UNIDADE II - INTRODUO PROBABILIDADE

1. INTRODUO
O clculo das probabilidades pertence ao campo da Matemtica. Sua incluso, neste
curso, cujo objetivo essencialmente a Estatstica, encontra explicao no fato de que a
maioria dos fenmenos de que trata a Estatstica de natureza aleatria ou nodeterminstica. Consequentemente, o conhecimento dos aspectos mais fundamentais do
clculo da probabilidades uma necessidade essencial para o estudo da Estatstica
Inferencial ou Indutiva.
Vamos examinar, inicialmente, o que se pode adequadamente denominar modelo
determinstico. Por essa expresso pretendemos nos referir a um modelo que estipule as
condies sob as quais um experimento executado determinem exatamente, ou com um
erro que pode ser considerado desprezvel, o seu resultado. Por exemplo, se introduzirmos
uma bateria em um circuito simples, o modelo matemtico que descreveria o fluxo de
corrente eltrica seria I = E/R, isto , a Lei de Ohm. O modelo determina com exatido o
valor de I ao fornecermos os valores de E e R, diferena de potencial e resistncia,
respectivamente.
Para um grande nmero de situaes, o modelo matemtico determinstico
apresentado acima suficiente. Contudo, existem tambm muitos fenmenos que requerem
um modelo matemtico diferente para sua investigao.
Existem experimentos em que, mesmo considerando todos os fatores que
influenciam no resultado, existe algum fator casual que no consegue-se controlar. Tais
experimentos so, frequentemente, denominados no-determinsticos ou aleatrios. De fato,
estamos falando de um modelo no-determinstico para um experimento.
As principais caractersticas de um experimento aleatrio so:
a) Pode-se repetir indefinidamente sob as mesmas condies.
b) Pode-se descrever todos os possveis resultados do experimento.
c) Depois de um grande nmero de repeties do experimento, surge uma configurao
definida ou uma regularidade. esta regularidade que torna possvel construir um modelo
matemtico preciso, com o qual se analisar o experimento.
EXEMPLOS:
1.
2.
3.
4.

Jogar um dado e observar o nmero mostrado na face de cima.

Jogar uma moeda duas vezes e observar a sequncia de caras e coroas obtidas.
Jogar uma moeda duas vezes e observar o nmero de caras obtidas.
Peas so produzidas at que 10 peas perfeitas sejam produzidas. O nmero total de
peas fabricadas contado.
5. Uma lmpada fabricada e em seguida ensaida quanto durao de vida, pela
colocao em um soquete. O tempo decorrido (em horas) at queimar anotado.
O objetivo bsico da teoria das probabilidades criar um modelo terico que
represente estes experimentos.

28

2. ESPAO AMOSTRAL E EVENTOS

Definio 2.1: Definiremos espao amostral, para cada experimento aleatrio E, como o
conjunto de todos os possveis resultados do experimento, e o denotaremos
por .
EXEMPLO 2.1: Determine os espaos amostrais associados aos experimentos dos
exemplos anteriores.
SOLUO:
E1 1 = {1,2,3,4,5,6}
E2 2 = {(Ca,Ca), (Ca,Co), (Co,Ca), (Co,Co)}, onde Ca e Co representam a ocorrncia de
cara e coroa, respectivamente.
E3 3 = {0,1,2}
E4 4 = {10,11,12,....}
E5 5 = {t / t 0}
A fim de descrever um espao amostral associado a um experimento, devemos ter
bastante claro o que estamos mensurando ou observando. Por isso, devemos falar de um
espao amostral e no de o espao amostral. Veja a diferena entre 2 e 3.
Saliente-se, tambm, que o resultado de um experimento no necessariamente, um
nmero. Por exemplo, em E2, cada resultado um sequncia de Caras (Ca) e Coroas (Co).
Definio 2.2: Um evento A (relativo a um particular espao amostral , associado a um
experimento E) um conjunto de resultados do experimento, isto , qualquer
subconjunto do espao amostral um evento.
Diz-se que ocorre o evento A, quando o resultado do experimeno aleatrio for um
elemento de A.
Em particular, o conjunto universo, , e o conjunto vazio, , so tambm eventos,
onde denominado de evento certo e evento impossvel. Se A contm apenas um
elemento, dizemos que A um evento elementar ou simples.
A partir das operaes entre conjuntos (Apndice A) podemos formar novos eventos,
tais como:
A B o evento que ocorrer se e somente se A ou B ou ambos ocorrerem.
A B o evento que ocorrer se e somente se A e B ocorrerem simultaneamente.
A ocorrer se e somente se no ocorrer A.
A B ocorrer se e somente se ocorrer A e no ocorrer B.
Definio 2.3: Dois eventos A e B, so ditos mutuamente excludentes (M.E.), se eles no
puderem ocorrer simultaneamente, isto , A B = .

29

EXEMPLO 2.2: Lanar um dado e observar a face voltada para cima. Considere os
seguintes eventos:
A: o nmero par.
B: o nmero impar.
C: o nmero maior que 4.
D: o nmero menor ou igual a 2.
Determine os eventos:
a)
b)
c)
d)

, A, B, C e D.
A B, A B, A B , A B
A, B , A B, A B
Quais os eventos mutuamente excludentes?

SOLUO:
a) = {1,2,3,4,5,6}, A = {2,4,6}, B = {1,3,5}, C = {5,6}, D = {1,2}
b) A B = {1,2,3,4,5,6} = : o evento certo
A B = : o evento impossvel
AB =
AB =
c) A = {1,3,5}
B = {2,4,6}
A B = {1,2,3,4,5,6} = = A B
A B = = AB
d) A C = {6} : evento elementar
A D = {2}
B C = {5}
B D = {1}
CD=
Os eventos A e B, assim como os eventos C e D, so mutuamente excludentes.
Obs: Note que o item c) exemplifica as leis de De Morgan. (ver Apndice A)

30

3. NOES FUNDAMENTAIS DE PROBABILIDADE

Definio 3.1: Seja E um experimento e um espao amostral associado a E.

Probabilidade uma funo P que associa a cada evento A F() a um
nmero real representada por P(A) e denominada probabilidade do evento
A, satisfazendo aos seguintes axiomas:
1. 0 P(A) 1.
2. P() = 1.
3. Se A e B forem eventos mutuamente excludentes, P(A B) = P(A) + P(B)
Se A1, A2, ..., An, ... forem, dois a dois, eventos mutuamente excludentes, ento,

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

Por enquanto, no sabemos como calcular P(A). Ns apenas arrolamos algumas

propriedades gerais que P(A) possui. Vamos, inicialmente, enunciar e demonstrar algumas
consequncias relacionadas a P(A) que decorrem das condies acima e que no dependem
da maneira pela qual ns realmente calculamos P(A).
PROPRIEDADES FUNDAMENTAIS
Propriedade 3.1: Se for o conjunto vazio, ento P()=0.
Demonstrao: Para qualquer evento A, sabemos que
A= A

A =

Ento, A e so eventos mutuamente excludentes. De 3. temos

P(A) = P ( A ) = P ( A) + P ( ) , logo P(A) = P(A) + P()
Portanto, P() = 0
Propriedade 3.2: Se A for o evento complementar de A, ento P( A ) = 1 - P(A).
Demonstrao: Para qualquer evento A, sabemos que

= A A

= A A

Ento, A e A so eventos mutuamente excludentes. De 3. temos

P()=P(A A ) = P(A) + P( A ).

31

De 2. Temos

1 = P(A) + P( A ) .
Logo, P( A ) = 1- P(A).
Propriedade 3.3:Se A e B forem eventos quaisquer tais que A B ento P(A) P(B).
Demonstrao: Sabemos que
B = A (B A ) , onde A e (B A ) so eventos mutuamente excludentes.
Consequentemente, P(B) = P(A) + P(B A ) P(A), porque P(B A ) 0, pelo axioma 1.
Propriedade 3.4: Se A e B so dois eventos quaisquer, ento
P(A B) = P(A) + P(B) - P(A B)
Demonstrao: Podemos escrever
A B = A (B A ) , onde A e (B A ) so eventos mutuamente excludentes e
B = (A B) (B A ), onde (A B) e (B A ) so eventos mutuamente excludentes
Do axioma 3. temos,
P(A B) = P(A) + P(B A )
e
P(B) = P(A B) + P(B A ). Assim, P(B A ) = P(B) - P(A B)
Ento, P(A B) = P(A) + P(B) - P(A B)
Como exerccio pode-se facilmente provar a propriedade acima para trs eventos.
Se A, B e C so trs eventos quaisquer , ento
P(A B C) = P(A) + P(B) + P(C) - P(A B) - P(A C) - P(B C) + P(A BC)

4.PROBABILIDADE EM ESPAOS AMOSTRAIS FINITOS E EQUIPROVVEIS

Definio 4.1: Seja um espao amostral associado a um experimento aleatrio E com um

nmero finito de resultados possveis. Ento, pode ser escrito da seguinte
forma: = {a1,a2,...,an} e seja Ai = {ai} i=1,2,...,n todos os eventos
elementares de . A cada evento elementar {ai} associaremos um nmero pi,
denominado de probabilidade de {ai}, que satisfaa s seguintes condies:

32

1. pi 0, i = 1, 2, ..., n.
2. p1 + p2 + ... + pn =1
Como {ai} um evento, essas condies so coerentes com aquelas postuladas para
as probabilidades dos eventos em geral, isto , com os axiomas da definio 3.1.
Suponha, agora, que um evento B seja constitudo de k resultados, 1 k n, a saber,
B={a1,a2,...,ak},
onde 1,2,...,k representam qualquer dos k ndices, de 1 at n. Consequentemente, conclui-se
do axioma 3 da definio de probabilidade (3.1) que
P(B) = p1 + p2 + ... + pk
EXEMPLO 4.1: Trs cavalos, A, B e C, esto numa corrida; A duas vezes mais provvel
de ganhar que B e B duas vezes mais do que C. Quais so as
probabilidades de vitria de cada um, isto , P(A), P(B) e P(C) ?
SOLUO: Seja P(C) = p; como B duas vezes mais provvel de ganhar do que C,
P(B)=2p; e como A duas vezes mais provvel do que B, P(A) = 2P(B) =
2(2p) = 4p. Como a soma das probabilidades tem que ser 1; ento
p + 2p + 4p = 1 ou 7p = 1 ou
Logo, P(A) = 4/7 ; P(B) = 2/7

p = 1/7.
e

P(C) = 1/7

Pergunta: Qual a probabilidade de que B ou C ganhe ?

Por definio, P(B C) = P(B) + P(C) = 2/7 + 1/7 = 3/7
Definio 4.2: Seja um espao amostral = {a1,a2,...,an} associado a um experimento E e
consideremos Ai = {ai} i=1,2,...,n os eventos elementares de . O espao
amostral dito equiprovvel se
P(Ai) = p , i = 1,2, ..., n,
ou seja, se todos os eventos elementares so igualmente provveis.
Consequentemente, das condies 1. e 2. da definio 4.1, vem:
1. pi = p 0, i = 1, 2, ..., n.
2. p1 + p2 + ... + pn = p + p + ... + p = 1
De 2. tem-se que np = 1 e consequentemente, p = 1/n.

33

Logo, se o espao amostral equiprovvel, a probabilidade de cada um dos pontos

1/n.
Disto decorre que, para qualquer evento B formado de k resultados, 1 k n, tem-se
o.

P(B) =

k
n(B ) n de casos favoraveis
, ou seja, P(B) =
= o.
n
n( )
n de casos possiveis

EXEMPLO 4.2: Selecione aleatoriamente uma carta de um baralho comum de 52 cartas.

Sejam A: a carta uma espada e B: a carta uma figura.
Calcule P(A), P(B) e P(A B)
SOLUO: Como temos um espao equiprovvel,
P ( A) =

n o. de espadas 13 1
=
=
52 4
n o. de cartas

P( B ) =

n o. de figuras 12 3
=
=
n o . de cartas 52 13

P( A B) =

n o . de figuras de espadas 3
=
52
n o . de cartas

5. PROBABILIDADE CONDICIONADA

EXEMPLO 5.1: Um lote formado pelos seguintes artigos: 80 no defeituosos e 20

defeituosos. Dois artigos so retirados do lote. Sejam A={o 1 artigo
defeituoso} e B={o 2 artigo defeituoso}.
Calcule P(A) e P(B), a) com reposio; b) sem reposio.
SOLUO:

a) Se extrairmos com reposio, P( A) = P ( B ) = 20 100 = 15 , pois cada vez que estivermos

extraindo do lote, existiro 20 peas defeituosas no total de 100.

b) Se estivermos extraindo sem reposio, ainda verdade que P ( A) = 15 . Mas e sobre

P(B) ? evidente que, a fim de calcularmos P(B) necessrio conhecer a composio do
lote no momento de se extrair a segunda pea. Isto , devemos saber se A ocorreu ou nao.
Este exemplo mostra a necessidade de se introduzir o seguinte conceito.
Sejam A e B dois eventos associados ao experimento E. Denotaremos por P(B/A) a
probabilidade condicionada do evento B, quando A tiver ocorrido.

34

Sempre que calcularmos P(B/A), estaremos essencialmente calculando P(B) em

relao ao espao amostral reduzido A, em lugar de faz-lo em relao ao espao original .
EXEMPLO 5.2: Dois dados honestos so lanados, registrando-se o resultado como (x1,x2),
onde xi o resultado do i-simo dado, i=1,2. Considere os seguintes
eventos: A={(x1,x2)/ x1 + x2 = 10}
e
B={(x1,x2)/ x1 > x2}.
Determine: P(A), P(B), P(A B), P(B/A) e P(A/B).
SOLUO: O espao amostral pode ser representado pela seguinte lista de 36 resultados
igualmente provveis.

, ),(1,2),L , (1,6),
(11
( 2,1),( 2,2),L ,(2,6),

=
, n()=36,
MLLLLLLM

( 6,1),(6,2),L ,( 6,6)
A={(5,5),(4,6),(6,4)},

B={(2,1),(3,1),(3,2),...,(6,5)}

n(A) = 3
Portanto, P ( A) =

n(B) = 15

A B={(6,4)}
n(A B) = 1

3
15
1
, P (B ) =
, P( A B) =
,
36
36
36

1
, uma vez que o espao amostral , agora, formado por A.
3
1
De modo equivalente, temos P( A / B ) = .
15

P (B / A) =

Se fizermos um exame cuidadoso dos vrios nmeros calculados, concluiremos que

P (B / A) =

P( A B)
P ( A)

P( A / B) =

P( A B)
P (B )

Essas relaes no surgiram apenas neste caso particular. Ao contrrio, so bastante

gerais, e nos do caminho para definir a probabilidade condicionada.
Definio 5.1: Sejam A e B dois eventos quaisquer de um mesmo espao amostral .
Chamamos probabilidade do evento A, dado que o evento B ocorreu, ao
seguinte quociente:
P( A B)
, se P(B) > 0
P( A / B) =
P (B )
Observaes:

1. Se P(B) = 0, nada podemos afirmar a respeito da probabilidade condicional.

35

2. Se A e B forem mutuamente excludentes, ento P ( A / B ) =

P ( )
= 0.
P (B )

n( A B)
3. No espao amostral finito equiprovvel, P( A / B ) =

n( B)

n()

n()

n( A B)
n( B)

EXEMPLO 5.3: Um laboratrio de pesquisa possui 10 terminais de computadores.

Algumas dessas mquinas so micro-computadores (M) e outras so
estaes de trabalho (E); algumas so novas (N) enquanto outras so muito
usadas (U), de acordo com a tabela abaixo. Uma pessoa entra no
laboratrio, pega uma mquina ao acaso, e descobre que nova. Qual a
probabilidade de que seja um micro-computador ?

Tempo de uso
N
U
Total

Mquinas
M
E Total
4
3
7
2
1
3
6
4
10

SOLUO: Considerando-se somente o espao amostral reduzido N (isto , as 7 mquinas

novas), temos P(M / N) = 4 / 7.
Empregando a definio de probabilidade condicional, temos

P( M / N ) =

P ( M N ) 4 / 10 4
=
=
P(N )
7 / 10 7

A mais importante consequncia da definio de probabilidade condicional acima,

o seguinte teorema.
Teorema 5.1 (Teorema da Multiplicao de Probabilidades):

Sejam A e B dois eventos quaisquer de um mesmo espao amostral , ento:

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

ou

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

Observao: O teorema da multiplicao de probabilidades pode ser generalizado para mais

de dois eventos.

Sejam A1, A2,..., An eventos quaisquer de um mesmo espao amostral , a

probabilidade da ocorrncia simultnea de A1, A2,..., An dada por:
P(A1 A2 ... An) = P(A1)*P(A2/A1)*...*P(An/A1 A2 ... An-1)

36

EXEMPLO 5.4: Uma caixa contm 4 lmpadas boas e 2 queimadas. Retira-se ao acaso 3
lmpadas, sem reposio. Calcule a probabilidade dessas 3 lmpadas
serem boas.
SOLUO: Seja Ai: a i-sima lmpada boa, ento

P(A1 A2 A3) = P(A1)*P(A2/A1)*P(A3/A1 A2) =

4 3 2 1
* * = .
6 5 4 5

At aqui, empregamos o conceito de probabilidade condicional a fim de avaliar a

probabilidade de ocorrncia conjunta de dois ou mais eventos. Veremos, no prximo
teorema, como aplicar esse conceito para calcular, de outra maneira, a probabilidade de um
evento qualquer A.
Teorema 5.2 (Teorema da Probabilidade Total):Sejam A um evento qualquer do espao
amostral e B1, B2,..., Bk uma partio do mesmo espao amostral , ento:
k

P(A) = P(A/ B1)P(B1) + P(A/ B2)P(B2) + ... + P(A/ Bk)P(Bk) =

P ( A / B ) P (B )
i

i =1

Demonstrao: Como A = (A B1) (A B2) ... (A Bk ) e (A B1), (A B2), ...,

(A Bk ) so eventos mutuamente excludentes, temos

P(A) = P(A B1) + P(A B2) + ... + P(A Bk ).

Pelo teorema da multiplicao de probabilidades, temos
P(A) = P(A/ B1)P(B1) + P(A/ B2)P(B2) + ... + P(A/ Bk)P(Bk)
EXEMPLO 5.5: Voltando ao exemplo 5.1, calcule a P(B) se as retiradas dos artigos so
feitas sem reposio.
1
4
SOLUO: Como j vimos P ( A) = . Logo, pela propriedade 3.2 , temos que P ( A) = .
5
5

19
, porque se A tiver ocorrido, ento na segunda extrao
99
restaro somente 99 peas, das quais 19 delas sero defeituosas. De modo
20
similar, temos que P (B / A) =
. Pelo teorema da probabilidade total, temos
99
Agora, P (B / A) =

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

37

19 1 20 4 1
+
= .
99 5 99 5 5

EXEMPLO 5.6: Uma determinada pea manufatura por trs fbricas, digamos A, B e C.
Sabe-se que A produz o dobro de peas que B, e que B e C produzem o
mesmo nmero de peas. Sabe-se tambm que 2% de peas produzidas por
A assim como por B so defeituosas, enquanto que 4% daquelas
produzidas por C so defeituosas. Todas as peas so colocadas em um
depsito, e depois uma pea extrada ao acaso. Qual a probabilidade de
que essa pea seja defeituosa ?
SOLUO: Seja os eventos A={a pea provm da fbrica A}, B={a pea provm da
fbrica B}, C={a pea provm da fbrica C} e D={a pea defeituosa}.

Temos que P(A)=2P(B), e P(B)=P(C). Substituindo essas relaes em

P(A)+P(B)+P(C)=1, temos que 2P(B)+P(B)+P(B) = 1, logo,
P(B)=P(C)= 1/4, enquanto que P(A) = 1/2.
Como queremos determinar P(D) e os eventos A, B e C formam uma partio
do espao amostral, podemos aplicar o teorema da probabilidade total, o qual
escreveremos como
P(D) = P(D/A)P(A) + P(D/B)P(B) + P(D/C)P(C).
Pelo enunciado do problema, temos que P(D/A) = P(D/B) = 0,02, enquanto
P(D/C) = 0,04. Levando-se esses valores expresso acima, encontraremos
P (D) = 0,02

1
1
1
+ 0,02 + 0,04 = 0,025
2
4
4

6. TEOREMA DE BAYES

Poderemos empregar o Exemplo 5.6 para sugerir outro importante resultado.

Suponha-se que uma pea seja retirada do depsito e se verifique ser ela defeituosa. Qual a
probabilidade de que tenha sido produzida na fbrica A ?
Poderemos calcular esta probabilidade pelo seguinte teorema.
Teorema 6.1 (Teorema de Bayes): Sejam B1, B2,..., Bk uma partio do espao amostral e
A um evento qualquer associado a , ento:

P( Bi / A) =

P( A / Bi ) P( Bi )

k
j =1

P( A / B j ) P ( B j )

, i = 1,2 ,..., k

38

Demonstrao: P (Bi / A) =

P ( Bi A ) P ( A / Bi ) P (Bi )
, i = 1,2 ,..., k
=
P ( A)
P ( A)

Pelo teorema da probabilidade total , P ( A)= P ( A / B j ) P ( B j ) . Logo,

j =1

P (Bi / A ) =

P ( A / Bi ) P (Bi )

j =1 P ( A / B j ) P (B j )
k

, i = 1,2 ,..., k

EXEMPLO 6.1:Voltando ao problema proposto acima, e agora aplicando o teorema 6.1,

obtemos

P ( A / D) =

(0,02 ) (1 / 2 )
= 0,40
(0,02 ) (1 / 2 ) + (0,02 ) (1 / 4 ) + (0,04 ) (1 / 4)

EXEMPLO 6.2: Numa certa turma, 1% dos homens e 4% das mulheres tm menos que
1,60m. de altura. Alm disso, 60% dos estudantes so homens. Ora, se um
estudante selecionado aleatoriamente e tem menos que 1,60m. de altura,
qual a probabilidade do estudante ser um homem ?
SOLUO: Sejam A={estudantes de menos de 1,60m. de altura}

M={estudantes do sexo feminino} e H={estudantes do sexo masculino}.

Pelo teorema de Bayes,
P ( H / A) =

P( A / H )P(H )
(0,01) (0,60)
3
=
= .
P ( A / H ) P ( H ) + P ( A / M ) P ( M ) (0,01) (0,60) + (0,04 ) (0,40) 11

7. EVENTOS INDEPENDENTES

Consideremos dois eventos A e B quaisquer de um mesmo espao amostral .

Dizemos que A e B so dois eventos independentes se a probabilidade de ocorrncia do
evento A no altera a probabilidade de ocorrncia do evento B, isto , P(B) = P(B/A).
Pelo Teorema de Multiplicao de Probabilidades, temos:
P(A B) = P(A) * P(B/A) = P(A) * P(B)
Podemos, ento, formalizar a seguinte definio.

39

Definio

7.1:

Dois eventos A e
P ( A B ) = P ( A ) P ( B )

so

independentes

se

somente

se

Consequentemente, P(A/B) = P(A) e P(B/A) = P(B), se P(A) e P(B) so no-nulos.

EXEMPLO 7.1: Suponha que um dado equilibrado seja jogado duas vezes. Definamos os
eventos A e B, da seguinte forma:

A={o primeiro dado mostra um nmero par},

B={o segundo dado mostra um 5 ou um 6}.
Determine P(A), P(B), P(A B), P(A/B) e P(B/A).
SOLUO: Temos o seguinte espao amostral,
(1,1), (1,2 ),L , (1,6),
(2,1), (2 ,2 ),L , (2,6),

=
,
MLLLLLLM

(6,1), (6,2 ),L , (6,6)

(2,1), (2 ,2 ),L , (2 ,6)

A= (4,1), (4 ,2 ),L , (4 ,6) ,

(6,1), (6,2 ),L , (6,6)

(1,5), (2 ,5),L (6,5)

B=
e A B = {(2 ,5), (2 ,6), (4 ,5), (4 ,6), (6,5), (6,6)} .
(1,6), (2 ,6),L , (6,6)

Ento, P ( A) =

18 1
12 1
6 1
= , P (B ) =
= , enquanto P ( A B ) =
= .
36 2
36 3
36 6

Consequentemente,
P( A / B) =

P( A B) 1 / 6 1
=
= = P ( A) ,
P (B )
1/ 3 2

P (B / A) =

P( A B) 1 / 6 1
=
= = P (B )
P ( A)
1/ 2 3

Podemos estender este conceito para n eventos.

Definio 7.2: Sejam A1, A2,..., An, n eventos de um mesmo espao amostral . Dizemos
que A1, A2,..., An so eventos independentes, se:

P ( Ai A j ) = P ( Ai ) P ( A j ),

i j = 1,2,L , n

P( Ai A j Ak ) = P( Ai ) P( A j ) P( Ak ) , i j k = 1,2,K , n
M
n

P ( Ai A j L An ) = P ( Ai )
i =1

Observao: No caso de n eventos teramos 2n - n -1 relaes a serem verificadas.

40

EXEMPLO 7.2: Suponha que um par de moedas no viciadas seja jogada. Definamos os
eventos:
A={cara na primeira moeda},
B={cara na segunda moeda} e
C={cara em exatamente uma moeda}.

Determine P(A), P(B), P(C), P(A B), P(A C), P(B C) e P(A B C).
SOLUO: Temos o seguinte espao amostral, = {(Ca,Ca),(Ca,Co),(Co,Ca),(Co,Co)},
onde Ca cara e Co coroa, ento

A={(Ca,Ca),(Ca,Co)},

B={(Ca,Ca),(Co,Ca)}

Logo, P ( A) = P (B ) = P (C ) =

P ( A C ) = P ({Ca , Co}) =

2 1
=
4 2

1
,
4

C={(Ca,Co),(Co,Ca)}

P ( A B ) = P ({Ca , Ca}) =

P (B C ) = P ({Co, Ca}) =

1
,
4

1
4

P ( A B C ) = P ( ) = 0 P ( A) P (B ) P (C )

Este exemplo mostra que os eventos so dois a dois independentes, mas os trs
eventos no so independentes.

8. REFERNCIAS BIBLIOGRFICAS

1. Meyer, P.L. (1984). Probabilidade: aplicaes estatstica. Livros Tcnicos Cientficos

Editora S.A.
2. Lipschutz, S. (1972). Probabilidade. Editora McGraw Hill do Brasil Ltda.

41

APNDICE A - ALGUMAS NOES DA TEORIA DOS CONJUNTOS

Este apndice apresenta alguns conceitos elementares da Teoria dos Conjuntos que
so fundamentais Teoria das Probabilidades.
Um conjunto uma coleo de objetos. Geralmente os conjuntos so representados
por letras maiscula: A, B, .... Os objetos que formam o conjunto A so denominados
elementos de A. Quando a for um elemento de A denotaremos a A e quando a no for um
elemento de A escrevemos a A.
Definiremos o conjunto vazio como sendo o conjunto que no contenha qualquer
elemento e o conjunto universal como aquele que formado por todos os objetos que
estejam em estudo.
A partir do conjunto vazio () e do conjunto universal (U), podemos enumerar as
duas seguintes propriedades:
1. A, para qualquer A.
2. A U, desde que j se tenha definido o conjunto universal.
Consideremos, agora, a importncia de combinar conjuntos a fim de formar novos
conjuntos. No que segue, consideramos A e B dois conjuntos arbitrrios.
1. Unio: A B ={x: x A ou x B}.
o conjunto dos elementos que pertencem a A ou a B ou a ambos.

2. Interseo: A B = {x: x A e x B}
o conjunto dos elementos que pertencem simultaneamente a A e a B.

42

3. Complementao: Sejam A e B dois conjuntos tais que A B, A = {x: x A e x B}.

A
A

EXEMPLO: Seja U = { 1,2,3,4,5,6}, A = { 1,2,3}, B = { 2,3,4}.

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

Enunciaremos abaixo algumas propriedades importantes:

Sejam A, B e C trs conjuntos quaisquer.
1.
2.
3.
4.
5.
6.
7.

Idempotncia: A A = A ;
A A = A.
Comutativa: A B = B A ; A B = B A.
Associativa: A (B C) = (A B) C ;
A (B C) = (A B) C.
Distributiva: A (B C) = (A B) (A C) ; A (B C) = (A B) (A C).
Absoro: A (A B) = A ;
A (A B) = A.
Identidade: A U = A; A = ; A U = U; A = A.
Complementar: U = ;
=U ;
A A=; A A=U .

8. Leis da dualidade ou Leis de De Morgan: ( A B ) = ( A B )

( A B) = ( A B) .

A partir dessas identidades podemos enunciar as seguintes definies.

Definio A.1: D-se o nome de conjunto das classes de A, e denota-se por F(A), classe de
todos os possveis subconjuntos de A.

Para efeito de exemplo, considere A = {a,b,c}, ento

F(A) ={ , {a}, {b}, {c}, {a,b}, {a,c}, {b,c}, {a,b,c}=A}
Em geral, se A finito e tem n elementos, ento F(A) tem 2n elementos.
Definio A.2: Uma partio de um conjunto A uma subdiviso de A em subconjuntos Ai,
i=1,2,...n, tal que:

1. Ai , i = 1,2 ,L , n
2. Ai A j = , i j

43

3.

UA

=A

i =1

EXEMPLO: Seja A = {a,b,c}, ento

A2 = {b,c} representam uma partio, enquanto que A1 = {a}, A2
A1 = {a} e
= {a,b} e A3 = {b} no representaria.

APNDICE B - TCNICAS DE CONTAGEM

Nem sempre possvel enumerar de forma simples o espao amostral e o evento. Por
esta razo, so necessrios alguns procedimentos de contagem que so estudados pela
anlise combinatria.
Existem vrias maneiras de dispor os objetos de uma coleo em grupos. Esses
grupos denominam-se agrupamentos e os objetos que os constituem chama-se de elementos.
Em qualquer das maneiras de disposio dos elementos, existem dois casos:
1. Em cada agrupamento todos os elementos so distintos - agrupamento simples.
2. Em cada agrupamento pode haver repeties dos elementos - agrupamento com repetio.
Os agrupamentos, quanto ao modo de formao, podem ser classificados em :
Arranjos, Permutaes e Combinaes.
Os agrupamentos simples diferem pela ordem ou pela natureza de seus elementos.
Diferem pela natureza quando pelo menos, um dos elementos de um dos agrupamentos no
for elemento do outro.
Definio B.1: Sendo n um inteiro positivo, definimos n! = (n)(n-1)(n-2)....1 e o
denominamos de fatorial de n. Tambm definimos 0! = 1.
1. PERMUTAES
A. PERMUTAES SIMPLES DE OBJETOS DISTINTOS

So os agrupamentos simples de n elementos que podemos formar com eles.

Diferem um do outro pela ordem dos elementos. O nmero de permutaes
Pn = n !
EXEMPLO B.1: Com as primeiras quatro letras do alfabeto, quantos agrupamentos de 4
elementos podemos formar ?
SOLUO: P4 = 4! = 4.3.2.1 = 24. A saber, temos, o seguinte conjunto,
{abcd, abdc, acbd, acdb, adbc,adcb,
bacd, badc, bcad, bcda, bdac, bdca,
cabd, cadb, cbad, cbda, cdab, cdba,
dabc, dacb, dbac, dbca, dcab, dcba}

44

B. PERMUTAES COM OBJETOS REPETIDOS

So as permutaes que podemos formar com n elementos, dos quais n1 so iguais,

n2 so iguais, ..., nr so iguais. Diferem pela ordem. O nmero de permutaes
Pn ,n1 ,n2 ,L,nr =

n!
n1 ! n 2 !L n r !

EXEMPLO B.2:Quantos anagramas podemos formar com as letras da palavra CARCARA?

SOLUO: Temos 2 letras C, 3 letras A e 2 letras R, num total de 7 letras. Ento, teremos,
P7 , 2 , 3, 2 =

7!
= 210 anagramas diferentes.
2 ! 3! 2 !

2. ARRANJOS
A. ARRANJOS SIMPLES DE OBJETOS DISTINTOS

So os agrupamentos de r elementos dentre n elementos distintos. Diferem um

agrupamento do outro, pela natureza ou pela ordem de seus elementos.
O nmero de arranjos
A( n ,r ) = Anr =

n!
( n r )!

EXEMPLO B.3: Com as quatro primeiras letras do alfabeto, quantos agrupamentos de 2

elementos podemos formar ?
4!
SOLUO:Podemos formar A42 = = 12 agrupamentos diferentes, a saber, temos
2!

{ab, ac, ad, ba, bc, bd, ca, cb, cd, da, db, dc}.
B. ARRANJOS COM REPOSIO DO OBJETO SELECIONADO

So os agrupamentos de r elementos que podemos formar com n elementos (0<r<n).

Diferem um do outro pela ordem, pela natureza ou pela repetio de r elementos dentro do
mesmo agrupamento. O nmero de agrupamentos :

A(*n ,r ) = n r
EXEMPLO B.4: Com as quatro primeiras letras do alfabeto, quantos agrupamentos de 2
elementos podemos formar se a escolha for feita sucessivamente e com
reposio do elemento escolhido ?

45

SOLUO: Teremos A(*4 , 2 ) = 4 2 = 16 agrupamentos, a saber, teremos,

{aa, ab, ac, ad, ba, bb, bc, bd, ca, cb, cc, cd, da, db, dc, dd}
3. COMBINAES
A. COMBINAES SIMPLES DE OBJETOS DISTINTOS

So os agrupamentos simples de r elementos que podemos formar com n elementos

(0<r<n). Diferem um do outro pela natureza dos elementos. O nmero de agrupamentos
Cn ,r = Cnr =

n!
r !(n r )!

EXEMPLO B.5: Com as quatro primeiras letras do alfabeto, quantas combinaes de dois
elementos podemos formar ?
SOLUO: Teremos C42 =

4!
= 6 agrupamentos, a saber, teremos,
2! 2!

{ab, ac, ad, bc, bd, cd}

OBSERVAES:

n!
n!
= = n ! = Pn
( n n)! 0!
n!
n!
2. Anr =
= r !
= r !* Cnr
( n r )!
r !( n r )!
n!
3. Cnr =
= Cnn r
( n r )! r !
( n 1)!
( n 1)!
r ( n 1)!+ ( n r )( n 1)! ( n 1)!(r + n r )
+
=
=
Cnr11 + Cnr1 =
( r 1)!(n r )! r !( n r 1)!
r !( n r )!
r !(n r )!
4.
n!
=
= Cnr
r !( n r )!
1. Ann =

46