1

Ministério da Educação
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ
Câmpus Curitiba
Diretoria de Graduação e Educação Profissional
Departamento Acadêmico de Estatística
Disciplina: Probabilidade e Estatística (MA70H), Turma: - Profª Silvana Heidemann Rocha
Estudante: __________________________________________ Código: ______________

PROBABILIDADE: O QUE É E COMO CALCULAR

Assunto: Probabilidade de Ocorrer um Evento

1) Conceito ou Noção Intuitiva de Probabilidade

• Diferença entre possibilidade, probabilidade, chance

2) Principais Métodos1 para Calcular a Probabilidade de Ocorrer um Evento

• Método Clássico
• Método Frequentista
• Método Geométrico
• Método Subjetivo

3) Definição de Probabilidade ou Definição Axiomática de Probabilidade

4) Espaço de Probabilidade

5) Principais Propriedades da Probabilidade de Ocorrer um Evento

5.1) Teorema da Soma de Probabilidades

6) Probabilidade Condicional

7) Independência de Eventos
o Independência de dois eventos
o Independência coletiva de eventos

8) Teorema da Multiplicação de Probabilidades (Regra do Produto)

9) Teorema da Probabilidade Total

10) Teorema de Bayes

1
Os métodos "clássico", "frequentista", "geométrico" e "subjetivo", embora propostos por vários autores como definições de
probabilidade, não são considerados definições formais de probabilidade, atualmente, mas formas de se calcular a
probabilidade de um evento. Historicamente, eles foram apresentados como definições e não como métodos de cálculo.
 2
1) Conceito ou Noção Intuitiva de Probabilidade

• Diferenças conceituais entre "possibilidade", "probabilidade" e "chance".

2) Principais Métodos para Calcular a Probabilidade de um Evento2

2.1) Método Clássico
(Apresentado como definição clássica, por Laplace, em 1812, na obra Teoria analítica das probabilidades)

Seja um espaço amostral finito Ω, formado por eventos simples igualmente possíveis. Seja A um

evento de Ω com A pertencente a sigma-álgebra dos eventos de Ω. Se o evento A pode ser decomposto em

eventos simples de Ω, então a probabilidade de ocorrência de A é dada por

n( A)
P( A) = , com 0  P(A)  1,
n ( )
onde: n(A) é o número de pontos amostrais favoráveis ao evento A;
n(Ω) é o número total de pontos amostrais.

Observações

• Um evento simples é um evento formado por um único ponto amostral. Dois eventos
simples são mutuamente excludentes.
• A expressão “eventos igualmente possíveis” era usada desde a idade média (por Galileu,
por exemplo). Na teoria de probabilidade essa idéia foi substituída pela definição de
"eventos equiprováveis".
• Se o espaço amostral Ω é finito, qualquer evento de Ω é um evento aleatório, isto é, um

evento passível de ser atribuído uma medida de probabilidade (segundo a definição

axiomática, mais adiante).

A definição clássica de probabilidade causou controvérsias entre alguns matemáticos, pois ela:
• Considera apenas espaços amostrais finitos;
• Define probabilidade baseando-se na idéia intuitiva de probabilidade (o espaço amostral é
'equiprovável', ou seja, eventos com um único ponto amostral devem ter a mesma 'possibilidade' ou
'probabilidade' de acontecer).
• Para se determinar se dois eventos são 'igualmente possíveis', em geral usa-se a idéia de simetria3.
No entanto, em muitos problemas reais, da Química, por exemplo, a questão de determinar um
modo razoável de isolar os casos igualmente possíveis pode ser muito complicada.

2
Cf. GNEDENKO, B. V. The theory of probability. Moscow: Mir Publishers, 1969; DANTAS, C. A. B. Probabilidade: um
curso introdutório. 3 ed. São Paulo: EDUSP, 2008; JAMES, B. Probabilidade: um curso em nível intermediário. Rio de Janeiro:
IMPA, 2006; MAGALHÃES, M. N.. Probabilidade e variáveis aleatórias. 2 ed. São Paulo: EDUSP, 2006.
3
Ver POPPER, K. A lógica da pesquisa científica. Disponível em:
http://books.google.com.br/books?id=MbGLmeMU3pMC&pg=PA185&dq=simetria+em+probabilidade#PPA183,M1. p, 185.
Acesso em 05/04/2009. Ver PELELLA, G. Duas acepções do conceito de probabilidade. Universidade Federal do Maranhão:
Departamento de Filosofia. Disponível em http://cynthia_m_lima.sites.uol.com.br/duas.htm. Acesso em 05/04/2009 .
 3
Exemplo: Qual a probabilidade de se obter número par no lançamento de um dado?

Solução:

1ª forma de resolução:
Como  = {1, 2, 3, 4, 5, 6}  n() = 6 e A = {2, 4, 6}  A(Ω)  n( A) = 3 .

Pela definição clássica de probabilidade, vem:

n( A) 3 1
P( A) =  P( A) = =
n () 6 2
2ª forma de resolução
 = {par , ímpar}  n() = 2 e A = {par}  A(Ω)  n( A) = 1 .

Pela definição clássica de probabilidade, vem:

n( A) 1
P( A) =  P( A) =
n () 2

Observações
• Nesse experimento, admite-se previamente um contexto equiprovável (todas as faces têm a
mesma probabilidade de acontecer).
• Admite-se previamente que o dado cairá necessariamente em uma das faces.
• Pelo método clássico, as probabilidades são determinadas teoricamente, independentemente da
realização ou não do experimento.

Contra-exemplo para a definição clássica:

Qual a probabilidade de uma pessoa ser atingida por um raio, num dia chuvoso?
A realidade mostra que não é 50%.
 4
2.2) Método Frequentista
(Apresentado como definição fequentista, por Richard von Mises (1883-1953), em Probability, statistics, and truth)

Seja  um experimento aleatório.4 Sob as mesmas condições teóricas, são realizados n ensaios
independentes do experimento  , com n suficientemente grande, e em cada ensaio o evento A pode ou não
ocorrer. Seja n(A) o número de ocorrências do evento A. Assim:

n( A)
P(A) = lim , com 0  P(A)  1,
n →+ n
onde:
n(A) = nº de vezes que A ocorreu em n ensaios do experimento  ;
n = nº total de repetições (ensaios) de  ;
n( A)
= fr ( A) é a frequência relativa do evento A, em  .
n
Observações
• A definição frequentista de probabilidade pressupõe a realização de experimentos e a
observação dos resultados obtidos;
• Na definição frequentista de probabilidade, a probabilidade é o limite de uma frequência
relativa, isto é, a probabilidade de um evento A é o valor para o qual a frequência relativa de
A converge. Isso porque, num número grande de ensaios de um experimento aleatório, a
frequência relativa de um evento tende a se estabilizar. Esse valor de estabilidade é a
probabilidade do evento e é independente de quem realiza o experimento. A probabilidade
assim determinada é denominada "probabilidade estatística".
• Frequência relativa e probabilidade não são sinônimos. A frequência relativa de um evento é
um valor associado a um fato no passado (o evento foi realizado). Probabilidade é um valor
referente a um fato no futuro (o evento ainda não se realizou). Por isso, a relação entre
incerteza e probabilidade, entendendo-se probabilidade como uma medida da incerteza
presente numa situação.
• Com a realização de novos experimentos (mantido invariável o conjunto de condições sob as
quais o experimento é realizado) as probabilidades frequenciais podem mudar. No entanto,
as frequências relativas de certos eventos observados no passado servem como referência
para as estimativas do que se espera no futuro.

4
Uma das características de um experimento aleatório é a regularidade estatística, isto é, a propriedade que a frequência relativa
tem de se estabilizar. A essência dessa propriedade é que se um experimento aleatório for executado um grande número de vezes,
a frequência relativa da ocorrência de algum evento A tenderá variar cada vez menos à medida que o número de repetições for
aumentada. Nesse sentido é que a frequência relativa converge (em probabilidade) para um número denominado "probabilidade
do evento A". Essa propriedade de regularidade dos experimentos aleatórios motivou a formulação de uma importante lei da
Estatística: a Lei dos Grandes Números. A Lei dos Grandes números trata da convergência em probabilidade da frequência
relativa de um evento para a probabilidade desse evento (Vide, MEYER, p. 285 a 287).
 5
• A definição frequentista de probabilidade não é suficiente, pois pressupõe que o espaço
amostral seja enumerável.
• A expressão “suficientemente grande” (ou n → +) é vaga: Quantas vezes deve-se repetir o
experimento: 500, 1.000, 1.000.000? Essa quantidade de ensaios é fixa de experimento para
experimento?
• Atualmente, a definição frequentista de probabilidade não é considerada uma definição
formal de probabilidade. Tal qual a definição clássica, ela é considerada como uma forma ou
método de se calcular probabilidades.

Alguns exemplos do uso da definição frequentista de probabilidade

• Verificar se uma moeda ou um dado é ou não viciado;
• Determinar a probabilidade de roubos, de acidentes, de ser atingido por raios, de uma pessoa
morrer antes de completar certa idade;
• Determinar se a próxima peça a ser fabricada por uma máquina será ou não defeituosa;
• Em estudos de fenômenos demográficos.
 6
2.3) Método Geométrico
(Proposto como definição geomética, por B. V. Gnedenko (1912-1995), em The theory of probability; Problema da Agulha de
Buffon)

Sobre um plano, considere uma região g contida numa outra região G. Um ponto é lançado dentro
de G aleatoriamente. Admitindo que o ponto lançado possa cair em qualquer ponto de G, que a
probabilidade de cair numa região g é proporcional à área de g em relação à de G, que essa probabilidade é
independente da posição que g ocupa em G e da forma de g, então, por definição, a probabilidade do ponto
lançado estar em g é dada por:
área( g ) G
P( g ) = , com 0  P ( g )  1
área(G )

Essa definição pode ser aplicada para comprimentos, áreas e volumes; por exemplo:
Suponha que um segmento l seja parte de outro segmento L e que se tenha selecionado ao acaso
um ponto de L. Admitindo que a probabilidade desse ponto pertencer a l é proporcional ao comprimento
de l e não depende do lugar que l ocupa em L, então a probabilidade de que o ponto selecionado esteja em l
é, por definição, dada por:

comp(l ) L
P(l ) = , com 0  P (l )  1 l
comp( L)

Analogamente, tem-se:
volume(v)
P (v ) = , com 0  P(v)  1 , onde v é o volume contido no volume maior V.
volume(V )

Observações
• Muitos problemas de engenharia são resolvidos através da definição geométrica de probabilidade.
(Vide GNEDENKO, p. 35).
• Nessa definição, o ponto lançado cairá certamente sobre a região G, isto é, a probabilidade do ponto
cair em G é 1.
• A definição geométrica de probabilidade muitas vezes foi criticada por arbitrariedade na
determinação das probabilidades de eventos; bem como, por não determinar objetivamente a
probabilidade em muitos casos que apresentavam outros resultados possíveis. Um dos críticos da
definição geométrica de probabilidades foi o matemático francês do século XIX Joseph Bertrand.
 7
Num problema conhecido como paradoxo de Bertrand, que consiste na determinação da
probabilidade do comprimento de uma corda selecionada aleatoriamente numa circunferência ser
maior que o comprimento do lado do triângulo equilátero inscrito nessa circunferência. Bertrand
apresentou três soluções possíveis, cada uma delas tendo resultados diferentes (1/2, 1/3 e 1/4).
Gnedenko defendeu que a não unicidade da probabilidade no paradoxo de Bertrand devia-se ao fato
de que as condições do problema não definiam explicitamente o que se entendia por aleatoriedade
na seleção da corda na circunferência, isto é, as condições de realização do experimento não
estavam claras, podendo não ser únicas. Assim, diferentes entendimentos de “seleção aleatória de
uma corda” conduziriam a diferentes maneiras de se determinar quais seriam os eventos simples
equiprováveis. Consequentemente, o problema apresentaria conclusões diferentes.5
• Atualmente, a definição geométrica de probabilidade não é considerada uma definição formal de
probabilidade. Tal qual a definição clássica e a frequentista, ela é considerada como uma forma ou
método de se calcular probabilidades.

2.4) Método Subjetivo

A probabilidade subjetiva é o grau de convicção ou crença que cada pessoa atribui à ocorrência ou
não de um evento. No entanto, a probabilidade subjetiva não deve ser confundida com "chutômetro".
A probabilidade subjetiva é frequentemente empregada naquelas situações em que a repetição do
experimento não pode ser realizada ou que não pode ser realizada em idênticas condições, como por
exemplo:
a) Um paciente é submetido a um novo tipo de cirurgia e deseja-se saber se ele ficará bom;
b) Num jogo de futebol entre dois times, deseja-se saber quem vencerá;
c) Uma pessoa deseja saber se seu relacionamento afetivo terá ou não sucesso;
d) Uma pessoa pode acreditar fortemente que ganhará na loteria, ainda que a probabilidade teórica indique
o contrário.

A probabilidade subjetiva não deve ser confundida com a probabilidade frequentista, uma vez que
as condições de realização do experimento não são as mesmas.
Conforme DANTAS (2008, p. 26):
[...] a probabilidade frequentista pressupõe a existência de uma realidade física e que as probabilidades
descrevem aspectos dessa realidade de modo análogo ao que as leis da mecânica fazem no caso de um
modelo determinístico.

Na sequência deste texto, não será mais abordada a probabilidade subjetiva.

5
Ver GNEDENKO, 1969, p. 35 a 37; MAGALHÃES, M. N., 2006, p.13 a 16.
 8
3) Definição Axiomática6 de Probabilidade (Proposta por A. N. Kolmogorov (1903-1987), por volta de 1930) 7

Dados um espaço amostral Ω e a sigma-álgebra dos eventos aleatórios de Ω, denotada por A, a

medida de probabilidade ou, simplesmente, probabilidade, é a função P definida em A e que satisfaz os
seguintes axiomas:

A1) P(A)  0,  A  A.

A2) P(  ) = 1
  
A3) A1, A2, A3, ...  A e (i, j ) Ai  A j =   P   Ai  =  P ( Ai ) (sigma-aditiva ou aditividade infinita)
 i =1  i =1
Nota
O axioma A3) implica o corolário a seguir, isto é, se a função P é sigma-aditiva, isto é,
infinitamente aditiva, então P é finitamente aditiva. De modo mais simples, se a função P serve para
determinar a probabilidade de ocorrência de um evento de Ω, tal que esse evento pode ser obtido através da
"união infinita" de eventos mutuamente excludentes de Ω, então P também serve para determinar a
probabilidade de ocorrência de um evento de Ω, tal que esse evento pode ser obtido através da "união
finita" de eventos mutuamente excludentes de Ω.

Corolário de A3) A1, A2,... , An  A e Ai  A j =  , (i  j )  P   Ai  =  P( Ai ) (aditividade finita)

n n

 i =1  i =1
Esse corolário é demonstrado da seguinte forma:
• 1º) indução matemática, quando ele está satisfeito para n=2, isto é, se
A e B A e A B =  P( A  B) = P( A) + P( B)  A1, A2,... , An  A e
por indução
matemática

n  n
Ai  A j =  , (i  j )  P   Ai  =  P( Ai )
 i =1  i =1
n  n      
• 2º)  Ai =A1  A2  ...  An = A1  A2  ...  An       ... =  Ai      =  Ai ,
i =1 i =1  i = n +1  i =1 
 n     n
com Ai =  , i = n + 1, n + 2,...  P  Ai  = P  Ai  =  P( Ai ) =  P( Ai ) .
A3  i =1   i =1  i =1 i =1

6
Na matemática moderna, os axiomas de uma teoria são proposições consideradas verdadeiras e, em geral, não são provados
com a estrutura da teoria em questão. Todas as outras proposições da teoria tem de ser obtidas de modo puramente lógico a partir
dos axiomas propostos. Em suma, axiomas são os princípios básicos sob os quais a teoria será construída. (Cf. GNEDENKO,
1969, p. 47). Ver também SANT’ANNA, Adonai S. O que é um axioma. Barueri, SP: Manole, 2003.
7
Em 1917, o matemático S. N. Bernstein, já havia proposto uma teoria axiomática da probabilidade, baseada em comparações
qualitativas de eventos aleatórios na base deles serem mais ou menos probabilísticos. No entanto, a teoria proposta por A. N.
Kolmogorov relaciona a teoria de probabilidade com a teoria da medida e também com uma teoria de conjuntos. (Cf.
GNEDENKO, p. 47). A teoria proposta por Kolmogorov acabou prevalecendo.
 9
Observações
• Em notação matemática, a definição axiomática da função P de medida de probabilidade é dada

por: P : A ⎯⎯→ [0,1] , onde o domínio A é sigma-álgebra dos eventos aleatórios de Ω,

A  x = P ( A)

denotada por A. Por uma questão de software, o domínio foi denotado por A em vez de A.
• Por definição, um evento aleatório é um evento ao qual é possível atribuir uma medida de
probabilidade. Assim, os eventos do espaço amostral Ω aos quais não é possível atribuir uma
medida de probabilidade não pertencem ao domínio da função P, uma vez que esse domínio é a
sigma-álgebra dos eventos aleatórios de Ω e não a sigma-álgebra dos eventos de Ω.
• A natureza da sigma-álgebra dos eventos aleatórios de  depende da natureza de  , ou
seja, A pode ser uma sigma-álgebra ou uma sigma álgebra de Borel num intervalo da reta ou
uma sigma-álgebra de Borel numa região do plano, por exemplo.
• A definição axiomática de probabilidade não exclui o uso das outras definições (clássica,
frequentista ou geométrica). No contexto da definição axiomática de probabilidade, para se
determinar o comportamento da função P, as outras definições (atualmente, métodos) podem
ser utilizadas, obedecidas as condições que as definem.
• A definição axiomática não indica como calcular a probabilidade de um evento. Ela
pressupõe a seguinte idéia: se a probabilidade de um evento existe (calculada seja lá por qual
modo) então essa probabilidade deve atender à definição axiomática de probabilidade.
Muitas vezes a probabilidade de um evento deve ser obtida usando considerações físicas
(simetria, por exemplo) ou resultados empíricos (frequência relativa) ou ainda a
subjetividade (experiência do experimentador). (Ver MEYER, p. 21, 22).
• Uma vez estabelecida a lei da função P, a probabilidade de ocorrência do evento A,
pertencente ao domínio de P, deve ser obtida mediante o uso da lei de P.
• A definição axiomática de probabilidade permitiu o estabelecimento da teoria de probabilidade
como uma ciência matemática, uma vez que os conceitos anteriores de probabilidade não
possuíam precisão suficiente e levavam frequentemente a conclusões paradoxais.
• A necessidade da axiomatização da teoria de probabilidade foi defendida pelo matemático
alemão David Hilbert, em 1900, quando ele apresentou no Congresso Internacional de
Matemática de Paris uma lista de 23 problemas que ele julgava fundamentais de serem
resolvidos, e que os matemáticos do século XX deviam se ocupar. Dentre os problemas, o
sexto solicitava prioridade à axiomatização da teoria de probabilidades.8
• A definição clássica, a frequentista e a geométrica, que em essência não são definições de
probabilidade, mas formas utilizadas para obter probabilidades de eventos, atendem a
definição axiomática de probabilidade.

8
Cf. SANT’ANNA, Adonai S. O que é um axioma. Barueri, SP: Manole, 2003, p. 9.
 10
4) Espaço de Probabilidade
Definição: É a terna ordenada (, A , P), onde:

•  é um espaço amostral;
• A é a sigma-álgebra dos eventos aleatórios de  e depende da natureza de  ;
• P é a função de probabilidade conforme a definição axiomática de probabilidade.

Para verificar se a terna ordenada (, A , P(.)) define um espaço de probabilidade é necessário que:

▪ A contenha todos os eventos aleatórios de  ;

▪ a probabilidade de um evento aleatório qualquer de  , denotada por P(.),
satisfaça os três axiomas da definição axiomática de probabilidade.

Exemplo: Mostre que para cada B A, a terna (, A, P(.B)) define um espaço de probabilidade, onde

P((.)  B)
P(. / B) = é a probabilidade de um evento aleatório qualquer (.) de  ocorrer sabendo que o
P( B)
evento B ocorreu.

Solução:
Se (, A , P(.B)) define um espaço de probabilidade, então:

i) P (. / B ) : A ⎯⎯→ [0,1]
(. / B )  x = P (. / B )

ii)
P((.)  B)
A1) P(.B) =  0 , pois P(.)  0 e P(B)  0.
P( B)
P (  B ) P ( B )
A2) P(   B) = = =1
P( B) P( B)

A3) A1, A2, A3, ...  A e (i, j ) Ai  A j =  

 

   P[(  Ai )  B] P[ ( Ai  B)]  P[ Ai  B] 
P (  Ai ) / B  =
=
i =1
= i =1
= i =1
=  P( Ai / B)
 i 1  def .dada P( B) propr.distrib.
int erseção
P( B) Ai são disjuntos P( B) def .dada i =1
em relaçãoà união

Portanto, (, A , P(.B)) é um espaço de probabilidade.

5) Principais Propriedades da Probabilidade de Ocorrência de um Evento

As seguintes propriedades são demonstráveis a partir da definição axiomática da função P de
medida de probabilidade e do uso das operações com conjuntos.

Seja o espaço de probabilidade (, A , P). Sejam Ai eventos aleatórios de  , isto é, Ai  A. Então
a função P goza das seguintes propriedades (conseqüências dos axiomas):
 11
P1) P( A ) = 1 − P( A)
c

Demonstração:
A A = 
c
 P( A  Ac ) = P()  P( A) + P( Ac ) = 1  P( A) = 1 − P( Ac )
a elementos iguais do Axiomas operações
domínio, correspondem 2 e 3, pois com números
imagens iguais no contradomínio A  A c = reais

P2) P ( ) = 0
Demonstração: P( A) = 1 − P( Ac )  P() = 1 − P( )  1 = 1 − P( )  P( ) = 0

P3) 0  P( A)  1

P4) Ai  A j  P( Ai )  P( A j ) e P( A j − Ai ) = P( A j ) − P( Ai )

P5) P( Ai  A j ) = P( Ai ) + P( A j ) − P( Ai  A j ) (Teorema da Soma de Probabilidades)

Demonstração:

Ai  A j = Ai  ( Ai c  A j )  P( Ai  A j ) = P( Ai  ( Ai c  A j ))  P( Ai  A j ) = P( Ai ) + P( Ai c  A j ) (1)

Escrevendo A j = ( Ai  A j )  ( Ai  A j ) , vem: P( A j ) = P(( Ai  A j )  ( Ai  A j )) 

c c
eventos
mutuamente
excludentes

 P( A j ) = P( Ai c  A j ) + P( Ai  A j )  P( Ai c  A j ) = P( A j ) − P( Ai  A j ) (2)

Substituindo (2) em (1), vem: P( Ai  A j ) = P( Ai ) + P( A j ) − ( Ai  A j )

n n
P6) P ( Ai )   P ( Ai )
i =1 i =1

 
P7) P( Ai )   P( Ai )
i =1 i =1

n n
P8) P( Ai )  1 −  P( Aic )
i =1 i =1

 
P9) P( Ai )  1 −  P( Aic )
i =1 i =1

P10) (Continuidade em probabilidade): Seja a seqüência ( Ai ) i 1 de eventos aleatórios de  . Então:

P10.1) Ai  A  P( Ai )  P( A) P10.2) Ai  A  P( Ai )  P( A)

Observações a respeito da propriedade P10)

• ( Ai ) i 1 = (A1, A2, A3, ... )  {A1, A2, A3, ...}
• P10.1 P10.2
A A1
A2
A2 

A1 A
 12
6) Probabilidade Condicional
Definição: Sejam A e B eventos em (, A , P). A probabilidade condicional de A dado que B ocorreu,

denotada por P(A/B), é definida por

P( A  B)
P( A / B) = , com P(B) > 0.
P( B)

Observação
• Se P(B)=0, então P(A/B) é indefinida, podendo ser definida como melhor convier, num problema.
Assim, alguns autores fazem P(A/B)=0 e outros, ainda, consideram P(A/B)=P(A).

6.1) Decorrência da definição

• Se P(A) > 0 e P(B) > 0, então
P ( A  B ) = P ( B )  P ( A / B ) = P ( A)  P ( B / A) , pois P( A  B) = P( B  A).

Segundo GNEDENKO (1969, p. 55), essa regra da multiplicação é também aplicável no caso em que
um dos eventos A ou B é um evento impossível. Nesse caso, faz-se P(A)=0, P(A/B)=0 e P(A  B)=0.

Exemplo1:
Duas cartas são retiradas aleatoriamente e sem reposição de um baralho comum (52 cartas, sendo 13
de cada naipe: paus, ouros, espada, copas). Encontre a probabilidade de se ter dois ás.

Solução:
1ª maneira de resolução (através da definição de probabilidade condicional)
 : Retirar aleatoriamente e sem reposição duas cartas de um baralho comum.
Seja  um espaço amostral dos resultados possíveis em cada retirada:
 = {Ap, Ao , Ae , Ac ,2 p, 2o ,2e ,2c ,..., K p, Ko , Ke , Kc }  n() = 52

Sejam os eventos
A = {sair um ás na primeira retirada} = { Ap, Ao , Ae , Ac }9

B = {sair um ás na segunda retirada} = { Ap, Ao , Ae , Ac }

Pela decorrência da definição de probabilidade condicional, tem-se:

n( A) n( B / A) 4 3 12
P( A  B) = P( A).P( B / A)  P( A  B) = .  P( A  B) = . = .
n (  ) n ( ) − 1 52 51 2652

9
Observe que os pontos amostrais dos eventos devem ter a mesma natureza dos pontos amostrais do espaço amostral. Por
exemplo, se os pontos amostrais no espaço amostral forem pares ordenados, os eventos serão formados por pares ordenados.
 13
Observação
• Cf. GNEDENKO (1969, p. 55), o espaço de probabilidade para probabilidades condicionais do tipo
P((.)  B)
P((.)/B) é especificado pela tripla ( B, A( B), ) , onde B é o espaço amostral, A(B) é
P( B)
a sigma-álgebra dos eventos aleatórios de B e (.) é um evento aleatório qualquer de B.

2ª maneira de resolução (através da idéia de arranjo)

 : Retirar aleatoriamente e sem reposição duas cartas de um baralho comum.
Seja  um espaço amostral dos resultados possíveis nas duas retiradas, levando-se em conta a ordem em que
cada carta foi retirada:
 = {(Ap, Ao), (Ap, Ae), (Ap, Ac), (Ap, 2p),..., (Ap, Kc),..., (Ac, Ap), ..., (Ac, Kc), (2p, 2o),..., (2c, Kc),..., (Kc, Ac),..., (Kp,
52!
Kc)}  n() = A52, 2 = = 52  51 = 2652
(52 − 2)!
Seja o evento A={sair dois ás} = {(Ap, Ao), (Ap, Ae), (Ap, Ac),...,(Ac ,Ap)}  n( A) = A4,2 = 12

n( A) A4,2 12
Portanto, pelo método clássico para cálculo de probabilidade, têm-se: P( A) = = =
n() A52,2 2652

3ª maneira de resolução (através da idéia de combinação):

 : Retirar aleatoriamente e sem reposição duas cartas de um baralho comum
Seja  um espaço amostral dos resultados possíveis nas duas retiradas, não levando-se em conta a ordem em que
cada carta foi retirada:
 = {{Ap, Ao}, {Ap, Ae}, {Ap, Ac}, {Ap, 2p},..., {Ap, Kc},..., {Ac, Kc}, {2p, 2o},..., {2c, Kc},..., {Kp, Kc}}
52!
 n() = C 52, 2 = = 26  51 = 1326
2!(52 − 2)!
Seja o evento A={sair dois ás} = {{Ap, Ao}, {Ap, Ae}, {Ap, Ac},...,{Ac ,Ap}}  n( A) = C4,2 = 6

n( A) C 4, 2  C 48,0 C 4, 2 6
Portanto, pelo método clássico, tem-se: P( A) = = = =
n() C52, 2 C52, 2 1326
N=52
n=2
Áses
Áses
4 2
Não-Áses
Não-Áses 0

48
Observação
o No exercício anterior, se fossem retiradas cinco cartas sucessivamente do baralho, pelo 2º e
3º modo de resolução apresentados, a natureza dos pontos amostrais seria de uma penta-upla
ordenada e de uma penta-upla não-ordenada, respectivamente. A definição de probabilidade
condicional simplifica a questão de se calcular probabilidades de eventos obtidos por
sucessivos ensaios de um experimento.
 14
Exemplo2:
Duas cartas são retiradas aleatoriamente e sem reposição de um baralho comum (52 cartas, sendo 13
de cada naipe: paus, ouros, espada, copas). Encontre a probabilidade da segunda carta ser um ás.
Solução:
Este exercício trata da probabilidade incondicional, isto é, a primeira carta é qualquer; mas usaremos neste caso
também a definição de probabilidade condicional.

 : Retirar aleatoriamente e sem reposição duas cartas de um baralho comum.

Seja  um espaço amostral dos resultados possíveis em cada retirada:
 = {Ap, Ao , Ae , Ac ,2 p, 2o ,2e ,2c ,..., K p, Ko , Ke , Kc }  n() = 52

Sejam os eventos
A = {sair um ás na primeira retirada} = { Ap, Ao , Ae , Ac }

B = {sair um ás na segunda retirada} = { Ap, Ao , Ae , Ac }

Como a primeira carta é desconhecida, tem-se a seguinte equação:

B = ( A  B )  ( Ac  B )

Daí, vem:

P( B) = P(( A  B)  ( Ac  B))  P( B) = P ( A  B ) + P ( Ac  B ) 
eventos
muuamente
excludentes.

4 3 48 4 204
 P ( B ) = P( A).P ( B / A) + P ( Ac ).P ( B / Ac )  P ( B ) = . + . =
52 51 52 51 2652

7) Independência de Eventos

7.1) Independência de dois eventos

Se os eventos A e B são independentes, então:
o P(A/B)=P(A) e P(B/A)=P(B).
o P( A  B) = P( A)  P( B) (diz-se: A e B mutuamente independentes)

Essa segunda equação decorre da definição da probabilidade condicional e do fato de P(A/B)=P(A)

e P(B/A)=P(B).
 15
7.2) Independência Coletiva de Eventos

Dada uma coleção de eventos A1 , A2 ,..., An num espaço de probabilidades (, A , P). Os eventos

A1 , A2 ,..., An são denominados coletivamente independentes se:

i) Forem mutuamente independentes dois a dois, isto é,

P( Ai  A j ) = P( Ai ) P( A j ),  i  j, i = 1, 2,..., n e j = 1, 2, ..., n. ;

ii) Forem mutuamente independentes três a três, isto é,

P( Ai  A j  Ak ) = P( Ai ) P( A j ) P( Ak ),  i  j, i  k , j  k ;

iii) Forem mutuamente independentes 4 a 4, 5 a 5, ..., n-1 a n-1;

iv) P( A1  A2  ...  An ) = P( A1 )  P( A2 )  ...  P( An ) .

Para n eventos, o número de equações a serem satisfeitas será 2n – n – 1, pois

 n  n  n  n  n n  n
  +   +   +   + ... +   = 2 n , e não precisa avaliar   e   .
 0  1   2   3   n  0  1 

Exemplo: Para verificar a independência de três eventos A1 , A2 e A3 , deve-se verificar:

i) P( A1  A2 ) = P( A1 ) P( A2 )
ii) P( A1  A3 ) = P( A1 ) P( A3 )

iii) P( A2  A3 ) = P( A2 ) P( A3 )

iv) P( A1  A2  A3 ) = P( A1 ) P( A2 ) P( A3 )

8) Teorema da Multiplicação (ou Regra do Produto de Probabilidades ou Teorema da Probabilidade

Composta)
Sejam A1, A2, ..., An eventos de um espaço de probabilidade (, A , P). Então, da definição de

probabilidade condicional, tem-se:

i) P( A1  A2 ) = P( A1) P( A2 / A1) = P( A2 )P( A1 / A2 ) .
ii) P( A1  A2  A3 ) = P(( A1  A2 )  A3 ) = P( A1  A2 ).P( A3 / A1  A2 ) = P( A1 ) P( A2 / A1 ) P( A3 / A1  A2 )

Por indução, prova-se que

n −1 n
P( A1  A2  ...  An ) = P( A1 )  P( A2 / A1 )  P( A3 / A1  A2 )  ...  P( An /  A i ) , com P( Ai )  0
i =1 i =1
 16
Exemplo:
De um lote contendo 60 peças das quais 15 são defeituosas, retira-se ao acaso e sem reposição, uma
amostra de cinco peças. Qual a probabilidade de ter três peças defeituosas nessa amostra?
Solução:
1ª maneira de resolução (pela regra do produto de probabilidades)
 : Retirar aleatoriamente e sem reposição cinco peças de um lote contendo 60 peças das quais 15 são defeituosas.
Seja  um espaço amostral dos resultados possíveis em cada retirada. Assim, n() = 60 .

Vamos fixar o resultado D,D,D,Dc,Dc , onde

D = a peça retirada é defeituosa e
Dc = a peça retirada não é defeituosa.

Sejam os eventos
A1 = {sair uma peça defeituosa na primeira retirada}
A2 = {sair uma peça defeituosa na segunda retirada}
A3 = {sair uma peça defeituosa na terceira retirada}
A4 = {sair uma peça não-defeituosa na quarta retirada}
A5 = {sair uma peça não-defeituosa na quinta retirada}

Assim, pela regra do produto de probabilidades, vem:

P(D,D,D,Dc,Dc)=P(A1  A2  A3  A4  A5) =
15 14 13 45 44
= P( A1 ) P( A2 / A1 ) P( A3 / A1  A2 ) P( A4 / A1  A2  A3 ) P( A5 / A1  A2  A3  A4 ) =    
60 59 58 57 56

Como as peças defeituosas podem ocupar qualquer posição no resultado ( _, _, _, _, _), então

 2Dc)= P5 . 15  14  13  45  44
3, 2
P(3D, 2Dc) = P(3D = 5!  15  14  13  45  44 ,
60 59 58 57 56 2!3! 60 59 58 57 56

onde P53, 2 é a permutação com repetição de 5 peças tomadas 3 a 3 e 2 a 2.

2ª maneira de resolução (por combinação): N=60

n=5
C15,3  C 45, 2 D
P(3D,2 D ) = c
D
C60,5 15
3
Dc
Dc 2

45
 17
9) Teorema da Probabilidade Total
Considere que os eventos A1, A2, ... , An em (, A , P) formam uma partição do espaço amostral

 , e que são conhecidas as probabilidades P(Ai) e as P( B / Ai ) , para todo i =1, 2,..., n . Seja B um evento

qualquer em (, A , P). Então:

n
P( B) =  P( Ai ) P( B / Ai )
i =1


A1 A2 A3 A4 ... An
B

A1  B A2  B An  B

Observação
o P( Ai )  0, pois Ai   , conforme definição de partição.

o B é um evento aleatório que pode acontecer sob diversas condições ou hipóteses

( A1 , A2 ,..., An ).

Demonstração:
n
B =  ( Ai  B) , onde ( Ai  B)  ( A j  B) =  , i  j . Daí, vem:
i =1

 n  n n
P( B) = P  ( Ai  B)   P( B) =  P( Ai  B )  P( B) =  P( Ai ) P( B / Ai )
 i =1  Corolário do
axioma 3 i =1 i =1
da função P
 18
10) Teorema de Bayes
Considere que os eventos A1, A2, ... , An em (, A , P) formam uma partição do espaço amostral

 , e que são conhecidas as probabilidades P(Ai) e as P( B / Ai ) , para todo i =1, 2,..., n . Seja B um evento

qualquer em (, A , P). Então:

P( A j ) P( B / A j )
P( A j / B) = n
, com j = 1,2, ..., n.
 P( A ) P( B / A )
i =1
i i

Observação:
o P( Ai )  0, pois Ai   , conforme definição de partição.

o B é um evento aleatório que pode acontecer sob diversas condições ou hipóteses

( A1 , A2 ,..., An ). Sabendo que B ocorreu, deseja-se quantificar a incerteza da hipótese Aj ter

sido a causa.

Demonstração:
P( A j  B) P( A j ) P( B / A j )
P( A j / B) =  P( A j / B) = n

 P( A ) P( B / A )
P( B)
i i
i =1

Exemplo:
(MAGALHÃES, M. N., 2006, p. 46) Uma fábrica tem três máquinas que produzem o mesmo item. As
máquinas A e B são responsáveis, cada uma, por 40% da produção. Quanto à qualidade, as máquinas A e B
produzem 10% de itens defeituosos cada uma, enquanto que a máquina C apenas 2%. Um item é
selecionado ao acaso da produção dessa fábrica. Pergunta-se a probabilidade do item:
a) ser defeituoso;
b) em sendo defeituoso, ter sido produzido pela máquina A.

Solução:
a) D = ( D  A)  ( D  B )  ( D  C ) , onde
D = {o item selecionado é defeituoso},
A = {o item selecionado foi fabricado pela máquina A},
B = {o item selecionado foi fabricado pela máquina B},
C = {o item selecionado foi fabricado pela máquina C},
são eventos aleatórios de um espaço de probabilidade adequado.

P( D) = P( ( D  A)  ( D  B)  ( D  C ) ) , onde ( D  A), ( D  B), ( D  C ) são eventos

mutuamente excludentes dois a dois. Daí, vem:
 19
P ( D) = P( D  A) + P( D  B) + P( D  C )  P( D) = P( A) P( D / A) + P( B) P( D / B) + P(C ) P( D / C ) 
Axioma 3 Teorema da
probabilidade
total

 P ( D) = 0,4  0,1 + 0,4  0,1 + 0,2  0,02 = 0,084

b)
P( A  D) P( A) P( D / A)
P( A / D) =  P( A / D) = 
Pr obabilidade P ( D ) Teorema P( A) P( D / A) + P( B) P( D / B) + P(C ) P( D / C )
condicional de Bayes

0,4  0,1
 P( A / D) = = 0,4761
0,4  0,1 + 0,4  0,1 + 0,2  0,02

EXERCÍCIO
Sejam A, B e C eventos do espaço de probabilidades (, A , P). A partir da propriedade
P( A  B) = P( A) + P( B ) − P( A  B) , mostre que
P( A  B  C ) = P( A) + P( B) + P(C ) − P( A  B) − P( A  C ) − P( B  C ) + P( A  B  C )

__________________
REFERÊNCIAS
DANTAS, C. A. B. Probabilidade: um curso introdutório. 3 ed. São Paulo: EDUSP, 2008;
GNEDENKO, B. V. The theory of probability. Moscow: Mir Publishers, 1969;
JAMES, B. R. Probabilidade: um curso em nível intermediário, 2 ed., Rio de Janeiro: IMPA, 2006.
KOLMOGOROV, A. N. Foundations of the theory of probability. 2 english ed. New Yourk: Chelsea publishing company, 1956
MAGALHÃES, M. N. Probabilidade e variáveis aleatórias. 2 ed. São Paulo: EDUSP, 2006.
MEYER, P. L. - Probabilidade, aplicações à estatística. Rio de Janeiro: LTC, 1972
NETO CHAVES, A. Probabilidade e estatística matemática I. Curitiba: UFPR, 2008. (notas de aulas).
PELELLA, G. Duas acepções do conceito de probabilidade. Universidade Federal do Maranhão: Departamento de Filosofia.
Disponível em: <http://cynthia_m_lima.sites.uol.com.br/duas.htm>. Acesso em: 05/04/2009 .
POPPER, K. A lógica da pesquisa científica. Disponível em:
<http://books.google.com.br/books?id=MbGLmeMU3pMC&pg=PA185&dq=simetria+em+probabilidade#PPA183,M1>.
Acesso em: 05/04/2009
SANT’ANNA, A. S. O que é um axioma. Barueri, SP: Manole, 2003, p. 9.