Probabilidade - Parte1

SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
SUMRIO
1. INTRODUO ...........................................................................................................................................................3
1.1. MODELOS ...............................................................................................................................................................3
1.1.1. Modelo determnistico ....................................................................................................................................3
1.1.2. Modelo no-determinstico ou probabilstico ..................................................................................................3
1.2. EXPERIMENTO ALEATRIO (NO-DETERMINSTICO)..................................................................................................4
1.2.1. Caractersticas dos Experimentos Aleatrios ..................................................................................................4
1.3. O ESPAO AMOSTRAL..............................................................................................................................................4
1.3.1. Classificao de um espao amostra...............................................................................................................5
1.4. EVENTOS ................................................................................................................................................................6
1.5. COMBINAO DE EVENTOS......................................................................................................................................6
1.6. EVENTOS MUTUAMENTE EXCLUDENTES ...................................................................................................................7
1.7. PROPRIEDADE DAS COMBINAES DE EVENTOS................................................................................................7
2. CONCEITOS DE PROBABILIDADE .......................................................................................................................9
2.1. A DEFINIO CLSSICA ..........................................................................................................................................9
2.1.1. Crtica definio clssica.............................................................................................................................9
2.2. A DEFINIO FREQNCIAL ....................................................................................................................................9
2.2.1. Freqncia relativa de um evento ................................................................................................................. 10
2.2.2. Propriedades da freqncia relativa ............................................................................................................. 10
2.2.3. Crtica definio freqencial...................................................................................................................... 11
2.3. DEFINIO AXIOMTICA ....................................................................................................................................... 11
2.3.1. Conseqncias dos axiomas (propriedades) .................................................................................................. 11
2.4. PROBABILIDADE CONDICIONADA E INDEPENDNCIA ............................................................................................... 13
2.4.1. Definio...................................................................................................................................................... 14
2.4.2. Teorema da multiplicao............................................................................................................................. 15
2.4.3. Independncia de dois eventos ...................................................................................................................... 15
2.5. TEOREMAS DA PROBABILIDADE TOTAL E DE BAYES ................................................................................................ 16
2.5.1. Teorema da probabilidade total .................................................................................................................... 17
2.5.2. Teorema de Bayes......................................................................................................................................... 18
3. VARIVEIS ALEATRIAS .................................................................................................................................... 19
3.1. INTRODUO ........................................................................................................................................................ 19
3.2. VARIVEL ALEATRIA DISCRETA .......................................................................................................................... 20
3.2.1. A funo de probabilidade ............................................................................................................................ 20
3.2.2. Representao da funo de probabilidade ................................................................................................... 21
3.2.3. A funo de distribuio acumulada ............................................................................................................. 22
3.3. VARIVEL ALEATRIA DISCRETA (CARACTERIZAO)............................................................................................ 24
Pr of. L or Via li
vi al i@ mat .u fr gs. br
htt p:/ / www. ma t .u fr gs. br /~ via li /
SRIE: Probabilidade
3.3.1. Expectncia, esperana, mdia ou valor esperado de X ................................................................................. 24
3.3.2. A varincia de X ........................................................................................................................................... 24
3.3.3. O desvio padro ........................................................................................................................................... 25
3.3.4. A varincia relativa e o coeficiente de variao ............................................................................................ 25
3.4. DISTRIBUIES ESPECIAIS DE PROBABILIDADE DISCRETAS ...................................................................................... 26
3.4.1. A distribuio de Bernoulli ........................................................................................................................... 26
3.4.2. A distribuio Binomial ................................................................................................................................ 28
3.4.3. A distribuio Geomtrica ............................................................................................................................ 31
3.4.4. A distribuio Binomial Negativa.................................................................................................................. 33
3.4.5. A distribuio Hipergeomtrica .................................................................................................................... 36
3.4.6. A distribuio Uniforme Discreta.................................................................................................................. 38
3.4.7. A distribuio de Poisson.............................................................................................................................. 40
3.4.8. Propriedades da distribuio de Poisson ...................................................................................................... 43
3.4.9. Relao entre as distribuies Binomial, Hipergeomtrica e Poisson ............................................................ 44
4. EXERCCIOS ........................................................................................................................................................... 46
5. RESPOSTAS DOS EXERCCIOS............................................................................................................................ 54
6. REFERNCIAS ........................................................................................................................................................ 58
Agradeo a reviso criteriosa feita por Nilton Marcelo Silveira.
Pr of. L or Via li
SRIE: Probabilidade
1. INTRODUO
A cincia manteve-se at pouco tempo atrs, firmemente apegada lei da causa e efeito.
Quando o efeito esperado no se concretizava, atribua-se o fato ou a uma falha na experincia ou a
uma falha na identificao da causa. No poderia haver quebra da cadeia lgica. Segundo Laplace
(Pierre Simon) uma vez conhecidas a vizinhana, a velocidade e a direo de cada tomo no universo,
poder-se-ia, a partir da, predizer com certeza, o futuro at a eternidade.
Sabe-se hoje, atravs do princpio da incerteza , que no bem assim. Que no existem meios
que permitam determinar os movimentos dos eltrons individuais se conhecido a sua velocidade, conforme o estabelecido em 1927, pelo fsico alemo W. Heisenberg.
1.1. MODELOS
Conforme J. Neyman, toda a vez que se emprega Matemtica com a finalidade de estudar algum fenmeno deve-se comear por construir um modelo matemtico. Este modelo pode ser: determinstico ou ento probabilstico.
1.1.1. Modelo determnistico

Neste modelo as condies sob as quais o experimento executado, determinam o resultado
do experimento. Tome-se, por exemplo, a lei de Ohm, V = I.R. Se R e I forem conhecidos, ento V estar precisamente determinado.
1.1.2. Modelo no-determinstico ou probabilstico

um modelo em que de antemo no possvel explicitar ou definir um resultado particular.
Este modelo especificado atravs de uma distribuio de probabilidade. utilizado quando se tem
um grande nmero de variveis influenciando o resultado e estas variveis no podem ser controladas.
Tome-se por exemplo, o lanamento de um dado onde se tenta prever o nmero da face que ir sair, a
retirada de uma carta de um baralho, etc.
O modelo estocstico caracterizado como um modelo probabilstico que depende ou varia
com o tempo.
Pr of. L or Via li
SRIE: Probabilidade
1.2. EXPERIMENTO ALEATRIO (NO-DETERMINSTICO)

No existe uma definio satisfatria de Experimento Aleatrio. Por isto necessrio ilustrar
o conceito um grande nmero de vezes para que a idia fique bem clara. Convm lembrar que os exemplos dados so de fenmenos para os quais modelos probabilsticos so adequados e que por simplicidade, so denominados de experimentos aleatrios, quando, de fato, o que deveria ser dito modelo no-determinstico aplicado a um experimento.
Ao descrever um experimento aleatrio deve-se especificar no somente que operao ou
procedimento deva ser realizado, mas tambm o que que dever ser observado. Note-se a diferena
entre E2 e E3.
E1: Joga-se um dado e observa-se o nmero obtido na face superior.
E2: Joga-se uma moeda 4 vezes e o observa-se o nmero de caras obtido.
E3: Joga-se uma moeda 4 vezes e observa-se a seqncia de caras e coroas.
E4: Um lote de 10 peas contm 3 defeituosas. As peas so retiradas uma a uma (sem reposio) at que a ltima defeituosa seja encontrada. Conta-se o nmero de peas retiradas.
E5: Uma lmpada nova ligada e observa-se o tempo gasto at queimar.
E6: Lana-se uma moeda at que ocorra uma cara e conta-se ento o nmero de lanamentos
necessrios.
E7: Lanam-se dois dados e anota-se o total de pontos obtidos.
E8: Lanam-se dois dados e anota-se o par obtido.
1.2.1. Caractersticas dos Experimentos Aleatrios

Observando-se os exemplos acima pode-se destacar algumas caractersticas comuns:
1.
Podem ser repetidos indefinidamente sob as mesmas condies.
2. No se pode adiantar um resultado particular, mas pode-se descrever todos os resultados

possveis
3. Se repetidos muitas vezes apresentaro uma regularidade em termos de freqncia de resultados.
1.3. O ESPAO AMOSTRAL

A cada experimento pode-se associar um conjunto de resultados.
Pr of. L or Via li
SRIE: Probabilidade
Definio
o conjunto de todos os resultados possveis de um experimento aleatrio. Anota-se por S, E
ou .
Exemplo 1.1
Determinar o espao amostra dos experimentos anteriores. Si refere-se ao experimento Ei.
S1 = { 1, 2, 3, 4, 5, 6 }
S2 = { 0, 1, 2, 3, 4 }
S3 = { cccc, ccck, cckc, ckcc, kccc, cckk, kkcc, ckck, kckc, kcck, ckkc, ckkk, kckk, kkck,
kkkc, kkkk }
S4 = { 3, 4, 5, 6, 7, 8, 9 , 10 }
S5 = { t / t 0 }
S6 = { 1, 2, 3, 4, 5, ... }
S7 = { 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12 }
S8 = { (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) }
Ao descrever um espao amostra de um experimento, deve-se ficar atento para o que se est
observando ou mensurando. Deve-se falar em um espao amostral associado a um experimento e
no de o espao amostral. Deve-se observar ainda que nem sempre os elementos de um espao amostral so nmeros.
1.3.1. Classificao de um espao amostra

Um espao amostral, conforme exemplos anteriores pode ser classificado em:
(a) Finito. So os espaos: S1, S2, S3, S4, S7 e S8
(b) Infinitos. (i) Enumerveis (ou contveis): S6
(ii) No-enumerveis (ou no contveis): S5
Pr of. L or Via li
SRIE: Probabilidade
1.4. EVENTOS
O espao amostral desempenha uma funo bsica na teoria da probabilidade. Mas a probabilidade definida para subconjuntos de um espao amostral.
Definio:
Qualquer subconjunto de um espao amostra S denominado um evento (*).
Assim tem-se que:
S o evento certo;
{ a } o evento elementar e
o evento impossvel.
Convm observar que tecnicamente todo subconjunto de um espao amostra um evento apenas quando ele for finito ou, ento, infinito enumervel. Se o espao amostra infinito noenumervel possvel construir subconjuntos que no so eventos. Se S finito, isto , #(S) = n ento
o nmero de eventos possveis #P(A) = 2n.
1.5. COMBINAO DE EVENTOS

Pode-se realizar operaes entre eventos da mesma forma que elas so realizadas entre conjuntos. Antes de definir as operaes conveniente conceituar o que se entende por ocorrncia de um
evento.
Seja E um experimento com um espao amostra associado S. Seja A um evento
de S. dito que o evento A ocorre se realizada a experincia, isto , se executado E, o resultado for um elemento de A.
Sejam A e B dois eventos de um mesmo espao amostra S. Diz-se que ocorre o evento:
1. A unio B ou A soma B, anotado por AB, se e somente se A ocorre ou B ocorre.
AB
2. A produto B ou A interseo B, anotado por AB ou AB, se e somente A ocorre e B ocorre.
Pr of. L or Via li
SRIE: Probabilidade
AB
3. A menos B ou A diferena B, anota-se A - B, se e somente se A ocorre e B no ocorre.

A-B
4. O complementar de A, anotado por A , AC ou ainda A se e somente se A no ocorre.

A'
1.6. EVENTOS MUTUAMENTE EXCLUDENTES

Dois eventos A e B, so denominados mutuamente exclusivos ou excludentes, se eles no puderem ocorrer juntos, isto , se AB = .
1.7. PROPRIEDADE DAS COMBINAES DE EVENTOS

Os diagramas de Venn (John Venn 1834-1923) podem ser usados para ilustrar propriedades
das operaes entre conjuntos.
As propriedades que podem ser verificadas atravs dos diagramas so:
Propriedade comutativa:
AUB = BUA
AB = BA
Propriedade associativa:
(AUB)UC = AU(BUC)
(AB)C = A(BC)
Propriedade distributiva:
Pr of. L or Via li
SRIE: Probabilidade
A(BUC) = (AB)U(AC)
AU(BC) = (AUB) (AUC)
Propriedades da identidade:
AU = A
AU = A
As leis de De Morgan1
(AB) = AUB
(AUB) = AB
Em homenagem ao lgico Britnico Augustus de Morgan (1805-1871)

Pr of. L or Via li
SRIE: Probabilidade
2. CONCEITOS DE PROBABILIDADE
Existem pelo menos trs formas de se definir probabilidade. Entre elas a definio clssica, a
freqencial e a axiomtica. A definio subjetiva no ser tratada.
2.1. A DEFINIO CLSSICA

Seja E um experimento aleatrio e S um espao amostra associado formado por n resultados igualmente provveis. Seja A S um evento com m elementos. A probabilidade de A, anotada
por P(A), l-se pe de A, definida como sendo: P(A) = m / n
Isto , a probabilidade do evento A o quociente entre o nmero m de casos favorveis e o
nmero n de casos possveis.
Exemplo 2.1
Calcular a probabilidade de no lanamento de um dado equilibrado obter-se:
(a) Um resultado igual a 4.
(b) Um resultado mpar.
Soluo:
S = { 1, 2, 3, 4, 5, 6 } n = #(S) = 6
(a) A = { 4 } m = #(A) = 1 ento
(b) B = { 1, 3, 5 }
P(A) = m / n = 1 / 6 = 16,67%
m = #(B) = 3 ento
P(B) = m / n = 3 / 6 = 50%
2.1.1. Crtica definio clssica

(i) A definio clssica dbia, j que a idia de igualmente provvel a mesma de com
probabilidade igual, isto , a definio circular, porque est definindo essencialmente a probabilidade com seus prprios termos.
(ii) A definio no pode ser aplicada quando o espao amostral infinito.
2.2. A DEFINIO FREQNCIAL

Na prtica acontece que nem sempre possvel determinar a probabilidade de um evento.
Neste caso necessrio ter um mtodo de aproximao desta probabilidade. Um dos mtodos utiliza-
Pr of. L or Via li
SRIE: Probabilidade
dos a experimentao que objetiva estimar o valor da probabilidade de um evento A com base em valores reais. A probabilidade avaliada atravs deste processo denominada de probabilidade emprica.
2.2.1. Freqncia relativa de um evento

Seja E um experimento e A um evento de um espao amostra associado ao experimento E.
Suponha-se que E seja repetido n vezes e seja m o nmero de vezes que A ocorre nas n repeties de E. Ento a freqncia relativa do evento A, anotada por frA, o quociente:
frA = m/n = (nmero de vezes que A ocorre)/(nmero de vezes que E repetido)
Exemplo 2.2
(i) Uma moeda foi lanada 200 vezes e forneceu 102 caras. Ento a freqncia relativa de caras : frA = 102 / 200 = 0,51 = 51%
(ii) Um dado foi lanado 100 vezes e a face 6 apareceu 18 vezes. Ento a freqncia relativa
do evento A = {face 6} : frA = 18 / 100 = 0,18 = 18%
2.2.2. Propriedades da freqncia relativa

Seja E um experimento e A e B dois eventos de um espao amostra associado S. Sejam frA e
frB as freqncias relativas de A e B respectivamente. Ento.
(i) 0 frA 1, isto , a freqncia relativa do evento A um nmero que varia entre 0 e 1.
(ii) frA = 1 se e somente se, A ocorre em todas as n repeties de E.
(iii) frA = 0, se e somente se, A nunca ocorre nas n repeties de E.
(iv) frAUB = frA + frB se A e B forem eventos mutuamente excludentes.
Definio
Seja E um experimento e A um evento de um espao amostra associado S. Suponhamos que E
repetido n vezes e seja frA a freqncia relativa do evento. Ento a probabilidade de A definida
como sendo o limite de frA quando n tende ao infinito. Ou seja:
P(A) = lim fr A
n
Pr of. L or Via li
10
SRIE: Probabilidade
Deve-se notar que a freqncia relativa do evento A uma aproximao da probabilidade de

A. As duas se igualam apenas no limite. Em geral, para um valor de n, razoavelmente grande a frA
uma boa aproximao de P(A).
2.2.3. Crtica definio freqencial

Esta definio, embora til na prtica, apresenta dificuldades matemticas, pois o limite pode
no existir. Em virtude dos problemas apresentados pela definio clssica e pela definio freqencial, foi desenvolvida uma teoria moderna2, na qual a probabilidade um conceito indefinido, como o
ponto e a reta o so na geometria.
2.3. DEFINIO AXIOMTICA

Seja E um experimento aleatrio com um espao amostra associado S. A cada evento A S
associa-se um nmero real, representado por P(A) e denominado probabilidade de A, que satisfaz as
seguintes propriedades (axiomas):
(i) 0 P(A) 1;
(ii) P(S) = 1;
(iii) Se AB = ento P(AUB) = P(A) + P(B)
(iv) Se A1, A2, ..., An, ..., forem, dois a dois, eventos mutuamente excludentes, ento:
P ( U Ai ) =
i =1
P ( Ai )
i =1
Obs.: Os trs primeiros axiomas so suficientes para lidar com espaos amostrais finitos. Para manejar
espaos amostrais infinitos o axioma trs deve ser substitudo pelo axioma quatro.
2.3.1. Conseqncias dos axiomas (propriedades)

(i) P() = 0
Prova
Seja A S ento tem-se que A = , isto , A e so mutuamente excludentes. Ento:
Devida a Andrey Nikolaevich Kolmogorov (1903-1987)

Pr of. L or Via li
11
SRIE: Probabilidade
P(A) = P(A) = P(A) + P(), pelo axioma trs. Cancelando P(A) em ambos os lados da igualdade segue que P() = 0.
(ii) Se A e A so eventos complementares ento: P(A) + P( A ) = 1 ou P( A ) = 1 - P(A)
Prova
Tem-se que A A = e A A = S. Ento:
1 = P(S) = P(A A ) = P(A) + P( A ), pela propriedade 3.
(iii) Se A B ento P(A) P(B)
Prova
Tem-se: B = A(B - A) e A(B - A) =
Assim P(B) = P(A(B - A)) = P(A) + P(B - A) e como P(B - A) 0 segue que:
P(B) P(A)
(iv) Se A e B so dois eventos quaisquer ento:
P(A - B) = P(A) - P(AB)
Prova
A = (A - B)(AB) e (A - B) (AB) =
Logo P(A) = P((A - B)(AB)) = P(A - B) + P(AB). Do que segue:
P(A - B ) = P(A) - P(AB).
(v) Se A e B so dois eventos quaisquer de S, ento:
P(AB) = P(A) + P(B) - P(AB)
Prova
AB = (A - B)B e (A - B)B= Tem-se ento:
P(AB) = P((A - B)B) = P(A - B) + P(B) = P(A) + P(B) - P(AB), pela propriedade (iv).
(vi) P(ABC) = P(A) + P(B) + P(C) - P(AB) - P(AC) - P(BC) + P(ABC)
Prova
Faz-se BC = D e aplica-se a propriedade (v) duas vezes.
Pr of. L or Via li
12
SRIE: Probabilidade
(vii) Se A1, A2, ..., An so dois a dois mutuamente exclusivos, ento:

n
i =1
i =1
P(U Ai ) = P(Ai)
Prova
A prova realizada por induo matemtica. O axioma trs implica que o resultado vale para
n = 2. Agora preciso mostrar que se o resultado verdadeiro para algum n > 2 ento ele vale para
n + 1. Este resultado combinado com o fato de que ele vlido para n = 2, implica que ele vlido para n 2.
Suponhamos que o resultado vale para "n > 2", isto :
n
i =1
i =1
P(U Ai ) = P(Ai) .
Vamos considerar o caso "n + 1", ou seja:
n +1
n
P( U Ai) = P U Ai U A n +1
i =1
i =1
i =1
i =1
= P U Ai + P(A n +1) = U P(Ai) + P(A n +1) , pela propriedade sete.
Ento:
n +1
n +1
i =1
i =1
i =1
P( U A i) = P(A i) + P(A n +1) = P(A i) ,
que o resultado desejado.
(viii) Se A1, A2, ..., An so eventos de um espao amostra S, ento: P(A1A2...An) =

n
i =1
i =1
P(U Ai ) = P(Ai) -
P( Ai A j) +
i< j= 2
k+1
P( Ai A j Ar ) + ... + (-1) P(A1A2...An)
i< j<r = 3
Os axiomas mais as propriedades fornecem um conjunto de resultados para que se possa calcular a probabilidade de qualquer evento A em termos de outros eventos dados. Entretanto ainda necessria a atribuio de probabilidades iniciais para um conjunto bsico de eventos a partir do qual as
probabilidades dos demais podero ser obtidas. Este problema resolvido nas duas sees seguintes.
2.4. PROBABILIDADE CONDICIONADA E INDEPENDNCIA

Considerando as propriedades vistas pra a probabilidade pode-se perceber que existem regras
para desdobrar a unio, a diferena e o complementar, no entanto, no existe uma regra para desdobrar
o produto. Para obter uma regra para o produto necessrio um conceito adicional que a idia de
probabilidade condicionada.
Pr of. L or Via li
13
SRIE: Probabilidade
Suponha-se que se quer extrair duas peas ao acaso de um lote que contm 100 peas das
quais 80 peas so boas e 20 defeituosas, de acordo com os critrios (a) com reposio e (b) sem reposio. Define-se os seguintes eventos:
A = { A primeira pea defeituosa } e B = { A segunda pea defeituosa }.
Ento, se a extrao for com reposio P(A) = P(B) = 20 / 100 = 1 / 5 = 20%, porque existem
20 peas defeituosas num total de 100.
Agora se a extrao for sem reposio tem-se ainda que P(A) = 20 / 100 = 20%, mas o mesmo
no verdadeiro para P(B). Neste caso, necessrio conhecer a composio do lote no momento da
extrao da segunda pea, isto , preciso saber se a primeira pea retirada foi ou no defeituosa. Neste caso necessrio saber se A ocorreu ou no. O que mostra a necessidade do conceito de probabilidade condicionada.
2.4.1. Definio
Sejam A e B dois eventos de um espao amostra S, associado a um experimento E, onde
P(A) > 0. A probabilidade de B ocorrer condicionada a A ter ocorrido, ser representada por P(B/A), e
lida como: probabilidade de B dado A ou probabilidade de B condicionada a A, e calculada por:
P(B/A) = P(AB) / P(A)
No exemplo acima, ento P(B/A) = 19 / 99, pois se A ocorreu (isto , se saiu pea defeituosa
na primeira retirada) existiro na urna apenas 99 peas das quais 19 defeituosas.
Sempre que se calcular P(B/A) est se calculando a probabilidade de ocorrncia do evento B
em relao ao espao amostra reduzido A, ao invs de faz-lo em relao ao espao amostral original
S.
Quando se calcula P(B) est se calculando a probabilidade de estar em B, sabendo-se que se
est em S, mas quando se calcula P(B/A) est calculando a probabilidade de B, sabendo-se que se est
em A agora e no mais em S, isto , o espao amostra fica reduzido de S para A.
simples verificar as seguintes propriedades de P(B/A) para A fixado:
(i) 0 P(B|A) 1,
(ii) P(S|A) = 1,
(iii) P(B1B2|A) = P(B1 | A) + P(B2 | A) se B1 B2 =
(iv) P(B1B2 ....|A) = P(B1|A) + P(B2|A) + ... se Bi Bj = para i j.
Observe-se que estas propriedades so idnticas aos axiomas de probabilidade.

Pr of. L or Via li
vi al i@mat .u fr gs. br
14
SRIE: Probabilidade
Pode-se tambm comparar P(A|B) e P(A). Para tanto considere-se os quatro casos ilustrados
nos diagramas abaixo:
Tem-se:
(a) P(A|B) = 0, porque A no poder ocorrer se B tiver ocorrido.
(b) P(A|B) = P(AB) / P(B) = [P(A) / P(B)] P(A), j que P(A) P(B), pois A B.
(c) P(A|B) = P(AB) / P(B) = [P(B) / P(B)] = 1 P(A).
(d) Neste caso nada se pode afirmar sobre o relacionamento entre P(A|B) e P(A).
a) AB =
(b) A B
(c) B A
B
A
A
A
(d) Caso geral
2.4.2. Teorema da multiplicao

Com o conceito de probabilidade condicionada possvel apresentar uma maneira de se calcular a probabilidade da interseo de dois eventos A e B em funo destes eventos. Esta expresso
denominada de teorema da multiplicao.
P(AB) = P(A).P(B|A) = P(A|B).P(B)
2.4.3. Independncia de dois eventos

Sejam A e B dois eventos de um espao amostra S. A e B so ditos independentes se a probabilidade de um deles ocorrer no afetar a probabilidade do outro ocorrer, isto , se:
P(A|B) = P(A) ou
P(B|A) = P(B) ou ainda se
P(AB) = P(A).P(B)
Qualquer uma das trs relaes acima pode ser usada como definio de independncia.
Exemplo 2.3
[MEY78] Trs componentes C1, C2, e C3, de um mecanismo so postos em srie (em linha reta). Suponha que esses componentes sejam dispostos em ordem aleatria. Seja R o evento { C2 est
direita de C1 }, e seja S o evento { C3 est direita de C1 }. Os eventos R e S so independentes? Por
qu?
Pr of. L or Via li
15
SRIE: Probabilidade
Soluo:
Para que R e S sejam independentes deve-se ter: P(RS) = P(R).P(S).
O espao amostra para este caso :
S = {C1C2C3, C1C3C2, C2C1C3, C2C3C1, C3C1C2, C3C2C1}
As seqncias em que C2 est direita de C1 so:
R = {C1C2C3, C1C3C2, C3C1C2}. Logo: P(R) = 3/6 = 50%
As seqncias em que C3 est direita de C1 so:
S = {C1C2C3, C1C3C2, C2C1C3}. Logo P(S) = 3/6 = 50%
As seqncias em que C2 est direita de C1 e C3 est tambm direita de C1 so:
RS = {C1C2C3, C1C3C2}. Logo
P(RS ) = 2/6 = 1/3 = 33,33% P(R).P(S) = 0.5.0,5 = 0,25 = 25%
Portanto os eventos R e S no so independentes.
2.5. TEOREMAS DA PROBABILIDADE TOTAL E DE BAYES

O conceito de probabilidade condicionada pode ser utilizado para calcular a probabilidade de
um evento simples A ao invs da probabilidade da interseo de dois eventos A e B. Para tanto necessrio o conceito de partio de um espao amostra.
Definio
Diz-se que os conjuntos A1, A2, ..., An eventos de um mesmo espao amostra S, formam uma
partio deste espao se:
A1
(a) Ai Aj = , para todo i j.

(b) A1 A2 ... An = S
A4
An-1
A5
(c) P(Ai) > 0, para todo i
A2
Exemplo 2.4
...................................
A3
An
Considere-se o espao amostra obtido pelos

nmeros das faces no lanamento de um dado equilibrado e sejam os eventos:
A1 = {1, 2, 3}, A2 = {4, 5} e A3 = {6}
Ento, pode-se verificar facilmente que, os eventos acima formam um partio do espao amostra S = {1, 2, 3, 4, 5, 6}.
Pr of. L or Via li
16
SRIE: Probabilidade
2.5.1. Teorema da probabilidade total

Considere-se um espao amostra S e A1, A2, ..., An uma partio deste espao amostra. Seja B
um evento de S. Ento B, pode ser escrito como (A figura acima ilustra a partio com n = 8):
B = (B A1) (B A2) ... (B An)
A1
A4
claro que, alguns destes conjuntos B Aj,

podero ser vazios, mas isto no representa nenhum
A5
A2
problema na decomposio de B. O importante que
An-1
B
...................................
todos os conjuntos B A1, B A2, ..., B An so
A3
dois a dois mutuamente excludentes. E por isto, pode-
An
se aplicar a propriedade da adio de eventos mutuamente excludentes e escrever.

P(B) = P[(B A1) (B A2) ... (B An)] = P(B A1) + P(B A2) + ... + P(B An)
Mas cada um dos termos P(B Aj) pode ser escrito na forma:
P(B Aj) = P(Aj).P(B|Aj), pela definio de probabilidade condicionada, obtm-se ento o
denominado teorema da probabilidade total:
P(B) = P(A1).P(B|A1) + P(A2).P(B|A2) + ... + P(An).P(B|An)
Exemplo 2.5
Uma determinada pea manufaturada por 3 fbricas: 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 ainda que 2% das peas
produzidas por A e por B so defeituosas, enquanto que 4% das produzidas por C so defeituosas. Todas as peas produzidas so misturadas e colocadas em um depsito. Se do depsito for retirada uma
pea ao acaso, qual a probabilidade de que ela seja defeituosa?
Soluo:
Considerem-se os seguintes eventos:
D = { A pea defeituosa }, A = { A pea provm da fbrica A }, B = { A pea provm da
mquina B } e C = { A pea provm da mquina C }.
Tem-se ento que: P(A) = 50%, P(B) = P(C) = 25%, uma vez que s existem as 3 fbricas e
que A produz o dobro de B e esta por sua vez produz a mesma quantidade que C. Sabe-se tambm que
P(D|A) = P(D|B) = 2% e que P(D|C) = 4%.
Pelo teorema da probabilidade total pode-se escrever que:
Pr of. L or Via li
17
SRIE: Probabilidade
P(D) = P(A).P(D|A) + P(B).P(D|B) + P(C).P(D|C) = 0,5.0,02 + 0,25.0,02 + 0,25.0,04 =

2,50%, pois A, B e C formam uma partio do espao amostra S.
2.5.2. Teorema de Bayes

Suponha-se que no exemplo acima, uma pea retirada do depsito e se verifica que defeituosa. Qual a probabilidade de que tenha sido produzida pela fbrica A? ou B? ou ainda C?
Neste caso, o que se quer calcular a
probabilidade condicionada P(A|D).
Pela notao j vista acima, e generalizando a questo o que se est interessado em
obter a probabilidade de ocorrncia de um
dos Ai dado que B ocorreu, isto , o que se quer
A4
saber o valor de P(Ai | B), onde os eventos

A1, A2, ..., An formam uma partio de S e B
um evento qualquer de S.
Aplicando a definio de probabilidade condicionada segue que:

P(Ai | B) = P(Ai B) / P(B) = P(Ai).P(B | Ai) / P(B), onde P(B) avaliado pelo teorema da
probabilidade total. Este resultado conhecido como teorema de Bayes. Assim:
P(Ai | B) = P(Ai).P(B | Ai) / [P(A1).P(B|A1) + P(A2).P(B|A2) + ... + P(An).P(B|An)]
Exemplo 2.6
Considerando a pergunta acima vem ento:
P(A | D), isto a probabilidade de ter sido produzida pela mquina A dado que a pea defeituosa :
P(A | D) = P(A). P(D | A) / P(D) = 0,02.0,50 / (0,5.0,02 + 0,25.0,02 + 0,25.0,04) = 0,40 =
40%
Pr of. L or Via li
18
SRIE: Probabilidade
3. VARIVEIS ALEATRIAS
3.1. INTRODUO
Ao se descrever o espao amostra de um experimento nota-se que os elementos no so necessariamente nmeros. Assim, por exemplo, no lanamento de duas moedas pode-se ter o seguinte
espao amostra:
S = { cc, ck, kc, kk }
Contudo, na maior parte das vezes, se est interessado num resultado numrico, isto , desejase associar aos elementos do espao amostra S um nmero real x = X(s).
Seja E um experimento com um espao amostra associado S. Uma funo X que associe a cada elemento de S (s S) um nmero real x = X(s) denominada varivel aleatria.
O conjunto formado por todos os valores x, isto , a imagem da varivel aleatria X, denominado de conjunto de valores de X e anotado por X(S). Desta forma:
X(S) = { x | X(s) = x }
Exemplo 3.1
Seja S o espao amostra formado pelas seqncias obtidas no lanamento de 3 moedas equilibradas. Seja X a varivel aleatria definida como sendo o nmero de caras da seqncia, isto , X(s) =
x = nmeros de caras. O conjunto de valores da varivel X X(S) = { 0, 1, 2, 3 }, pois, neste caso,
tem-se:
X(ccc) = 0
X(ckk) = 1, etc.
Ou ento:
s
kkk
ckk, kck, kkc
cck, ckc, kcc
ccc
X(s)
Conforme o conjunto de valores uma varivel aleatria poder ser discreta ou contnua.
Se o conjunto de valores for finito ou ento infinito enumervel a varivel dita discreta.
Se o conjunto de valores for infinito no enumervel ento a varivel dita contnua.
Pr of. L or Via li
19
SRIE: Probabilidade
3.2. VARIVEL ALEATRIA DISCRETA

Uma varivel aleatria X dita discreta se o seu conjunto de valores X(S) finito ou ento infinito contvel ou enumervel.
Observao.: Um conjunto dito contvel se ele puder ser colocado em correspondncia um a
um com os nmeros naturais.
3.2.1. A funo de probabilidade

Seja X uma varivel aleatria discreta (VAD), isto , com X(S) finito ou infinito enumervel,
definida num espao amostral S. A cada resultado xi de X(S) associa-se um nmero f(xi) = P(X = xi)
denominado probabilidade de xi e tal que satisfaz as seguintes propriedades:
f(xi) 0, para todo i.
f(xi) = 1
A funo f assim definida denominada de funo de probabilidade de X
A coleo dos pares (xi, f(xi)) para i = 1, 2, 3, ... denominada de distribuio de probabilidade da VAD X.
Note-se que f(x) = P(X = x) = P({s S | X(s) = x}) Desta forma quando se calcula f(x) est se
calculando, na realidade, a probabilidade do evento {s S | X(s) = x} S.
Exemplo 3.2
Dois dados so lanados e observa-se o par obtido. O espao amostra formado por 36 resultados equiprovveis. Sejam X e Y duas variveis aleatrias definidas da seguinte forma:
X = soma do par obtido
Y = maior valor do par
Tem-se ento:
X(S) = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
Y(S) = {1, 2, 3, 4, 5, 6}
Para X tem-se:
f(2) = P( X = 2) = P({ (1, 1) }) = 1/36
f(3) = P( X = 3) = P({ (2, 1), (1, 2) }) = 2/36
f(4) = P( X = 4) = P({ (1, 3), (2, 2), (3, 1) }) = 3/36
Pr of. L or Via li
20
SRIE: Probabilidade
f(5) = P( X = 5) = P({ (1, 4), (2, 3), (3, 2), (4, 1) }) = 4/36
f(6) = P( X = 6) = P({ (1, 5), (2, 4), (3, 3), (4, 2), (5, 1) }) = 5/36
f(7) = P( X = 7) = P({ (1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1) }) = 6/36
f(8) = P( X = 8) = P({ (2, 6), (3, 5), (4, 4), (5, 3), (6, 2) }) = 5/36
f(9) = P( X = 9) = P({ (3, 6), (4, 5), (5, 4), (6, 3) }) = 4/36
f(10) = P( X = 10) = P({ (4, 6), (5, 5), (6, 4) }) = 3/36
f(11) = P( X = 11) = P({ (5, 6), (6, 5) }) = 2/36
f(12) = P( X = 12) = P({ (6, 6)}) = 1/36
Em resumo:
x
10
11
12
f(x)
1/36
2/36
3/36
4/36
5/36
6/36
5/36
4/36
3/36
2/36
1/36
Para Y tem-se:
f(1) = P( Y = 1) = P({ (1, 1) }) = 1/36
f(2) = P( Y = 2) = P({ (2, 1), (2, 2), (1, 2) }) = 3/36
f(3) = P( Y = 3) = P({ (1, 3), (2, 3), (3, 3), (3,2), (3, 1) }) = 5/36
f(4) = P( Y = 4) = P({ (1, 4), (2, 4), (3, 4), (4, 4), (4, 3), (4, 2), (4, 1) }) = 7/36
f(5) = P( Y = 5) = P({ (1, 5), (2, 5), (3, 5), (4, 5), (5, 5), (5, 4), (5, 3), (5, 2), (5, 1) }) = 9/36
f(6) = P( Y = 6) = P({ (1, 6), (2, 6), (3, 6), (4, 6), (5, 6), (6, 6), (6, 5), (6, 4), (6, 3), (6, 2),
(6, 1)}) = 11/36
Em resumo:
y
f(y)
1/36
3/36
5/36
7/36
9/36
11/36
3.2.2. Representao da funo de probabilidade

Existem trs maneiras de representar a funo de probabilidade de uma VAD X:
(i) Atravs de uma tabela.
(ii) Atravs de uma expresso analtica para f(x) (frmula).
(iii) Atravs de um diagrama, onde os valores da varivel so registrados no eixo das abscis-
sas e as probabilidades no eixo das ordenadas.

Pr of. L or Via li
21
SRIE: Probabilidade
Exemplo 3.3
(i) As duas tabelas acima.
(ii) Considere-se a varivel Y, do exemplo acima, onde Y(S) = {1, 2, 3, 4, 5, 6}. Ento:
f: Y(S)
y
(2y - 1)/36
Deste modo: f(1) = (2.1 - 1) / 36 = 1 / 36

f(6) = (6.2 - 1) / 36 = 11/ 36
(iii) Veja o diagrama abaixo.
0,35
0,30
0,25
0,20
0,15
0,10
0,05
0,00
1
Figura 3.1 - Diagrama de barras da distribuio de Y
3.2.3. A funo de distribuio acumulada

Seja X uma VAD com funo densidade f(x). Ento a funo de distribuio acumulada FDA, ou simplesmente funo de distribuio (ou repartio) de X a funo F definida por:
F(x) = P(X x).
Da Definio segue que:
P(a < X b) = P(X b) P(X a) = F(b) F(a).
Se X for uma VAD ento a F a funo em escada definida por:
F(x) = P(X x) = f ( xi)
xi x
Se X for uma VAC ento a funo F(x) definida por:

x
F(x) = - f (u )du
Pr of. L or Via li
22
SRIE: Probabilidade
Outras propriedades que decorrem da definio so:

(i) F(x) uma funo montona crescente, isto , se x1 x2, ento F(x1) F(x2)
(ii) lim F( x ) = 0 e lim F(x ) = 1
x
(iii) 0 F(x) 1 para - < x <

(iv) Se X discreta ento F(x) apresenta um salto de altura f(xi) para i = 1, 2, 3, ... e constante no intervalo [xi; xi+1). Assim F(x) = F(xi) para xi x < xi+1 e F(xi+1) = F(xi) + f(xi+1).
Pode ser notado que a FDA de qualquer varivel discreta cresce sempre em saltos, isto , ela
uma funo em escada (observe a Figura 3.2), enquanto que a FDA de uma varivel aleatria contnua
tambm contnua e no apresenta saltos (descontinuidades).
A FDA de uma varivel aleatria extremamente til principalmente no manejo do clculo de
probabilidades de funes com expresses analticas complicadas ou daquelas funes que no so integrveis numericamente.
Exemplo 3.4
Seja X uma VAD com a distribuio da tabela abaixo:
x
-2
f(x)
1/4
1/8
1/2
1/8
Ento a funo de distribuio de X dada por:

F(x) = 0
se
= 1/4
se
-2 x < 1
= 3/8
se
1x<2
= 7/8
se
2x<4
= 1
x < -2
se
x4
Figura 3.2 - A Funo de Distribuio Acumulada

Pr of. L or Via li
23
SRIE: Probabilidade
3.3. VARIVEL ALEATRIA DISCRETA (CARACTERIZAO)

Considere X uma varivel aleatria discreta assumindo os valores: x1, x2, ..., xi, ..., com probabilidades f(x1), f(x2), .... , f(xi), ....
3.3.1. Expectncia, esperana, mdia ou valor esperado de X

A mdia, expectncia, valor esperado ou esperana matemtica da varivel aleatria X representada por ou E(X) e calculada por:
= E(X) = x1f(x1) + x2f(x2) +... + xnf(xn) + ... = xi. f ( xi)
Exemplo 3.5
Calcular o nmero esperado de faces caras no lanamento de duas moedas equilibradas.
Soluo:
Seja X = Nmero de caras. Ento a distribuio de X dada por:
x
f(x)
1/4
2/4
1/4
Logo a expectncia de X ser: E(X) = 0.(1/4) + 1.(2/4) + 2.(1/4) = 1/2 + 1/2 = 1 cara.
3.3.2. A varincia de X
Seja X uma varivel aleatria discreta com mdia = E(X). Ento a varincia de X, anotada
por 2 ou V(X) definida por:
2 = V(X) = f(x1) (x1 - )2 + f(x2) (x2 - )2 + ... + f(xn) (xn - )2 + ... = f ( xi ) (xi )2
Pode-se demonstrar que a expresso da varincia, acima, pode ser transformada na seguinte
expresso:
2 = V(X) = f (x i) (xi )2 = f (x i) x i2 2 = E(X2) - [E(X)]2 = E(X2) - 2
Exemplo 3.6
Calcular a varincia da distribuio do exemplo anterior.
Soluo:
Tem-se que:
Pr of. L or Via li
24
SRIE: Probabilidade
E(X) = 1, ento:
2 = V(X) = f ( xi) ( xi ) 2 = (1/4)(0 - 1)2 + (2/4)( 1 - 1)2 + (1/4)(2 - 1)2 = 1/2

Ou ainda:
E(X2) = (1/4).02 + (2/4).12 + (1/4).22 = 3/2
2 = V(X) = E(X2) - 2 = 3/2 - 12 = 1/2
3.3.3. O desvio padro

O desvio padro da varivel X, anotado por , a raiz quadrada da varincia.
3.3.4. A varincia relativa e o coeficiente de variao

Seja X uma varivel aleatria discreta com mdia = E(X) e varincia 2 = V(X). Ento a varincia relativa de X, anotada por: 2, e definida por: 2 = 2 / 2
O coeficiente de variao de X definido como a raiz quadrada da varincia relativa: = /
Exemplo 3.7
Um vendedor recebe uma comisso de R$ 50,00 por uma venda. Baseado em suas experincias anteriores ele calculou a distribuio de probabilidades das vendas semanais:
x
f(x)
0,10
0,20
0,40
0,20
0,10
(a) Qual o valor esperado de vendas por semana?

(b) Qual a probabilidade de ganhar pelo menos R$ 150,00 por semana?
(c) Qual o desvio padro das vendas semanais?
(d) Qual o coeficiente de variao das vendas semanais?
Soluo:
(a) E(X) = 0.0,10 + 1.0,20 + 2.0,40 + 3.0,20 + 4.0,10 = 2 vendas por semana. Logo, como ele
recebe R$ 50,00 por venda a renda esperada semanal : R$ 100,00.

(b) Para ganhar pelo menos R$ 150,00 por semana ele deve realizar 3 ou 4 vendas por sema-
na. Esta probabilidade : P(X 3) = 0,20 + 0,10 = 0,30 = 30%
Pr of. L or Via li
25
SRIE: Probabilidade
(c) Deve-se inicialmente avaliar o valor da varincia e para tanto calcula-se antes a mdia dos
quadrados: E(X2) = 02.0,10 + 12.0,20 + 22.0,40 + 32.0,20 + 42.0,10 = 5,20.

A varincia ento:
V(X) = E(X2) - 2 = 5,20 - 22 = 5,20 - 4 = 1,20
O desvio padro ser: = 120
,
= 1, 10
(d) O coeficiente de variao o quociente entre o desvio padro e a mdia, isto :
= / = 1,10 / 2 = 0,55 = 55%
3.4. DISTRIBUIES ESPECIAIS DE PROBABILIDADE DISCRETAS

Existem algumas distribuies de probabilidade para variveis discretas que pela sua freqncia de uso vale a pena estudar mais detalhadamente. Estas distribuies apresentam expresses para o
clculo das probabilidades, isto , as probabilidades f(x) podem ser avaliadas atravs de um modelo
matemtico conhecido. Duas destas distribuies so a Binomial e a distribuio de Poisson.
3.4.1. A distribuio de Bernoulli

O experimento corresponde a qualquer um que produza apenas dois resultados. Estes resultados so anotados por 0 ou fracasso e 1 ou sucesso. A probabilidade de ocorrncia de sucesso
representada por p e a de insucesso por q = 1 p.
O conjunto de valores X(S) = {0, 1} e a funo de probabilidade dada por:
1 p = q se x = 0
f ( x ) = P(X = x ) =
se x = 1
p
A representao grfica da distribuio dada por:
0,6
0,4
0,2
0
0
Figura 3.3 Distribuio de Bernoulli com parmetro p = 0,40
Pr of. L or Via li
26
SRIE: Probabilidade
A funo de distribuio da Bernoulli de parmetro p dada por:

se x < 0
F(x) = P(X x) = q
p
se 0 x < 1
se x 1
q
1
Sua representao grfica pode ser vista na Figura 3.4

Figura 3.4 FDA de uma Bernoulli com parmetro p = 0,40
Propriedades da distribuio de Bernoulli

Mdia, expectncia ou valor esperado
= E(X) = x.f (x ) = 0.q + 1.p = p, isto , a mdia de uma varivel aleatria com distribuio
de Bernoulli igual ao seu parmetro p.
Varincia
2 = E(X2) - 2 = 0.q + 1.p p2 =p p2 = p(1- p) = pq, isto , a varincia de uma varivel aleatria com distribuio de Bernoulli igual ao produto pq. Analisando este produto percebe-se que
ele mximo quando o valor do parmetro p = 0,50.
O desvio padro
=
pq
Exemplo 3.8
Suponha que um circuito testado e que ele seja rejeitado com probabilidade 0,10. Seja X =
o nmero de circuitos rejeitados em um teste. Determine a distribuio de X.
Pr of. L or Via li
27
SRIE: Probabilidade
Soluo:
Como se trata de um nico teste, a varivel X Bernoulli com p = 10%, assim a distribuio
:
x =0
x =1
0,9 se
f ( x ) = P(X = x ) =
0,1 se
3.4.2. A distribuio Binomial

Seja E um experimento aleatrio e S um espao amostra associado. Seja A S um evento de
S. Seja n o nmero de vezes que o experimento E repetido e seja p a probabilidade de A ocorrer
em cada uma das n repeties de E, de modo que, p permanea constante durante as n repeties
de E. Como existem apenas duas situaes: A ocorre ou A no ocorre, pode-se determinar a probabilidade de A no ocorrer como sendo q = 1 - p. Em certas situaes a probabilidade p denominada de
probabilidade de sucesso e a probabilidade q de probabilidade de fracasso.
Definio:
Seja X uma VAD definida por X = nmero de vezes que A ocorreu nas n repeties de E. A
varivel aleatria X denominada de varivel aleatria Binomial. O conjunto de valores de X, isto ,
X(S) :
X(S) = { 0, 1, 2, 3, ..., n }
15,00
12,00
9,00
6,00
48
45
42
39
36
33
30
27
24
21
18
15
0,00
12
3,00
Figura 3.5 Distribuio B(50; 0,20)
Pr of. L or Via li
28
SRIE: Probabilidade
Teorema:
Se X uma varivel aleatria com um comportamento Binomial, ento a probabilidade de X
assumir um dos valores do conjunto X(S) calculada por:
n
f(x) = P(X = x) = . p x . q n x , para x = 0, 1, 2, ..., n.

x

Demonstrao:
Considere-se um elemento particular do espao amostra S, satisfazendo condio X = x.

Como todas as repeties so independentes a probabilidade desta seqncia particular dada por:
pk(1 - p)n - k, mas esta mesma probabilidade est associada a qualquer outro resultado em que X = k. O
nmero de resultados em que isto ocorre dado por
n
,
k
porque se deve escolher exatamente k casos
dentre n possibilidades para o evento A. Como estes resultados so todos mutuamente excludentes,
ento o valor de P(X = k) o da frmula acima.
Representao:
Se X tem um comportamento Binomial de parmetros n e p ento representa-se X por

B(n, p).
Exemplo 3.9
Considerando X como sendo a VAD igual a nmero de vezes que ocorre face cara em 5 lanamentos de uma moeda equilibrada, determinar a probabilidade de ocorrer:
(a) Duas caras
(b) Quatro caras
(c) No mximo duas caras
Soluo:
Neste caso, tem-se:
n = 5 = nmero de lanamentos.
X = nmero de caras nos 5 lanamentos X(S) = { 0, 1, 2, 3, 4, 5 }
p = P(cara em um lanamento) = 0,50, pois a moeda equilibrada. Logo q = 1 - p = 0,50
Ento:
Pr of. L or Via li
29
SRIE: Probabilidade
5
f(x) = P(X = x) = . 0,5x . 0,55 x , para x = 0, 1, 2, 3, 4, 5

x
(a) P(X = 2) = . 0,52 . 0,53 = 10.0,25.0,125 = 31,25%

2

(b) P(X = 4) = . 0,54 . 0,51 = 5. 0,0625.0,5 = 15,62%

4

(c) P(X 2) = . 0,50 . 0,55 + . 0,51. 0,54 + . 0,52 . 0,53 = 0,55 + 5.0,55 + 10.0,55 = 50%
0
1
2
Propriedades da distribuio bino mial

A vantagem de se ter um modelo conhecido que podemos determinar suas caractersticas de
um modo geral. Assim se X uma VAD com uma distribuio Binomial tem-se:

n
= E(X) = x.f (x ) = x. . p x . q n x = np, isto , a mdia de uma varivel aleatria com dis x
tribuio binomial igual ao produto dos parmetros n e p.
Varincia
n
2 = E(X2) - 2 = x 2. . px .q n x - (np)2 = npq, isto , a varincia de uma varivel aleatria

x
com distribuio binomial igual ao produto dos parmetros n e p e multiplicados ainda por q.
O desvio padro
= npq
Exemplo 3.10
A probabilidade de um exemplar defeituoso com que opera certo processo produtivo de
10%. Considerando X a varivel nmero de unidades defeituosas em uma amostra ocasional de 20
unidades, determinar:
(a) O nmero mdio de item defeituosos na amostra.
(b) O desvio padro do nmero de item defeituosos na amostra.
Pr of. L or Via li
30
SRIE: Probabilidade
Soluo:
(a) E(X) = np = 20.0,10 = 2 itens defeituosos
(b) = npq = 20.0,10.0,90 = 1,80 = 1,34 itens defeituosos.
Exemplo 3.11
[NET74] Num determinado processo de fabricao 10% das peas so consideradas defeituosas. As peas so acondicionadas em caixas com 5 unidades cada uma.
(a) Qual a probabilidade de haver exatamente 3 peas defeituosas numa caixa?
(b) Qual a probabilidade de haver duas ou mais peas defeituosas numa caixa?
(c) Se a empresa paga uma multa de R$ 10,00 por caixa em que houver alguma pea defeituo-
sa, qual o valor esperado da multa num total de 1000 caixas?
Soluo:
5
(a) P(X = 3) = . (0,10)3 . (0,90)2 = 10.0,001.0,81 = 0,81%

3

(b) P(Duas ou mais defeituosas) = P(X = 2) + P(X = 3) + P(X = 4) + P(X = 5). Ao invs de
calcular desta forma mais conveniente utilizar o complementar. Assim:

P(X 2) = 1 - P(X 1) = 1 - [P(X = 0) + P(X = 1)] = 1 - (0,5905 + 0,3280] = 8,15%
(c) A probabilidade de uma caixa pagar multa :
P(PM) = P(X 1) = 1 - P(X = 0) = 1 - 0,5905 = 40,95%

Neste caso tem-se uma nova Binomial com n = 1000 e p = 40,95%. O nmero esperado de
caixas que vo pagar multa, isto , com uma ou mais peas defeituosas ser:
E(PM) = np = 1000.0,4095 = 409,5 caixas.
Como cada uma paga R$ 10,00 de multa, o valor total da multa ser:
PM = R$ 10,00.409,5 = R$ 4 095,00
3.4.3. A distribuio Geomtrica

A distribuio Geomtrica, a exemplo da Binomial, tambm est relacionada com o experimento de Bernoulli. A diferena que, agora, o que fixado o primeiro sucesso e no o nmero de
tentativas.
Pr of. L or Via li
31
SRIE: Probabilidade
Definio:
Seja X = nmero de tentativas realizadas at se conseguir o primeiro sucesso em um experimento de Bernoulli. Ento X uma VAD denominada de Geomtrica.
O conjunto de valores dado por X = {1, 2, 3, ... }
A funo de probabilidade dada por: f(x) = p.qx-1
A representao grfica de uma distribuio com parmetro p = 0,40 dada na Figura 3.6.
0,40
0,20
0,00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Figura 3.6 Distribuio G(0,4)
A funo de distribuio acumulada de uma Geomtrica dada por:
se x < 1
0
F(x ) = P( X x ) =
x
1 - q
se x 1
1,00
0,80
0,60
0,40
0,20
0,00
1
9 10 11 12 13 14 15 16 17 18 19 20
Figura 3.7 A distribuio acumulada da G(0,4)

Pr of. L or Via li
32
SRIE: Probabilidade
Propriedades da distribuio Geom trica

x =1
x =1
= E(X) = x.f ( x ) = x.p. q x 1 =
1
p
Varincia
= E(X ) - = x .f (x ) = x p q
2
x 1
x =1
1
q
= 2
p
p
O desvio padro
=
q /p
Exemplo 3.12
Suponha que um jogador de futebol converta 3 de cada 4 penalidades cobradas. Determine a
probabilidade de ele errar 4 penalidades antes de converter a primeira?
Soluo:
Neste caso, tem-se: p = (3/4) = 75% e q = (1/4) = 25%
X = Nmero de tentativas at o primeiro sucesso, , ento, uma G(0,75)
f(x) = P(X = x) = 0,75.0,25x-1 para x = 1, 2, 3,
Portanto:
f(5) = P(X = 5) = 0,75.0,254 = 0,29%
3.4.4. A distribuio Binomial Negativa

A distribuio binomial negativa tambm conhecida como de Pascal3 ou de Plya4. Ela fornece o nmero de falhas at um nmero fixo de sucessos. Um experimento que apresenta uma distribuio binomial negativa satisfaz as seguintes condies:
O experimento consiste de uma seqncia de tentativas independentes;
Blaise Pascal (1623 1662)
Pr of. L or Via li
33
SRIE: Probabilidade
Cada tentativa apresenta apenas dois resultados: sucesso ou fracasso;

A probabilidade de sucesso permanece constante em todas as tentativas;
O experimento continua at que um total de r sucessos sejam observados, onde r um
valor inteiro maior do que um, fixado de antemo.
Definio:
Seja X = nmero de tentativas realizadas at se conseguir o r-simo sucesso.
Ento X uma VAD denominada de Binomial Negativa ou de Pascal.
O conjunto de valores dado por X = {r, r + 1, r + 2, ... }
A funo de probabilidade dada por:
x 1 r x r
p q
f ( x ) = P(X = x ) =
r
1
A representao grfica de uma distribuio com parmetro p = 0,80 dada na Figura 3.8.
0,60
0,40
0,20
0,00
3
10
11
12
Figura 3.8 Distribuio BN(3; 0,8)
A funo de distribuio acumulada dada por:

se x < r
0
F( x ) = x k - 1 r k r
se x r
k= r r - 1 p q
Geoge Plya (1887 1985)

Pr of. L or Via li
34
SRIE: Probabilidade
1,00
0,80
0,60
0,40
0,20
0,00
1
10
Figura 3.9 Distribuio acumulada da BN(3; 0,8)
Propriedades da distribuio Binomial Negativa

x 1
r x r
=
= E(X) = x.f (x) = x.
p q
p
x =r
x =r r 1
Varincia
2
x 1 r x r r
rq
p q = 2
= E(X ) - = x .f (x ) = x
x =r r 1
p
p
2
O desvio padro
=
rq / p
Exemplo
Suponha que um jogador de basquete acerte 4 a cada 5 lances livres. Seja X o nmero de erros
at o terceiro acerto. Determine a probabilidade que ele precise fazer 6 lances, isto , P(X = 6).
Soluo:
Neste caso, tem-se:
r = 3, p = (4/5) = 80% e q = (1/5) = 20%
X = Nmero de tentativas at o terceiro acerto , ento, uma BN(3; 0,8)
Pr of. L or Via li
35
SRIE: Probabilidade
x 1 3 x 3
f (x) = P(X = x) =
0,8 0,2
r 1
onde x = 3, 4, 5, 6,
6 1 3 6 3 5 3 3
f (6) = P(X = 6) =
= 0,8 .0,2
0,8 .0,2
3 1
2
= 0,0410 = 4,10%
Observaes:
Existe uma relao entre a Binomial e a Pascal (Binomial Negativa). Na Binomial fixa-se o
tamanho da amostra (nmero de provas de Bernoulli) e observa-se o nmero de sucessos.
Na Binomial Negativa fixa-se o nmero de sucessos e observa-se o tamanho da amostra (nmero de provas de Bernoulli) necessrio para obter o nmero fixado de sucessos.
Um segundo caso especial da distribuio Binomial Negativa surge quando se tem r = 1. Neste caso, tem-se a denominada distribuio Geomtrica, isto o nmero necessrio de provas de Bernoulli at a obteno do primeiro sucesso.
3.4.5. A distribuio Hipergeomtrica

Considere-se um conjunto de N elementos, r dos quais tem uma determinada caracterstica (r
N) e N -r no tenham esta caracterstica. Extra-se n elementos (n N) sem reposio. Seja X a varivel aleatria igual ao nmero de elementos que possuem a caracterstica entre os n retirados. X denominada de varivel aleatria hipergeomtrica.
As probabilidades de uma varivel aleatria hipergeomtrica podem ser avaliadas por:
P(X = x) =
r N r

x n x

N

n

com x = max{0, N - r - n}, ... , min(r, n).
Uma vez que X = x, se e somente se, forem retirados x elementos dentre os r que possuem a
caracterstica e forem retirados n - x dentre os n - r que no possuem a caracterstica.
Propriedades da distribuio Hipergeomtrica
Fazendo p = r/N e q = (N - r) / N, tem-se:
Pr of. L or Via li
36
SRIE: Probabilidade

r N r

= E(X) = x.f (x ) = x. x n x = ... = (rn) / N = np.

N

n
Varincia
r N r

x
n
x
2
2
2
- (np)2 = npq N n .
= E(X ) - = x2 .
N1
N

n
n
(c) P(X = x) . px . qn x para N grande.
x
Note-se que se as extraes fossem feitas com reposio, ter-se-ia uma distribuio Binomial.
A propriedade (c) afirma que para N suficientemente grande a distribuio hipergeomtrica pode ser
aproximada pela distribuio Binomial. Em geral, esta aproximao ser boa se (n / N) 0,1.
A distribuio hipergeomtrica ser representada por H(r; n; N)
0,25
0,20
0,15
0,10
0,05
0,00
0
10
11
12
13
14
15
Figura 3.10 Distribuio hipergeomtrica H(20; 20; 50)
Exemplo 3.13
Uma caixa contm 12 lmpadas das quais 5 esto queimadas. So escolhidas 6 lmpadas ao
acaso. Qual a probabilidade de que:
(a) Exatamente duas estejam queimadas?

Pr of. L or Via li
37
SRIE: Probabilidade
(b) Pelo menos uma esteja boa?

(c) Pelo menos duas estejam queimadas?
(d) O nmero esperado de lmpadas queimadas?
(e) A varincia do nmero de lmpadas queimadas?
Soluo:
Tem-se N = 12, r = 5 e n = 6, ento:
5 7

(a) P(X = 2) = 2 4 = 37,88%
12

6
(b) Se so retiradas 6 lmpadas e somente 5 esto queimadas, ento necessariamente uma ser
boa, portanto:
P(pelo menos uma boa) = 100%.
(c) P(X 2) = 1 - P(X < 2) = 1 - [P(X = 0) + P(X = 1)] = 1 -
5 7

0 6
12

6
5 7

1 5
12

6
= 87,88%.
(d) E(X) = (rn) / N = 5.6 / 12 = 30/12 = 5/2 = 2,50.

(e) V(X) = nr ( N r ) ( N n ) .=
N
( N 1)
5.7.6 = 210/1584 = 0,1326 = 13,26%.

12.12.11
3.4.6. A distribuio Uniforme Discreta

A distribuio uniforme a mais simples das variveis discretas. A varivel assume os valores: x1, x2, ..., xn sempre com igual probabilidade.
Definio
Uma varivel aleatria X que assume os valores x1, x2, ..., xn dita uniforme discreta se todos
os valores ocorrem com a mesma probabilidade, isto , f(xi) = 1/n.
A Figura 3.11 representa uma distribuio uniforme discreta de uma varivel que assume os
valores de 1 a 10.
Pr of. L or Via li
38
SRIE: Probabilidade
0,10
0,05
0,00
1
10
Figura 3.11 Distribuio Uniforme Discreta com valores de 1 a 10

A funo acumulada dada por:
se x < x1
F( xi ) = P( xi ) = i
n
se x x i
A Figura 3.12 representa a funo de distribuio acumulada de uma uniforme discreta no

conjunto variando de 1 a 10.
1,00
0,80
0,60
0,40
0,20
0,00
1
10
Figura 3.12 FDA de uma uniforme no conjunto de 1 a 10
Pr of. L or Via li
39
SRIE: Probabilidade
Propriedades da distribuio Uniforme Discreta

n
= E(X) = xif ( xi ) =
i =1
1 n
xi
n i =1
Varincia
2
n 2
x
( x i)
n
n
1 n 2 i =1 i
2
2
2
i =1
21
2
2
= E(X ) - = x i f ( x i) = xi
= xi
n
n i =1
n
i =1
i =1
n2
Exemplo 3.14
Suponha que um dado honesto lanado. Seja X = valor da face voltada para cima. Determinar a distribuio de X.
Soluo:
x
f(x)
1/6
1/6
1/6/
1/6
1/6
1/6
3.4.7. A distribuio de Poisson

Na distribuio binomial, a varivel de interesse era o nmero de sucessos (ocorrncias do evento A) em um intervalo discreto (n repeties do experimento E). Muitas vezes, entretanto, o interesse reside no nmero de sucessos em um intervalo contnuo, que pode ser de tempo, comprimento,
superfcie, etc. Para se caracterizar uma distribuio que leve em conta o nmero de sucessos (valores)
em um intervalo contnuo, ser suposto que:
(i) Eventos definidos em intervalos no sobrepostos so independentes;

(ii) Em intervalos de mesmo comprimento, so iguais as probabilidades de ocorrncia de um
mesmo nmero de sucessos;
(iii) Em intervalos muito pequenos, a probabilidade de mais de um sucesso desprezvel;

(iv) Em intervalos muito pequenos, a probabilidade de um sucesso proporcional ao comprimento do intervalo.
Pr of. L or Via li
40
SRIE: Probabilidade
Se os valores de uma varivel satisfazem as hipteses (i) a (iv) acima se dir que ela segue um processo de Poisson.
Definio:
Seja X uma VAD definida por um processo de Poisson, assumindo os valores: 0, 1, ..., n, ..,
com taxa > 0.
Ento:
f(x) = P(X = x) =
e x
, para x = 0, 1, 2, 3, ... , onde x o nmero de eventos que ocorrem
x!
em um intervalo sobre o qual se espera uma mdia de ocorrncias.

Alm disso, X pode ser definida como o nmero de eventos que ocorrem sobre um perodo
de tempo t, substituindo na equao acima por t. Desta forma a distribuio de Poisson pode ser escrita como:
0,18
0,16
0,14
0,12
0,10
0,08
0,06
0,04
20
18
16
14
12
10
0,00
0,02
e t (t )
, para x = 0, 1, 2, 3, ...
x!
x
f(x) = P(X = x) =
A distribuio de Poisson ser representada por P().

Figura 3.13 Distribuio de Poisson P(5)
Exemplo 3.15
Em um certo tipo de fabricao de fita magntica, ocorrem defeitos a uma taxa de 1 a cada
2000 metros. Qual a probabilidade de que um rolo com 2000 metros de fita magntica:
Pr of. L or Via li
41
SRIE: Probabilidade
(a) No tenha defeitos?

(b) Tenha no mximo dois defeitos?
(c) Tenha pelo menos dois defeitos?
Soluo:
Neste caso, tem-se:
= Taxa de defeitos a cada 2000 metros.
X = nmero de defeitos a cada dois mil metros.

x = 0, 1, 2, 3, ...
Ento:
f(x) = P(X = x) =
e x
, para x = 0, 1, 2, 3, ...
x!
(a) P(X = 0) =
e110
e x
=
= e-1 = 36,79%
x!
0!
(b) P(X 2) =
1 1
e110
e112 5e1
+ e 1 +
=
= 91,97%
0!
1!
2!
2
(c) P(X 2) = 1 - P(X 1) = 1 - [
1 1
e110
+ e 1 ] = 1 - 2e-1 = 26,42%
0!
1!
Exemplo 3.16
[NET74] Um dado formado por chapas de plstico de 10x10 cm. Em mdia aparecem 50
defeitos por metro quadrado de plstico, segundo uma distribuio de Poisson.
(a) Qual a probabilidade de uma determinada face apresentar exatamente 2 defeitos?
(b) Qual a probabilidade de o dado apresentar no mnimo dois defeitos?
(c) Qual a probabilidade de que pelo menos 5 faces sejam perfeitas?
Soluo:
(a) Em mdia aparecem:
d = 50 defeitos/m2 = 50/10 000 defeitos/cm2
Como cada face tem a = 10cm x 10 cm = 100 cm2, tem-se ento:
= (50/10000) defeitos/cm2 x 100 cm2 = 0,5 defeitos por face.
A probabilidade de uma face apresentar dois defeitos ser:

Pr of. L or Via li
42
SRIE: Probabilidade
0,5 ( 0,5)2
P(X = 2) = e
= 7,58%
2!
(b) No dado inteiro, a rea total ser a = 6x100 cm2 = 600 cm2 e o nmero mdio de defeitos
ser ento:
= (50/10000) defeitos /cm2 x 600 cm2 = 3 defeitos
A probabilidade de o dado apresentar no mnimo dois defeitos ser:

P(X 2) = P(X = 2) + P(X = 3) + ... = 1 - P(X 1) = 1 - [P(X = 0) + P(X =1)] =
3 0
3 1
= 1 - [ e 3 + e 1 ] = = 1 - [0,0498 + 0,1494] = 80,08%
0!
1!
(c) A probabilidade de pelo menos 5 faces perfeitas :

P(Y 5) = P(Y = 5) + P(Y = 6). A probabilidade de uma face ser perfeita a probabilidade de
ela no apresentar defeitos, isto :
0,5 ( 0,5)0
= 60,65%
P (X = 0) = e
0!
Tem-se ento uma binomial Y com n = 6 (nmero de faces do dado) e p = 60,65% = probabilidade de uma face ser perfeita. Ento a probabilidade de pelo menos 5 perfeitas, ser:
6
6
P(Y 5) = P(Y = 5) + P(Y = 6) = . (0,6065)5 . (0,39350)1 + . (0,6065)6 . (0,3935)0 =
5
6
24,36%
3.4.8. Propriedades da distribuio de Poisson

Se X for uma VAD com distribuio de Poisson, ento:

= E(X) = x. f ( x) = x
e- x
x!
Varincia
x
2 = E(X2) - 2 = x 2 e - 2= 2 + - 2 =
x!
Pr of. L or Via li
43
SRIE: Probabilidade
O desvio padro
=
3.4.9. Relao entre as distribuies Binomial, Hipergeomtrica
e Poisson
Seja X uma varivel aleatria discreta com distribuio Hipergeomtrica de parmetros n,
r e N. Ento quando N e r crescem, isto tendem ao infinito, de modo que o quociente p = r/N permanea constante, ento:
r N r

lim
x n x n x n x
N
P(X = x) =
= . p . q
N
x
r

n
Seja X uma varivel aleatria discreta com distribuio Binomial de parmetros n e p. Isto :
n
f(x) = P(X = x) = . px . q n x
x
Admita-se que quando n , tenha-se np = = constante, ou de uma forma equivalente,

quando n , p 0, de modo que np . Nestas condies tem-se ento:
n
e x
P(X = x) = lim . p x . q n x =
n
n x
x!
lim
Os teoremas afirmam que os trs modelos convergem sempre que alguns valores tendem a
crescem de modo que outros permaneam relativamente constantes.
Exemplo 3.17
Uma amostra de 20 peas retirada de um lote de 100 peas de uma mquina que trabalha
com um ndice de defeitos de 4%. Determinar a probabilidade de se encontrar duas peas defeituosas
na amostra.
Soluo:
(a) Pela Binomial, tem-se:
Pr of. L or Via li
44
SRIE: Probabilidade
20
P(X = 2) = . (0,04)2 . (0,96)18 = 14,58%
2
(b) Usando uma aproximao pela distribuio de Poisson de mdia = np = 20.0,01 = 2,

tem-se:
2
0,8
P(X = 2) = e
= = 14,38%
2!
(c) Este exemplo pode ainda ser resolvido atravs da Hipergeomtrica. Se considerarmos que
dois por cento de 50 uma pea.
4 96

2 18
P(X = 2) = = 15,31%
100
20
Pr of. L or Via li
45
SRIE: Probabilidade
4. EXERCCIOS
(12) Quatro moedas so lanadas e observa-se a seqncia de caras e coroas obtida. Qual o espao amostra do experimento.
(13) Uma urna contm duas bolas brancas (B) e trs bolas vermelhas (V). Retira-se uma bola ao acaso
da urna. Se for branca, lana-se uma moeda; se for vermelha, ela devolvida urna e retira-se outra
bola. D uma espao amostra para o experimento.
(14) Trs times A, B e C disputam um torneio de futebol. Inicialmente, A joga com B e o vencedor joga com C, e assim por diante. O torneio termina quando um jogador ganha duas vezes em seguida ou
quando so disputadas, ao todo, quatro partidas. Enumere os resultados do espao amostra: resultados
possveis do torneio.
(15) Uma moeda e um dado so lanados. D o espao amostral correspondente.
(16) Considerando dois eventos A e B de um mesmo espao amostra S, expresse em termos de operaes entre eventos:
(16.1) A ocorre mas B no ocorre;
(16.2) Exatamente um dos eventos ocorre;
(16.3) Nenhum dos eventos ocorre.
(17) Dois dados so lanados. Define-se os eventos: A = soma dos pontos obtidos igual a 9, e B = o
ponto do primeiro dado maior ou igual a 4. Determine os eventos A e B e ainda os eventos: AB,
AB e A
(18) Uma urna contm 12 moedas de igual tamanho, sendo 7 douradas e 5 prateadas. O experimento
consiste em retirar, sem reposio e ao acaso, duas moedas desta urna. Calcular a probabilidade de que
saiam:
(18.1) Uma moeda dourada e uma prateada, nesta ordem.
(18.2) Uma moeda dourada e uma prateada.
(18.3.) Duas moedas douradas.
(18.4) Duas moedas de mesma cor.
(19) Resolva o exerccio um considerando a retirada das moedas com reposio.
(20) sejam P(A) = 0,3, P(B) = 0,8 e P(AB) = 0,15.
(20.1) A e B so mutuamente exclusivos? Justifique.
Pr of. L or Via li
46
SRIE: Probabilidade
(20.2) Qual a P(B )?

(b) P(AB )
(20.3) Determine (a) P(AUB)
(c) P( A B )
(d) P( A B)
(21) Suponha que A e B sejam eventos tais que P(A) = x, P(B) = y e P(AB) = z. Exprima cada uma
das seguintes probabilidades em termos de x, y e z.
(21.1) P(AUB)
(21.2) P( A )
(21.6) P( A UB)
(21.7) P( A B)
(21.3) P(B )
(21.4) P(A/B)
(21.5) P( A UB )
(21.8) P(AB )
(21.9) P( A B )
(21.10) P( A / B )
(22) Uma amostra de 140 investidores de um banco revelou que 80 investem em poupana, 30 investem no fundo e 10 investem na poupana e no fundo. Selecionado um destes investidores ao acaso,
qual a probabilidade de que ele tenha investimentos na poupana ou no fundo?
(23) A probabilidade de um aluno A resolver uma questo de prova 0,80, enquanto que a do aluno B
0,60. Qual a probabilidade de que a questo seja resolvida se os dois alunos tentarem resolv-la independentemente.
(24) Um atirador A tem probabilidade de 1/4 de acertar um alvo. J um atirador B tem probabilidade
de 2/5 de acertar o mesmo alvo. Se ambos atirarem simultaneamente e independentemente, qual a probabilidade de que:
(24.1) Ao menos um deles acerto o alvo e
(24.2) Ambos acertem o alvo?
(25) Sejam A e B dois eventos mutuamente excludentes. A probabilidade de ocorrncia de ao menos

um destes eventos 0,52 e a probabilidade de A no ocorrer 0,60. Calcule a probabilidade de B ocorrer?
(26) Sejam: P(A) = 0,50; P(B) = 0,40 e P(AUB) = 0,70.
(26.1) A e B so eventos mutuamente excludentes? Por que?
(26.2) Qual o valor de P(AB).
(26.3) A e B so eventos independentes? Por que?
(26.4) Quais os valores de P(A/B) e P(B/A).
(27) Uma turma composta de 9 alunos de Economia, 14 de Administrao e 21 de Contbeis. Desejase eleger ao acaso uma comisso de dois alunos dessa turma. Calcule a probabilidade de que esta comisso seja formada por:
(27.1) Alunos s da Economia.
(27.2) Um aluno da Economia e outro de outro curso.
(27.3) Um aluno da Economia e outro da Contbeis.
Pr of. L or Via li
47
SRIE: Probabilidade
(27.4) Dois alunos da Administrao ou dois da Contbeis.

(28) Um produtor de parafusos verificou que em uma amostra de 100 parafusos 5 eram defeituosos.
Numa segunda amostra de 200 parafusos ele encontrou 9 defeituosos. Voc diria que a probabilidade
de o prximo parafuso a ser produzido ter defeito 0,05? Ou 0,045? Explique?
(29) Se o jogo um da loteria esportiva for marcado na coluna dois, ento possvel afirmar que a probabilidade de acertar este jogo de 1/3? Por que?
(30) Dois nmeros so escolhidos ao acaso e sem reposio, dentre 6 nmeros positivos e 8 negativos,
e ento multiplicados. Calcule a probabilidade de que o produto seja positivo.
(31) Os lugares de 6 pessoas em uma mesa circular so determinados por sorteio. Qual a probabilidade
de Aristeu e Fariseu se sentem lado a lado?
(32) Suponha-se que so retiradas duas bolas, sem reposio, de uma caixa contendo 3 bolas pretas e 5
bolas vermelhas. Determine:
(32.1) Todos os resultados possveis e suas respectivas probabilidades.
(32.2) Todos os resultados possveis e suas probabilidades supondo a extrao com reposio da
primeira bola retirada.
(33) Uma caixa contm 4 vlvulas defeituosas e 6 perfeitas. Duas vlvulas so extradas juntas. Uma
delas ensaiada e se verifica ser perfeita. Qual a probabilidade de que a outra vlvula tambm seja perfeita?
(34) Um dado viciado, de tal forma que a probabilidade de sair um certo ponto proporcional ao seu
valor (por exemplo o ponto 4 duas vezes mais provvel do que o ponto dois). Calcular:
(34.1) A probabilidade de sair 5, sabendo-se que o ponto que saiu mpar.
(34.2) A probabilidade de sair um nmero par, sabendo que saiu um nmero maior do que 3.
(35) A probabilidade de que dois eventos independentes ocorram so p e q, respectivamente. Qual a
probabilidade de que:
(35.1) Nenhum destes eventos ocorra.
(35.2) Pelo menos um destes eventos ocorra
(36) Calcular a P(A) sabendo que: P(AB) = 0, 72 e P(AB ) = 0,18.

(37) Um restaurante popular apresenta apenas dois tipos de refeies: salada completa e um prato base de carne. 20% dos fregueses do sexo masculino preferem salada; 30% das mulheres escolhem carne;
75% dos fregueses so homens. Considere os seguintes eventos:
H: o fregus homem
Pr of. L or Via li
A: O fregus prefere salada
48
SRIE: Probabilidade
M: O fregus mulher
B: O fregus prefere carne
Calcular:
(37.1) P(H)
(37.2) P(A/H)
(37.5) P(AH)
(37.6) P(M/A)
(37.3) P(B/M)
(37.4) P(AH)
(38) Uma companhia de seguros analisou a freqncia com que 2000 segurados (1000 homens e 1000
mulheres) usaram o hospital. Os resultados esto apresentados na tabela:
Usaram o hospital
No usaram o hospital
Homens
Mulheres
100
900
150
850
(38.1) Qual a probabilidade de que uma pessoa segurada use o hospital?

(38.2) O uso do hospital independe do sexo do segurado?
(39) As probabilidades de 3 motoristas serem capazes de dirigir at em casa com segurana, depois de
beber, so: 1/3, 1/4 e 1/5. Se decidirem (erradamente) dirigir at em casa, depois de beber numa festa,
qual a probabilidade de todos os 3 motoristas sofrerem acidentes? Qual a probabilidade de que ao menos um chegue em casa a salvo?
(40) Duas lmpadas queimadas foram misturadas acidentalmente com 6 lmpadas boas. Se as lmpadas forem sendo testadas, uma a uma, at encontrar as duas queimadas, qual a probabilidade de que a
ltima defeituosa seja encontrada no quarto teste?
(41) Num teste com duas marcas que lhe so apresentadas em ordem aleatria, um experimentador de
vinhos faz trs identificaes corretas em trs tentativas.
(41.1) Qual a probabilidade disto ocorrer, se na realidade ele no possui habilidade alguma para
distinguir?
(41.2) E se a probabilidade de distinguir corretamente de 90% em cada tentativa?
(42) Dados que dois acontecimentos A e B ocorrem independentemente com probabilidades p e q respectivamente, determine a probabilidade da ocorrncia de um e somente um destes acontecimentos.
(43) Dois aparelhos de alarme funcionam de forma independente, detectando problemas com probabilidades de 0,95 e 0,90. Determinar a probabilidade de que dado um problema, este seja detectado por
somente um dos aparelhos.
(44) Sejam A e B dois eventos. Suponha que P(A) = 0,40, enquanto P(AB) = 0,70. Seja P(B) = p.
(44.1) Para que valor de p, A e B sero mutuamente excludentes?
(44.2) Para que valor de p, A e B sero independentes?
Pr of. L or Via li
49
SRIE: Probabilidade
(45) Um aparelho escolhido ao acaso dentre 10 aparelhos, sendo que destes 6 funcionam sem falhas
com uma probabilidade de 80% e os outros quatro funcionam sem falhas com uma probabilidade de
95%. Determinar a probabilidade de que o aparelho escolhido funcione sem falhas.
(46) Trs mquinas A, B e C apresentam respectivamente: 10%, 20% e 30% de defeituosos na sua
produo. Se a trs mquinas produzem igual quantidade de peas e retiramos duas peas ao acaso da
produo global qual a probabilidade de que ambas sejam perfeitas?
(47) Dentre 5 mquinas existem 3 de maior preciso que garantem um acerto de 95% e as duas restantes garantem um acerto de 75%. Escolhida uma mquina ao acaso qual a probabilidade de acerto?
(48) Das peas fornecidas por duas mquinas automticas 60% e 84%, respectivamente, so de alta
qualidade. A produtividade da primeira mquina o dobro do que a da segunda mquina. Retirada
uma pea ao acaso de um lote produzido pelas duas mquinas verificou-se que ela era de alta qualidade. Determinar a probabilidade de que tenha sido produzida pela primeira mquina.
(49) Uma caixa contm quatro moedas, uma das quais com duas caras. Uma moeda foi tomada ao acaso e jogada duas vezes, obtendo-se duas caras. Qual a probabilidade de que seja a moeda com duas caras?
(50) Cada objeto manufaturado examinado com probabilidade 0,55 por um fiscal e com probabilidade 0,45 por outro fiscal. A probabilidade de passar no exame de acordo com os fiscais de 0,90 e de
0,98 respectivamente. Achar a probabilidade de que um objeto aceito tenha sido examinado pelo segundo fiscal.
(51) Um carro pode parar por defeito eltrico ou mecnico. Se h defeito eltrico o carro para na proporo de 1 para 5 e, se mecnico, 1 para 20. Em 10% das viagens h defeito eltrico e em 20% mecnico, no ocorrendo mais de um defeito na mesma viagem, igual ou de tipo diferente. Se o carro para,
qual a probabilidade de ser por defeito eltrico?
(52) Considere uma urna contendo 3 bolas vermelhas e 5 pretas. Retira-se 3 bolas, sem reposio, e
definida a varivel aleatria X = nmero de bolas pretas retiradas. Determine a distribuio de X.
(53) Um dado jogado 3 vezes. Seja X o nmero de pontos um que aparece. Estabelea a distribuio de probabilidade de X.
(54) Uma caixa contm 3 bolas brancas e uma preta. Uma pessoa vai retirar as bolas uma a uma, at
conseguir apanhar a bola preta. Seja X o nmero de tentativas que sero necessrias. Determine a distribuio de probabilidade de X e calcule a mdia e a varincia de X.
Pr of. L or Via li
50
SRIE: Probabilidade
(55) Dois tetraedros regulares tm suas faces numeradas de 1 a 4. Jogam-se ambos e somam-se os pontos das faces que ficarem voltadas para cima. Sabendo-se que a soma obtida maior do que 4, determine a distribuio de probabilidade dessa soma.
(56) Uma caixa contm 4 bolas brancas e 3 bolas pretas. Estabelea a distribuio de probabilidade do
nmero de bolas retiradas uma a uma e sem reposio at sair a ltima bola preta. Calcule a mdia,
moda e desvio padro dessa varivel aleatria.
(57) Uma pessoa joga 3 moedas e ganha R$ 6,00 se obtiver s caras ou s coroas. Quanto deve pagar
se perder, para que o jogo seja eqitativo (no perca e nem ganhe)?
(58) Em um certo empreendimento comercial, um empresrio pode ter um lucro de R$ 300 com uma
probabilidade de 0,60 ou ento um prejuzo de R$ 100 com uma probabilidade de 0,40. Determinar o
lucro mdio do empreendimento.
(59) O tempo T, em minutos, para que um operrio processe certa pea uma VAD com distribuio
dada na tabela abaixo.
t
2
3
4
5
f(t)
0,10
0,10
0,30
0,20
(59.1) Calcule o tempo mdio de processamento.
6
0,20
7
0,10
(59.2) Para cada pea processada o operrio ganha um fixo de R$ 2,00, mas se processa a pea em
menos de 6 minutos, ganha R$ 0,50 por cada minuto poupado. Por exemplo, se ele processa a pea em 4 minutos, recebe a quantia de R$ 1,00. Encontre a mdia e a varincia de G = quantia ganha por pea.
(60) No jogo de roleta, a pessoa escolhe um nmero entre 37 (de 0 a 36) e aposta x, sendo que , se ganhar, recebe 35x. Quantas vezes se espera que jogue um jogador inveterado que aposta sempre R$ 2,00
e um s nmero e dispe de R$ 50,00?
(61) O conjunto de resultados igualmente possveis de uma varivel aleatria X X(S) = { 0, 1, 2, 3,
4}. Represente em uma tabela a distribuio de X e calcule a expectncia e a varincia de X.
(62) Seja f(x) = 0,1x a funo de probabilidade da varivel aleatria com conjunto de resultados X(S)
= { 1, 2, 3, 4 }. Represente a funo de probabilidade em uma tabela e determine: E(x) e V(X).
(63) Um agente quer aplicar no mercado financeiro com o objetivo de fazer muitas aplicaes mensais
sucessivas. Ele dispem de duas opes, mas usar a de maior rentabilidade. Ele deve optar entre:
I - CDB com renda de 3% ao ms e sem riscos ou
II - Bolsa de valores com renda de 6% ao ms com probabilidade 0,46, 4% com probabilidade
0,45 ou prejuzo de 15% ao ms com probabilidade de 0,09.
Pr of. L or Via li
51
SRIE: Probabilidade
Qual a opo mais lucrativa para o agente?

(64) Ao apostar R$ 100 no preto de uma roleta um apostador pode ganhar R$ 100 com probabilidade
17/37, perder este mesmo valor com probabilidade de 18/37 ou no ganhar nada com probabilidade
2/37. Utilize a expectncia para determinar qual o lucro ou prejuzo esperado em 370 apostas deste
mesmo valor?
(65) Pilhas de uma certa marca so acondicionadas de modo causal em embalagens de quatro pilhas. O
produtor desta marca opera com probabilidade de 0,04 de uma pilha ser defeituosa.
(65.1) Calcule a probabilidade de que uma embalagem tomada ao acaso contenha:
(a) Exatamente uma pilha defeituosa
(b) Somente pilhas perfeitas
(c) No mximo duas pilhas defeituosas.

(65.2) Quantas defeituosas deve-se esperar que existam, em mdia, por embalagem?
(66) Qual a probabilidade de obtermos exatamente duas caras em 8 lanamentos de uma moeda equilibrada?
(67) Uma turma tem 50 alunos, sendo 20 do sexo masculino. Deseja-se atravs de um sorteio que atribua a cada aluno da turma a mesma probabilidade de ser eleito, formar uma comisso de 4 alunos. Deseja-se tambm, determinar a probabilidade de a comisso resultante ter exatamente um aluno do sexo
feminino. Voc usaria o modelo binomial para calcular tal probabilidade? Por que?
(68) Qual a probabilidade de se obter duas ou menos faces 2 em 7 lanamentos de um dado equilibrado?
(69) A probabilidade de um parafuso produzido por uma empresa ser defeituoso 0,03. Seja X a varivel nmero de parafusos defeituosos em envelopes de 500 parafusos.
(69.1) Calcule E(x) e V(x).
(69.2) Suponha que se compre 100 destes envelopes. Quantos defeituosos deve-se esperar?
(70) Uma distribuio binomial tem mdia igual a 3 e varincia igual a 2. Calcule P(X = 2).
(71) Em um experimento binomial com 3 provas, a probabilidade de exatamente 2 sucessos 12 vezes
a probabilidade de 3 sucessos. Determine o valor de p.
(72) Em uma urna existem 18 bolas brancas e duas pretas. Calcule as probabilidades de retiradas 7 bolas, sair apenas uma bola preta, nos seguintes casos:
(72.1) As bolas so repostas na urna aps as retiradas.
(72.2) As bolas no so repostas na urna aps as retiradas.
Pr of. L or Via li
52
SRIE: Probabilidade
(73) Uma loja tem um lote de 10 fechaduras, das quais 5 tm defeitos. Se uma pessoa comprar 3 fechaduras, qual a probabilidade de encontrar no mximo uma defeituosa?
(74) Se X tiver uma distribuio de Poisson com parmetro , e se P(X = 0) = 0,20, calcular P(X > 2).
(75) As chegadas de petroleiros a uma refinaria a cada dia ocorrem segundo uma distribuio de Poisson com parmetro = 2. As atuais instalaes podem atender, no mximo, a 3 petroleiros por dia. Se
mais de 3 aportarem por dia o excesso enviado para outro porto.
(75.1) Qual a probabilidade de se enviar petroleiros para outro porto?
(75.2) De quanto devero ser aumentadas as instalaes para permitir atender a todos os navios
que chegarem pelo menos em 95% dos dias?
(75.3) Qual o nmero mdio e qual o desvio padro do nmero de petroleiros que chegam por dia?
(76) Suponha que um comprador precisa decidir se vai aceitar ou no um lote de itens. Para tal, ele retira uma amostra de tamanho n do lote e conta o nmero x de defeituosos. Se x a, o lote aceito
e se x > a, o lote rejeitado. O nmero a fixado pelo comprador. Suponha que n = 19 e a = 2. Determine a probabilidade de se aceitar o lote para as seguintes propores de defeituosos no lote:
(76.1) p = 0,20
Pr of. L or Via li
(76.2) 0,10
(76.3) 0,05
53
SRIE: Probabilidade
5. RESPOSTAS DOS EXERCCIOS

(12) S = { cccc, ccck, cckc, ckcc, kccc, cckk, ckkc, kkcc, ckck, kckc, kcck, kkkc, kkck, kckk, ckkk,
kkkk},
(13) S = { BC, BK, VB, VV}, onde C = cara e K = coroa.
(14) S = { AA, ACC, ACBB, BB, BCC, BCAA, ACBA, BCAB }
(15) S = { (c, 1), (c, 2), ..., (c, 6), (k, 1), (k, 2), ..., (k, 6) }, onde c = cara e k = coroa.
(16) (16.1) A B = A - B
(16.2) (A B )( A B) = AUB - AB
(16.3) A B = A B
(17) A = { (3,6), (4, 5), (5, 4), (6,3)}

B = { (4,1), ..., (4, 6), (5, 1), ..., (5, 6), (6, 1), ..., (6, 6) }
AB = { (3, 6), (4,1), ..., (4, 6), (5, 1), ..., (5, 6), (6, 1), ..., (6, 6) }
AB = { (4, 5), (5, 4), (6, 3) }
A = So 32 pares excetuando-se os pares de A acima.
(18) (18.1) 35/132 = 26,52% (18.2) 70/132 = 53,03% (18.3) 42/132 = 31,82% (18.4) 62/132 = 46,97%
(19) (19.1) 35/144 = 24,31% (19.2) 70/144 = 48,61% (19.3) 49/144 = 34,03% (19.4) 74/144 = 51,38%
(20) (20.1) No, pois P(AB)
(20.2) 0,20
(20.3) (a) 0,95
(b) 0,15
(c) 0,05
(d) 0,65
(21) (21.1) x + y - z (21.2) 1 - x (21.3) 1 - y (21.4) z/y (21.5) 1 - z (21.6) 1 - x + z (21.7) y - z

(21.8) x - z
(21.9) 1 - x - y + z
(21.10) (1 - x - y + z) / (1 - y)
(22) 10/14 = 5/7 = 71,43%

(23) 0,92 = 92%
(24) (24.1) 11/20 = 55%
(24.2) 2/20 = 10%
(25) 0,12 = 12%

(26) (26.1) No, pois P(A) + p(B) P(AUB) (26.2) 0,20 = 20% (26.3) Sim, pois P(AB) = P(A).P(B)
(26.4) P(A/B) = 0,50 e P(B/A) = 0,40
(27) (27.1) 72/1892 = 3,81% (27.2) 630/1892 = 33,30% (27.3) 378/1892 = 19,98% (27.4) 602/1892
= 31,82%
(28) No
(29) No
(30) 43/91 = 47,25%
Pr of. L or Via li
54
SRIE: Probabilidade
(31) 2/5 = 40%

(32) (a) Sem reposio
Resultados
PP
PV
VP
VV
Total
(b) Com reposio

Probabilidades
6/56
15/56
15/56
20/56
1
Resultados
PP
PV
VP
VV
Total
Probabilidades
9/64
15/64
15/64
25/64
1
(33) 5/9 = 55,56%

(34) (34.1) 5/9
(34.2) 2/3
(35) (35.1) 1- p - q + pq = (1 - p)(1 - q)
(35.2) p + q - pq
(36) 90%
(37) (37.1) 75%
(37.2) 20% (37.3) 30%
(38) (38.1) 0,125
(37.4) 15%
(37.5) 92,50%
(37.6) 7/13 = 53,85%
(38.2) H dependncia
(39) 0,40 = 40% e 0,60 = 60%

(40) 3/28 = 10,71%
(41) (41.1) 0,125 = 12,50%
(41.2) 0,729 = 72,90%
(42) p(1 - q) + (1 - p)q

(43) 14%
(44) (44.1) p = 0,30
(44.2) p = 0,50
(45) 86%
(46) 64%
(47) 87%
(48) 10/17 = 58,82%
(49) 4/7 = 57,14%
(50) 49/104 = 47,12%
(51) 2/3 = 66,67%
(52)
x
f(x)
(53)
x
f(x)
0
1/56
1
15/56
0
125/216
Pr of. L or Via li
1
75/216
-
2
30/56
3
10/56
2
15/216
3
1/216
-
55
SRIE: Probabilidade
x
f(x)
(54)
1
1/4
x
f(x)
(55)
5
0,40
x
f(x)
(56)
3
1/4
6
0,30
3
1/35
x
f(x)
(57)
2
1/4
7
0,20
4
3/35
6
1/4
4
1/4
= 2,50
2 = 1,25
8
0,10
5
6/35
6
10/35
7
15/35
=6
2 = 1,20
mo = 7
= 1,10
= 6/4 + 3y/4 = 0 y = -2
Ele deve pagar R$ 2,00
y
3/4
(58) R$ 140
(59) (59.1) = 4,60
g
f(g)
(59.2)
= 2,75
4,0
0,10
2
= 0,4125
3,5
0,10
3,0
0,30
2,5
0,20
2
0,30
(60) 925 vezes.

(61)
(62)
x
f(x)
0
0,2
1
0,2
2
0,2
3
0,2
x
f(x)
1
0,1
2
0,2
3
0,3
4
0,4
4
0,2
=2
2 = 2
=3
2 = 1
(63) A bolsa com expectativa de renda de 3,21% ao ms contra os 3% ao ms do CDB.

(64) Prejuzo de R$ 1000
(65) (65.1) (a) 14,16%
(b) 84,93%
(c) 99,98%
(65.2) 16%
(66) 10,94%
(67) No
(68) 90,42%
(69) (69.1) E(X) =
V(x) = 14,55
(69.2) 1500
(70) 23,41%
(71) p = 1/5 = 0,20
(72) (72.1) 37,20%
(72.2) 47,89%
(73) 50%
Pr of. L or Via li
56
SRIE: Probabilidade
(74) 21,90%
(75) (75.1) 14,29%
(75.2) 2
(75.2) 2
(76) (76.1) 23,69%
(76.2) 70,54%
(76.3) 93,35%
Pr of. L or Via li
57
SRIE: Probabilidade
6. REFERNCIAS
BUSSAB, Wilton O, MORETTIN, Pedro A. Estatstica Bsica. 3a ed. So Paulo: Atual, 1986.
COSTA NETO, Pedro Lus de Oliveira, CYMBALISTA, Melvin. Probabilidades: resumos tericos,
exerccios resolvidos, exerccios propostos. So Paulo: Editora Edgard Blcher , 1977.
FELLER, William. An Introduction to Probability Theory and Its Applications (vol. 1). John New
York: Wiley & Sons, 1968. 509 p.
HAZZAN, Samuel. Matemtica Elementar: Combinatria e Probabilidades. So Paulo: Atual, 1977.
HILLIER, Frederick S., LIEBERMAN, Gerald J. Introduo Pesquisa Operacional. So Paulo:
Campus e Editora da Universidade de So Paulo, 1988.
LIPSCHUTZ, Seymour. Teoria e Problemas de Probabilidade. So Paulo: McGraw-Hill, 1974. 225
p.
MARKLAND, Robert E., SWEIGART, James R. Quantitative Methods: Applications to Managerial
Decision Making. New York: John Wiley & Sons, 1987. 827p.
MASON, Robert D., DOUGLAS, Lind A. Statistical Techniques in Business And Economics. IRWIN,
Boston, 1990.
MEYER, Paul L. Probabilidade: aplicaes Estatstica. Rio de Janeiro: Livros Tcnicos e Cientficos, 1978.
MILLER, Charles D., HEEREN, Vern E., HORNSBY Jr., E. John. Mathematical Ideas. USA: Harper
Collins Publishers, 1990.
The Statistics Problem Solver. Research and Education Association, Piscataway, New Jersey, 1993.
ROTHENBERG, Ronald I. Probability and Statistics. Orlando (FL), Hartcourt Brace Jovanovich Publishers, 1991.
ROSS, Sheldon M. Introduction to Probability Models. Orlando (FL): Academic Press, 1985, 502 p.
TRIVEDI, Kishor Shridharbhai. Probability and Statistics with Reliability, Queuing, and Computer
Science Applications. New York: John Wiley & Sons, 2000. 830 p.
Pr of. L or Via li
58

Probabilidade - Parte1

Enviado por

Dados do documento

Descrição original:

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Probabilidade - Parte1

Enviado por

Direitos autorais:

Formatos disponíveis

SRIE: Probabilidade

Texto 1: PROBABILIDADE UNIVARIADA I

htt p:/ / www. ma t .u fr gs. br /~ via li /

Agradeo a reviso criteriosa feita por Nilton Marcelo Silveira.

htt p:/ / www. ma t .u fr gs. br /~ via li /

1.1.1. Modelo determnistico

1.1.2. Modelo no-determinstico ou probabilstico

htt p:/ / www. ma t .u fr gs. br /~ via li /

1.2. EXPERIMENTO ALEATRIO (NO-DETERMINSTICO)

1.2.1. Caractersticas dos Experimentos Aleatrios

Podem ser repetidos indefinidamente sob as mesmas condies.

2. No se pode adiantar um resultado particular, mas pode-se descrever todos os resultados

1.3. O ESPAO AMOSTRAL

htt p:/ / www. ma t .u fr gs. br /~ via li /

1.3.1. Classificao de um espao amostra

htt p:/ / www. ma t .u fr gs. br /~ via li /

1.5. COMBINAO DE EVENTOS

2. A produto B ou A interseo B, anotado por AB ou AB, se e somente A ocorre e B ocorre.

htt p:/ / www. ma t .u fr gs. br /~ via li /

3. A menos B ou A diferena B, anota-se A - B, se e somente se A ocorre e B no ocorre.

4. O complementar de A, anotado por A , AC ou ainda A se e somente se A no ocorre.

1.6. EVENTOS MUTUAMENTE EXCLUDENTES

1.7. PROPRIEDADE DAS COMBINAES DE EVENTOS

htt p:/ / www. ma t .u fr gs. br /~ via li /

Em homenagem ao lgico Britnico Augustus de Morgan (1805-1871)

htt p:/ / www. ma t .u fr gs. br /~ via li /

2.1. A DEFINIO CLSSICA

2.1.1. Crtica definio clssica

2.2. A DEFINIO FREQNCIAL

htt p:/ / www. ma t .u fr gs. br /~ via li /

2.2.1. Freqncia relativa de um evento

2.2.2. Propriedades da freqncia relativa

htt p:/ / www. ma t .u fr gs. br /~ via li /

Deve-se notar que a freqncia relativa do evento A uma aproximao da probabilidade de

2.2.3. Crtica definio freqencial

2.3. DEFINIO AXIOMTICA

2.3.1. Conseqncias dos axiomas (propriedades)

Devida a Andrey Nikolaevich Kolmogorov (1903-1987)

htt p:/ / www. ma t .u fr gs. br /~ via li /

P(A - B) = P(A) - P(AB)

P(AB) = P(A) + P(B) - P(AB)

htt p:/ / www. ma t .u fr gs. br /~ via li /

(vii) Se A1, A2, ..., An so dois a dois mutuamente exclusivos, ento:

Vamos considerar o caso "n + 1", ou seja:

= P U Ai + P(A n +1) = U P(Ai) + P(A n +1) , pela propriedade sete.

P( U A i) = P(A i) + P(A n +1) = P(A i) ,

que o resultado desejado.

(viii) Se A1, A2, ..., An so eventos de um espao amostra S, ento: P(A1A2...An) =

2.4. PROBABILIDADE CONDICIONADA E INDEPENDNCIA

htt p:/ / www. ma t .u fr gs. br /~ via li /

Observe-se que estas propriedades so idnticas aos axiomas de probabilidade.

htt p:/ / www. ma t .u fr gs. br /~ via li /

(d) Caso geral

2.4.2. Teorema da multiplicao

2.4.3. Independncia de dois eventos

htt p:/ / www. ma t .u fr gs. br /~ via li /

2.5. TEOREMAS DA PROBABILIDADE TOTAL E DE BAYES

(a) Ai Aj = , para todo i j.

(c) P(Ai) > 0, para todo i

Considere-se o espao amostra obtido pelos

htt p:/ / www. ma t .u fr gs. br /~ via li /

2.5.1. Teorema da probabilidade total

claro que, alguns destes conjuntos B Aj,