
P (1) + P(1) = 0, 6
P(0) + P(1) = 0, 9
P(1) + P(0) = 0, 5
Da primeira equao, obtemos P(1) = 0, 6 P(1). Substituindo na segunda, obtemos o
seguinte sistema de 2 equaes e 2 incgnitas:
P(0) + 0, 6 P(1) = 0, 9
P(1) + P(0) = 0, 5
ou
P(0) P(1) = 0, 3
P(0) + P(1) = 0, 5
Somando termo a termo, resulta
2 P(0) = 0, 8 P(0) = 0, 4
26
Substituindo, obtemos
P(1) = 0, 5 P(0) = 0, 5 0, 4 P(1) = 0, 1
Substituindo novamente, obtemos
P(1) = 0, 6 P(1) = 0, 6 0, 1 = 0, 5
Como todos os valores obtidos esto no intervalo (0, 1), a atribuio dada vlida.

Captulo 3
Probabilidade condicional e
independncia de eventos
3.1
Probabilidade condicional
Consideremos o lanamento de um dado equilibrado e o evento A = sair face 2. J

vimos que o espao amostral desse experimento = {1, 2, 3, 4, 5, 6} e, se no tivermos
qualquer informao alm de o dado ser equilibrado, P(A) = 61 .
Suponhamos, agora, que o dado tenha sido lanado e a seguinte informao fornecida:
saiu face par. Qual a probabilidade de ter sado face 2?
Note a diferena: agora ns temos uma informao parcial sobre o experimento e
devemos us-la para reavaliar a nossa estimativa. Mais precisamente, sabemos que ocorreu o
evento B = face par. Com essa informao, podemos nos concentrar no evento B = {2, 4, 6} ,
uma vez que as faces 1, 3, 5 ficam descartadas em funo da informao dada. Dentro dessas
trs possibilidades, a probabilidade do evento A passa a ser 13 .
Calculamos, assim, a probabilidade do evento A, sabendo que ocorreu o evento B. Essa
probabilidade ser denotada P (A | B) (l-se probabilidade de A dado B).
Consideremos, agora, o lanamento de dois dados equilibrados e os eventos A = soma
das faces par e B = soma das faces maior ou igual a 9. Se sabemos que ocorreu B,
qual a probabilidade de ter ocorrido A?
Queremos calcular P(A|B). Temos que

(1, 1) , (1, 3) , (1, 5) , (2, 2) , (2, 4) , (2, 6) , (3, 1) , (3, 3) , (3, 5) ,
A=
(4, 2) , (4, 4) , (4, 6) , (5, 1) , (5, 3) , (5, 5) , (6, 2) , (6, 4) , (6, 6)
B = {(3, 6) , (4, 5) , (4, 6) , (5, 4) , (5, 5) , (5, 6) , (6, 3) , (6, 4) , (6, 5) , (6, 6)}
Se ocorreu B, a nica chance de ter ocorrido A que tenha ocorrido o evento
A B = {(4, 6) , (5, 5) , (6, 4) , (6, 6)}
28
CAPTULO 3. PROBABILIDADE CONDICIONAL E INDEPENDNCIA DE EVENTOS
e, nesse caso, a probabilidade
4
10 ,
ou seja,
P(A|B) =
4
=
10
4
36
10
36
P(A B)
P(B)
Esses dois exemplos ilustram o fato geral que est representado na Figura 3.1. Se
sabemos que aconteceu o evento B, esse evento passa a ser o novo espao amostral e,
nesse novo espao amostral, a nica parte de A presente A B a parte sombreada mais
clara.
Figura 3.1 Probabilidade condicional P(A|B).

Com esses exemplos, ilustramos uma situao bastante comum, em que temos de
calcular a probabilidade de um evento tendo uma informao parcial. Esse o conceito
de probabilidade condicional.
DEFINIO Probabilidade condicional

A probabilidade condicional do evento A, dada a ocorrncia do evento B,
P(A|B) =
P (A B)
P (B)
Note que, nessa definio, temos que supor que o evento B um evento possvel, j que
ele ocorreu. Logo, bvio que P(B) > 0.
EXEMPLO 3.1 Gnero e esporte
Um grupo de 100 alunos foi classificado quanto ao sexo e atividade de lazer preferida,
obtendo-se a distribuio dada na tabela a seguir.
3.1. PROBABILIDADE CONDICIONAL

Sexo
Masculino
Feminino
Total
29
Atividade de lazer
Cinema Praia Esporte
10
12
13
15
41
9
25
53
22
Total
35
65
100
1. Qual a probabilidade de que uma pessoa, escolhida ao acaso nesse grupo, seja do
sexo masculino?
2. Se a pessoa escolhida preferir a praia como atividade de lazer, qual ser a probabilidade
de ser um homem?
Soluo
Vamos definir os seguintes eventos: M = masculino; F = feminino; C = cinema;
P = praia; E = esporte.
1. O problema pede P(M). Como h 35 homens dentre as 100 pessoas,

P(M) =
35
= 0, 35
100
2. O problema pede P(M|P). Por definio,

P(M|P) =
P(M P)
=
P(P)
12
100
53
100
12
0, 2264
53
Note que a probabilidade do evento aluno do sexo masculino se modifica quando

sabemos que a pessoa prefere ir praia como atividade de lazer.

EXEMPLO 3.2 Aposentadoria
De um total de 500 empregados de uma empresa, 200 possuem plano pessoal de

aposentadoria complementar, 400 contam com o plano de aposentadoria complementar
oferecido pela empresa e 200 empregados possuem ambos os planos.
Sorteia-se,
aleatoriamente, um empregado dessa empresa.
(a) Qual a probabilidade de que ele tenha algum plano de aposentadoria complementar?
(b) Qual a probabilidade de que ele no possua qualquer plano de aposentadoria
complementar?
(c) Se o empregado conta com o plano de aposentadoria complementar oferecido pela
empresa, qual a probabilidade de que ele tenha plano pessoal de aposentadoria
complementar?
30
(d) Se o empregado tem plano pessoal de aposentadoria complementar, qual a probabilidade

de que ele conte com o plano de aposentadoria complementar da empresa?
Soluo
Vamos denotar por E o evento empregado tem o plano aposentadoria complementar da
empresa e por P o evento empregado possui plano pessoal de aposentadoria complementar.
O problema diz que
P(P) =
200
2
=
500
5
P(E) =
400
4
=
500
5
P(P E) =
200
2
=
500
5
Note que essas informaes podem ser dispostas em forma de tabela, como podemos
ver a seguir:
Plano da
Empresa
Total
Sim
No
Plano pessoal
Sim
No
200
200
0
100
200
300
Total
400
100
500
Os nmeros em negrito so as informaes dadas no problema. O restante calculado

observando-se os totais de linha e de coluna.
(a) O problema pede
P(P E) = P(P) + P(E) P(P E) =
2 4 2
4
+ =
5 5 5
5
(b) O problema pede

P(P E) = P(P E) = 1 P(P E) = 1
(c) O problema pede
P(P|E) =
P(P E)
=
P(E)
2
5
4
5
P(E|P) =
P(P E)
=
P(P)
2
5
2
5
=1
(d) O problema pede
4
1
=
5
5
1
2

EXEMPLO 3.3 Campanha publicitria

A probabilidade de que uma nova campanha publicitria fique pronta antes do prazo
estipulado pela diretoria foi estimada em 0,60. A probabilidade de que a diretoria aprove essa
campanha de 0,50. A probabilidade de que ambos os objetivos sejam atingidos 0,30.
31
(a) Qual a probabilidade de que pelo menos um dos objetivos seja atingido?
(b) Qual a probabilidade de que nenhum objetivo seja atingido?
(c) Se a campanha ficar pronta antes do prazo estipulado, qual a probabilidade de ela ser
a provada pela diretoria?
Soluo
Vamos definir os eventos P = campanha pronta antes do prazo e A = diretoria aprova
campanha. O problema fornece as seguintes informaes:
P(P) = 0, 6
P(A) = 0, 5
P(A P) = 0, 3
(a) P(A P) = P(A) + P(P) P(A P) = 0, 6 + 0, 5 0, 3 = 0, 8

(b) P(A P) = P(A P) = 1 P(A P) = 0, 2
(c) P(A|P) =
P(A P)
0, 3
=
= 0, 5.
P(P)
0, 6

interessante notar que a probabilidade condicional apresentada acima realmente

define uma lei de probabilidade, ou seja, a funo que associa o nmero P(A|B) a cada evento
A de satisfaz os axiomas de probabilidade. De fato:
Axioma 1:
P(A|B) =
P(A B)
0
P(B)
pois P(A B) 0 e P(B) > 0.

Axioma 2:
P(|B) =
P(B)
P( B)
=
=1
P(B)
P(B)
P(B)
= 1, toda a probabilidade condicional est concentrada
P(B)
em B, o que justifica considerarmos B como o novo espao amostral para essa nova lei de
probabilidade.
Na verdade, como P(B|B) =
Axioma 3:
Sejam A1 e A2 dois eventos mutuamente exclusivos (veja a Figura 3.2). Usando a
propriedade distributiva, temos
P(A1 A2 |B) =
P[(A1 A2 ) B]
P[(A1 B) (A2 B)]
=
P(B)
P(B)
32
Figura 3.2 P(A1 A2 |B) = P(A1 |B) + P(A2 |B).
Mas, como A1 e A2 so mutuamente exclusivos, resulta que (A1 B) e (A2 B) tambm

o so esses dois eventos correspondem parte sombreada mais clara da figura. Logo,
P[(A1 B) (A2 B)]

=
P(B)
P(A1 B) + P(A2 B)
=
=
P(B)
P(A1 B) P(A2 B)
=
+
=
P(B)
P(B)
= P(A1 |B) + P(A2 |B)
P(A1 A2 |B) =
Sendo a probabilidade condicional uma lei de probabilidade, todas as propriedades

vistas anteriormente, que eram consequncia dos axiomas, valem tambm para a probabilidade
condicional. A propriedade que usaremos com maior frequncia P(A|B) = 1 P(A|B).
Observe que a definio de probabilidade condicional est vinculada ao evento B ao qual
estamos condicionando. Ou seja, se condicionarmos a outro evento C , estaremos definindo
uma outra funo de probabilidade a funo de probabilidade condicional em C .
3.1.1
Regra da multiplicao
A definio de probabilidade condicional leva a um resultado importante, conhecido

como regra da multiplicao.
33
Regra da multiplicao para dois eventos
Sejam A e B eventos de um espao amostral . Ento,
P(B) P(A|B)
P(A B) =
P(A) P(B|A)
Esse resultado nos permite calcular a probabilidade da interseo de dois eventos e

muito til para modelar experimentos que tm carter sequencial, isto , que so executados
em etapas, uma seguida da outra. Em tais situaes, pode ser til desenhar um diagrama de
rvore para ilustrar os eventos em questo. Vamos ver alguns exemplos.
EXEMPLO 3.4 Radar
Se um avio est presente em determinada rea, um radar detecta sua presena com
probabilidade 0,99. No entanto, se o avio no est presente, o radar detecta erradamente
a presena de um avio com probabilidade 0,02. A probabilidade de um avio estar presente
nessa rea de 0,05. Qual a probabilidade de um falso alarme? Qual a probabilidade
de o radar deixar de detectar um avio? (Note que esses so os dois erros possveis nessa
situao.)
Soluo
Vamos definir os eventos a seguir.
A = avio presente
D = radar detecta presena de avio
Os eventos complementares so:
A = avio no est presente
D = radar no detecta avio
O problema nos fornece as seguintes informaes:

Pr (D|A) = 0, 99
Pr D|A = 0, 02
Pr(A) = 0, 05
Pela lei do evento complementar, temos que

Pr D|A = 0, 01
Pr D|A = 0, 98
Pr(A) = 0, 95
Na Figura 3.3, este experimento ilustrado atravs de um diagrama de rvore. Cada n na

rvore corresponde ocorrncia de um evento condicionada ocorrncia de todos os eventos
representados pelos ns anteriores no caminho correspondente. Assim, a parte superior da
34
Figura 3.3 Problema do radar
rvore corresponde ocorrncia do evento radar detecta avio, condicionada ocorrncia

do evento avio presente. J a parte inferior corresponde ocorrncia do evento radar no
detecta avio, condicionada ocorrncia do evento avio no est presente.
O problema pede
Pr(D A)
falso alarme
Pr(D A)
Pela regra da multiplicao, temos:

P(D A) = P A P D|A = 0, 95 0, 02 = 0, 019

P(D A) = P (A) P D|A = 0, 05 0, 01 = 0, 0005
Note que a probabilidade de um erro a soma dessas probabilidades.

EXEMPLO 3.5 Extrao de 2 cartas
Considere que duas cartas de um baralho (13 cartas de cada um dos naipes copas, paus,
ouros, espadas) sejam extradas, sem reposio, uma depois da outra. Qual a probabilidade
de
(a) nenhuma das duas ser de copas?
(b) pelo menos uma carta ser de copas?
Soluo
35
Para solucionar esse problema, devemos notar que as cartas no baralho so igualmente
provveis, antes e depois da primeira extrao. Vamos definir os seguintes eventos:
C1 =
copas na primeira extrao
C2 =
copas na segunda extrao
Na Figura 3.4, temos o diagrama de rvore que representa esse experimento.
Figura 3.4 Extrao de 2 cartas de um baralho

A parte superior da rvore corresponde ocorrncia de copas na primeira extrao
evento C1 e a parte inferior no-ocorrncia de copas na primeira extrao evento C 1 .
Na primeira extrao, temos 13 cartas de copas e 39 que no so de copas. Logo,
13
52
39
P(C 1 ) =
52
P(C1 ) =
Na segunda extrao, dado que na primeira saiu copas, temos 12 cartas de copas e 39
cartas que no so de copas em um baralho com 51. O evento representado pelo caminho
superior da rvore C1 C2 e sua probabilidade
P(C1 C2 ) = P(C1 ) P(C2 |C1 ) =
13 12
52 51
Continuando com a parte superior, vemos que

P(C1 C 2 ) = P(C1 ) P(C 2 |C1 ) =
13 39
52 51
Note que, pela lei do complementar, P(C2 |C1 ) + P(C 2 |C1 ) = 1.
36

Na parte inferior, temos:
P(C 1 C2 ) = P(C 1 ) P(C2 |C 1 ) =
39 13
52 51
39 38
P(C 1 C 2 ) = P(C 1 ) P(C 2 |C 1 ) =
52 51
Novamente, pela lei do complementar, P(C2 |C 1 ) + P(C 2 |C 1 ) = 1.
A partir desse diagrama de rvore podemos calcular qualquer probabilidade desejada.
Por exemplo, o evento nenhuma carta de copas o evento C 1 C 2 , e o evento pelo menos
uma carta de copas, o complementar do evento nenhuma carta de copas.

EXEMPLO 3.6 Trs cartas de um baralho
Suponhamos agora a extrao de trs cartas sem reposio e o evento nenhuma carta
de copas. Como podemos generalizar a regra da multiplicao para esse caso?
Soluo
Como antes, vamos definir os eventos Ci = carta de copas na isima extrao, i =
1, 2, 3. Veja a Figura 3.5, que ilustra o espao amostral desse experimento.
Como antes, quando caminhamos ao longo de cada galho no diagrama de rvores, cada
n representa a ocorrncia de um evento condicional ocorrncia dos eventos anteriores.
Por exemplo, vamos considerar o galho superior: o primeiro n corresponde ao evento C1 ;
o segundo, ao evento C2 , condicionado ocorrncia de C1 ; e o terceiro e ltimo, ao evento
C3 , condicionado ocorrncia de C1 C2 . Quando multiplicamos as probabilidades desses 3
eventos, obtemos a seguinte probabilidade da interseo:
13 12 11
P(C1 C2 C3 ) = P(C1 ) P(C2 |C1 ) P(C3 |C1 C2 ) =
52 51 50
Analogamente, a probabilidade de no sair qualquer carta de copas nas 3 estraes
39 38 37
P(C 1 C 2 C 3 ) = P(C 1 ) P(C 2 |C 1 ) P(C 3 |C 1 C 2 ) =
52 51 50

Estes exemplos ilustram a regra geral da multiplicao.
Regra geral da multiplicao
Seja A1 , A2 , . . . , An uma sequncia de eventos de um espao amostral .

Ento,
P (A1 A2 An ) = P (A1 ) P (A2 |A1 ) P (An |A1 A2 An1 )
37
11/50
C3
12/51
C2
C3
39/50
12/50
C3
13/52
C1
C2
39/51
C3
38/50
12/50
C3
C1
39/52
13/51
C2
C2
38/51
C3
38/50
13/50
C3
C3
37/50
Figura 3.5 Extrao de 3 cartas de um baralho

EXEMPLO 3.7 Transporte pblico e bandejo
Em uma pesquisa realizada com um grupo de alunos da UFF, constatou-se que 10%
dos estudantes no utilizam transporte pblico para ir s aulas e que 65% dos estudantes
que utilizam o transporte pblico fazem refeies no bandejo do campus. Selecionando-se,
aleatoriamente, um estudante desse grupo, calcule a probabilidade de que ele use transporte
pblico e faa refeies no bandejo.
Soluo
Vamos definir os seguintes eventos: T = aluno utiliza transporte pblico e B = aluno
come no bandejo. O problema nos fornece
P(T ) = 0, 10
O problema pede
P(B|T ) = 0, 65
P(T B) = P(T ) P(B|T ) = 0, 9 0, 65 = 0, 585
38

EXEMPLO 3.8 Bolas de uma urna
Uma urna contm seis bolas pretas e cinco bolas amarelas.

Extraem-se,
sequencialmente, trs bolas dessa urna, sem reposio. Qual a probabilidade de que as
trs bolas sejam da mesma cor?
Soluo
Vamos definir os eventos Pi = bola preta na extrao ie Ai = bola amarela na extrao
i, i = 1, 2, 3.
Seja M = 3 bolas de mesma cor. Ento,
P(M) = P(P1 P2 P3 ) + P(A1 A2 A3 )
= P(P1 ) P(P2 |P1 ) P(P3 |P1 P2 ) + P(A1 ) P(A2 |A1 ) P(A3 |A1 A2 )
6
5
4
5
4
3
=
11 10 9 11 10 9
2
2
4
=
+
=
33 33
11

3.2
Independncia de eventos
Considere novamente um baralho usual, com 52 cartas, 13 de cada naipe, do qual ser
retirada uma carta. Vamos definir os seguintes eventos:
C
J vimos que P(C ) =
13
52
carta de copas
R =
carta um rei
carta vermelha
= 14 ; P(R) =
4
52
1
13
e P(V ) =
26
52
= 12 .
Vamos agora calcular as seguintes probabilidades condicionais: P(R|C ) e P(V |C ). No

primeiro caso, estamos calculando a probabilidade de sair um rei, dado que a carta de
copas. No segundo caso, estamos calculando a probabilidade de sair uma carta vermelha,
dado que saiu uma carta de copas.
P(R|C ) =
P(R C )
=
P(C )
P(V |C ) =
P(V C )
P(C )
=
= 1 6= P(V )
P(C )
P(C )
1
52
1
4
4
1
=
= P(R)
52
13
3.2. INDEPENDNCIA DE EVENTOS
39
No primeiro caso, saber que a carta de copas no acrescentou informao til para
avaliarmos a probabilidade de sair rei, ou seja, saber ou no que saiu copas no altera a
probabilidade de sair rei.
J no segundo caso, saber que saiu carta de copas faz com que mudemos a probabilidade
de sair carta vermelha. Como podemos ver, se sabemos que saiu carta de copas, ento a carta
tem de ser vermelha.
Esses exemplos ilustram um conceito importante. No primeiro caso, dizemos que os
eventos R e C so independentes e, no segundo caso, que os eventos V e C so dependentes.
No primeiro caso, o conhecimento da ocorrncia de C no ajuda para reavaliarmos a
probabilidade de C . J, no segundo caso, o conhecimento da ocorrncia de C faz com que
mudemos nossa estimativa da probabilidade de V .
DEFINIO Eventos independentes

Sejam A e B eventos de um espao amostral . Ento, A e B so independentes se
P(A|B) = P(A)
Essa definio tem algumas implicaes importantes.
A e B so independentes P(A B) = P(A) P(B).

Demonstrao
A, B independentes P(A|B) = P(A)
P(A B)
= P(A) P(A B) = P(A) P(B)
P(B)
P(A B) = P(A) P(B) = A e B so independentes.

Demonstrao
P(A B) = P(A) P(B) P(A|B) =
P(A) P(B)
P(A B)
=
= P(A) A, B independentes.
P(B)
P(B)
Provamos, ento, que A e B so independentes P(A B) = P(A) P(B). Esse resultado

nos permite estabelecer uma outra definio equivalente para a independncia de dois
eventos.
40
DEFINIO Eventos independentes

Sejam A e B eventos de um espao amostral . Ento, A e B so independentes
se
P(A B) = P(A) P(B)
Se A e B so independentes, ento B e A tambm o so (comutatividade).

Demonstrao
A, B independentes P(B|A) =
P(B A)
P(A) P(B)
=
= P(B) B, A independentes.
P(A)
P(A)
Se A e B so independentes A, B so independentes.
Demonstrao
P(AB) = P(B)P(AB) = P(B)P(A) P(B) = P(B)[1P(A)] = P(B) P(A) A, B independentes.
A e B independentes A, B independentes.
Demonstrao
P(A B) = P(A B)
= 1 P(A B)
= 1 P(A) P(B) + P(A B)
= 1 P(A) P(B) + P(A) P(B)
= [1 P(A)] P(B)[1 P(A)]
= P(A) P(B) P(A)
= P(A)[1 P(B)]
= P(A) P(B) A, B independentes.
Se A e B so eventos possveis e independentes A B 6= .
Demonstrao
Por hiptese, temos que P(A) > 0 e P(B) > 0. Pela hiptese de independncia, P(AB) =
P(A) P(B) > 0 A B 6= .
Logo, se A e B so eventos possveis e independentes, ento A e B no so mutuamente
exclusivos.
Se A e B so eventos possveis tais que A B = A, B no so independentes.
Demonstrao
P(A|B) =
P(A B
= 0 6= P(A) A, B no so independentes.
P(B)
3.2. INDEPENDNCIA DE EVENTOS
41
Logo, se A e B so eventos possveis e mutuamente exclusivos, ento A e B no so

independentes.
EXEMPLO 3.9 Previdncia, continuao
No Exemplo 3.2, analisamos os dados que sero apresentados na tabela a seguir,

referentes participao de funcionrios de uma empresa em planos de aposentadoria
complementar:
Plano da
Empresa
Total
Sim
No
Plano pessoal
Sim
No
200
200
0
100
200
300
Total
400
100
500
Naquele exemplo, estudamos os eventos E = empregado tem o plano de aposentadoria

complementar da empresa e P = empregado possui plano pessoal de aposentadoria
complementar. Vamos ver se esses eventos so independentes.
Soluo
Temos
2
5
2
P(P E) =
5
P(P) =
P(E) =
4
5
6= P(P) P(E)
Logo, os eventos P e E no so independentes. Outra forma de ver isso

P(E|P) =
200
4
= 1 6= P(E) =
200
5

42
Captulo 4
Teorema da Probabilidade Total e

Teorema de Bayes
Neste captulo, voc estudar dois importantes teoremas da teoria das probabilidades e
ver suas aplicaes em diversas situaes envolvendo tomadas de deciso. Esses teoremas,
conhecidos como Teorema da Probabilidade Total e Teorema de Bayes, resultam diretamente
da definio de probabilidade condicional e das propriedades j vistas da probabilidade. Sua
apresentao ser feita, inicialmente, atravs de exemplos, para que voc compreenda bem o
contexto de sua aplicao. Em seguida, ser apresentada a formulao geral desses teoremas.
4.1
Exemplos
EXEMPLO 4.1 Produo de duas mquinas
Em uma linha de produo de certa fbrica, determinada pea produzida em duas

mquinas. A mquina 1, mais antiga, responsvel por 35% da produo, e os 65% restantes
vm da mquina 2. A partir dos dados passados e das informaes do fabricante das mquinas,
estima-se em 5% a proporo de peas defeituosas produzidas pela mquina 1 e em 2,5% a
proporo de peas defeituosas produzidas pela mquina 2. As peas produzidas pelas duas
mquinas seguem para o departamento de armazenamento e embalagem para venda posterior,
sem distino de qual mquina a produziu.
(a) Qual a proporo de peas defeituosas colocadas no mercado por essa fbrica?
(b) Se um cliente identificar uma pea defeituosa, qual ser a probabilidade de ela ter sido
produzida pela mquina 1?
Soluo
44
CAPTULO 4. TEOREMA DA PROBABILIDADE TOTAL E TEOREMA DE BAYES
(a) Na Figura 4.1, representa-se a situao em anlise. Nosso experimento aleatrio o

sorteio de uma pea produzida por essa fbrica, e nosso espao amostral, representado
pelo retngulo, o conjunto de todas as peas produzidas em determinado perodo.
Podemos ver que o espao amostral est dividido em 2 eventos mutuamente exclusivos:
M1 , peas produzidas pela mquina 1, e M2 , peas produzidas pela mquina 2. Mais
precisamente, = M1 M2 isso significa que M1 e M2 formam uma partio do espao
amostral1 . Outro evento de interesse D = pea defeituosa. Podemos ver que esse
evento tem interseo com os eventos M1 e M2 , ou seja, h peas defeituosas produzidas
na mquina 1 e na mquina 2.
Figura 4.1 Espao amostral para o Exemplo 4.1

Pelos dados do problema, temos uma estimativa a priori das propores de peas
produzidas em cada mquina, ou seja, as probabilidades a priori dos eventos M1 e M2
so:
P(M1 ) = 0, 35
P(M2 ) = 0, 65
Sabemos, tambm, a proporo de peas defeituosas produzidas por cada mquina. Essa
proporo se traduz em uma probabilidade condicional: se a pea foi produzida pela
mquina 1, existe 5% de chance de ser defeituosa. Para a mquina 2, essa chance reduzse a 2,5%. Em termos de probabilidade, temos
P(D|M1 ) = 0, 05
P(D|M2 ) = 0, 025
Como M1 e M2 formam uma partio de , podemos escrever
D = (D M1 ) (D M2 )
Mas M1 e M2 so mutuamente exclusivos; logo, (D M1 ) (parte sombreada mais clara)
e (D M2 ) (parte sombreada mais escura) tambm o so. Assim, pelo Axioma 3 da
probabilidade, resulta que
P(D) = P [(D M1 ) (D M2 )]
= P(D M1 ) + P(D M2 )
1
A1 , A2 , , An formam uma partio do espao amostral se (i) Ai Aj = i 6= j; (ii)
n
S
i=1
Ai =
4.1. EXEMPLOS
45
Pelo teorema da multiplicao, sabemos que P(A B) = P(A) P(B|A). Logo,

P(D) = P(M1 ) P(D|M1 ) + P(M2 ) P(D|M2 )
= 0, 35 0, 05 + 0, 65 0, 025 = 0, 03375
Observe que a probabilidade de uma pea ser defeituosa uma mdia ponderada das
probabilidades de defeito em cada mquina. Os pesos so definidos de acordo com o
nvel de produo (probabilidade) de cada mquina.
(b) Na segunda parte do exemplo, temos uma informao sobre a pea: ela defeituosa,
isto , sabemos que ocorreu o evento D. O que o problema pede que, com essa
informao, reavaliemos a probabilidade de a pea ter sido produzida pela mquina 1.
Essa probabilidade chamada de probabilidade a posteriori, ou seja, a probabilidade
que calculamos com base em informao parcial obtida depois de realizado o experimento
de sorteio e teste da pea. Em notao matemtica, temos de calcular P(M1 |D). Por
definio, temos
P(M1 D)
P(M1 |D) =
P(D)
Usando a regra da multiplicao e o resultado encontrado no item anterior, resulta
P(M1 |D) =
=
=
P(M1 ) P(D|M1 )
P(M1 )Pr(D|M1 ) + P(M2 ) P(D|M2 )
0, 35 0, 05
0, 35 0, 05 + 0, 65 0, 025
0, 0175
= 0, 5185
0, 03375
Compare os resultados:
Sem qualquer informao sobre o resultado do experimento, nossa estimativa para a
probabilidade de ocorrncia de M1 pea produzida pela mquina 1 era 0,35.
Com a informao de que a pea defeituosa, a probabilidade de ter sido produzida
pela mquina 1 aumenta para 0,5185.

EXEMPLO 4.2 Produo de trs mquinas
Considere novamente a situao do Exemplo 4.1, mas com a seguinte modificao: as

peas so produzidas em trs mquinas, que so responsveis por 30%, 35% e 35% da produo,
respectivamente. As propores de peas defeituosas produzidas por tais mquinas so 5%,
2,5% e 2%.
(a) Qual a proporo de peas defeituosas produzidas na fbrica?

(b) Se um cliente identificar uma pea defeituosa, qual ser a probabilidade de ela ter sido
produzida na mquina 1? E na mquina 2? E na mquina 3?
46

Soluo
(a) O espao amostral desse experimento est ilustrado no diagrama de rvore da Figura 4.2.
Como j visto anteriormente, cada galho da rvore corresponde ao condicionamento do
evento aos eventos dos galhos anteriores. Assim, na parte superior da rvore, temos os
eventos D|M1 e D|M1 . Na parte do meio, temos os eventos D|M2 e D|M2 ; e na parte
inferior, D|M3 e D|M3 .
Os dados do problema do que
P(M1 ) = 0, 30
P(M2 ) = P(M3 ) = 0, 35
P(D|M1 ) = 0, 05
P(D|M2 ) = 0, 025
P(D|M3 ) = 0, 02
Como antes, M1 , M2 e M3 formam uma partio de e, portanto, podemos escrever

D = (D M1 ) (D M2 ) (D M3 )
Mas M1 , M2 e M3 so mutuamente exclusivos; logo, (D M1 ), (D M2 ) e (D M3 ) tambm
o so. Pelo Axioma 3 da probabilidade, resulta que
P(D) = P [(D M1 ) (D M2 ) (D M3 )]
= P(D M1 ) + P(D M2 ) + P(D M3 )
Pelo teorema da multiplicao, sabemos que
P(A B) = P(A) P(B|A).
Logo,
P(D) = P(M1 ) P(D|M1 ) + P(M2 ) P(D|M2 ) + P(M3 ) P(D|M3 )
= 0, 30 0, 05 + 0, 35 0, 025 + 0, 35 0, 02 = 0, 03075
Como antes, a probabilidade de uma pea ser defeituosa uma mdia ponderada das
probabilidades de defeito em cada mquina, com os pesos definidos de acordo com o nvel
de produo de cada mquina.
4.1. EXEMPLOS
47
(b) Na segunda parte do exemplo, deseja-se saber P(M1 |D), P(M2 |D) e P(M3 |D). Por definio,
temos
P(M1 D)
P(M1 |D) =
P(D)
Usando a regra da multiplicao e o resultado encontrado no item anterior, temos
P(M1 |D) =
=
=
P(M2 |D) =
=
=
P(M3 |D) =
=
=
P(M1 ) P(D|M1 )
P(M1 ) P(D|M1 ) + P(M2 ) P(D|M2 ) + P(M3 ) P(D|M3 )
0, 30 0, 05
0, 30 0, 05 + 0, 35 0, 025 + 0, 35 0, 02
0, 015
= 0, 487805
0, 03075
P(M2 ) P(D|M2 )
0, 35 0, 025
0, 30 0, 05 + 0, 35 0, 025 + 0, 35 0, 02
0, 00875
= 0, 284553
0, 03075
P(M3 ) P(D|M3 )
0, 35 0, 02
0, 30 0, 05 + 0, 35 0, 025 + 0, 35 0, 02
0, 007
= 0, 227642
0, 03075
Note que 0, 487805 + 0, 284553 + 0, 227642 = 1, 000000. Esse resultado imediato a

partir do fato de que P() = 1. Se a pea sorteada defeituosa, ela s pode ter vindo de
umas das trs mquinas.

EXEMPLO 4.3 Soro da verdade
Sabe-se que um soro da verdade, quando aplicado em um suspeito, 90% eficaz quando
a pessoa culpada e 99% eficaz quando inocente. Um suspeito retirado de um grupo de
pessoas em que 95% jamais cometeram qualquer crime.
(a) Qual a probabilidade de o soro dar a resposta certa?
(b) Se o soro indica culpado, qual a probabilidade de o suspeito ser inocente?
Soluo
48
(a) Vamos definir os seguintes eventos (veja a Figura 4.3):

C = suspeito culpado
U = soro indica culpado
C = suspeito inocente
U = soro indica inocente

Note que voc deve definir os eventos de acordo com a execuo do experimento. Ao se
aplicar um soro da verdade, a resposta ser culpado ou inocente e no soro acerta
ou soro erra. Errar ou acertar depender de o suspeito ser culpado ou inocente.
Os dados do problema nos do as seguintes probabilidades:
P(U|C ) = 0, 90
P(U|C ) = 0, 99
P(C ) = 0, 95
Usando o resultado sobre probabilidade do evento complementar, completamos as
probabilidades necessrias:
P(U|C ) = 0, 90
P(U|C ) = 0, 10
P(U|C ) = 0, 99
P(U|C ) = 0, 01
P(C ) = 0, 95
P(C ) = 0, 05
A partio do espao amostral definida pelos eventos C e C , para os quais temos as

probabilidades a priori. Os eventos de interesse so U e U.
Seja o evento A = soro acerta o diagnstico. Note que o soro pode diagnosticar
corretamente se o suspeito culpado ou inocente, ou seja:

A = (C U) C U
Logo,
P(A) = P (C U) + P C U
= P(C ) P(U|C ) + P(C ) P(U|C )

= 0, 05 0, 90 + 0, 95 0, 99 = 0, 9855
4.1. EXEMPLOS
49
(b) Queremos calcular P(C |U). Por definio, temos:

P(C |U) =
P(C U)
P (U)
O soro pode indicar culpado, sendo o suspeito culpado (acerto do diagnstico), ou inocente
(erro no diagnstico), ou seja:

P (U) = P (U C ) + P U C

= P (U|C ) P(C ) + P U|C P(C )
= 0, 90 0, 05 + 0, 01 0, 95
= 0, 045 + 0, 0095 = 0, 0545

P U C = P U|C P(C ) = 0, 01 0, 95 = 0, 0095
Logo,
P(C |U) =
0, 0095
= 0, 1743
0, 0545

EXEMPLO 4.4 Trs moedas
Uma caixa contm trs moedas. A moeda 1 honesta, a moeda 2 tem duas caras e a
moeda 3 viciada de tal modo que cara duas vezes mais provvel que coroa. Uma moeda
escolhida ao acaso e lanada.
(a) Qual a probabilidade de observarmos cara e moeda 1?
(b) Qual a probabilidade de observarmos cara?
(c) Se o resultado foi cara, qual a probabilidade de que a moeda lanada tenha sido a moeda
1?
Soluo
Vamos definir os eventos
K = cara
C = coroa
M1 = moeda 1 M2 = moeda 2 M3 = moeda 3

dado que
P(K |M1 ) =
1
2
P(K |M2 ) = 1
50
Para a moeda 3, como a probabilidade de cara duas vezes a probabilidade de coroa

e a soma dessas probabilidades tem de ser 1, resulta que
P(K |M3 ) =
2
3
Como a moeda lanada escolhida aleatoriamente, temos

P(M1 ) = P(M2 ) = P(M3 ) =
1
3
Veja a Figura 4.4:
(a) Aqui a soluo consequncia direta da regra de multiplicao:

P (K M1 ) = P (M1 ) P (K |M1 ) =
1 1
1
=
3 2
6
(b) Os eventos que formam a partio do espao amostral so M1 , M2 e M3 . Logo,
P (K ) = P (K M1 ) + P (K M2 ) + P (K M3 )
= P (M1 ) P (K |M1 ) + P (M2 ) P (K |M2 ) + P (M3 ) P (K |M3 )

1
1
2
1 13
13
=
+1+
=
=
3
2
3
3
6
18
(c) O problema pede
P (M1 |K ) =
P (K M1 )
P (M1 ) P (K |M1 )
=
=
P (K )
P (K )
1
6
13
18
3
13

EXEMPLO 4.5 Deciso gerencial
4.1. EXEMPLOS
51
Um gerente de banco tem de decidir se concede ou no emprstimo aos clientes que

o solicitam. Ele analisa diversos dados para estudar a possibilidade de o cliente vir a ficar
inadimplente. Com base em dados passados, ele estima em 15% a taxa de inadimplncia.
Dentre os inadimplentes, ele tem 80% de chance de tomar a deciso certa, enquanto essa
chance aumenta para 90% entre os clientes adimplentes. Esse gerente acaba de recusar um
emprstimo. Qual a probabilidade de ele ter tomado a deciso correta?
Soluo
Os fatos envolvidos nesse processo decisrio so: cliente inadimplente ou no e
gerente concede ou no o emprstimo. Vamos definir os seguintes eventos:
I = cliente inadimplente
C
gerente concede emprstimo
Usaremos a notao de evento complementar para definir

I = cliente adimplente
C
gerente no concede emprstimo
Note que temos duas possibilidades de acerto e duas possibilidades de erro. Os acertos
so cliente inadimplente e gerente no concede o emprstimo e cliente adimplente e
gerente concede o emprstimo. Os erros so: cliente inadimplente e gerente concede o
emprstimo e cliente adimplente e gerente no concede o emprstimo.
A rvore que representa o espao amostral dada na Figura 4.5.

As probabilidades dadas so
P(I) = 0, 15 P(C |I) = 0, 80 P(C |I) = 0, 90
Pela lei do complementar, temos
P(I) = 0, 85 P(C |I) = 0, 20 P(C |I) = 0, 10
52
Com relao ao que o problema pede, temos que, dado que o gerente recusou o
emprstimo, a deciso s ser certa se o cliente for inadimplente. Logo, temos de calcular
P(I|C ) =
P(I C )
P(C )
Mas o gerente pode recusar o emprstimo sendo o cliente inadimplente ou no, ou seja,
P(C ) = P(C I) + P(C I)
= P(I) P(C |I) + P(I) P(C |I)
= 0, 15 0, 80 + 0, 85 0, 10 = 0, 205
Logo,
P(I|C ) =
=
=
4.2
P(I C )
P(C )
P(I) P(C |I)
P(I) P(C |I) + P(I) P(C |I)
0, 15 0, 80
= 0, 5854
0, 205
Os teoremas
Considere a Figura 4.6, onde A1 , A2 , . . . , An uma partio do espao amostral e B

um evento qualquer em .
A1
A2
A4
A3
A6
A7
A5
A 11
A8
A9
A 10
A 12
Figura 4.6 Partio do espao amostral

Como a unio de todos os Ai s o espao amostral, segue que
B = (A1 B) (A2 B) (An B) .
O fato de alguns desses termos serem o conjunto vazio (por exemplo, B A4 = ) no
invalida o resultado, uma vez que A = A. Por definio de partio, os Ai s so mutuamente
4.2. OS TEOREMAS
53
exclusivos dois a dois; logo, os eventos Ai B tambm o so. Ento, pela lei da probabilidade
de eventos disjuntos, podemos escrever
P (B) = P [(A1 B) (A2 B) (An B)] =
= P (A1 B) + P (A2 B) + + P (An B)
e a regra da multiplicao fornece
P(B) = P(A1 ) P(B|A1 ) + P(A2 ) P(B|A2 ) + + P(An ) P(B|An )
Esse resultado conhecido como Teorema da probabilidade total.
Teorema da Probabilidade Total
Seja A1 , A2 , . . . , An uma partio do espao amostral e seja B um evento

qualquer em . Ento,
n
X
P (Ai ) P (B|Ai )
P(B) =
i=1
Como visto, a probabilidade P(Ai ) denominada probabilidade a priori do evento Ai .

Continuando no contexto da Figura 4.6, suponhamos agora que B tenha ocorrido. Vamos
usar essa informao para calcular a probabilidade a posteriori do evento Ai , ou seja, vamos
calcular P(Ai |B). Por definio, temos
P (Ai |B) =
P (Ai B)
P(B)
Usando a regra da multiplicao e o teorema da probabilidade total, resulta que

P (Ai |B) =
P (Ai ) P (B|Ai )
n

P
P Aj P B|Aj
j=1
Esse resultado conhecido como Teorema de Bayes.
Teorema de Bayes
Seja A1 , A2 , . . . , An uma partio do espao amostral e seja B um evento

qualquer em . Ento
P (Ai |B) =
P (Ai ) P (B|Ai )

P Aj P B|Aj
n
P
j=1
54
importante que, na resoluo de exerccios e tambm na aplicao prtica desses

teoremas, voc identifique os eventos de interesse, os que definem a partio do espao
amostral e quais so as probabilidades a priori. Em geral, so essas probabilidades que
identificam a partio de . Vamos considerar mais um exemplo para ilustrar esses pontos.
EXEMPLO 4.6 Alunos e carros
Em uma turma de Administrao, 65% dos alunos so do sexo masculino. Sabe-se

que 30% dos alunos tm carro, enquanto essa proporo entre as alunas se reduz para 18%.
Sorteia-se ao acaso um estudante dessa turma usando o seu nmero de matrcula e constatase que ele possui um carro. Qual a probabilidade de que o estudante sorteado seja do sexo
feminino?
Soluo
Os eventos em questo envolvem o sexo do aluno e a posse de um carro. Vamos definir
os eventos de interesse da seguinte forma:
H = homem
C = possui carro
M = mulher
C = no possui carro
Note que H e M definem uma partio do espao amostral, assim como C e C . No

entanto, as probabilidades a priori dadas referem-se a H e M (o fato de ter, ou no, carro,
no altera o sexo do aluno). Assim, a partio de ser definida em termos desses eventos.
Os dados do problema fornecem que
P(H) = 0, 65
P(C |H) = 0, 30
P(C |M) = 0, 18
P(M) = 0, 35
P(C |H) = 0, 70
P(C |M) = 0, 82
O problema pede P(M|C ), e para calcular essa probabilidade, temos de calcular P(C ). Pelo
teorema da probabilidade total, sabemos que
P(C ) = P(C M) + P(C H)
= P(M) P(C |M) + P(H) P(C |H)
= 0, 35 0, 18 + 0, 65 0, 30 = 0, 518
Logo,
P(M|C ) =
=
P(C M)
P(M) P(C |M)
=
P(C )
P(C )
0, 35 0, 18
= 0, 12162
0, 518

Captulo 5
Exerccios propostos
1. Lanam-se trs moedas. Enumere o espao amostral e os eventos A = faces iguais;

B = cara na primeira moeda; C = coroa na segunda e terceira moedas.
2. (a) Na Figura 5.1, assinale a rea correspondente a A B
(b) Na Figura 5.2, assinale a rea correspondente a A \ B
(c) Na Figura 5.3, assinale a rea correspondente a (A C ) B
(d) Na Figura 5.4, assinale a rea correspondente a (A B) C
Figura 5.1 Questo 2(a)
Figura 5.2 Questo 2(b)
Figura 5.3 Questo 2(c)
Figura 5.4 Questo 2(d)
3. Defina um espao amostral para cada um dos seguintes experimentos aleatrios:

(a) Em uma pesquisa de mercado, conta-se o nmero de clientes do sexo masculino que
entram em um supermercado no horrio das 8 s 12 horas.
(b) Em um estudo de viabilidade de abertura de uma creche prpria de uma grande
empresa, fez-se um levantamento, por funcionrio, do sexo dos filhos com menos de
56
CAPTULO 5. EXERCCIOS PROPOSTOS

5 anos de idade. O nmero mximo de filhos por funcionrio 4, e a informao
relevante o sexo dos filhos de cada funcionrio.
(c) Em um teste de controle de qualidade da produo, mede- -se a durao de
lmpadas, deixando-as acesas at que queimem.
(d) Um fichrio com 10 nomes contm 3 nomes de mulheres. Seleciona-se ficha aps
ficha at o ltimo nome de mulher ser selecionado e anota-se o nmero de fichas
selecionadas.
(e) Lana-se uma moeda at aparecer cara pela primeira vez e anota-se o nmero de
lanamentos.
(f) Em uma urna, h 5 bolas identificadas pelas letras
{A, B, C , D, E} . Sorteiam-se duas bolas, uma aps a outra, com reposio, e anotase a configurao formada.
(g) Mesmo enunciado anterior, mas as duas bolas so selecionadas simultaneamente.
4. Sejam A, B, C trs eventos de um espao amostral. Exprima os eventos a seguir usando
as operaes de unio, interseo e complementao:
(a) somente A ocorre;
(b) exatamente um ocorre;
(c) A, B e C ocorrem;
(d) nenhum ocorre;
(e) pelo menos um ocorre;
(f) exatamente dois ocorrem.
(g) pelo menos dois ocorrem;
(h) no mximo dois ocorrem.
5. Considere o lanamento de dois dados e defina os seguintes eventos:
A = soma par
B = soma 9
C = mximo das faces 6
Calcule A B, A B, A \ B, B \ A, B C , B \ C .
6. Seja = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}. Considere os seguintes eventos:
A = {1, 3, 5, 7, 9}
B = {0, 2, 4, 6, 8, 9}
D = {9}
Determine os elementos dos seguintes eventos:
(a) A (B D)
(b) B (A D)
(c) A B
(d) A B
57
(e) A \ B
(f) B \ A
(g) A B
(h) A B

7. Se P (A) = 1/3 e P B = 1/4, A e B podem ser mutuamente exclusivos?
8. Sejam A e B eventos mutuamente exclusivos tais que P(A) = 0, 5 e P(B) = 0, 4.
(a) Calcule P(A B).
(b) Calcule P(B A).
9. Em uma cidade h trs clubes A, B, C . Em um grupo de 1000 famlias constatou-se
que 470 so scias do clube A; 420 so scias do clube B, 315 so scias do clube C ;
110 so scias dos clubes A e B; 220 so scias dos clubes A e C ; 140 so scias dos
clubes B e C e 75 so scias dos 3 clubes. Escolhendo-se ao acaso uma famlia, qual
a probabilidade de que ela
(a) no seja scia de qualquer um dos clubes?
(b) seja scia de apenas um clube?
(c) seja scia de pelo menos dois clubes?
10. Em um levantamento em um bairro de 1.000 moradores, verifica-se que:
220 tm curso superior;
160 so casados;
100 esto desempregados;
50 tm curso superior, so casados e esto empregados;
60 tm curso superior e esto desempregados;
20 tm curso superior, so casados e esto desempregados.
Escolhe-se ao acaso um morador desse bairro. Qual a probabilidade de que ele
(a) tenha curso superior e seja casado?
(b) ou tenha curso superior e seja casado ou esteja empregado?
(c) ou tenha curso superior ou esteja desempregado?
11. Um lote formado por 10 artigos bons, 4 com defeitos menores e 2 com defeitos graves.
Um artigo escolhido ao acaso. Ache a probabilidade de que:
(a) ele no tenha defeitos;
(b) ele no tenha defeitos graves;
(c) ele seja perfeito ou tenha defeitos graves.
12. Quatro bolsas de estudo sero sorteadas entre 30 estudantes, dos quais 12 so do
sexo masculino e 18 so do sexo feminino. Qual a probabilidade de que haja entre os
sorteados:
58

(a) uma pessoa do sexo masculino?
(b) no mximo uma pessoa do sexo feminino?
(c) pelo menos uma pessoa de cada sexo?
13. Em uma urna h 15 bolas numeradas de 1 a 15. Trs bolas so retiradas da urna sem
reposio. Qual a probabilidade de que:
(a) o menor nmero seja 7?
(b) o maior nmero seja 7?
14. Num perodo de um ms, 100 pacientes sofrendo de determinada doena foram
internados em um hospital. Informaes sobre o tipo de tratamento aplicado em cada
paciente e o resultado final obtido esto resumidas no quadro a seguir.
Resultado
Cura total (T)

Cura parcial (P)
Morte (M)
Total
Tratamento
A
B
24
16
24
16
12
8
60
40
Total
40
40
20
100
Sorteia-se o registro de um desses pacientes.

(a) Qual a probabilidade de que seja de um paciente que teve cura total?
(b) Qual a probabilidade de que esse registro seja de um paciente que faleceu ou que
recebeu o tratamento A?
(c) Sabendo-se que esse paciente recebeu o tratamento A, qual a probabilidade de
que tenha tido cura total?
15. Sejam A e B eventos de um espao amostral. Sabe-se que P(A) = 0, 3; P(B) = 0, 7 e
P(A B) = 0, 21. Verifique se as seguintes afirmativas so verdadeiras. Justifique sua
resposta.
(a) A e B so mutuamente exclusivos;
(b) A e B so independentes;
(c) A e B so independentes;
(d) A e B so mutuamente exclusivos;
(e) A e A so independentes.
16. Dois dados equilibrados so lanados.
(a) Calcule a probabilidade de sair seis em pelo menos um dado.
(b) Sabendo-se que saram faces diferentes nos dois dados, determine a probabilidade
de sair seis em pelo menos um dado.
(c) Os eventos seis em pelo menos um dado e faces diferentes nos dois dados so
independentes?
59
17. Uma sala possui trs soquetes para lmpadas. De uma caixa com 10 lmpadas, das quais
seis esto queimadas, retiram-se trs lmpadas ao acaso, colocando-se as mesmas nos
trs bocais. Calcular a probabilidade de que:
(a) pelo menos uma lmpada acenda;
(b) todas as lmpadas acendam.
18. O Ministrio da Economia da Espanha acredita que a probabilidade de a inflao ficar
abaixo de 3% este ano de 0,20; entre 3% e 4% de 0,45 e acima de 4% de 0,35. O
Ministrio acredita que, com inflao abaixo de 3%, a probabilidade de se criar mais
200.000 empregos de 0,6, diminuindo essa probabilidade para 0,3 caso a inflao fique
entre 3% e 4%; no entanto, com inflao acima de 4%, isso totalmente impossvel.
(a) Qual a probabilidade de se criarem 200.000 empregos nesse ano?
(b) No ano seguinte, um economista estrangeiro constata que foram criados 200.000
empregos novos. Qual a probabilidade de a inflao ter ficado abaixo de 3%?
19. Na urna I h cinco bolas vermelhas, trs brancas e oito azuis. Na urna II h trs
bolas vermelhas e cinco brancas. Lana-se um dado equilibrado. Se sair trs ou seis,
escolhe-se uma bola da urna I; caso contrrio, escolhe-se uma bola da urna II. Calcule
a probabilidade de
(a) sair uma bola vermelha;
(b) sair uma bola branca;
(c) sair uma bola azul;
(d) ter sido sorteada a urna I, sabendo-se que a bola retirada vermelha.
20. Joana quer enviar uma carta a Camila. A probabilidade de que Joana escreva a carta
8
9
10
. A probabilidade de que o correio no a perca 10
. A probabilidade de que o
9
carteiro a entregue tambm 10 .
(a) Construa o diagrama de rvore representando o espao amostral deste problema.
(b) Calcule a probabilidade de Camila no receber a carta.
(c) Dado que Camila no recebeu a carta, qual a probabilidade de que Joana no a
tenha escrito?
21. Sejam A e B dois eventos tais que P(A) = 0, 4 e P(AB) = 0, 7. Seja P(B) = p. Determine
o valor de p para que
(a) A e B sejam mutuamente exclusivos;
(b) A e B sejam independentes.
22. Sejam A e B eventos possveis de um mesmo espao amostral . Se P(A|B) = 1 verifique
a veracidade das seguintes afirmativas, justificando sua resposta.
(a) A e B so independentes.
(b) A e B so mutuamente exclusivos.
23. Sejam A, B, C eventos de um mesmo espao amostral. Sabe-se que
60

B um subconjunto de A;
A e C so independentes e
B e C so mutuamente exclusivos.
A probabilidade do complementar da unio dos eventos A e C 0,48; a probabilidade da
unio dos eventos B e C 0,3 e a probabilidade do evento C o dobro da probabilidade
do evento B. Calcule P(A B).
24. Uma comisso de dois estudantes deve ser sorteada de um grupo de 5 alunas e 3 alunos.
Sejam os eventos:
M1 = primeiro estudante sorteado mulher
M2 = segundo estudante sorteado mulher
(a) Construa um diagrama de rvore que represente o espao amostral deste
experimento, indicando as probabilidades.
(b) Calcule P(M1 ) e P(M2 ).
(c) Verifique se M1 e M2 so independentes.
25. Em um campeonato de natao, esto competindo trs estudantes: Alberto, Bosco e
Carlos. Alberto e Bosco tm a mesma probabilidade de ganhar, que o dobro da de
Carlos ganhar.
(a) Ache a probabilidade de que Bosco ou Carlos ganhe a competio.
(b) Que hiptese voc fez para resolver essa questo? Essa hiptese razovel?
26. Solicita-se a dois estudantes, Maria e Pedro, que resolvam determinado problema.
Eles trabalham na soluo do mesmo independentemente, e tm, respectivamente,
probabilidade 0,8 e 0,7 de resolv-lo.
(a) Qual a probabilidade de que nenhum deles resolva o problema?
(b) Qual a probabilidade de o problema ser resolvido?
(c) Dado que o problema foi resolvido, qual a probabilidade de que tenha sido
resolvido apenas por Pedro?
27. Joga-se um dado duas vezes. Considere os seguintes eventos: A =resultado do primeiro
lanamento par e B =soma dos resultados par. A e B so independentes?
Justifique.
28. Um aluno responde a uma questo de mltipla escolha com quatro alternativas, com
uma s correta. A probabilidade de que ele saiba a resposta certa da questo de 30%.
Se ele no sabe a resposta, existe a possibilidade de ele acertar no chute. No existe
a possibilidade de ele obter a resposta certa por cola.
(a) Qual a probabilidade de ele acertar a questo?
(b) Se o aluno acertou a questo, qual a probabilidade de ele ter chutado a resposta?
61
29. Um empreiteiro apresentou oramentos separados para a execuo da parte eltrica e da
parte hidrulica de um edifcio. Ele acha que a probabilidade de ganhar a concorrncia
da parte eltrica de 1/2. Caso ele ganhe a parte eltrica, a chance de ganhar a parte
hidrulica de 3/4; caso contrrio, essa probabilidade de 1/3. Qual a probabilidade
de ele:
(a) ganhar os dois contratos?
(b) ganhar apenas um?
(c) no ganhar qualquer contrato?
62
Apndice A
Anlise combinatria
Neste captulo iremos trabalhar com espaos amostrais finitos. Veremos, ento, diversas
tcnicas de contagem do nmero de elementos de eventos desses espaos amostrais. Dado
um evento qualquer A, representaremos por n(A) o nmero de elementos de A.
A.1
Princpio Fundamental da Adio

Sejam A e B eventos aleatrios de um espao amostral finito.
Se A e B so mutuamente exclusivos, ento
A B = = n(A B) = n(A) + n(B)
(A.1)
A definio de eventos mutuamente exclusivos se generaliza para mais de dois eventos.

Neste caso, devemos analisar a interseo de dois eventos de cada vez. Mais precisamente,
dada uma coleo de eventos A1 ,A2 , ,Ak de um espao amostral , dizemos que eles so
mutuamente exclusivos dois a dois se Ai Aj = i 6= j. Veja a Figura A.1.
A4
A1
A2
A5
A3
A6
A7
Figura A.1 Eventos mutuamente exclusivos dois a dois

Neste caso, a cardinalidade da unio dada pelo princpio fundamental da adio.
63
64
APNDICE A. ANLISE COMBINATRIA
Princpio Fundamental da Adio
Consideremos uma coleo de eventos mutuamente exclusivos dois a dois,

tais que n(Ai ) = ni , i = 1, , k. O princpio fundamental da adio
estabelece que
!
k
k
X
[
n (Ai ) = n1 + + nk
(A.2)
Ai Aj = i 6= j = n
Ai =
i=1
i=1
A seguir apresentamos alguns resultados, que so consequncias diretas do princpio

fundamental da adio.
Como A A = e A A = , resulta que
n() = n(A) + n(A) = n(A) = n() n(A)
(A.3)
Pelo resultado (1.6), A = (A \ B) (A B) e (A \ B) (A B) = ; resulta, ento, que

n(A) = n(A \ B) + n(A B) = n(A \ B) = n(A) n(A B)
(A.4)
n(B \ A) = n(B) n(A B)
(A.5)
Analogamente,
Consideremos o caso geral em que A e B so eventos aleatrios quaisquer. Podemos

escrever
A B = A (B \ A)
Como A e B \ A so disjuntos, resulta que
n(A B) = n(A) + n(B \ A)
Usando o resultado (A.5), resulta que

n(A B) = n(A) + n(B) n(A B)
(A.6)
EXEMPLO A.1 Cardinalidade da unio de 3 eventos finitos

Obtenha uma expresso para n(A B C ), onde A, B, C so eventos aleatrios com nmero
finito de elementos.
Soluo
A.2. PRINCPIO FUNDAMENTAL DA MULTIPLICAO
65
n(A B C ) = n[(A B) C ]
= n(A B) + n(C ) n[(A B) C )]
= n(A) + n(B) n(A B) + n(C ) n[(A C ) (B C )]
= n(A) + n(B) n(A B) + n(C ) n(A C ) n(B C ) + n(A C B C ) =
n(A B C ) = n(A) + n(B) + n(C ) n(A B) n(A C ) n(B C ) + n(A C B C )

A.2
Princpio Fundamental da Multiplicao
Para ilustrar o segundo princpio fundamental da contagem, considere o experimento

aleatrio que consiste no sorteio aleatrio de um homem e uma mulher de um grupo de
pessoas formado por trs homens (h1 , h2 , h3 ) e cinco mulheres (m1 , m2 , m3 , m4 , m5 ). Qual
a cardinalidade do espao amostral deste experimento, ou seja, quantos casais podem ser
formados com essas pessoas?
O espao amostral
h1 m1 , h1 m2 , h1 m3 , h1 m4 , h1 m5 ,
h2 m1 , h2 m2 , h2 m3 , h2 m4 , h2 m5 ,
=
h3 m1 , h3 m2 , h3 m3 , h3 m4 , h3 m5 ,
Mas se estamos interessados apenas no nmero de elementos de , devemos notar que h
cinco casais nos quais o homem h1 , cinco nos quais o homem h2 e outros cinco nos quais
o homem h3 , perfazendo um total de 3 5 = 15 casais. Esse exemplo ilustra o princpio
fundamental da multiplicao.
Princpio Fundamental da Multiplicao
Se temos k decises d1 , d2 , . . . , dk que podem ser tomadas

de n1 , n2 , . . . , nk maneiras respectivamente,
ento o nmero
de maneiras de tomar as decises d1 e d2 e e dk
n1 n2 nk .
Note que o princpio da multiplicao permite obter o nmero de elementos do espao

amostral formado pelos casais sem ter que fazer essa enumerao enfadonha! Imagine se
fossem 100 homens e 200 mulheres!
EXEMPLO A.2 Nmeros naturais de trs algarismos distintos
Quantos nmeros naturais de trs algarismos distintos existem?
66

Soluo
Para o primeiro algarismo (milhar), existem nove possibilidades, j que o zero no

pode ocupar a primeira posio. Para a segunda posio, escolhida a primeira, sobram nove
algarismos (agora j podemos considerar o zero) e para a terceira, escolhidos os dois primeiros,
sobram oito algarismos. Logo, existem 9 9 8 = 648 nmeros. (J pensou o trabalho que
seria listar todos eles?)

EXEMPLO A.3 Portas de um prdio
Um prdio possui oito portas. De quantas maneiras posso entrar e sair desse prdio, se no
quero usar na sada a mesma porta que usei na entrada?
Soluo
Para a entrada, posso escolher qualquer uma das oito portas. Escolhida a porta de
entrada, sobram sete portas para a sada. Logo, existem 8 7 = 56 maneiras de entrar e sair
por portas diferentes.

EXEMPLO A.4 Nmeros pares de trs algarismos distintos
Quantos nmeros pares de trs algarismos distintos podemos formar com os algarismos
1, 2, 3, 4, 5, 6?
Soluo
Para que o nmero seja par, ele tem que terminar com 2, 4 ou 6. Seja, ento, P o evento
de interesse Vamos denotar por A2 o evento nmero par que termina com 2 e de maneira
anloga, definimos os eventos A4 e A6 . Resulta que A2 , A4 e A6 so mutuamente exclusivos dois
a dois e P = A2 A4 A6 . Pelo princpio da adio, resulta que n(P) = n(A2 ) + n(A4 ) + n(A6 ).
Para calcular n(A2 ), note que o ltimo algarismo 2 e sobram duas posies para serem
preenchidas com algarismos distintos escolhidos entre 1, 3, 4, 5, 6. Para a primeira posio,
temos cinco possibilidades; escolhida a primeira posio, sobram quatro para a segunda
posio. Pelo principio fundamental da multiplicao existem 5 4 = 20 nmeros pares com
trs algarismos distintos terminando com 2, ou seja, n(A2 ) = 20. Analogamente, n(A4 ) = 20 e
n(A6 ) = 20, o que implica que n(P) = 20 + 20 = 20 = 60.

A.3
Permutaes
Consideremos quatro objetos distintos a1 , a2 , a3 , a4. De quantas maneiras podemos

orden-los? Vamos listar todas as possibilidades.
A.3. PERMUTAES
67
a1 a2 a3 a4
a1 a4 a2 a3
a2 a3 a1 a4
a3 a1 a2 a4
a3 a4 a1 a2
a4 a2 a1 a3
a1 a2 a4 a3
a1 a4 a3 a2
a2 a3 a4 a1
a3 a1 a4 a2
a3 a4 a2 a1
a4 a2 a3 a1
a1 a3 a2 a4
a2 a1 a3 a4
a2 a4 a1 a3
a3 a2 a1 a4
a4 a1 a2 a3
a4 a3 a1 a2
a1 a3 a4 a2
a2 a1 a4 a3
a2 a4 a3 a1
a3 a2 a4 a1
a4 a1 a3 a2
a4 a3 a2 a1
Cada uma dessas ordenaes chamada uma permutao simples. Podemos ver que o
nmero de tais permutaes bem grande. Note que, para apenas quatro objetos, temos 24
permutaes. O clculo do nmero de permutaes uma consequncia direta do princpio
da multiplicao.
Consideremos, ento, n objetos distintos a1 , a2 , . . . , an. Para a primeira posio, temos
n possibilidades. Para a segunda, escolhida a primeira, sobram n 1 objetos. Para a terceira,
escolhidas a primeira e a segunda posies, sobram n 2 objetos. Continuando, para a ltima
posio, escolhidas as n 1 anteriores, sobra apenas 1 objeto.
Pelo princpio da multiplicao, o nmero total de permutaes, que denotaremos por
Pn n (n 1) (n 2) 1, e esse nmero, por definio, o fatorial de n. Temos,
assim, o seguinte resultado.
Permutaes simples
Dados n objetos distintos, o nmero de permutaes simples de tais

objetos dado por
Pn = n (n 1) (n 2) 2 1 = n!
(A.7)
EXEMPLO A.5 Filas

Quantas filas diferentes podemos formar com cinco crianas?
Soluo
Essa exatamente a definio de permutao. Logo, o nmero de filas 5! = 5 4
3 2 1 = 120.

EXEMPLO A.6 Livros numa estante
Temos cinco livros de Estatstica, trs livros de Matemtica Financeira e quatro livros
de Contabilidade. De quantas maneiras podemos organizar esses livros em uma prateleira?
Qual seria a sua resposta se os livros do mesmo assunto tivessem que ficar juntos?
68

Soluo
Ao todo, h 12 livros; logo, se no necessrio agrupar por assunto, existem 12! =

479.001.600 maneiras de organizar os livros.
Se os livros do mesmo assunto tm que ficar juntos, devemos observar que, primeiro,
temos que contar as maneiras como podemos organizar os assuntos. Como so trs assuntos,
h 3! = 6 maneiras de organizar os assuntos. Para os livros de Estatstica, h 5! = 120
maneiras de organiz-los; para os livros de Matemtica Financeira, 3! = 6 maneiras, e para
os livros de Contabilidade, 4! = 24 maneiras.
Pelo princpio fundamental da multiplicao, o nmero total de maneiras de organizar
os 12 livros de modo que os livros do mesmo assunto fiquem juntos 6612024 = 103.680
maneiras. Note que razovel que esse nmero seja menor, pois estamos impondo condies
restritivas na organizao.

EXEMPLO A.7 Assentos num banco
Cinco moas e cinco rapazes tm que se sentar em cinco bancos de dois lugares, de
modo que em cada banco fique uma moa e um rapaz. De quantas maneiras podemos fazer
isso?
Soluo
Comecemos com as meninas. A primeira menina pode escolher qualquer dos 10 lugares.
Logo, ela tem 10 possibilidades. J a segunda menina s tem 8 possibilidades, porque ela no
pode sentar junto com a primeira. Analogamente, a terceira menina tem 6 possibilidades, a
quarta tem 4 e a quinta tem 2 possibilidades.
Definidas as posies das meninas, temos cinco rapazes para sentar em cinco lugares,
o que pode ser feito de 5! maneiras. Logo, o nmero total de possibilidades, pelo princpio
fundamental da multiplicao, 10 8 6 4 2 5! = 3.840 120 = 460.800.

EXEMPLO A.8 Anagramas1 de TEORIA
Considere a palavra TEORIA.

1. Quantos anagramas podemos formar?
2. Quantos anagramas comeam com a letra T?
3. Quantos anagramas comeam com a letra T e terminam com A?
1
Anagrama: Palavra ou frase formada pela transposio das letras de outra palavra ou frase.
E dizem que a Iracema do romance de Alencar o anagrama de Amrica (Joo Ribeiro, Curiosidades verbais, p.
76).
A.4. ARRANJOS
69
4. Quantos anagramas tm todas as vogais juntas?

Soluo
Note que o conceito de anagrama o mesmo de permutao.
1 Como h seis letras diferentes, o nmero de anagramas 6! = 6 5 4 3 2 1 = 720.
2 Fixada a letra T na primeira posio, as outras cinco podem ser organizadas de 5! = 120
maneiras diferentes.
3 Fixadas a primeira e a ltima letras, as outras quatro podem ser organizadas de 4! = 24
maneiras.
4 Temos quatro vogais. Esse bloco pode ser organizado de 4! = 24 maneiras. Para juntar
esse bloco com as duas consoantes, h 3! = 6 maneiras diferentes. Logo, o nmero total
24 6 = 144.

A.4
Arranjos
Na definio de permutao, consideramos ordenaes de todos os objetos. Mas

possvel que queiramos ordenar apenas k dos n objetos, onde k n. Nesse caso, temos a
definio de arranjo simples.
Suponhamos, por exemplo, que quatro pessoas sero sorteadas dentre dez. Quantas
filas podemos formar com as quatro pessoas sorteadas?
Como no caso das permutaes, para a primeira posio da fila temos disponveis as 10
pessoas. Para a segunda, temos 9; para a terceira, temos 8, e para a quarta e ltima posio,
temos 7. Logo, o nmero total de filas com as quatro pessoas sorteadas 10987 = 5.040.
Note que, para a quarta posio, j escolhemos as trs anteriores; assim, sobram apenas
(10 3) = [10 (4 1)]. Uma outra observao interessante a seguinte:
10 9 8 7 =
=
=
(10 9 8 7) (6 5 4 3 2 1)
(6 5 4 3 2 1)
(10 9 8 7) 6!
6!
10!
10!
=
6!
(10 4)!
Vamos ver, agora, o caso geral. Para calcular o nmero de arranjos de k dentre n
objetos distintos, devemos notar que, para a primeira posio, existem n possibilidades. Para
a segunda, n 1 possibilidades. Para a k-sima e ltima posio, j foram escolhidos k 1
70
objetos; portanto, sobram n(k 1), ou seja, para a k-sima posio, h n(k 1) = nk +1
possibilidades.
Logo, o nmero total de arranjos de k elementos, tomados dentre n objetos distinos
n (n 1) (n k + 1) . Vamos denotar por Ank esse nmero.
Ank = n (n 1) (n k + 1)
Vamos usar o mesmo artifcio para simplificar essa frmula.
Ank = n (n 1) [n (k 1)]
= n (n 1) [n (k 1)]
n (n 1) (n k + 1) (n k) (n k 1) 2 1
=
(n k)!
n!
(n k)!
=
=
(n k)!
=
(n k)!
Arranjos simples
Dados n objetos distintos, o nmero de arranjos simples de k objetos

dentre n, denotado por Ank ,
Ank =
n!
(n k)!
(A.8)
importante notar que, sendo a definio de arranjo uma generalizao de permutao

(note que uma permutao um arranjo em que k = n), a ordem dos elementos relevante,
ou seja, a1 a2 a3 diferente de a3 a1 a2 .
EXEMPLO A.9 Campeonato de futebol
Em um campeonato de futebol, concorrem 20 times. Quantas possibilidades existem
para os trs primeiros lugares?
Soluo
3 , pois a ordem faz diferena nesse caso. Note que
A resposta A20
3
A20
=
20!
20 19 18 17!
=
= 20 19 18 = 6.840
17!
17!

A.5. COMBINAES SIMPLES
71
EXEMPLO A.10 Comisses
De um grupo de 15 pessoas deve ser extrada uma comisso formada por um presidente,
um vice-presidente e um secretrio. Quantas comisses possvel formar?
Soluo
A ordem aqui importa, j que os cargos no so equivalentes. Assim, a soluo
3
A15
=
15!
= 12 11 10 = 1320
12!

EXEMPLO A.11 Segredo de cofre
O segredo de um cofre formado por uma sequncia de trs dgitos escolhidos entre
0, 1, 2, 3, 4, 5, 6, 7, 8, 9. Suponha que uma pessoa saiba que o segredo formado por trs
algarismos distintos. Qual o nmero mximo de tentativas que ela ter de fazer para abrir o
cofre?
Soluo
3
A10
A.5
Nos segredos de cofre, a ordem importa. Como os algarismos so distintos, a resposta

= 10 9 8 = 720

Combinaes Simples
Vamos considerar agora, a situao anloga a um arranjo, mas onde a ordem no

importa, ou seja, a1 a2 a3 igual a a3 a1 a2 .
A ttulo de ilustrao, consideremos a situao na qual temos cinco objetos distintos
5!
dos quais vamos selecionar trs. Como visto, o nmero de arranjos
= 60. Vamos list-los.
2!
Objetos envolvidos
(1,2,3)
a1 a2 a3
a1 a3 a2
a2 a1 a3
a2 a3 a1
a3 a1 a2
a3 a2 a1
(1,2,4)
a1 a2 a4
a1 a4 a2
a2 a1 a4
a2 a4 a1
a4 a1 a2
a4 a2 a1
(1,2,5)
a1 a2 a5
a1 a5 a2
a2 a1 a5
a2 a5 a1
a5 a1 a2
a5 a2 a1
(1,3,4)
a1 a3 a4
a1 a4 a3
a3 a1 a4
a3 a4 a1
a4 a1 a3
a4 a3 a1
(1,3,5)
a1 a3 a5
a1 a5 a3
a3 a1 a5
a3 a5 a1
a5 a1 a3
a5 a3 a1
(1,4,5)
a1 a4 a5
a1 a5 a4
a4 a1 a5
a4 a5 a1
a5 a1 a4
a5 a4 a1
(2,3,4)
a2 a3 a4
a2 a4 a3
a3 a2 a4
a3 a4 a2
a4 a2 a3
a4 a3 a2
(2,3,5)
a2 a3 a5
a2 a5 a3
a3 a2 a5
a3 a5 a2
a5 a2 a3
a5 a3 a2
(2,4,5)
a2 a4 a5
a2 a5 a4
a4 a2 a5
a4 a5 a2
a5 a2 a4
a5 a4 a2
(3,4,5)
a3 a4 a5
a3 a5 a4
a4 a3 a5
a4 a5 a3
a5 a3 a4
a5 a4 a3
72
Esta listagem est organizada de modo que, em cada coluna, os objetos envolvidos so
os mesmos. Note o seguinte: como a ordem no importa, os elementos de cada coluna so
iguais, ou seja, s precisamos de um deles. Mas em cada coluna temos as permutaes dos
trs objetos envolvidos. Logo, o nmero de elementos em cada coluna neste exemplo 3! = 6.
Como s precisamos de um de cada 3!, o nmero total
60
5!
=
.
3!
2!3!
Ilustramos com esse exemplo o conceito e o clculo do nmero de combinaes simples
de n elementos distintos tomados k a k. Dado um conjunto de n elementos distintos, a
combinao dos n elementos tomados k a k nos d o nmero de subconjuntos com k elementos
(note que, em um conjunto, a ordem dos elementos no importa).
Combinaes simples
Dados n objetos distintos, o nmero de combinaes simples de k

elementos tomados dentre os n

Ank
n!
n
k
Cn =
=
=
(A.9)
(n k)!k!
k!
k

O nmero nk chamado nmero ou coeficiente binomial, ou ainda, nmero
combinatrio.
Note a diferena: no conceito de arranjo, estamos lidando com sequncias de k

elementos, enquanto no conceito de combinao, estamos lidando com subconjuntos. Nas
sequncias, a ordem dos elementos relevante, mas no nos subconjuntos.
EXEMPLO A.12 Comisso
De um grupo de oito homens e cinco mulheres devem ser escolhidos trs homens e trs
mulheres para formar uma comisso. Quantas comisses podem ser formadas se Joo e Maria,
que pertencem ao grupo original, no aceitam participar em conjunto da comisso?
Soluo

8
5
O nmero total de comisses
= 560,. O nmero de comisses em que

3
3
Maria e Joo esto juntos dado por

4!
76 43
7
4
7!
= 126
2
2
2!5! 2!2!
2
2
Logo, o nmero de comisses em que Joo e Maria no esto juntos 560 126 = 434.

A.5. COMBINAES SIMPLES
73
EXEMPLO A.13 Cartas de um baralho
Considere o experimento aleatrio que consiste na extrao aleatria de trs cartas vo

ser retiradas de um baralho normal de 52 cartas. Calcule o nmero de elementos de cada um
dos seguintes eventos:
1. E = todas as trs do naipe de espadas;
2. M =todas as trs cartas do mesmo naipe;
3. D =todas as trs cartas de naipes diferentes.
Soluo
1. Existem 13 cartas de espadas. Logo,

13 12 11
13
13!
=
= 286
n(E) =
=
3!10!
32
3
2. O mesmo clculo feito no item anterior vale para os 4 naipes. Sejam E, C , P, O os eventos
trs cartas de espadas, trs cartas de copas, trs cartas de paus e trs cartas de ouro,
respectivamente. Ento, M = E C P O e como so eventos mutuamente exclusivos,
resulta que
n(M) = n(E) + n(C ) + n(P) + n(O) = 286 4 = 1144
3. Para a primeira carta, temos 52 possibilidades qualquer carta serve. Para a segunda
carta, temos que excluir as cartas do naipe da primeira; logo, sobram 39. Para a terceira,
temos que excluir as cartas dos dois naipes anteriores; logo, sobram 26. Pelo princpio da
multiplicao, resulta que 52 39 26, e
n(D) = 52 39 26 = 52.728
Note que o evento D no o complementar de M, pois, por exemplo, a sequncia CC E
pertence ao complementar de M, mas no pertence ao evento D.

EXEMPLO A.14 Mega-sena
No jogo da Mega-Sena da Caixa Econmica Federal, o apostador deve escolher no

mnimo seis e no mximo 15 nmeros diferentes entre 1 e 60. Um jogo simples consiste na
escolha de 6 nmeros e os preos das apostas se baseiam no nmero de jogos simples em
cada carto. Qual o nmero total de jogos simples distintos? Num carto com 15 nmeros
marcados, quantos so os jogos simples? Se cada jogo simples custa R$1,50, qual o preo de
um carto com 15 nmeros marcados?
Soluo
74

Note que, na Mega-Sena, a ordem no importa; logo, o nmero total de jogos simples

60
60!
=
6!54!
6
60 59 58 57 56 55 54!
=
6 5 4 3 2 1 54!
= 50.063.860
Isso significa que a sua chance de acertar a sena
1
= 0, 000000019974.
50.063.860
Num carto com 15 nmeros marcados, o nmero de jogos simples

15
15 14 13 12 11 10 9!
=
= 5005
6 5 4 3 2 1 9!
6
e, assim, o preo desse carto 1, 50 5005 = 7507, 5.

EXEMPLO A.15 Time de futebol

Para a seleo brasileira foram convocados 2 goleiros, 6 zagueiros, 7 meios-de-campo
e 4 atacantes. De quantos modos possvel escalar a seleo com 1 goleiro, 4 zagueiros, 4
meios-de-campo, e 2 atacantes?
Soluo

2
6
7
4
= 6.300
1
4
4
2

EXEMPLO A.16 Torneios

Em um torneio no qual cada participante enfrenta todos os demais, so jogadas 780
partidas. Quantos so os participantes?
Soluo
Cada jogador tem n 1 oponentes. Logo, existem n (n 1) maneiras de selecionar dois
participantes. Como a ordem dos dois selecionados no importa, o nmero total de partidas
n (n 1)
. Logo,
2
n (n 1)
1
= 780 n2 n 1.560 = 0 n =
2
1 + 6.240
1 79
=
2
2
As razes de tal equao so n = 40 e n = 39. Como n tem que ser positivo, a soluo
n = 40 partidas.

A.6. TRINGULO DE PASCAL E BINMIO DE NEWTON
A.6
75
Tringulo de Pascal e Binmio de Newton
O tringulo de Pascal um quadro em formato de um tringulo (que consideraremos

retngulo para facilitar a exibio), formado pelos nmeros binomiais dispostos da seguinte
forma: na hipotenusa, todos os elementos so iguais a 1, bem como no cateto vertical:
Linha
0
1
2
3
4
5
6
..
.
1
1
1
1
1
1
1
..
.
1
1
1
1
1
1
Cada elemento no interior do tringulo obtido como a soma do elemento imediatamente

acima e do primeiro elemento acima esquerda; o processo recursivo de construo se faz
linha a linha, iniciando-se na segunda linha,conforme ilustrado a seguir:
Linha
0
1
2
3
4
5
6
..
.
Linha
0
1
2
3
4
5
6
..
.
1
1
1
1
1
1
1
..
.
1
2
3
1
1
1
1
1
1
1
..
.
1
2
1
1
1
1
1
1
1
1
1
1
Linha
0
1
2
3
4
5
6
..
.
1
1
1
1
1
1
1
..
.
1
2
3
1
3
1
1
1
1
76
Linha
0
1
2
3
4
5
6
..
.
1
1
1
1
1
1
1
..
.
1
2
3
4
1
3
Linha
0
1
2
3
4
5
6
..
.
1
1
1
1
1
1
1
1
1
1
1
..
.
1
2
3
4
1
3
6
Linha
0
1
2
3
4
5
6
..
.
1
1
1
1
1
1
1
1
1
1
1
..
.
1
2
3
4
Continuando com esse procedimento, obtm-se o tringulo de Pascal a seguir (note que
esse tringulo tem infinitas linhas e infinitas colunas...)
Linha
0
1
2
3
4
5
6
..
.
1
1
1
1
1
1
1
..
.
1
2
3
4
5
6
1
3
6
10
15
1
4
10
20
1
5
15
1
6
Os nmeros que aparecem em cada linha do tringulo nada mais so que os nmeros
binomiais. Numerando
as linhas e colunas do tringulo a partir de zero,
oelemento
da linha
n
n
n
n e coluna k
. Ento, em cada linha n, os elementos vo desde
at
.
k
0
n
0
1
2
3
4
5
6
..
.
0
1
1
1
1
1
1
1
1
1
2
3
4
5
6
1
3
6
10
15
1
4
10
20
1
5
15
1
6
0

0
0
1
0
2
0
3
0
4
0
5
0
6
0
1
1
2
1
3
1
4
1
5
1
6
1
2
2
3
2
4
2
5
2
6
2
3
3
4
3
5
3
6
3
4
4
5
4
6
4
5
5
6
5
6
6
Existem vrios resultados sobre os nmeros combinatrios e vrias propriedades

associadas s linhas e colunas do tringulo de Pascal. A propriedade utilizada na construo
do tringulo a propriedade j vista dos nmeros binomais, chamada Relao de Stifel.
1
3
6
1
4
1
1
1
77
Relao de Stifel
A soma de dois elementos consecutivos de uma mesma linha igual ao

elemento situado abaixo da ltima parcela, ou seja

n
n
n+1
+
=
(A.10)
k
k +1
k +1
Demonstrao

n
n
+
=
k
k +1
=
=
=
n!
n!
=
+
k! (n k)! (k + 1)! (n k 1)!
n!
n!
+
=
k! (n k) (n k 1)! (k + 1) k! (n k 1)!
n! (k + 1) + n! (n k)
n! (k + 1 + n k)
=
=
(k + 1)! (n k)!
[(k + 1) k!] [(n k) (n k 1)!]

(n + 1)!
n+1
n! (n + 1)
=
=
(k + 1)! (n k)!
(k + 1)! (n k)!
k +1

Considere a n-sima linha do tringulo de Pascal e seja k < n. Ento, nk o elemento

n
que est na linha n avanado de k colunas em relao ao incio da linha; j nk
o
elemento que est na linha n atrasado
de k colunas em relao ao final da linha. Nmeros

n
combinatrios como nk e nk
so chamados combinaes complementares.
Relao das Combinaes Complementares
Em uma mesma linha do tringulo de Pascal, elementos equidistantes dos

extremos so iguais, ou seja:

n
n
n
n
=
=
(A.11)
k
nk
k
nk
Demonstrao

n
nk
n!
n!
=
=
=
(n k)! [n (n k)]!
k! (n k)!

n
k
78

Teorema das Linhas
A soma dos elementos da n-sima linha igual a 2n , ou seja:

n
n
n
n
n
+
+
+ +
+
= 2n
0
1
2
n1
n
Em termos de somatrio:
n
X
n
j=0
(A.12)
= 2n
Demonstrao

n
Como visto, o nmero combinatrio
d o nmero de subconjuntos de tamanho k de
k
um conjunto de tamanho n. Assim, na expresso (A.12), cada nmero combinatrio d o nmero
de subconjuntos de determinado tamanho e a soma deles d o nmero total de subconjuntos
de um conjunto de tamanho n. Mas para formar subconjuntos de tal conjunto podemos usar o
seguinte artifcio: cada elemento pode ser marcado com um + para indicar que pertence ao
subconjunto, ou com um , para indicar que no pertence ao subconjunto. O nmero total de
formas de fazer isso 2 2 2 2 = 2n e isso prova que o nmero total de subconjuntos
de um conjunto de tamanho n 2n e isso completa a prova.
Teorema das colunas
A soma dos elementos de uma coluna do tringulo de Pascal, comeando

da primeira linha, igual ao elemento que est avanado uma linha e uam
coluna em relao ao ltimo elemento da soma, ou seja:

k
k +1
k +n
k +n+1
+
+ +
=
k
k
k
k +1
Em termos de somatrio:

n
X
k +j
k +n+1
=
k
k +1
j=0
Demonstrao

Vamos aplicar a relao de Stifel
linha desta coluna:

k +1
=
k +1

k +2
=
k +1

k +3
=
k +1

k +4
=
k +1

k

k
79
aos elementos da coluna k + 1, a partir da primeira

k
k

k +1
k +1
+
k
k +1

k +2
k +2
+
k
k +1

k +3
k +3
+
k
k +1
..
.

+n1
k +n2
k +n2
=
+
k +1
k
k +1

k +n
k +n1
k +n1
=
+
k +1
k
k +1

+n+1
k +n
k +n
=
+
k +1
k
k +1
Somando essas igualdades termo a termo, podemos ver que h parcelas iguais em lados
opostos, que podem ser simplificadas. Todos os termos do lado esquerdo, com exceo do
ltimo, cancelam com termos do lado direito e o que sobra :

k +n+1
k
k +1
k +2
k +3
k +n2
k +n1
k +n
=
+
+
+
+ +
+
+
k +1
k
k
k
k
k
k
k
ou seja

n
X
k +j
k +n+1
=
k
k +1
j=0
o que completa a prova.
Binmio de Newton
Dados quaisquer nmeros reais x e a e um inteiro qualquer n, ento

(x + a)n =
n
X
n k nk
a x
k
k=0
Demonstrao
Vamos provar este resultado usando o mtodo da induo.
(A.13)
80

O resultado vlido para n = 1. De fato:
(x + a)1 = x + a

1
X
n k nk
1
1
a x
=
x+
a=x +a
k
0
1
k=0
Suponhamos que o resultado seja vlido para n qualquer e vamos provar que vlido
para n + 1. Mais precisamente, temos as seguintes hiptese de induo e tese:
H.I. :
(x + a)n =
Tese :
(x + a)n+1
n
X
n k nk
a x
k
k=0

n+1
X
n + 1 k n+1k
=
a x
k
k=0
Demonstrao:
Usando propriedades de potncia e a hiptese de induo, podemos escrever:
(x + a)n+1 = (x + a)(x + a)n
n
X
n k nk
= (x + a)
a x
k
k=0
n
n
X
n k nk+1 X n k+1 nk
=
a x
+
a x
k
k
k=0
k=0
Vamos separar o primeiro termo (k = 0) do primeiro somatrio e o ltimo termo (k = n)

do segundo somatrio:
(x + a)n+1
"
# "n1
#

n
X n
n 0 n0+1 X n k nk+1
n
=
a x
+
a x
+
ak+1 x nk +
an+1 x nn
0
k
k
n
k=1
k=0
"
# "n1
#

n
X n
n 0 n+1 X n k nk+1
n
=
a x
+
a x
+
ak+1 x nk +
an+1 x 0
0
k
k
n
k=1
k=0
Note que ambos os somatrios tm n parcelas cada um. Vamos fazer uma mudana de
varivel no segundo somatrio, de modo que a potncia de a passe a ser j em vez de
k + 1. Mais precisamente, vamos definir
k =j 1
k =0j=1
k +1=j
k =n1j =n
81
"
# n

n
X
X
n
n n+1 0
n 0 n+1
n k nk+1
aj x nj+1 +
a x
=
a x
+
a x
+
j 1
n
0
k
j=1
k=1
"
# " n
#

n
X
n 0 n+1 X n k nk+1
n
n
=
a x
+
a x
+
ak x nk+1 +
an+1 x 0
0
k
k 1
n
(x + a)n+1
k=1
k=1
Aqui, apenas trocamos o ndice j por k. Note que as potncias de a e x so as mesmas

em ambos os somatrios. Logo, podemos colocar em evidncia num nico somatrio:
n+1
(x + a)
( n
)

X n
n 0 n+1
n
n n+1 0
k nk+1
=
a x
+
+
a x
+
a x
0
k
k 1
n
k=1
Note, agora, os nmeros combinatrios que aparecem entre colchetes: estamos somando
2 nmeros combinatrios consecutivos da linha n. Pela relao de Stifel, sabemos que

n
n
n+1
+
=
k
k 1
k
Sabemos, tambm, que

n
n+1
=
0
0

n
n+1
=
n
n+1
Substituindo esses resultados, obtemos que
n+1
(x + a)

n
n + 1 0 n+1 X n + 1 k nk+1
n + 1 n+1 0
=
a x
+
a x
+
a x
0
k
n+1
k=1

n+1
X
n + 1 k nk+1
=
a x
k

k=0
o que completa a prova.
A.6.1
Aplicaes
1. Note que, fazendo x = 1 e a = 1 na equao (A.13), obtemos que

n
X
n
n
2 =
k
k=0
o que nos d uma outra prova do teorema das linhas.
82

2. Note que, fazendo x = 1 e a = 1 na equao (A.13), obtemos que

n
X
k n
(1)
=0
k
k=0
3. Frmula de Euler:

r
X
m
n
m+n
=
k
rk
r
(A.14)
k=0
Essa frmula pode ser consideradaverdadeira

para quaisquer valores de m, n, r desde

n
que adotemos a conveno de que
= 0 para r > n.
r
Para demonstrar esse resultado usando argumentos combinatrios, suponha um conjunto
com n + m elementos, de modo que m desses elementos esto em uma categoria I e os
n elementos restantes esto em outra categoria II.
Vamos expandir o termo do lado esquerdo:

m n
m
n
m
n
m n
m+n
+
+
+ +
=
0
r
1
r1
2
r2
r
0
r
O termo do lado direito da expresso nos d o nmero de subconjuntos deste conjunto
com r elementos. O primeiro termo da soma do lado esquerdo nos d o nmero de
subconjuntos com nenhum elemento da categoria I e r elementos da categoria II; o
segundo termo nos d o nmero de subconjuntos com exatamente um elemento da
categoria I e r 1 elementos da categoria II; o terceiro termo nos d o nmero de
subconjuntos com exatamente dois elementos da categoria I e r 2 elementos da
categoria II e, sucessivamente, o ltimo termo nos d o nmero de subconjuntos com
exatamente r elementos da categoria I e nenhum elemento da categoria II. Somando

m+n
esses termos, obtemos o nmero total de subconjuntos com r elementos, que
.
r
4. Fazendo m = r = n na equao (A.14), obtemos que

n
X
n
n
2n
=
k
nk
n
k=0
Mas pela relao das combinaes complementares

n 2
X
n
k=0
5. Vamos mostrar que

n
n
=
, o que nos d:
k
nk

2n
=
n

n
X
n
k
= n2n1
k
k=1
De fato:
X
n
n
n
X
X
n
n!
n!
k
=
k
=
k
k
k!(n k)!
k(k 1)!(n k)!
k=1
k=1
k=1
83
Como k 6= 0, podemos dividir ambos os termos por k, o que resulta

n
n
n
X
X
X
n(n 1)!
n
n!
=
k
=
(k 1)!(n k)!
(k 1)!(n k)!
k
k=1
k=1
n
X
= n
k=1
k=1
(n 1)!
(k 1)!(n k)!
Fazendo a mudana de varivel k 1 = j, podemos escrever (note os ndices do

somatrio!):

n
n1
n1
n1
X
X
X
X
n
(n 1)!
(n 1)!
n1
k
=n
=n
=n
= n2n1
k
j!(n j 1)!
j!(n 1 j)!
j
k=1
j=0
j=0
j=1
usando o resultado (A.12).

6. Vamos mostrar que
n
X
k=2

n
k(k 1)
= n(n 1)2n2
k
De fato: fazendo k 1 = j, podemos escrever

X
n
n1
n1
X
X
n
n
n!
k(k 1)
=
(j + 1)j
=
(j + 1)j
(j + 1)!(n j 1)!
k
j +1
k=2
j=1
n1
X
=
j=1
n1
X
=
j=1
j=1
n1
X
n!
n!
(j + 1)j
=
j
(j + 1)j!!(n j 1)!
j(j 1)!(n j 1)!
j=1
n!
(j 1)!(n j 1)!
Fazendo j 1 = i

n
n2
n1
X
X
X
n
n!
n!
=
k(k 1)
=
(j 1)!(n j 1)!
i!(n i 2)!
k
k=2
i=0
j=1
n2
X
n(n 1)(n 2)!
=
i=0
i!(n 2 i)!
= n(n 1)

n2
X
n2
i=0
= n(n 1)2n2
Mais uma vez, usamos o teorema das linhas.

7. Se n par, ento

n
n
n
n
n
n
n
+
+ +
=
+
+
+ +
1
3
n1
0
2
4
n
De fato: o desenvolvimento do binmio de Newton nos d que

n 0 n
n 1 n1
n 2 n2
n
(x + a) =
a x +
a x
+
a x
0
1
2

n
n n 0
+ +
an1 x 1 +
a x
n1
n
T0 + T1 + T2 + + Tn1 + Tn
84

em que

n k nk
Tk =
a x
k
Analogamente, se n par
n
(x a)
Ento,

n
n
n
0 n
1 n1
=
(a) x +
(a) x
+
(a)2 x n2
0
1
2

n
n
n1 1
+ +
(a) x +
(a)n x 0
n1
n
T0 T1 + T2 + Tn1 + Tn
(x + a)n + (x a)n = 2(T0 + T2 + + Tn2 + Tn )
(x + a)n (x a)n = 2(T1 + T3 + + Tn3 + Tn1 )
Fazendo x = a = 1, resulta que

n
2
2n

n
n
n
n
= 2(T0 + T2 + + Tn2 + Tn ) = 2
+
+
+ +
0
2
4
n

n
n
n
= 2(T1 + T3 + + Tn3 + Tn1 ) = 2
+
+ +
1
3
n1
Logo, se n par

n
n
n
n
n
n
n
+
+
+ +
=
+
+ +
= 2n1
0
2
4
n
1
3
n1
8. Nmeros de Fibonacci e o tringulo de Pascal
O nmero de Fibonacci Fn definido como a soma dos elementos da nsima diagonal
inversa do tringulo de Pascal. Veja a Figura A.2
F0=1
F1=1
F2=2
F3=3
F4=5
F5=8
10
10
F6=13
15
20
15
F7=21
21
35
35
21
1
1
1
Figura A.2 figure

Nmeros de Fibonacci no Tringulo de Pascal
Fn
Fn

n
n1
n2
n3
n n2
=
+
+
+
+
n
0
1
2
3
2

n n1
n
n1
n2
n3
2
=
+
+
+
+
n1
0
1
2
3
2
n par
n mpar
85
Cada nmero na sequncia de Fibonacci a soma dos dois nmeros anteriores, isto :
Fn+2 = Fn + Fn+1
De fato: sem perda de generalidade, vamos supor n par (logo, n + 1 mpar e n + 2
par.)

n n2
n
n1
n2
n3
n n2 1
+
+
Fn + Fn+1 =
+
+
+
+
n
n
0
1
2
3
2 1
2
"

#
n + 1 n+11
n+1
n
n1
n2
2
+
+
+
+ +
n+11
0
1
2
3
2

n
n1
n2
n3
n + 1 n2
n n2
=
+
+
+
+
+
+
n
n
0
1
2
3
2 1
2

n+1
n
n1
n2
n + 1 n2
+
+
+
+ +
n
0
1
2
3
2

n+1
n
n
n1
n1
n2
n2
=
+
+
+
+
+
+
+ +
0
0
1
1
2
2
3

n + 1 n2
n n2
n + 1 n2
+
+
n
n
n
2 1
2
2

n+1
n+1
n
n1
n + 2 n2
n n2
=
+
+
+
+ +
+
n
n
0
1
2
3
2
2
Note os seguintes fatos:

n+1
n+2
=
0
0
n
n par = n = 2 =
2
n
n
2
n
2
n
=
2
n
2

n+2
=
n+2
2
n+2
2

n + 2 n2 + 1
=
n
2 +1
Resulta, ento, que

Fn +Fn+1

n+2
n+2
n+1
n
n1
n + 2 n2
=
+
+
+
+ +
+
n
n+2
1
2
3
0
2
2
n+2
2
= Fn+2

Probabilidade - Ana Farias

Diunggah oleh

Informasi Dokumen

Deskripsi 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

Probabilidade - Ana Farias

Diunggah oleh

Hak Cipta:

Format Tersedia

Universidade Federal Fluminense

Instituto de Matemtica e Estatstica

Mtodos Estatsticos Aplicados Economia I

Ana Maria Lima de Farias

Experimento aleatrio, espao amostral e evento . . . . . . . . . . . . . . . . . . .

Operaes com eventos aleatrios . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Propriedades das operaes . . . . . . . . . . . . . . . . . . . . . . . . . . .

2 Probabilidade: axiomas e propriedades

Definio axiomtica de probabilidade . . . . . . . . . . . . . . . . . . . . . . . . .

Espaos amostrais finitos e equiprovveis . . . . . . . . . . . . . . . . . . . . . . .

3 Probabilidade condicional e independncia de eventos

4 Teorema da Probabilidade Total e Teorema de Bayes

A.1 Princpio Fundamental da Adio . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

A.2 Princpio Fundamental da Multiplicao . . . . . . . . . . . . . . . . . . . . . . . .

A.5 Combinaes Simples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

A.6 Tringulo de Pascal e Binmio de Newton . . . . . . . . . . . . . . . . . . . . . . .

Probabilidade: conceitos bsicos

Experimento aleatrio, espao amostral e evento

Consideremos o lanamento de um dado, a fim de estudarmos a proporo de ocorrncias

CAPTULO 1. PROBABILIDADE: CONCEITOS BSICOS

Por outro lado, se s estivermos interessados no nmero de meninas, esse mesmo

Nesses exemplos, vimos que a especificao de um modelo probabilstico para um

Um experimento aleatrio um processo que acusa variabilidade em seus resultados,

O espao amostral de um experimento aleatrio o conjunto de todos os resultados

1.2. EXPERIMENTO ALEATRIO, ESPAO AMOSTRAL E EVENTO

Os subconjuntos de so chamados de eventos aleatrios e os elementos de so

CAPTULO 1. PROBABILIDADE: CONCEITOS BSICOS

a primeira bola branca;

EXEMPLO 1.6 Cartas de um baralho

todas as cartas selecionadas so vermelhas;

(V , A, P), (V , P, A), (A, V , P), (A, P, V ), (P, V , A), (P, A, V ),

(V , A, B), (V , B, A), (A, V , B), (A, B, V ), (B, V , A), (B, A, V ),

1.3. OPERAES COM EVENTOS ALEATRIOS

Operaes com eventos aleatrios

O evento interseo de dois eventos A e B o que equivale ocorrncia simultnea

Figura 1.1 Interseo de dois eventos: A B

EXEMPLO 1.7 Lanamento de dois dados - continuao

CAPTULO 1. PROBABILIDADE: CONCEITOS BSICOS

Dois eventos, A e B, so mutuamente exclusivos quando no podem ocorrer

Figura 1.2 Eventos mutuamente exclusivos: A B =

Consideremos, novamente, o experimento lanamento de dois dadosSejam

A unio de dois eventos A e B o evento que corresponde ocorrncia de pelo menos

Figura 1.3 Unio de dois eventos: A B

EXEMPLO 1.9 Lanamento de duas moedas

1.3. OPERAES COM EVENTOS ALEATRIOS

Consideremos o experimento lanamento de duas moedas, em que o espao amostral =

O complementar de um evento A, denotado por A ou Ac , a negao de A. Ento, o

Figura 1.4 Complementar do evento A = A

EXEMPLO 1.10 Lanamento de um dado

A diferena entre dois eventos A e B, representada por A \ B, o evento formado pelos

Alm disso, A \ B 6= B \ A, conforme ilustrado na Figura 1.6.

CAPTULO 1. PROBABILIDADE: CONCEITOS BSICOS

Figura 1.5 Diferena A \ B

Figura 1.6 Diferena B \ A

(1, 1) , (1, 3) , (1, 5) , (2, 2) , (2, 4) , (2, 6) , (3, 1) , (3, 3) , (3, 5) ,

B\A = {(5, 6) , (6, 5)}

Propriedades das operaes

1.3. OPERAES COM EVENTOS ALEATRIOS

Note que o equivalente do conjunto universal da teoria de conjuntos.

A ilustrao da primeira propriedade est na Figura 1.7. Na linha superior, ilustramos

CAPTULO 1. PROBABILIDADE: CONCEITOS BSICOS

Figura 1.7 Ilustrao da propriedade distributiva: A (B C ) = (A B) (A C )

A ilustrao da segunda propriedade est na Figura 1.8. Na linha superior, ilustramos o