Universidade Federal do Piau Campus Universitrio Profa. Cinobelina Elvas Bom Jesus, PI Profa.

Gisele

IV - PROBABILIDADE 1. INTRODUO Os estatsticos ao modelarem dados experimentais ou amostrais, esto sempre a considerar a variabilidade apresentada por esses dados. A descrio por meio da distribuio de freqncias um mecanismo usado para avaliar a variabilidade dos dados. O fenmeno sob estudo no necessita, na maioria dos casos, ser observado diretamente. Existem inmeros modelos tericos que so apropriados para reproduzir a distribuio de freqncia que seria obtida da observao direta do fenmeno. A teoria das probabilidades nos d o instrumental para a construo e anlise de modelos matemticos relativos a fenmenos aleatrios. Ao estudarmos um fenmeno aleatrio temos diante de ns um experimento cujo resultado no pode ser previsto. Da a utilizao de probabilidades indica que existe um elemento do acaso, ou de incerteza, quanto ocorrncia ou no de um evento. Em outras palavras, a teoria das probabilidades estuda os fenmenos aleatrios com vrios resultados possveis, quantificando as suas probabilidades de ocorrncia. Com base na teoria das probabilidades, jamais ser possvel afirmar por antecipao o que vai ocorrer num experimento aleatrio, pois isso depender sempre do acaso, no entanto, ela permite prever o que pode ocorrer e ainda dimensiona a chance de ocorrncia de cada uma das possibilidades. Entende-se por chance a medida da ocorrncia das circunstncias favorveis. A obteno de valores numricos de probabilidades no o principal objetivo da teoria das probabilidades, mas sim a descoberta de leis gerais e a construo de modelos tericos satisfatrios, importantes em muitas situaes que envolvam tomadas de deciso. Com o advento dessa teoria, todos os processos inferenciais so aplicaes de distribuies de probabilidade. Assim, o conhecimento dos conceitos da teoria das probabilidades de fundamental importncia para a utilizao das tcnicas estatsticas. 2. CONCEITOS FUNDAMENTAIS 2.1. EXPERIMENTO o fato ou fenmeno que se est estudando. 1

Ex: * o lanamento de uma moeda; * extrao de uma carta de um baralho; a anlise do clima; o estudo da economia, etc.

2.2.1. Experimento determinstico ou no aleatrio Aquele que quando repetido sob as mesmas condies conduzem sempre ao mesmo resultado. Ex1: * Ebulio da gua em 10 latas de mesma capacidade. * Considerando a equao e = 4,9t 2 + vo t , que representa a distncia vertical percorrida por um

objeto acima do solo, sendo vo a velocidade inicial e t o tempo gasto na queda. Portanto, conhecidos os valores de vo e t, o valor de e fica implicitamente determinado. Nota-se que existe uma relao definida entre t e e, que determina univocamente a quantidade no primeiro membro da equao, se aquelas do segundo membro forem fornecidas.

2.1.2. Experimento probabilstico ou aleatrio ou no determinstico aquele cujos resultados podem no ser os mesmos, ainda que sejam repetidos sob condies essencialmente idnticas. Ex: * lanar uma moeda 10 vezes e observar o nmero de caras obtidas; * selecionar uma carta de um baralho com 52 cartas e observar seu naipe; * jogar um dado ao ar e observar a sua face superior. 2.2. MODELO Todas as vezes que empregamos a matemtica a fim de estudar alguns fenmenos de observao, devemos essencialmente comear pro construir um modelo matemtico (probabilstico ou determinstico) para esses fenmenos. O modelo deve simplificar a avaliao do fenmeno e certos pormenores devem ser desprezados. 2.2.1. Modelo determinstico aquele que, a partir das condies em que o experimento realizado, pode-se determinar seu resultado.

2.2.2. Modelo probabilstico aquele em que as condies de execuo de um experimento no determinam o resultado final, mas sim o comportamento probabilstico do resultado observvel.
2

2.3. ESPAO AMOSTRAL (S) Chama-se espao amostral o conjunto de todos os possveis resultados de um experimento aleatrio ou, em outras palavras, o conjunto universo relativo aos resultados de um experimento. Pode ser discreto (enumerao finita ou infinita) ou contnuo. Assim, pode-se dizer que, a cada experimento aleatrio ou probabilstico sempre estar associado um conjunto de resultados possveis ou espao amostral S. Ex: Experimento aleatrio: lanamento de trs moedas consecutivas. Espao amostral: S = {CaCaCa; CaCaCo; CaCoCa; CaCoCo; CoCaCa; CoCaCo; CoCoCa; CoCoCo} Em que, n = 8 (n = nmero de eventos que ocorrem no espao amostral S)

2.3.1. Espao amostral finito Seja S um espao amostral finito: S = {a1, a2, a3, ... , an} Um espao de probabilidade finito obtido associando-se a cada ponto ai S, um nmero real Pi, chamado de probabilidade de ai, satisfazendo s seguintes condies: (i) Pi 0, para i = 1, 2, ..., n (ii) Pi + Pi + ... + Pi =
n

P =1
i i =1

Ex: Nmero de caras em trs lanamentos consecutivos de uma moeda. S = {0, 1, 2, 3} P (0) = 1/8; P(1) = 3/8; P(2) = 3/8 e P (3) = 1/8
8

P = 1/8 + 3/8 + 3/8 + 1/8 = 1

i i =1

2.3.2. Espao amostral finito equiprovvel Seja S um espao de probabilidade finito. Se cada ponto de S tem a mesma probabilidade de ocorrer, ento o espao amostral chama-se equiprovvel ou uniforme. Em particular se S contm n pontos, ento a probabilidade de cada ponto ser
1 1 ou n nmero de elementes de S
r n

Se um evento A tem r pontos, ento P( A) =

Este mtodo de avaliar P (A) frequentemente enunciado da seguinte maneira:

P (A) =

nmero de elementos de A nmero de elementes de S

Ex: lanamento de um dado

S = {1, 2, 3, 4, 5, 6} P (1) = P (2) = P ( 3) = P (4) = P (5) = P (6) = 1/6 EVENTO A jogando o dado cair 2, 3 ou 4 A = {2, 3, 4} P (A) = P (2) + P (3) + P (4) = 1/6 + 1/6 + 1/6 = 3/6 Ex.: Nmero de caras em trs lanamentos consecutivos de uma moeda. S = {0, 1, 2, 3} EVENTO A - no mximo uma cara A = {0, 1} P (A) = P (0) + P (1) = 1/8 + 3/8 = 4/8 2.4. EVENTO todo conjunto particular de resultados de S ou ainda, todo subconjunto de S. Os eventos so classificados em: 2.4.1. Evento simples Formado por um nico elemento do espao amostra S. Ex: ocorrncia da face 3 no lanamento de um dado.

2.4.2. Evento composto Formado por mais de um elemento do espao amostral S. Ex: ocorrncia de face par no lanamento de um dado.

2.4.3. Evento certo aquele que ocorre em qualquer realizao do experimento. o espao todo S, ento P(S) = 1. Ex: no lanamento de um dado fatalmente sair a face 1, 2, 3, 4, 5 ou 6.

2.4.4. Evento impossvel aquele que no ocorre em qualquer realizao do experimento. o conjunto vazio , ento P () = 0 Ex: no lanamento de um dado sair a face 7

2.4.5. Evento complementar Para um evento A qualquer, o complementar de A, denotado por A dado por A = S A, ou seja, um conjunto formado pelos elementos que pertencem a S e no pertencem a A. O resultado da reunio de A e A exatamente o espao amostral. Ex: Coroa complementar de cara (e vice-versa); o conjunto de cartas de paus, ouros e copas so complementares do conjunto de espadas.

2.4.6. Eventos mutuamente exclusivos

Caracteriza-se quando dois ou mais eventos no podem ocorrer simultaneamente, ou seja, a ocorrncia de um exclui a possibilidade de ocorrncia do outro evento. Correspondentemente, caracterizam-se, na teoria dos conjuntos, por dois conjuntos disjuntos, isto , que no possuem nenhum ponto em comum (Ex: A B = ). Em outras palavras, dois eventos A e B so mutuamente exclusivos se o seu conjunto interseo for vazio, ou seja, A B = A e B so disjuntos. Ex: * se a carta de copas, ento ela no de ouro; * se o tempo est nublado, ento no h sol; * ocorrncia de face menor que 2 ou maior que 5 no lanamento de um dado. P (face menor que 2) = 1/6 = 0,167 ou 16,7% P (face menor que 5) = 1/6 = 0,167 ou 16,7% Nota-se que os eventos face menor que 2 ou face maior que 5 so mutuamente excludentes, pois a ocorrncia de um, impossibilita a ocorrncia do outro. Porm, no so complementares, pois no esgotam todos os resultados possveis do experimento. Eventualmente, podero esgotar todos os resultados possveis, nesse caso sero chamados de mutuamente excludentes e exaustivos.

2.4.7. Eventos independentes

Diz-se que dois ou mais eventos so independentes quando no exercem aes recprocas, comportando-se cada um de maneira que lhe prpria sem influenciar os demais. Caracteriza-se, portanto, quando a ocorrncia de um evento no for afetada pela ocorrncia do outro, sendo a recproca verdadeira. Ex: considerando o lanamento de duas moedas Tem-se que S = {CaCa; CaCo; CoCo; CoCa}, os resultados dos eventos so independentes de uma moeda para outra.

2.4.8. Evento condicionado

Quando associados dois ou mais eventos a um experimento aleatrio qualquer dizemos que eles so condicionados a outro evento B do mesmo experimento. Caracteriza-se quando a ocorrncia de um evento A qualquer dependa da ocorrncia de outro evento B. Ex: * retirada, sem reposio, de duas cartas vermelhas de um baralho completo. * uma caixa contm 20 bolas numeradas de 1 a 20. Pretendo sortear a bola 5 e a bola 8. Tiro uma bola e verifico que a bola 8.
3. AXIOMAS DO CLCULO DE PROBABILIDADES
AXIOMA uma proposio evidente por si mesma e que no carece de demonstrao e sobre a qual se funda uma cincia.

Seja E um experimento e S um espao amostral associado a S. A cada evento A de S associaremos um nmero real P (A), denominado probabilidade de ocorrncia do evento A, se forem satisfeitas as seguintes condies ou axiomas:
(i) P (S) = 1 (ii) 0 P (A) 1, para qualquer evento A em S. (iii) Se A e B so dois eventos de S e so mutuamente exclusivos, ento P (A B) = P (A) + P (B)

Este ltimo axioma pode ser generalizado para o caso de um nmero finito de eventos mutuamente exclusivos, ou seja,
n

P( A1 A2 ... An ) = P ( A1 ) + P ( A2 ) + ... + P( An ) = P( Ai )
i =1

4. TEOREMAS DO CLCULO DE PROBABILIDADES

Alm dos axiomas, o clculo das probabilidades possui teoremas ou propriedades.

TEOREMA uma proposio que, para ser admitida ou se tornar evidente, necessita de demonstrao.

Esses teoremas so ilustrados e mais facilmente compreendidos com o uso da teoria dos conjuntos. O Diagrama de Venn consiste numa das formas mais simples e simples de se apresentar e tornar compreensvel os conceitos e propriedades ,apresentadas.

B
AB

Como (A B) 0, ento A e B no so mutuamente exclusivos. O Diagrama de Venn mostra que os eventos A e B ou A e C so mutuamente exclusivos, pois se A ocorrer, C no ocorre e vice-versa. Para essas situaes: (A C) = P (A) + P (C) (B C) = P (B) + P (C)

4.1. Teorema da soma das probabilidades P (A ou B)

Se A e B so dois eventos quaisquer, ento: Para eventos NO mutuamente exclusivos: P (A ou B) = P (A B) = P (A) + P (B) P (A B) Para eventos mutuamente exclusivos: P (A ou B) = P (A B) = P (A) + P (B) OBS1: Para trs eventos quaisquer: P (A B C) = P (A) + P (B) + P (C) P (A B) P (A C) P (B C) + P (A B C) OBS: Regra intuitiva da adio: Para achar P (A ou B), somamos o nmero de ocorrncias possveis de A e o nmero de ocorrncias possveis de B, adicionando esses nmeros de tal modo que cada resultado seja contado apenas uma vez. P (A ou B) igual a essa soma dividida pelo nmero total de resultados possveis. P (pelo menos um) = P (ao menos um) = P (um ou mais) = 1 P (no obter nenhum item daquele tipo) Ex: Numa urna so misturadas cinco bolas numeradas de 1 a 5. Uma bola retirada. Qual a probabilidade de sair par? P (2 ou 4) = P (2) + P (4) = 1 1 + = 2/5 5 5

4.2. Teorema do produto das probabilidades P (A e B)

4.2.2. Independncia estocstica ou probabilstica (eventos independentes)

Se dois eventos A e B so independentes, ento P (A/B) = P (A). A ocorrncia de B no afeta a probabilidade de A ocorrer. Ento, se A for independente de B tem-se a definio de independncia. P (A e B) = P (A B) = P (A) . P (B) fcil observar que se A independente de B, ento, B independente de A.
Ex: Retiram-se, com reposio, duas peas de um lote de 10 peas, onde 4 so boas. Qual a

probabilidade de que ambas sejam defeituosas? Sejam os eventos A = {a 1 pea ser defeituosa}
B = {a 2 pea ser defeituosa} P(A I B) = P(B) P(A) = 6/10 6/10 = 0,36 ou 36%

4.2.2. Probabilidade condicional (eventos condicionados)

a probabilidade de um evento A ocorrer dado que um evento B j tenha ocorrido e vice-versa.

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

P (A B) P (A B) = P (B).P (A/B) P (B)

P (A B) P (A B) = P (A).P (B/A) P (A)

Ex: Suponha o seguinte experimento aleatrio: o lanamento de um dado. Queremos obter a probabilidade de num lanamento sair o nmero 3 e ser mpar. Os eventos so, portanto: A de sair o nmero 3; B de ser mpar. Ou seja, P (A) = {3} = 1/3 P (B) = {1, 3, 5} = 3/6 = 1/2 Dada a informao da ocorrncia de um evento B, teremos a reduo do espao amostral ao avaliar a ocorrncia do evento A; no exemplo o espao S = {1, 2, 3, 4, 5, 6} foi reduzido para S* = {1, 3, 5}, e nesse espao reduzido que se avalia a probabilidade do evento A dado a ocorrncia de B. Ou seja, P (A/B) = 1/3. Em outras palavras, pode-se dizer que P (A/B) significa dizer a probabilidade de ocorrer o evento A dentro do espao amostral de B. Ou ainda, P (A/B) significa dizer a probabilidade de ocorrer o evento A dentro do espao amostral de B. Utilizando uma frmula, temos que:
P (A B) = P (B).P (A/B) = 3 1 1 . = 6 3 6

Outro Ex: Numa urna so misturadas cinco bolas numeradas de 1 a 5. Duas bolas so

retiradas (a, b) sem reposio. Qual a probabilidade de: a) a + b = 5 P (1 e 4) ou P (2 e 3) ou P (3 e 2) ou P (4 e 1) = P (1) . P (4) + P (2) . P( 3) + P (3) . P(2) + P (4) . P (1) =
1 1 1 1 1 1 1 1 1 1 . + . + . + . = 4. . = 1 / 5 5 4 5 4 5 4 5 4 5 4

b) ambas as bolas serem pares P (2 e 4) ou P (4 e 2) = P (2). P (4) + P (4) . P (2) = 1 1 1 1 1 1 . + . = 2. . = 1/ 10 5 4 5 4 5 4

Outro Ex: Retiram-se, sem reposio, duas peas de um lote de 10 peas, onde 4 so boas.

Qual a probabilidade de que ambas sejam defeituosas? Sejam os eventos A = {a 1 pea ser defeituosa}
B = {a 2 pea ser defeituosa} P(A I B) = P(B) P(A/B) = 6/10 5/9=1/3 0,333 ou 33,3%
4.2.2.1. Teorema da Probabilidade total:

Se os eventos B1, B2, ..., Bn so eventos mutuamente exclusivos e exaustivos e constituem uma partio de um espao amostral S. Ento, para um evento arbitrrio A,
n

P (A) = P (A/Bi ).P (B)

i =1

claro, que podemos escrever A como sendo a unio dos eventos mutuamente exclusivos, isto :
A = ( A B1 ) ( A B2 ) ... ( A Bn )

Logo, P( A) = ( A B1 ) + ( A B2 ) + ... + ( A Bn ) O teorema da probabilidade total deve atender as seguintes condies: (i) se B1, B2, ..., Bn um conjunto de eventos mutuamente exclusivos e exaustivos, quaisquer dois eventos Bi e Bj no podem ocorrer ao mesmo tempo e um deles deve ocorrer. Ou seja, Bi B j = , com i j. (ii) B1 B2 ... Bn = S (iii) P (Bi) > 0
Exemplo:

Um pesquisador desenvolve sementes de quatro tipos de plantas: P1, P2, P3 e P4. Plantados canteiros-pilotos destas sementes, a probabilidade de todas as sementes P1 germinarem de 40%, 30% para P2, 25% para P3 e 50% para P4. Escolhido um canteiro ao acaso, qual a probabilidade que todas as sementes tenham germinado? Sabendo-se que: P (G/P1) = 0,40; P (G/P2) = 0,30; P (G/P3) = 0,25 e P (G/P4) = 0,50 S = {P1, P2, P3, P4} = P (1) = P (2) = P (3) = P (4) = 1/4 Ento, utilizando-se o teorema da probabilidade total, tem-se:
n

P ( A) = P ( A / Bi ).P ( Bi )
i =1

P ( A) = 0,40.0,25 + 0,30.0,25 + 0,25.0,25 + 0,50.0,25 P ( A) = 0,362 ou 36,2%

Logo, escolhido um canteiro ao acaso, a probabilidade de que todas as sementes tenham germinado 36,2%.
4.2.2.2. Teorema de Bayes

Com base na definio de probabilidade condicional pode-se estabelecer um resultado bastante til, conhecido como Teorema de Bayes ou tambm denominado frmula da probabilidade das causas ou dos antecedentes.

10

Este teorema baseado na partio de um espao amostral S, num evento associado a esta partio e na probabilidade de qualquer evento Bi ocorrer dado que o evento A j tenha ocorrido. Ou seja, a expresso do teorema de Bayes d a probabilidade de um particular Bi (causa), dado que o evento A tenha ocorrido. Sejam A e B dois eventos arbitrrios com P (A) > 0 e P (B) > 0. Ento,
P( A / B) = P( A / B).P( B) P ( A)

Combinando este resultado com o teorema da probabilidade total, temos como conseqncia:
P( B j / A) = P ( A / B j ).P( B j )
n

P( A / B ).P( B )
i j i =1

Para qualquer j onde os Bi representam um conjunto de eventos mutuamente exclusivos e exaustivos. A utilidade deste teorema consiste em permitir-nos calcular a probabilidade a posteriori P (B/A) em termos das informaes a priori P (B) e P (A).
Bayes e o raciocnio bayesiano: Thomas Bayes foi um reverendo presbiteriano que viveu no incio do sculo XVIII na

Inglaterra. Em 1731 apareceu na Inglaterra um livro annimo hoje creditado a Bayes chamado Benevolncia divina. Em 1736, publicou seu primeiro e nico livro de matemtica, chamado The doctrine of fluxions. O nome fluxion foi dado pelo matemtico e fsico Isaac Newton para a derivativa de uma funo contnua (que Newton chamava de fluent).

O RACIOCNIO BAYESIANO: O raciocnio bayesiano pode ser explicado com um exemplo mdico, relacionado com a chance de uma mulher ter cncer de mama, usando dados de um artigo do norte-americano Eliezer Yudkowsky, pesquisador da inteligncia artificial. Recomenda-se que, a partir dos 40 anos, as

11

mulheres faam mamografias anuais. Nessa idade, 1% das mulheres portadora de um tumor assintomtico de mama. Sabe-se que a mamografia apresenta resultado positivo em 80% das mulheres com cncer de mama, mas esse mesmo resultado ocorre tambm com 9,6% das mulheres sem o cncer. Imagine agora que voc chega em casa e encontra sua tia aos prantos, desesperada, porque fez uma mamografia de rotina e o resultado foi positivo! Qual a probabilidade de ela ter um cncer de mama? Vamos montar o problema de uma maneira bayesiana. Em primeiro lugar, sua tia tem o cncer de mama (CA) ou no (no-CA). Essas alternativas, mutuamente excludentes, podem ser colocadas em uma tabela, como abaixo. Podemos iniciar o raciocnio pela probabilidade de cada alternativa antes de fazer qualquer teste. a chamada probabilidade a priori ter cncer ou no ter. Como em mdia 1% das mulheres de 40 anos tem um tumor de mama, a probabilidade a priori de sua tia ter um cncer de 1% (0,01) e de no ter de 99% (0,99).

Agora vamos incorporar o resultado da mamografia. Se o cncer de mama est presente, a probabilidade condicional de a mamografia ser positiva 0,80 (80%), e se no est presente de 0,096 (9,6%).

Observe que a soma das probabilidades a priori 1, mas isso no acontece com as probabilidades conjuntas.

Para fazer com que a soma das probabilidades conjuntas seja igual a 1, preciso usar uma normalizao, dividindo cada probabilidade conjunta pela soma das duas. Chegamos assim chamada probabilidade a posteriori.

12

Portanto, o raciocnio bayesiano nos levou de modo muito simples a concluir que a probabilidade a posteriori (ou seja, aps o teste) de sua tia no ter um cncer de mama de 0,54 (54%) e voc pode tranqiliz-la de que a situao no inevitvel.
Exemplo:

Um pesquisador desenvolve sementes de quatro tipos de plantas: P1, P2, P3 e P4. Plantados canteiros-pilotos destas sementes, a probabilidade de todas as sementes P1 germinarem de 40%, 30% para P2, 25% para P3 e 50% para P4. Escolhido um canteiro ao acaso, verificou-se que todas as sementes haviam germinado, qual a probabilidade que sejam P4? Sabendo-se que: P (G/P1) = 0,40; P (G/P2) = 0,30; P (G/P3) = 0,25 e P (G/P4) = 0,50 S = {P1, P2, P3, P4} = P (1) = = P (4) = 0,25 Ento, utilizando-se o teorema da probabilidade total, tem-se:
P( A) = P ( A / Bi ).P ( Bi )
n

P( A / B ).P( B )
i i i =1

P(G / P 4).P ( P 4) P (G / P1).P( P1) + ... + P(G / P 4).P( P 4) 0,50.0,25 P( A) = = 0,35 ou 35% 0,40.0,25 + ... + 0,50.0,25 P( A) =

Logo, escolhido um canteiro ao acaso, em que todas as sementes tenham germinado, a probabilidade que sejam P4 29%. Outros teoremas:
4.3. Se um conjunto vazio, ento P () = 0.

A=A P (A) = P (A ) Se A e so mutuamente exclusivos. Logo, P (A) = P (A) + P() P () = P (A) P (A) P () = 0 13

4.4. P (A ) = P () = 0

P(A) . P () = P (A) . 0 = 0
4.5. P (A S) = P (A)

P (A) . P (S) = P (A) . 1 = P (A)

4.6. P (A ) = P (A)

P (A) + P () = P (A)
4.7. P (A S) = P (S)

P (A) + P (S) = 1 = P (S)

4.8. P ( ) = P (S) = 1

4.9. P ( S ) = P () = 0

4.10. Se A o complementar de A, ento P (A) = 1 P ( A ).

A e A so eventos mutuamente exclusivos (A A = ) e complementares (A A = 1) P (A A ) = P () P (A A ) = P (S) P (A) + P( A ) = 1 P ( A ) = 1 = P (A) O mesmo raciocnio vale para B, ou seja: P ( B ) = 1 = P (B)
4.11. P [ ( A B )] = 1 P( A B)

4.12. P [ ( A B )] = 1 P( A B)

4.13. Se A e B so dois eventos quaisquer e B o complementar de B, ento:

P (A B ) = P (A) P (A B) P ( A A) = P (B) P (A B)
4.14. Se A B (l-se se A est contido em B), ento P (A) P (B)

14

5. LITERATURA CONSULTADA

ARA, A. B.; MUSETTI, A. V.; SHNEIDERMAN, B. Introduo estatstica. So Paulo: Egard Blucher: Instituto Mau de Tecnologia, 2003.152p. CARVALHO, S. Estatstica bsica. Rio de Janeiro: Campus-Elsevier, 2006. 464p. FERREIRA, D. F. Estatstica bsica. Lavras: UFLA, 2005. 664p. TRIOLA, M. F. Introduo estatstica. Rio de Janeiro: LTC, 2005. 656p.

Este contedo resultado de pesquisas em vrios livros e apostilas de estatstica bsica e aplicada,, portanto, ainda deve ser revisado. Qualquer erro de digitao (ou outro qualquer), sugestes, crticas, etc., por favor, me comuniquem. Obrigada.

Profa. Gisele

15

UNIVERSIDADE FEDERAL DO PIAU Campus Universitrio Profa. Cinobelina Elvas Bom Jesus, PI Lista de exerccios: Probabilidade
1. D o espao amostral de cada um dos seguintes experimentos: a) Lanamento simultneo de duas moedas. b) Lanamento de dois dados, um aps o outro. c) Lanamento simultneo de trs moedas. d) Distribuio de sexo de uma ninhada de trs filhotes de coelhos. 2. Considere uma ninhada de trs filhotes de coelho. Ache a probabilidade de obter: a) Trs fmeas b) Duas fmeas e um macho c) Uma fmea somente d) Pelo menos um macho e) Nenhuma fmea 3. A freqncia esperada de pessoas RH+ em uma populao estimada em 90%. Qual a freqncia esperada, nessa populao, de casais: a) RH+ x RH+ b) RH- x RH- c) RH+ x RH- d) marido RH+ x mulher RH- e) marido RH- x mulher RH+ 4. Uma mostra retirada de um rebanho bovino e enumerada de 1, 2, 3,...,30, dentre esta amostra um nmero escolhido ao acaso. Qual a probabilidade de o nmero escolhido ser: a) Divisvel por 5 ou 8? b) Divisvel por 6 ou 8? 5. Considerando o espao amostral de um experimento constitudo do lanamento de dois dados perfeitamente simtricos, pede-se: a) Qual a probabilidade de que o primeiro dado mostre a face 2 e o segundo a face 3? b) Qual a probabilidade de que ambos os dados mostrem a mesma face? c) Qual a probabilidade de que o segundo dado mostre um nmero par? 6. Uma moeda perfeita lanada 3 vezes e observado o nmero de caras. Qual a probabilidade de ocorrer? a) Pelo menos uma cara? b) S uma cara ou s uma coroa? c) Exatamente uma cara? 7. Das 10 alunas de uma classe, 3 tm olhos azuis. Se duas so escolhidas aleatoriamente, qual a probabilidade de: a) Ambas terem olhos azuis? b) Nenhuma ter olhos azuis? c) Pelo menos uma ter olhos azuis? 8. Em um certo colgio, 25% dos estudantes foram reprovados em matemtica, 15%$ em qumica e 10% em matemtica e qumica ao mesmo tempo. Um estudante selecionado aleatoriamente. Pedese: a) Se ele foi reprovado em qumica, qual a probabilidade de ele ter sido reprovado em matemtica?

16

b) Se ele foi reprovado em matemtica, qual a probabilidade de ele ter sido reprovado em qumica? c) Qual a probabilidade de ter sido reprovado em matemtica ou qumica?
9. Um dado viciado de tal forma que a probabilidade de sair um certo nmero proporcional aos eu valor. Pede-se: a) Qual a probabilidade de sair o 3, sabendo-se que saiu mpar? b) Qual a probabilidade de sair um nmero par, sabendo-se que saiu um nmero maior que 3? 10. Um grupo de 15 mudas de bananeira contaminadas e no-contaminadas com determinada praga, apresenta a seguinte composio: Pacovan Nanica Contaminada 5 3 No contaminada 5 2

Uma muda escolhida ao acaso. Pergunta-se: a) Qual a probabilidade de ser Pacovan? b) Qual a probabilidade de ser no contaminada? c) Qual a probabilidade de ser contaminada dado que nanica? d) Qual a probabilidade de ser no contaminada dado que Pacovan? Duas mudas so escolhidas ao acaso. Pergunta-se: a) Qual a probabilidade de ambas serem Pacovan, se a escolha feita com reposio? b) Mesmo problema anterior sem reposio?
11. Num exame de mltipla escolha h trs alternativas para cada questo e apenas uma delas correta. Portanto, para cada questo, um aluno tem probabilidade 1/3 de escolher a resposta correta se ele est assinalando aleatoriamente e 1 se sabe a resposta. Um estudante sabe 30% das respostas do exame. Se ele assinalou corretamente uma das questes, qual a probabilidade de que ele tenha assinalado ao acaso? 12. Uma urna contm 5 bolas vermelhas e 3 brancas. Uma bola selecionada, aleatoriamente, dessa urna e no reposta. Em seguida, duas bolas de cor diferente da bola extrada anteriormente (branca ou vermelha) so colocadas na urna. Se uma segunda bola extrada aleatoriamente, qual a probabilidade de: a) A segunda bola ser vermelha? b) A segunda bola ser da mesma cor da primeira? 13. A probabilidade de uma mulher estar viva daqui a 30 anos 3/4 e de seu marido 3/5. Calcular a probabilidade de: a) Apenas o homem estar vivo; b) Somente a mulher estar viva; c) Pelo menos um estar vivo; d) Ambos estarem vivos. 14. A probabilidade de um indivduo da classe A comprar um carro 3/4, da B 1/6 e da C 1/20. A probabilidade do indivduo de classe A comprar um carro da marca D 1/10; de B comprar um carro da marca D 3/5 e de C 3/10. Em certa loja comprou-se um carro da marca D. Qual a probabilidade de que o indivduo da classe B o tenha comprado? 15. Em certo colgio, 5% dos homens e 2% das mulheres tm mais do que 1,80m de altura. Por outro lado, 60% dos estudantes so homens. Se um estudante selecionado aleatoriamente e tem mais de 1,8m de altura, qual a probabilidade de que o estudante seja mulher?

17

16. Trs mquinas, A, B e C produzem respectivamente 40%, 50% e 10% do total de peas de uma fbrica. As porcentagens de peas defeituosas nas respectivas mquinas so 3%, 5% e 2%. Uma pea sorteada ao acaso e verifica-se que defeituosa. Qual a probabilidade de que a pea tenha vindo da mquina B? 17. Apenas uma em cada dez pessoas de uma populao tem tuberculose. Das pessoas que tm tuberculose 80% reagem positivamente ao teste Y, enquanto apenas 30% dos que no tm tuberculose reagem positivamente. Uma pessoa da populao selecionada ao acaso e o teste Y aplicado. Qual a probabilidade de que essa pessoa tenha tuberculose, se reagiu positivamente ao teste? 18. Suponha que 75% das pessoas tenham olhos castanhos, 20% tenham olhos azuis e 5% tenham olhos verdes. Suponha ainda que 70% das pessoas com olhos castanhos, 20% das pessoas com olhos verdes e 5% das pessoas com olhos azuis tenham cabelos castanhos. Qual a probabilidade de uma pessoa de cabelos castanhos, escolhido ao acaso, ter olhos verdes? 19. Numa cidade 40% da populao possui cabelos castanhos, 25% olhos castanhos e 15% olhos castanhos e cabelos castanhos. Uma pessoa selecionada aleatoriamente. a) Se ela tiver olhos castanhos, qual a probabilidade de tambm ter cabelos castanhos? b) Se ela tiver cabelos castanhos, qual a probabilidade de ter olhos castanhos? 20. Temos duas caixas: na primeira h 3 bolas brancas e 7 pretas, e na segunda h 1 branca e 5 pretas. De uma caixa escolhida aleatoriamente, selecionou-se uma bola e verificou-se que preta. Qual a probabilidade de que tenha sado da primeira caixa? 21. Em torno de 30% dos gmeos humanos so idnticos e o restante so fraternos. Gmeos idnticos tm necessariamente o mesmo sexo - metade so homens e metade so mulheres. Um quarto dos gmeos fraternos so ambos homens, um quarto so ambas mulheres e metade so mistos: um homem e uma mulher. Voc acaba de ser comunicado de que ter gmeos e que ambas so meninas. Com esta informao, qual a probabilidade de que elas sejam gmeas idnticas? Respostas: 2. a) 1/8

b) 3/8 b)1% b)8/30 b) 1/6 b) 6/8 b) 7/15

c) 3/8 c)9%

d) 7/8 d) 50%

e) 1/8 e)50%

3. a) 81% 4. a) 9/30 5. a) 1/6 6). a) 7/8 7. a) 1/15

c) 3/6 c) 3/8 c) 8/15 18

8. a) 67% 9. a) 3/9 10. a) 10/15 a) 100/225 11. a) 43,75% 12. a) 41/72 13. a) 15% 14. 0,53 ou 53% 15. 0,21 ou 21% 16. 0,64 ou 64% 17. 0,23 ou 23% 18. 0,018 ou 1,8% 19. a) 0,6 ou 60% 20. 0,46 ou 46%

b) 40% b) 10/15 b) 7/15 b) 90/210

c) 30%

c) 3/5

d) 5/10

b)13/36 b) 30% c)90% d) 45%

b) 0,375 ou 37,5%

21. 0,4615 ou 46,15%

19