2.

Teoria Elementar das probabilidades ~ Mulenga

2. TEORIA ELEMENTAR DAS PROBABILIDADES

2.1 INTRODUÇAO
Em muitas experiências, há sempre incerteza quanto a ocorrência e tipo de resultado de um
determinado fenómeno observado, mediante a realização de experiências. A fim de obter uma
medida de certeza (chance) ou probabilidade, com que pode –se esperar a ocorrência e o grau de
resultado de um evento atribui-se um número entre 0 a 1 ou no intervalo entre 0 a 100%. Se se
tem a certeza de que o evento ocorrerá, diz –se que sua probabilidade de ocorrência é igual a
100% (ou 1), se não, então diz – se que a probabilidade de ocorrência é igual a zero “0”.

Realizando várias experiências sob condições idênticas, deveria esperar –se resultados que
fossem essencialmente os mesmos. No entanto, os fenómenos observados na vida real são
fenómenos cujos resultados, mesmo em condições normais e idênticas de experimentação variam
de uma observação para outra, dificultando desta maneira a previsão de um resultado futuro.

Experiências ou fenómenos em que os resultados não são essencialmente os mesmos ainda que
as condições de sua realização se mantenham praticamente as mesmas, nos quais os resultados
dependem inteiramente do acaso, são chamados experimentos aleatórios. É sobre este grupo de
fenómenos que incide o estudo da teoria das probabilidades.

Um espaço amostral S de um experimento aleatório A é o conjunto de todos os resultados

possíveis desse experimento.

S  x1 , x2 , x3 , ...., xn }

Um subespaço amostral W de S é qualquer subconjunto do espaço amostral, incluindo o

conjunto vazio.

W  x1 , x2 , x3 , ...., xk } com k  n

Diz-se que um acontecimento A (ou evento E) ocorreu na realização de uma experiência

aleatória se A é um elemento do subespaço W, isto é, um conjunto de resultados favoráveis do
espaço amostral S  A W  S

Exemplo 2.1 Lançando um dado com todas as faces numeradas. Observando o número da face
que aparece em cima.
a) Qual será o espaço amostral desse experimento?
b) Escreva o subespaço amostral constituído por todos os números pares.

Resolução
a) Espaço amostral S ={1, 2, 3, 4, 5, 6}
b) O subespaço amostral constituído por números pares é: W = {2, 4, 6}

32
 2. Teoria Elementar das probabilidades ~ Mulenga

Exemplo 2.2 No lançamento de uma moeda 3 vezes e observando a sequência de cara (K) e
coroa (C) que aparecem na face de cima.
a) Qual será o espaço amostral desse experimento?
b) Escreva o subespaço constituído pela ocorrência de duas ou mais caras.

Resolução
a) O espaço amostral consiste em 8 elementos. Para encontrar este número usemos o diagrama
de árvore que nos dará o número das possibilidades em três lançamentos da moeda

K KKK

K
C KKC

K K KCK
C
C KCC

K CKK
C K
C CKC

K CCK
C

C CCC

1º Lançamento | 2º lançamento | 3º lançamento

Figura 2.1. Determinação do número de elementos no espaço amostral (teorema de contagem)

O espaço amostral será: S = {kkk, kkc, kck, kcc, ckk, ckc, cck, ccc}
b) O subespaço com duas ou mais caras é : W = {kkk, kkc, kck, ckk}

Exemplo 2.3. Considere o lançamento de uma moeda e de um dado.

a) Escreva o espaço amostral dessa experiência.
b) Escreva o subespaço de S que consiste em sair uma cara e um número par.

Resolução
a) O espaço amostral desta experiência tem 2*6 = 12 possibilidades
S = {k1, k2, k3, k4, k5, k6, c1, c2, c3, c4, c5, c6}
b) O subespaço W de S será W = {k2, k4, k6}

33
 2. Teoria Elementar das probabilidades ~ Mulenga

2.2 ACONTECIMENTOS E TIPOS DE ACONTECIMENTOS

Todos os acontecimentos que ocorrem quando se realiza uma experiência podem ser divididos
em três tipos fundamentais.

a) Acontecimentos certos – são aqueles que sempre se verificam quando se realiza uma
experiência.

Exemplo 2.4. São acontecimentos certo, os seguintes:

 No lançamento de uma moeda, “ sair cara ou coroa”.
 No lançamento de um dado, “ sair um número natural inferior a 7”.

b) Acontecimentos impossíveis – são aqueles que nunca se verificam quando se realiza

uma experiência.

Exemplo 2.5. São acontecimentos impossíveis os seguintes:

 No lançamento de uma moeda “ sair cara e coroa”.
 No lançamento de um dado, “sair um número par maior que 6”.

c) Acontecimentos aleatórios - são aqueles em que sua realização depende do acaso, isto é,
acontecimentos nos quais seu resultado é difícil de se prever.

Exemplo 2.6. São acontecimentos aleatórios os seguintes:

 Tendo comprado 3 bilhetes de lotaria entre os 15000 emitidos, “ganhar um prémio com os
três bilhetes comprados”.
 Dada uma senhora e sabendo que no primeiro nascimento ela teve um menino, “ter um
menino no segundo nascimento”.

Os acontecimentos aleatórios por sua vez, podem ser:

 Independentes – se a ocorrência de um deles não depende do outro.
 Dependentes – se a ocorrência de um deles, condiciona a ocorrência do outro.
 Incompatíveis ou mutuamente exclusivos – se a ocorrência de um deles, exclui a
possibilidade da ocorrência do outro.
 Elementares – são aqueles formados por um único resultado (elemento) da experiência.
 Não elementares – são formados por mais de um resultado da experiência.

Exemplo 2.7. Seja S = {1, 2, 3, 4, 5, 6}, o universo amostral associado ao lançamento de um

dado. Considere os seguintes subespaços de S e indique o tipo de acontecimento aleatório.
W1 = {1, 3, 5} – sair uma face com número impar.
W2 = {2, 4, 6} – sair uma face com número par.
34
 2. Teoria Elementar das probabilidades ~ Mulenga

W3 = { 3,6 } - sair uma face com múltiplo de 3

W4 = {4} - sair uma face com um número múltiplo de 4
W5 = {1, 2, 3, 4, 5, 6} - sair uma face com um número inferior a sete.
W6 =  - sair uma face com um número superior a sete.

Resolução
- Todos os subespaços de S são acontecimentos
- W4 é acontecimento elementar.
- W1, W2, W3, W5 são acontecimentos não elementares.
- W5 é acontecimento certo, W5 = S.
- W6 é acontecimento impossível.

2.3 PROBABILIDADE DE UM ACONTECIMENTO

A teoria das probabilidades surgiu com a constante necessidade de resolver problemas

levantados nos jogos de azar. Ela estuda as leis de ocorrência de acontecimentos aleatórios,
procurando prever como estes acontecimentos vão ocorrer e possivelmente o tipo de resultado.
Actualmente é uma ferramenta para argumentação nas situações de tomada de decisão, servindo
de uma ponte entre a estatística descritiva e inferencial, bem como para todas disciplinas ligadas
a ela.

Definição frequencísta de probabilidade

Geralmente não é possível prever o resultado de uma experiência aleatória, no entanto, pode –se
estudar o que acontece quando a experiência é repetida muitas vezes. Consideremos a seguinte
tabela relativa ao lançamento de uma moeda.

Número de lançamentos 20 30 40 50 60 70 80 90 100

Frequência absoluta de cara 14 12 25 19 30 39 48 42 49

Frequência relativa de cara 0.70 0.40 0.62 0.38 0.50 0.55 0.60 0.47 0.49

Pode – se observar que a medida que aumenta o número de lançamentos, a frequência relativa do
acontecimento “sair uma face cara”, estabiliza –se a volta do valor 0.5. Se fizermos um gráfico
obteremos um conjunto de pontos que tendem para o limite 0.5.

35
 2. Teoria Elementar das probabilidades ~ Mulenga

Conceito de Probabilidade

.7
.6
.5
.4

20 40 60 80 100
Numero de lançamentos

Figura 2.2. Ilustração do conceito de probabilidade para uma moeda honesta

O número a volta do qual se estabiliza a frequência relativa de um acontecimento, quando o

número de experiências cresce consideravelmente, chama-se probabilidade do acontecimento.
Assim 0.5 é a probabilidade de obtermos a face cara quando lançamos uma moeda não viciada
ao ar.

Definição clássica de probabilidade

Para calcular a probabilidade de um acontecimento, pela definição anterior, teríamos que repetir
cada experiência em um grande número de vezes Além disso, por esse procedimento nunca se
obteria um valor exacto. Para evitar este inconveniente, Laplace (1749 – 1827) enunciou a
seguinte definição de probabilidade.

Definição. Chama – se probabilidade de um acontecimento A, ao quociente entre o número de

casos favoráveis ao acontecimento A e o número de casos possíveis ou elementares no espaço S.

numero de casos favoraveis ao acontecime nto A m

P( A)   , com m  n (2.1)
numero de casos possiveis no espaco S n

Exemplo 2.8. De uma caixa contendo, 3 bolas vermelhas 2 brancas e 5 azuis, retira-se uma bola
da caixa. Qual é a probabilidade da bola retirada ser:
a) Uma bola vermelha?
b) Uma bola branca?
c) Uma bola azul?

Resolução
m1  3 Bolas vermelhas, m2  2 bolas brancas e m3  5 bolas azuis, n  m1  m2  m3  10

36
 2. Teoria Elementar das probabilidades ~ Mulenga

m1 3
a) P(V )    0.3
n 10
m 2
b) P( B)  2   0.2
n 10
m 5
c) P( A)  3   0.5
n 10

Definição: K acontecimentos, m1 , m2 ,. .., mk formam um grupo completo, quando a soma das

suas probabilidades é igual a unidade. Logo, pela definição os acontecimentos V, B e A formam
um grupo completo, pois, a soma 0.3+0.2+0.5 = 1.

Exemplo 2.9. No lançamento de um dado, calcular a probabilidade de ocorrência dos

acontecimentos.
a) Sair um número par.
b) Sair um número impar.

Resolução
Espaço amostral: S ={1, 2, 3, 4, 5, 6}
m1 3
a) Número par: w1  {2, 4, 6}  m1  3, P( P)    0.5
n 6
m 3
b) Número impar: w2  {1, 3, 5}  m2  3, P( I )  2   0.5
n 6

Definição: K acontecimentos, m1 , m2 ,. .., mk ,são igualmente possíveis, se a probabilidade de

ocorrência de cada um dos k acontecimentos que formam um grupo completo for a mesma.
Portanto, os acontecimentos “sair um número par” e “ sair um número impar” no lançamento de
um dado são acontecimentos igualmente possíveis. P(P) = P(I) = 0.5.

Propriedades das probabilidades

Definição: Seja S o espaço amostral de um fenómeno aleatório e A um acontecimento no espaço

S e o número denotado por P(A) é associado A. Se P satisfaz as seguintes propriedades chama-se
probabilidade e o número P(A) diz-se probabilidade de A.

Propriedade 1. A probabilidade de qualquer acontecimento aleatório é maior ou igual a zero e

menor ou igual a unidade. 0  P( A)  1

Propriedade 2. A probabilidade de um acontecimento certo é igual a unidade. P(S )  1

Propriedade 3. A probabilidade de um acontecimento impossível é igual a zero P( )  0

Propriedade 4. A probabilidade de um acontecimento contrário e igual a: P( A)  1  P( A)

37
 2. Teoria Elementar das probabilidades ~ Mulenga

Propriedade 5. A soma de dois acontecimentos complementares é: P( A)  P( B)  1

Exemplo 2.10. Em uma urna há 30 bolas: 15 brancas, 10 vermelhas e 5 azuis. Tirando dessa
urna bola ao acaso, achar a probabilidade de que,
a) A bola seja branca.
b) A bola seja vermelha
c) A bola não seja branca.

Resolução:
m1  15 bolas brancas, m2  10 bolas vermelhas e m3  5 bolas azuis, m1  m2  m3  30
m1 15
a) P( B)   0.5
n 30
m 10
b) P(V )  2   0.3
n 30
c) P( B)  1  P( B)  1  0.5  0.5

2.4 OPERAÇÕES COM PROBABILIDADES

Teorema de soma. A probabilidade da soma de dois acontecimentos A e B, é igual a soma das
probabilidades destes acontecimentos:

a) P( A  B)  P( A)  P( B) , A e B são acontecimentos incompatíveis. (2.2)

b) P( A  B)  P( A)  P( B)  P( A  B) , A e B são acontecimentos compatíveis. (2.3)

Exemplo 2.11. De 100 estudantes, 30 estão estudando Matemática, 20 estão estudando

Estatística e 10 estão estudando tanto Matemática como Estatística. Se um estudante é
seleccionado ao acaso, achar a probabilidade P de que ele esteja estudando Matemática ou
Estatística.

Resolução
n  100, M  30, E  20, M  E  10
30 3 20 2 10 1
P( M )   , P( E )   , P( M  E )  
100 10 100 10 100 10

3 2 1 2
P( M  E )  P( M )  P( E )  P( M  E )    
10 10 10 5

Teorema do produto. A probabilidade da ocorrência simultânea de dois acontecimentos A e B é

igual ao produto das probabilidades destes acontecimentos.

38
 2. Teoria Elementar das probabilidades ~ Mulenga

a) P( A  B)  P( A) * P( B) , A e B são acontecimentos independentes (2.4)

b) P( A  B)  P( A) * P( B | A) , A e B são acontecimentos dependentes (2.5)

Probabilidade condicional

Chama –se probabilidade condicional de um acontecimento B, a probabilidade de ocorrência

deste acontecimento depois de ter ocorrido o acontecimento A, e escreve –se P(B|A).

P( A  B)
P( B | A)  , A e B são acontecimentos dependentes (2.6)
P( A)

Exemplo 2.12. Suponhamos que temos um conjunto de 5 estudantes matriculados pela primeira
vez e 2 pela segunda vez numa certa disciplina. Na tentativa de encontrar estudantes repetentes,
são perguntados um por um de forma aleatória e sem reposição. Qual é a probabilidade de
encontrarmos os dois estudantes repetentes na primeira e segunda perguntas?.

Resolução
Sejam A1 e A2 eventos que consistem no primeiro e segundo estudantes a serem perguntados e
serem repetentes.
2 1 2 1 1
P( A1 )  , P( A2 | A1 )  ,  P( A)  P( A1 ) * P( A2 | A1 )  * 
7 6 7 6 21

Exemplo 2.13. Numa certa cidade 40% das pessoas têm cabelos castanhos, 25% têm olhos
castanhos e 15% tanto cabelos como olhos são castanhos. Uma pessoa é seleccionada ao acaso
na cidade.
a) Se esta pessoa possui cabelos castanhos, qual é a probabilidade de que também tenha olhos
castanhos?
b) Se ela tem olhos castanhos, qual é a probabilidade de que esta pessoa não tenha cabelos
castanhos?
c) Qual é a probabilidade de que a pessoa escolhida não tenha nem cabelos nem olhos
castanhos.

Resolução
Dados: P(CC )  0.40, P(OC)  0.25, P(CC  OC)  0.15,
P(OC  CC ) 0.15 3
a) P(OC | CC )   
P(CC ) 0.40 8
 P(CC  OC)  0.15 2
b) P(CC | OC)  1  P(CC | OC)  1     1  
 P(OC)  0.25 5
c) P(CC  OC)  1  P(CC  OC)  1  P(CC )  P(OC)  P(CC  OC)
 1  (0.40  0.25  0.15)  0.5

Corolário 1. A probabilidade de que ocorra apenas um dos n acontecimentos é:

39
 2. Teoria Elementar das probabilidades ~ Mulenga

P( A)  P( A1 ) * P( A2 ) * ... * P( An )  ....  P( A1 ) * P( A2 ) * ... * P( An ) (2.7)

Corolário 2. A probabilidade de que ocorra pelo menos um dos n acontecimentos independentes

é dada pela expressão.

P( Ai )  1  P( A1 ) * P( A2 ) * ... * P( An ) (2.8)

Exemplo 2.14. Três aparelhos de alarme funcionam independentemente um do outro. As

probabilidades de um bom funcionamento dos aparelhos são 0.9, 0.89 e 0.93 respectivamente.
Achar a probabilidade de que em determinado dia:
a) Funcionem bem todos os aparelhos.
b) Funcionem bem apenas dois aparelhos.
c) Não funcionem bem todos aparelhos.
d) Funcione bem pelo menos um deles.

Resolução
Seja B bom funcionamento e M mau funcionamento, então no nosso exemplo teremos:
B1  0.9, B2  0.89, B3  0.93  M1  0.1, M2  0.11, M3  0.07

a) P( A)  P( B1) * P( B2) * P( B3)  0.9 * 0.89 * 0.93  0.7449

b) P( B)  P( B1) * P( B2) * P(M 3)  P( B1) * P(M 2) * P( B3)  P(M1) * P( B2) * P( B3)

 0.9 * 0.89 * 0.07  0.9 * 0.11* 0.93  0.1* 0.89 * 0.93  0.2309
c) P(C)  P(M1) * P(M 2) * P(M 3)  0.1* 0.11* 0.07  0.0008
d) P( D)  1  P(M1) * P(M 2) * P(M 3)  1  0.0008  0.9992

Fórmula de probabilidade total

A probabilidade de um acontecimento A, que pode ocorrer depois de ocorrer um dos n
acontecimentos incompatíveis B1, B2,..., Bn é igual a soma dos produtos das probabilidades
destes acontecimentos P(Bi ) pela probabilidade condicional de ocorrência do acontecimento A
depois de correr Bi, P( A | Bi )

P( A)  P( B1 ) * P( A | B1 )  P( B2 ) * P( A | B2 )  ...  P( Bn ) * P( A | Bn ) (2.9)

Exemplo 2.15. Três máquinas A, B e C produzem, respectivamente 50%, 30% e 20% do número
total das peças de uma fábrica. As percentagens de produção defeituosa dessas máquinas são
respectivamente 3%, 4% e 5%. Se uma peça é seleccionada ao acaso, qual é a probabilidade da
peça ser defeituosa?

Resolução

40
 2. Teoria Elementar das probabilidades ~ Mulenga

Seja X, o acontecimento que consiste numa peça defeituosa e P(X) sua probabilidade. P(X|A),
P(X|B) e P(X|C) são probabilidades de produção de uma peça defeituosa nas máquinas A, B e C.

P(A) = 0.5 P(X|A) = 0.03

P(B) = 0.3 P(X|B) = 0.04
P(C) = 0.2 P(X|C) = 0.05
A probabilidade P(X) procurada será dada pela soma dos produtos

P( X )  P( A) * P( X | A)  P( B) * P( X | B)  P(C) * P( A | C)

 0.5 * 0.03  0.3 * 0.04  0.2 * 0.05  0.0370

Fórmula de Bayes

Sejam B1, B2,..., Bn , N acontecimentos mutuamente exclusivos formando uma partição de um

espaço amostral de probabilidades tal que B1  B2  ...  Bn  S . E seja A um acontecimento
aleatório do espaço S, então a probabilidade de que ocorra o acontecimento na condição de ter
já ocorrido o acontecimento A é calculada pela fórmula de Bayes.

P( Bi ) * P( A | Bi ) P( Bi ) * ( A | Bi )
P( Bi | A)   (2.10)
 P( Bi ) * P( A | Bi ) P( A)

Exemplo 2.17 Cerca de 50% dos estudantes que terminam o seu curso na UEM em um período
de 5 anos são do curso C, 30% são do curso B e 20% são do curso A. As probabilidades de
terminar um dos cursos em cinco anos sendo iguais a 0.4, 0.6 e 0.8, respectivamente.

a) Achar a probabilidade de que um recém graduado em uma determinada época apôs 5 anos de
estudo seja do curso C?.
b) Calcular a probabilidade de que um estudante graduado sob condições anteriores seja do
curso C ou B?.

Resolução

P(C )  0.5 P( X | C )  0.4  P(C ) * P( X | C )  0.20

P( B)  0.3 P( X | B)  0.6  P( B) * P( X | B)  0.18
P( A)  0.2 P( X | A)  0.8  P( A) * P( X | A)  0.16

P(C ) * P( X | C ) 0.20
a) P(C | X )    0.3704
P(C ) * P( X | C )  P( B) * P( X | B)  P( A) * P( X | A) 0.20  0.18  0.16

P(C ) * P( X | C ) P( B) * P( X | B) 0.20  0.18

b) P(C | X )  P( B | X )     0.7037
P( X ) P( X ) 0.54

41
 2. Teoria Elementar das probabilidades ~ Mulenga

2.5 ANÁLISE COMBINATÓRIA E CÁLCULO DAS PROBABILIDADES

Princípio fundamental de contagem

Se um certo acontecimento ou evento pode ocorrer de m1 maneiras diferentes e apôs este, um

segundo evento pode ocorrer de m2 maneiras diferentes, então o número de possibilidades em
que o acontecimento pode ocorrer na ordem indicada dos eventos é:
m  m1* m2  possibilid ades (sequência de 2 eventos)
m  m1* m2 * ... * mk  possibilid ades (sequência de k eventos)

Exemplo 2.18. Existindo 5 candidatos a director geral e 3 a chefia de um departamento numa

empresa do grupo A. De quantas maneiras os dois cargos poderão ser ocupados.

Resolução
O número de possibilidades será dado pelo produto conforme o princípio estabelece.
m  5 * 3  15 maneiras diferentes.

Factorial de n.

Por definição, factorial de n é igual ao produto de todos os números inteiros desde 1 até n.
Assim”
n! 1* 2 * 3 * ... * (n  1) * n

3! 1* 2 * 3  6

8! 1* 2 * 3 * 4 * 5 * 6  720

Observação
Por definição axiomática 0! = 1, e as máquinas normais só executam até 69! 1.71*1098

Permutação de n elementos

Chama-se permutação de n elementos, aos agrupamentos formados pelos n elementos, onde os

grupos se diferem um do outro pela ordem em que os elementos se dispõem.

Pn = n!. Exemplo P4  4! 1* 2 * 3 * 4  24

Arranjo de n elementos m a m

Chama-se arranjo de n elementos, aos agrupamentos formados por m elementos entre os n

(m  n) , onde os grupos se diferem um do outro pela ordem em que os elementos se dispõem.

n!
Anm  com m  n (2.11)
(n  m)!

42
 2. Teoria Elementar das probabilidades ~ Mulenga

Combinação de n elementos m a m

Chama-se combinação de n elementos, aos agrupamentos formados por m elementos entre os n

(m  n) , onde os grupos se diferem um do outro, por pelo menos um elemento.

n  n!
   com m  n (2.12)
 m  m!(n  m)!

Exemplo 2.19. Quantos grupos diferentes de 4 estudantes podem ser formados com 9 estudantes
preparados para representar uma Faculdade em um concurso de cultura geral.

Resolução
n  n! 9  9! 5!*6 * 7 * 8 * 9
         7 * 2 * 9  126
 m  m!(n  m)!  4  4!(9  4)! 1* 2 * 3 * 4 * 5!
Assim, podem ser formados 126 grupos diferentes com 4 elementos cada.

Exemplo 2.20. Num determinado curso, estão matriculados 100 estudantes, entre os quais 10
repetentes. Se extraem 4 estudantes do curso ao acaso. Encontrar a probabilidade de que os 4
estudantes sejam todos.
a) Estudantes repetentes.
b) Estudantes não repetentes.

Resolução
N = 100 estudantes, dos quais 10 repetentes, 90 não repetentes e 4 extraídos entre os 100.
100 
   3921225 Agrupamentos diferentes com 4 elementos cada.
4 
 90 
   2555190 Agrupamentos diferentes com 4 elementos todos não repetentes.
4 
10 
   210 Agrupamentos diferentes com 4 elementos todos repetentes.
4 
10 
 
P(TR)    
a) 4 210
 0.000054
100  3921225
 
4 
 90 
 
b) P(TNR)   4   2555190  0.65
100  3921225
 
4 

43
 2. Teoria Elementar das probabilidades ~ Mulenga

Exemplo 2.21. três lâmpadas são escolhidas ao acaso de um grupo de 15 lâmpadas, das quais 5
são defeituosas. Calcular a probabilidade p de que:
a) Nenhuma seja defeituosa.
b) Exactamente uma seja defeituosa
c) Pelo menos uma seja defeituosa.

Resolução
N = 15 lâmpadas, 5 defeituosas, 10 não defeituosas e 3 escolhidas ao acaso.
10 
 
P( B)    
a) 3 120
 0.2637
  455
15
 
3 
 3  10 
  *  
b) P(1D)  1   2   225  0.4945
15  455
 
3 
c) P(C)  P( D  1)  1  P( B)  1  0.2637  0.7363

2.6 PROBABILIDADE DE REPETIÇÃO DE PROVAS

Fórmula de Bernoulli

Se a probabilidade de ocorrência de um acontecimento independente em cada prova é p, a

probabilidade de que em n provas igualmente independentes, o acontecimento ocorra k vezes
(sendo a ordem irrelevante) é dada pela fórmula de Bernoulli.

n
Pn (k )    * p k * (1  p) n  k com k  n e 0  p  1 (2.13)
k 

Onde p é a probabilidade de ocorrência de um sucesso e 1- p = q a probabilidade de insucesso.

Exemplo 2.22. Uma moeda não viciada e lançada 5 vezes ao ar. Considere o aparecimento de
coroa como sucesso.

a) Calcule a probabilidade de que ocorram exactamente 2 coroas.

b) Calcule a probabilidade de que ocorram pelo menos 3 coroas.
c) Calcule a probabilidade de não ocorrerem coroas.

Resolução

Dados n = 5; p = q =0.5

44
 2. Teoria Elementar das probabilidades ~ Mulenga

5
a) k  2  P5(k  2)    * 0.52 * 0.53  0.31
 2
b) k  3  P5(k  3)  P5(3)  P5(4)  P5(5)  0.5
5
c) k  0  P5(k  0)    * 0.50 * 0.55  0.031
 0

Exemplo 2.23 Em um torneiro dos países da África Austral, admitindo-se que as equipas são de
treinamento igual, achar ao mais provável dos acontecimentos nos jogos entre Moçambique e
Zimbábwe. Considere os empates não válidos.
a) Moçambique ganhar um em dois jogos ou ganhar dois em quatro jogos.
b) Moçambique ganhar pelo menos dois jogos em quatro ou pelo menos três em cinco.

Resolução
Se as equipas são de treinamento igual, então p(ganhar) = p(perder) = 0.5
Os jogos 1, 2, 3, 4, 5 ocorrem em condições idênticas, logo temos repetição de provas.
 2  4
a) P2( g  1)    * 0.51 * 0.52 1  0.50 : P 4( g  2)    * 0.52 * 0.52  0.3750
1   2
b) Como P2(1) > P4(2) é mais provável Moçambique ganhar 1 em dois jogos.
P4( g  2)  P4(2)  P4(3)  P4(4)  0.3750  0.2500  0.0625  0.6875
P5( g  3)  P5(3)  P5(4)  P5(5)  0.3125  0.15625  0.03125  0.50

Como P4( g  2)  P5( g  3) é mais provável Moçambique ganhar pelo menos 2 em 4 jogos do
que pelo menos 3 em 5 jogos.

Teorema local de Laplace

Se a probabilidade de ocorrência de um acontecimento em cada prova de uma série de provas

independentes for igual a p (0 < p < 1), então a probabilidade de que em n provas o
acontecimento ocorra exactamente k vezes (sendo a ordem de n e k grande) é dada com
aproximação pela fórmula.

1 k  np
Pn(k )  *  ( x) onde x  com k < n (2.14)
npq npq

A função  (x) é par, portanto  ( x)   ( x) , ela está definida para x  0 . Pode ser consultada
para valores da função densidade da distribuição normal padrão (tabela 1).

45
 2. Teoria Elementar das probabilidades ~ Mulenga

Exemplo 2.24. A probabilidade de acertar uma pergunta num teste sendo 0.8. Achar a
probabilidade de acertar exactamente 75 perguntas em 100 contidas no teste.

Resolução

Dados: n  100; p  0.8; q  0.2; k  75

k  np 75  100 * 0.8
x   1.25 sendo  (1.25)   (1.25)  0.1826
npq 100 * 0.8 * 0.2

1 1 * 0.1826
Pn(k )  *  ( x)  P100(75;0.8)   0.046
npq 100 * 0.8 * 0.2

Teorema integral de Laplace

A probabilidade de ocorrência de um acontecimento em cada prova sendo p, a probabilidade de

que em n eventos independentes, o acontecimento ocorra pelo menos k1 e ao máximo k2 vezes
(sendo a ordem de n, k1, k2 grande) é calculada com aproximação pela fórmula.

Pn(k1, k 2)  ( x2)  ( x1) onde k1  n; k1  k 2  n (2.15)

k1  np k 2  np
Os valores de x são dados pelas fórmulas x1  e x2 
npq npq

A função (x) é ímpar, logo ( x)  ( x) . Os valores da função (x) são obtidos na tabela
de valores da função de distribuição normal padrão. Estes valores representam áreas entre a
curva normal da função densidade de probabilidades, o eixo dos escores reduzidos (tabela 2).

Exemplo 2.25. A probabilidade de ocorrência e um acontecimento em cada uma das 200 provas
independentes sendo 0.6, achar a probabilidade deste, ocorrer pelo menos 110 vezes e ao
máximo 140 vezes.

Resolução.

Dados: n  200; k1  110; k 2  140; p  0.6; q  0.4

k1  np 110  200 * 0.6 k 2  np 140  200 * 0.6

x1    1.44 ; x 2    2.89
npq 200 * 0.6 * 0.4 npq 200 * 0.6 * 0.4

Pn(k1, k 2)  ( x2)  ( x1)

P200(110,140)  (2.89)  (1.44)  0.4981  0.4251  0.9232

46