Universidade Federal do Acre – UFAC

Centro de Ciências Exatas e Tecnológicas - CCET

Conteúdo - PROBABILIDADE

Professor:
Manoel Domingos Filho
 Probabilidade
Análise Combinatória – Revisão

Arranjos Compostos ou com Repetições

A ordem dos elementos escolhidos é importante. Além disso,
podem haver repetições de elementos.

Notação: O número de arranjos de n elementos tomados k a k,

que podemos formar, havendo repetição de elementos é:

( AR) kn = n k
n e k são inteiros positivos, com k ≤ n.
 Análise Combinatória - Revisão

Exemplo: Quantas amostras podemos formar extraindo-se

duas cartas com reposição de um baralho comum de 52
cartas?

Solução: aqui temos n = 52 e k = 2. Logo, o número de

amostra que podemos formar é:

( AR) = 52 = 2.704
2
52
2

Podemos formar 2.704 de duas cartas.

 Análise Combinatória - Revisão
Combinações Simples - Notação: Cnk

Definição: O número de maneiras de escolher k

dentre n objetos diferentes sem considerar a ordem
é dado pela seguinte expressão:
n!
C =
k

k!(n − k )!
n

Nessa definição temos que, n tem que ser um inteiro

positivo e k um inteiro de tal forma que 0 ≤ k ≤ n.
 Análise Combinatória - Revisão

Observação: Como esse número aparece em

muitas passagens matemática, ele recebeu um outro
símbolo maias apropriado o qual é:
n n!
C =   =
k

 k  k!(n − k )!
n

Esse número é chamado de Binomial de n sobre k. Isto

porque ele é coeficiente no desenvolvimento do Binômio
de Newton.
 Análise Combinatória - Revisão

Binômio de Newton:
n
(a + b) n = (a + b)(a + b)...(a + b) =  a k b n − k
k =0

Exemplo clássico do Binômio de Newton. Para k = 0 e n =

2, sabemos que:

(a + b)2 = (a + b)(a + b) = a2 + 2ab + b2

 2  0 2−0  2  1 2−1  2  2 2−2

( a + b) =   a b +   a b +   a b
2

0 1   2
= 1a 0b2 + 2ab + 1a 2 = a 2 + 2ab + b 2
 Análise Combinatória - Revisão
Algumas Identidades Interessantes:
n n n n  n 
  = 1   = 1   = n   =  
0 n 1  k  n − k 

Relação de STIFEL

 n   n − 1   n − 1
  =   +  
 p   p − 1  p 
 Análise Combinatória - Revisão
Observação: Os números binomiais só tem sentido se n e k
foram inteiros não-negativos, com 0 ≤ k ≤ n.

Mas de uma forma bem mais geral pode-se admitir que n seja
negativo ou até mesmo qualquer número real.
Veja os Exemplos:
n n! n(n − 1)(n − 2)...(n − k + 1)(n − k )!
  = =
 k  k!(n − k )! k!(n − k )!
n(n − 1)(n − 2)...(n − k + 1)
=
k!
Esse número tem sentido para qualquer n ϵ R e k ϵ Z+
 Análise Combinatória - Revisão

 −3  ( −3)! ( −3)! ( −3)( −4)( −5)( −6)( −7 ) ( −8 ) !

 = = = =
 5  5 ! ( −3 − 5 ) ! 5 ! ( −8 ) ! 5 ! ( −8 ) !
−2520
= = −21
120

Caso Particular do Binômio de Newton, quando a = b =1.

 n  n  n  n  n
 0  +  1  +  2  +  3  + ... +  n  = 2
n

         
 Análise Combinatória - Revisão
Permutação com Elementos Repetidos.
Suponha que tenhamos n objetos, dos quais n1
sejam da categoria 1, n2 sejam de uma categoria 2,
... , e nk de uma k-ésima categoria, onde
n1 + n2 + n3 + ... + nk = n
Então o número de Permutações possíveis desses n
objetos é dado por:
n1 ,n ,..., n n!
Pn 2 k
=
n1 !n 2 ! ... n k !
 Probabilidade

O que é Probabilidade?

Resposta: Intuitivamente, Probabilidade é uma forma

Matemática pela qual podemos medir a chance de
ocorrência ou não, de um determinado fenômeno.

Historicamente a teoria da probabilidade teve sua origem

nos chamados jogos de azar.

Conta-se que por volta de 3000 anos A.C. os soldados

Gregos já brincavam de jogar um pedaço de osso no
formato de um dado, um Astalagus.
 Probabilidade
Alguns Conceitos Básicos.
Experimentos Aleatórios: Chamamos de Experimento
aleatório a todo experimento onde os resultados não podem
ser previstos com certeza.

Você pode até dar um “chute” ou até mesmo descrever as

possíveis chances de ocorrência de um resultado, mas não
pode afirmar com certeza o que vai acontecer.

Exemplo 1: Experimento aleatório: Lançar um dado não

viciado e observar o resultado.
Resultados Possíveis: Ω = {1, 2, 3, 4, 5, 6}.
 Probabilidade
Exemplo2: Experimento aleatório: Uma pessoa faz um
exame para saber se tem uma determinada doença.
Resultados Possíveis: Ω = {tem a doença, não tem a
doença}.

Espaço Amostral (Ω): É o conjunto formado por todos os

possíveis resultados na realização de um experimento
aleatório.
Exemplo: Lançamento de três moedas honestas.
Espaço amostral.
 = {(ccc),(cck),(ckk),(kkk),(kkc),(kcc),(ckc),(kck)}
onde c = face cara e k = face coroa.
 Probabilidade
Exemplo: Lançamento de dois dados equilibrados.
Espaço amostral.
jDiagonal Secundária

(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) 
jDiagonal Principal
 Probabilidade
Eventos: É qualquer subconjunto do Espaço Amostral. De
modo geral os eventos são representados por letras latinas
maiúsculas.

Exemplo 1: Seja A o evento formado por números primos

no lançamento de um dado.
A = {2,3,5}.

Exemplo 2: No lançamento de um dado, B representa os

resultados cujas faces são maiores que 6.
B = ϕ.

Observação: O Espaço amostral Ω é o evento certo. E o

conjunto ϕ é o evento impossível de ocorrer.
 Probabilidade
Propriedades de Conjuntos – Revisão.

I) Leis Comutativas:

a) A  B = B  A
b) A  B = B  A
II) Leis Associativas.

a) A  ( B  C ) = ( A  B)  C
b) A  ( B  C ) = ( A  B )  C
 Probabilidade
Propriedades de Conjuntos – Revisão.

III) Algumas Identidades Interessantes:

a) A  ( B  C ) = ( A  B)  ( A  C )
b) A  ( B  C ) = ( A  B )  ( A  C )
c) A   = 
d) A = A
e) ( A  B )C = AC  BC : Leis de DMorgan
f ) ( A  B )C = AC  BC : Leis de DMorgan
g ) ( AC )C = A.
 Probabilidade
Vamos considerar Probabilidade como sendo uma função
P(.) que atribui valores numéricos aos eventos do Espaço
Amostral, de acordo com a seguinte definição:

Definição: Uma função P(.) é denominada probabilidade se

satisfazer as seguintes condições:

1) 0  P( A)  1, A  ;

2) P() = 1;

3)
 Probabilidade
Dois eventos são disjuntos ou mutuamente exclusivos, se a
interseção entre eles for vazia, isto é, A e B são mutuamente
exclusivos se: A  B = 

Teorema 1: Se ϕ for o conjunto vazio, então P( ) = 0.

Prova: Vamos considerar um evento A qualquer.

É claro que A e ϕ são disjuntos, pois A   =  .

 Probabilidade
Logo, P ( A   ) = P ( A) + P ( )
A
P ( A) = P ( A) + P ( )
P ( A) − P ( A) = P ( )
0 = P ( )
ou P ( ) = 0

Teorema 2: Se AC é o complementar do evento A, então

P ( AC ) = 1 − P ( A) ou P ( A) = 1 − P ( AC )

Prova: consideremos o espaço amostral Ω da seguinte

forma:  = ( A  AC )
 Probabilidade
É claro que A e AC são disjuntos, pois A  AC =  .

Logo, P ( A  AC ) = P ( A) + P ( AC )


P (  ) = P ( A) + P ( A C )
1 = P ( A) + P ( A C )
P ( AC ) = 1 − P ( A).

Teorema 3: Se A  B , então P ( A)  P ( B ).

Teorema 4: Se A e B são dois eventos quaisquer de um

mesmo espaço amostral, então:
P ( A  B ) = P ( A) + P ( B ) − P ( A  B )
 Probabilidade

Como conseqüência do Teorema 4 temos o Teorema 5 a

seguir, onde a regra se estende para n eventos quaisquer.

Teorema 5: Se A1 , A2 , A3 , ..., Ak são k eventos do mesmo

espaço amostral, então:
k k
P ( A1  A2  A3 , ...,  Ak ) =  P ( Ai ) −  P ( Ai  A j ) +
i =1 i  j =2
k
 P ( Ai  A j  Ar ) + ... + ( −1)k −1 P ( A1  A2  ...  Ak )
i  j  r =3
 Probabilidade
Probabilidade nos Espaços Amostrais Equiprováveis.

Definição: Um espaço amostral é dito equiprovável,

quando cada evento simples (ponto amostral) tiver a mesma
probabilidade de ser selecionado.
Por exemplo, se Ω tiver n eventos simples, então a
probabilidade de cada evento é 1/n.

Assim, podemos definir a probabilidade de um evento A

ocorrer, da seguinte maneira:
Nº de Casos Favoráveis à ocorrência de A #(A)
P ( A) = =
Nº de Casos Possíveis, ( ) #( )
 Probabilidade
Exemplo 1: Suponha que o conjunto fundamental seja
formado pelos inteiros positivos de 1 a 10. Sejam os
eventos: A = {2,3,4}, B = {3,4,5} e C = {5,6,7}. Enumere
os eventos abaixo e calcule suas respectivas probabilidades:
a) AC  B;

b) AC  B;

c) ( AC  BC )C ;

d) ( A  ( B  C )C )C .
 Probabilidade
Solução: Ω = {1,2,3,4,5,6,7,8,9,10}; A = {2,3,4};
B = {3,4,5}; C = {5,6,7}

a) AC = {1, 5, 6, 7, 8, 9,10} ( AC  B ) = {5}

#( A C
 B) 1
P( A  B) =
C
=
#( ) 10

b) AC  B = {1, 3, 4, 5, 6, 7, 8, 9,10}
#(AC  B ) 9
P( A  B) =
C
=
#( ) 10
 Probabilidade

c ) ( AC  BC )C ; AC = {1, 5, 6, 7, 8, 9,10} BC = {1, 2, 6, 7, 8, 9,10}

( AC  BC ) = {1, 6, 7, 8, 9,10} ( AC  BC )C = {2, 3, 4, 5}

#( A C
 B C C
) 4 2
P[( A  B ) ] =
C C C
= =
#( ) 10 5

d ) ( A  ( B  C )C )C . ( B  C ) = {5}
( B  C )C = {1, 2, 3, 4, 6, 7, 8, 9,10} A  ( B  C )C = {2, 3, 4}
( A  ( B  C )C )C = {1, 5, 6, 7, 8, 9,10}

#[( A  ( B  C )C )C ] 7
P[( A  ( B  C ) ) ] =
C C
=
#( ) 10
 Probabilidade
Exemplo 2: Retira-se uma carta de um baralho comum de
52 cartas. Qual a probabilidade de sair rei ou carta de
espadas?
Solução: Sejam os eventos: A = {sair um rei};
B = {sair uma carta de espadas}. Então os eventos são:
A= {Ro,Rc,Re,Rp}; B = {Ae,2e, ...,10e,Je,Qe,Re};
D = (A∩B) = {Re}.

Assim, P ( A  B ) = P ( A) + P ( B ) − P ( A  B )
4 13 1 16 4
P( A  B) = + − = =
52 52 52 52 13
Exemplo 3: Retiram-se aleatoriamente duas cartas de um
baralho comum de 52 cartas. Qual a probabilidade de que:
a) Ambas sejam de espadas;
b) Uma seja de espada e a outra de copas.

Solução: Primeiro determinamos o número de casos

possíveis, isto é, #(Ω).
 52  52! 52  51 50!
# () =   = = = 26  51 = 1.326
 2  2!(52 − 2)! 2  50!

13 
a) Existem   = 78 maneiras de se retirar 2 cartas de espadas.
2
78 1
P= = .
1.326 17
b) Como existem 13 cartas de espadas e 13 cartas de copas,
então há 13x13 = 169 maneiras de se retirar uma carta de
espada e outra de copas.
169 13
P= =
1.326 102
Exemplo 4: Três lâmpadas são escolhidas ao acaso dentre
15 lâmpadas, das quais 5 são defeituosas. Encontre a
probabilidade de que:

a) Nenhuma seja defeituosa;

b) Exatamente uma seja defeituosa;
c) Pelo menos uma seja defeituosa.
Solução: O número de maneiras de escolher 3 lâmpadas
dentre as 15, os casos possíveis é:
15  15!
# () =   = = 455.
 3  3!(15 − 3)!
a) Como existem 10 lâmpadas não defeituosas, então o
número de maneiras de escolher 3 dentre essas 10 lâmpadas
é:
10  10! 120 24
# (A) =   = = 120.  P = = .
 3  3!(10 − 3)! 455 91
b) Como são 5 lâmpadas defeituosas e 10 não defeituosas,
então a probabilidade desejada é:
 5  10 
    
 1   2  5  45 225 45
P= = = =
455 455 455 91
c) O evento em que pelo menos uma seja defeituosa é o
complementar do evento em que nenhuma seja defeituosa,
dado no item (a):
24 67
P = 1− =
91 91
Exemplo 5: Duas cartas são escolhidas ao acaso dentre 10
cartas numeradas de 1 a 10. Encontre a probabilidade p de
que a soma seja ímpar se:

a) As duas cartas são retiradas juntas;

b) As duas cartas são retiradas uma após a outra sem
reposição;
c) As duas cartas são retiradas uma após a outra com
reposição.
Solução de 5:
a) O número de maneiras de selecionar 2 cartas dentre
as 10 é dado pela combinação:
10  10! 10! 10  9  8!
# () =   = = = = 45
 2  2!(10 − 2)! 2  8! 2  8!
A soma será ímpar se um número for ímpar e o outro for
par. Como existem 5 números ímpares e 5 pares, então
existem 5x5 = 25 maneiras de escolher um número ímpar e
outro número par.

Portanto a probabilidade desejada é:

25 5
P= =
45 9
Continuação de 5:

b) Agora, como as duas cartas são retiradas uma após a

outra e sem reposição, então o número de maneiras
possíveis de se fazer isto é dado por: #(Ω) = 10x9 = 90.

Note que existem 5x5 = 25 maneiras de se escolher um

número par e um número ímpar e 5x5 = 25 maneiras de se
escolher um número ímpar e um par.

Portanto a probabilidade pedida é:

25 + 25 50 5
P= = =
90 90 9
Continuação de 5:

c) Agora o processo de retirada é uma após a outra e com

reposição. Portanto o número de casos possíveis é dado
por: #() = ( AR )k = nk = 102 = 100
n

Assim como no item (b), existem 25 maneiras de se

escolher um número ímpar e outro par e mais 25 maneiras
de escolher um número par e outro ímpar.

Portanto a probabilidade pedida é:

25 + 25 50 1
P= = =
100 100 2
Exemplo 6: Numa sala existem 10 homens e 20 mulheres.
Metade dos homens e metade das mulheres têm olhos
azuis. Ache a probabilidade P de uma pessoa escolhida ao
acaso ser um homem ou ter olhos azuis.

Solução: Sejam os eventos: A = {a pessoa é um homem};

B = {a pessoa têm olhos azuis}.
Portanto, queremos calcular P(A ou B).

Note que:#(Ω) = 30; #(A) = 10; #(B) = 15 e #(A∩B) = 5.

Então a probabilidade desejada é:
P( A  B) = P( A) + P( B) − P( A  B)
10 15 5 20 2
P( A  B) = + − = =
30 30 30 30 3
Exemplo 7: Qual a probabilidade de, jogando um único
cartão, acertar a Mega Sena (seis dezenas em um total de
60)?

Solução: O acerto exato das seis dezenas é uma única

possibilidade entre todas as combinações possíveis
(combinações mesmo, já que a ordem em que os números
são sorteados não é relevante).

Portanto a probabilidade de ganhar na Mega Sena é:

P( ganhar M . Sena ) = 16 = 1 = 1 = 0,00000002

C60 60! 50.063.860
6!(60 − 6)!
Exemplo 8: Um homem tem em suas mãos 4 cartas de
espadas de um baralho comum de 52 cartas. Se ele receber
mais 3 cartas, encontre a probabilidade de que pelo menos
uma das cartas recebidas seja também de espadas.

Solução: Como ele já tem 4 cartas de espadas, então

existem 52 – 4 = 48 cartas restantes das quais 13 – 4 = 9
são de espadas.
O número de casos possíveis aqui é dado pela seguinte
combinação:
 48  48!
  = = 17.296
 3  3!(48 − 3)!
Como existem 48 – 9 = 39 cartas que não são de espadas,
então o número de maneiras dele receber mais 3 cartas que
não seja de espadas é dado pela combinação:
  39  39!
  = = 9.139.
 3  3!(39 − 3)!

Assim, a probabilidade dele não receber nenhuma carta de

espadas é será:
9.139
P=
17.296

Portanto, a probabilidade de que ele recebe pelo menos

uma carta de espadas é:

P = 1 − 9.139 = 17.296 − 9.139 = 8.157 = 0, 472

17.296 17.296 17.296
 Probabilidade Condicional.
A idéia é aumentar a chance de acertar, através da redução
do espaço amostral, sem perda de informação.
Linguagem estatística: A probabilidade condicional do
evento A ocorrer dado que o evento B já ocorreu é:
P( A  B)
P( A / B) = , P( B)  0. ou P( A  B) = P( B) P( A / B)
P( B)
P(A/B): Lê-se probabilidade de A dado a ocorrência de B.

Se A e B são eventos independentes, então

podemos escrever a probabilidade condicional da seguinte
forma:
P( A  B) P( A)  P ( B )
P( A / B) = = = P( A)
P( B) P( B)
 Probabilidade Condicional.
Exemplo 1: No lançamento de dois dados equilibrados,
qual é a probabilidade de que a soma dos pontos seja igual
a 9, sabendo-se que o primeiro elemento do par ordenado é
maior que o segundo?

Solução: Sejam os eventos.

A = {soma igual a 9}; A ={(3,6)(4,5)(6,3)(5,4)}
B = {primeiro elemento maior que o segundo}
B ={(2,1)(3,1)(3,2)(4,1)(4,2)(4,3)(5,1)(5,2)(5,3)(5,4)(6,1)(6,2)(6,3)(6,4)(6,5)}
(A ∩ B) = {(5,4)(6,3)}
P( A  B) #( A  B) 2
P( A / B) = = =
P( B) #( B) 15
 Probabilidade Condicional.
Exemplo 2: A tabela a seguir, mostra o resultado de um estudo
efetuado com 80 pacientes para verificar a relação entre “Cirrose” e
“Alcoolismo”. Alcoolismo Total
Cirrose
Sim Não
Presente 9 2 11
Ausente 26 43 69
Total 35 45 80
Uma pessoa foi escolhida ao acaso entre as 80 e verificou-se que ela
tinha cirrose.
a) Qual a probabilidade dessa pessoa ser alcoólatra?
b) Se a pessoa escolhida não for alcoólatra qual a probabilidade de
não ter cirrose?
c) Se a pessoa escolhida não for alcoólatra qual a probabilidade de ter
cirrose?
 Probabilidade Condicional.
Solução: Vamos Definir os eventos:
Evento A = {a pessoa é alcoólatra}; Assim, P(A) = 35/80
Evento AC = {não ser alcoólatra}; Assim, P(AC) = 45/80
Evento C = {a pessoa tem cirrose}; P(C) = 11/80
Evento CC = {a pessoa não tem cirrose}; P(CC) = 69/80
Evento (A ∩ C) = {ser alcoólatra e ter cirrose} P(A ∩ C) = 9/80
Evento (AC ∩ CC) = {não ser alcoólatra e não ter cirrose};
P(AC ∩ CC)= 43/80
Evento (C ∩ AC) = {ter cirrose e não ser alcoólatra};
P(C ∩ AC) = 2/80 = 1/40
a) Qual a probabilidade dessa pessoa ser alcoólatra?
9
P( A  C ) 80 9
P( A \ C ) = = =
P(C ) 11 11
80
b) Se a pessoa escolhida não for alcoólatra qual a
probabilidade de não ter cirrose?
43
P(C C  AC ) 80 43
P(C \ A ) =
C C
C
= =
P( A ) 45 45
80
c) Se a pessoa escolhida não for alcoólatra qual a
probabilidade de ter cirrose?

2
P (C  A C
) 80 2
P(C \ A ) =
C
C
= =
P( A ) 45 45
80
 Probabilidade Condicional.
⚫ Teorema do Produto: P(A ∩ B) = P(B)P(A\B) = P(A)P(B\A).
⚫ Teorema do Produto para n eventos. A1, A2, A3, …An.
P(A1∩A2∩A3∩ … ∩An) = P(A1)P(A2\A1)P(A3\A1 ∩ A2)…
⚫ Teorema da Probabilidade Total

P( B) = P( B A1 ) + P ( B A 2 ) + ... + P ( B An )
P( B) = P( A1 ) P( B \A1 ) + P( A 2 ) P( B \A 2 ) + ... + P( A n ) P( B \A n )
k
P( B) =  P( Ai ) P( B \Ai )
i =1
 Probabilidade Condicional.
Teorema de Bayes - Introdução. Qual a chance de você sair no
fim de semana se chover? E se não chover? Suponha, agora que
a pergunta seja invertida: se você saiu no último fim de semana,
qual é a probabilidade de ter chovido? Como responder a
perguntas como esta é o que é mostrado no exemplo a seguir.

Exemplo 1: Suponha que numa eleição para governador em um

estado temos um candidato democrata e um petista. Entre os
eleitores brancos, 30% votam no democrata, proporção que sobe
para 60% entre os eleitores negros e é de 50% entre os eleitores
de outras etnias. Sabendo-se que há 70% de eleitores brancos,
20% de negros e 10% de outras etnias, se um voto democrata é
retirado ao acaso, qual a probabilidade de que ele tenha sido
dado por um eleitor negro?
Solução: Utilizaremos as seguintes abreviações:
B – branco; N – negro; O – outras etnias;
D – democrata; T – petista.

Pelo enunciado sabemos que:

P(B) = 0,7; P(N) = 0,2; P(O) = 0,1; P(D\B) = 0,3;
P(D\N) = 0,6; P(D\O) = 0,5.

E pede-se qual a probabilidade de o voto ser de um eleitor

negro, dado que o voto é para o candidato democrata, isto é:
P( N e D) P( N  D)
P( N \ D) = = .
P( D) P( D)
A probabilidade de ser negro e democrata é dada por:
P( N e D) = P( N  D) = P( N )  P( D \ N ) = 0,2  0,6 = 0,12.
E a probabilidade de ser democrata é dada pela soma dos
votos dados pelos (brancos e democratas), (negros e
democratas) e (outras etnias e democratas), isto é:
P( D) = P( D e B) + P( D e N ) + P( D e O)
P( D) = P( B) P( D \ B) + P( N ) P( D \ N ) + P(O) P( D \ O)
P( D) = 0,7  0,3 + 0,2  0,6 + 0,1 0,5 = 0,38

Assim, a probabilidade desejada é:

0,12
P( N \ D) = = 0,3158 = 31,58%.
0,38
Teorema de Bayes. Este teorema nos diz que a probabilidade de
que o evento B tenha sido originado pela causa Ai, P(Ai\B), é dada
por: P ( Ai ) P ( B \ Ai ) P( Ai ) P( B \ Ai )
P ( Ai \ B ) = ou P( Ai \ B) = k
P( B)
 P ( Ai ) P ( B \ Ai )
i =1
Seja {Ai} i = 1, 2, 3, …, n, uma partição do espaço amostral de um
experimento e seja B um evento qualquer cuja a ocorrência está
condicionada a ocorrência de algum ou alguns dos eventos Ai s.
O Teorema de Bayes se propõe a analisar a probabilidade de um
determinado evento Ai ocorrer, dada a ocrrência do evento B. Isto é.
P(Ai\B).
 Probabilidade Condicional – Teorema de Bayes
Exemplo1: Suponha que em um levantamento de dados uma
Determinada população foi classificada de acordo com uma das
características abaixo:
P1 Heterossexuais: 63%; P2 Homossexuais: 18%
P3 Hemofílicos: 5%; P4 Usuários de drogas injetáveis: 14%.
Suponha ainda, que levantamentos estatísticios anteriores permitem
presumir que o risco de transmissão do HIV entre heterossexuais é da
ordem de 2,3%; entre a população de homossexuais 9,3%; entre os
Hemofílicos, 12%; e entre os usuários de drogas 17,1%. Uma pessoa
escolhida ao acaso tem diagnóstico HIV+ (positivo).

a) Qual a probabilidade dessa pessoa pertencer a população de

heterossexuais?
b) Qual a probabilidade dessa pessoa pertencer a população de
hemofílicos?
 Probabilidade Condicional – Teorema de Bayes
Solução: Sejam os eventos: A = {a pessoa é HIV+} e
AC = {a pessoa é HIV-}.

P(P1) = 0,63; P(A\P1) = 0,023;

P(P2) = 0,18; P(A\P2) = 0,093;
P(P3) = 0,05; P(A\P3) = 0,120;
P(P4) = 0,14; P(A\P4) = 0,171

Cálculo de P(A) – Teorema da Probabilidade total.

P( A) = P( P1 ) P( A\P1 ) + P( P2 ) P( A\P 2 ) + P( P3 ) P( A \ P3 ) + P( P4 ) P( A \ P4 )

P(A) = 0,63·0,023 + 0,18·0,093 + 0,05·0,120 + 0,14·0,171 = 0,0617

ou P(A) = 6,17%.
 Probabilidade Condicional – Teorema de Bayes

P( P1 )  P( A \ P1 ) 0,63  0,023
a) P( P1 \ A) = =
P( A) 0,0617
0,01449
= = 0,2344 ou 23,44%
0,0617

P( P3 )  P( A \ P3 ) 0,05  0,12
b) P( P3 \ A) = =
P( A) 0,0617
0,006
= = 0,0972 ou 9,72%
0,0617
 Probabilidade Condicional – Teorema de Bayes
Exemplo 2: São dadas três caixas como segue:
A caixa A tem 10 lâmpadas, das quais 4 são defeituosas;
A caixa B tem 6 lâmpadas, das quais 1 é defeituosa;
A caixa C tem 8 lâmpadas, das quais 3 são defeituosas.
Selecionamos uma caixa aleatoriamente e então
retiramos uma lâmpada, também aleatoriamente. Qual é a
probabilidade de que a lâmpada seja defeituosa?

Solução: Este é um típico problema que se realiza em dois

estágios. No primeiro estágio escolhe-se a caixa e no
segundo escolhe-se a lâmpada.

Uma forma eficiente de resolver este tipo de problema é

utilizando o chamado Diagrama da Árvore, como segue:
 Probabilidade Condicional – Teorema de Bayes
Continuação de 2: O seguinte diagrama da árvore descreve
este processo e dá a probabilidade de cada ramo, veja:

Como existem 3 ramos da árvore

que leva a uma lâmpada
defeituosa, então a probabilidade
é obtida através da multiplicação
das probabilidades de cada um
desses ramos e somando-se os
resultados dessas multiplicações,
isto é:
1 2 1 1 1 3 2 1 3
P=  +  +  = + +
3 5 3 6 3 8 15 18 24
48 + 20 + 45 113
= =
360 360
 Probabilidade Condicional – Teorema de Bayes

Outra forma de resolver: Aplicação do Teorema da

Probabilidade Total.

Seja o evento D ={ a lâmpada é defeituosa}.

P(D) = P(Caixai )  P(Defeituosa\Caixai )

P( D ) = P( A) P( D \ A) + P ( B ) P ( D \ B ) + P (C ) P ( D \ C )

1 2 1 1 1 3 113
P( D ) =  +  +  =
3 5 3 6 3 8 360
 Eventos Independentes.
Intuitivamente, se A e B são eventos independentes, então
a ocorrência de um deles não deve interferir na ocorrência
do outro, e portanto, devemos ter a seguinte relação:

P( A \ B) = P( A) e P( B \ A) = P( B)
Definição: Se A e B são dois eventos independentes, então
a probabilidade conjunta fatora no produto das
probabilidades individuais, isto é:

P( A  B) = P( A)  P( B)
 Eventos Independentes.
Observação 1: Para verificarmos se 3 eventos digamos A,
B e C são independentes devemos verificar se as 4
proposições seguintes são verdadeiras.

1) P( A  B  C ) = P( A)  P( B)  P(C );

2) P( A  B) = P( A)  P( B);

3) P( A  C ) = P( A)  P(C );

4) P( B  C ) = P( B)  P(C )
 Eventos Independentes.
Exemplo 1: Lançam-se 3 moedas honestas sob as mesmas
condições. Verifique se são independentes os seguintes
eventos:
A = {saída de face cara na primeira moeda};
B = {saída de face coroa na segunda e terceira moeda};
C = {saída de 3 faces iguais}

Solução:
Ω = {(ccc),(cck),(ckc), (ckk), (kcc), (kck), (kkc), (kkk)}
A = {(ccc),(cck), (ckc), (ckk)}
B = {(ckk), (kkk)}
C = {(ccc), (kkk)}
 4 1 2 1 2 1
P ( A) = = ; P( B) = = ; P (C ) = =
8 2 8 4 8 4

1
Logo, A  B = {(ckk )}  P ( A  B ) = = P ( A) P ( B );
8
1
A  C = {(ccc )}  P ( A  C ) = = P ( A) P (C );
8
1 1
B  C = {( kkk )}  P ( B  C ) =  P ( B ) P (C ) =
8 16
1
A  B  C = { }  P ( A  B  C ) = 0  P ( A ) P ( B ) P (C ) =
32

Portanto, os eventos A e B, A e C, são independentes 2 a 2;

mas B e C não são independentes, assim como A, B, e C
não são independentes 3 a 3.
Exemplo 2: É possível termos 3 eventos A, B e C, onde a
probabilidade conjunta desses eventos fatora no produto
das probabilidades individuais e ainda assim eles não são
independentes. Veja o diagrama abaixo, onde os valores
correspondem às probabilidades das áreas delimitadas.

C
0,15

0,15 0,1
0,1
0,25
0,1 0,05
B
A
Solução: Do diagrama extraímos os seguintes resultados:
P( A) = 0,1 + 0,15 + 0,1 + 0,05 = 0,4
P( B) = 0,25 + 0,05 + 0,1 + 0,1 = 0,5
P(C ) = 0,15 + 0,15 + 0,1 + 0,1 = 0,5
P( A  B) = 0,1 + 0,05 = 0,15
P( A  C ) = 0,1 + 0,15 = 0,25
P( B  C ) = 0,1 + 0,1 = 0,2
P( A  B  C ) = 0,1

De fato, P( A  B  C ) = P( A)  P( B)  P(C ) mas:

P( A  B)  P( A)  P( B); P( A  C )  P( A)  P(C );
P( B  C )  P( B)  P(C );

Portanto, A, B, e C são eventos dependentes.

 Probabilidade
Observação 2: Se A e B são eventos mutuamente
exclusivos, então A e B são dependentes, pois se A ocorre,
B não ocorre, isto é, a ocorrência de um evento condiciona
a não ocorrência do outro.

Observação 3: Se os eventos A1, A2, A3 , ..., An são

independentes, então vale o seguinte resultado:

 n  n
P  Ai  =  P( Ai ) = P( A1 )  P( A2 )  P( A3 )  ...  P( An )
 i =1  i =1

O número de condições k, arroladas no cálculo dessa

probabilidade é igual a 2 n − n − 1
 Problemas Diversos.
Problema 1 – Suponha que um evento A   tenha k
pontos amostrais. Calcule P(A).
A = {a1, a2, a3, ..., ak}, com 1 ≤ k ≤ n.
Solução:
Seja o conjunto A = {a1, a2, a3, ..., ak}, com 1 ≤ k ≤ n. Já
sabemos que num espaço amostral Equiprovável, cada
ponto amostral tem a mesma probabilidade de ser
1
escolhido, isto é: p =
n
k k k
1 1 k
Então, P( A) =  P(ai ) = p =  = k =
i =1 i =1 i =1 n n n
 Problemas Diversos.
Exemplo 2 – Suponha que se distribua n bolas em n caixas
de tal forma que os nn Arranjos possíveis sejam igualmente
prováveis. Determine a probabilidade de que somente a caixa
1 (um) fique vazia.

Solução – Imagine por exemplo que tenhamos a seguinte

situação: ...
0 1 1 2

Caixas: 1 2 3 n

O número de resultados possíveis nesse caso é dado por um

arranjo com repetição, isto é:

#(Ω) = n n
 Problemas Diversos.
Seja A o evento em que apenas a Caixa 1 (um) esteja vazia. Isto só
pode acontecer se n bolas estiverem distribuídas nas (n – 1) caixas
restantes, de tal forma que nenhuma delas fique vazia.

Assim, exatamente uma dessas (n – 1) caixas deve conter 2 Bolas, e

as (n – 2) caixas restantes devem ter exatamente 1 bola cada, como
mostra no início da solução desse problema.

Seja Bj o evento em que a caixa j, j = 2, 3, ..., n tenha 2 bolas, a caixa

1 fique vazia e as (n – 2) caixas restantes tenham Exatamente uma
bola cada.
Portanto, Bj são disjuntos e o evento A pode ser escrito como:
n
A= Bj
j =2
 Problemas Diversos.

Note que para o cálculo da probabilidade de Bj, as 2 bolas colocadas

na caixa j podem ser escolhidas dentre as n bolas, ou seja, existem
 n  maneiras de se fazer isto. Além disso, as (n – 2) bolas restantes
 
2
podem ser rearranjadas de (n – 2)! maneiras nas (n – 2) caixas
restantes. Assim, o número de maneiras distintas em que podemos
Colocar 2 bolas na caixa j, deixar a caixa 1 vazia e colocar
exatamente 1 bola em cada uma das caixas restantes é:
 Problemas Diversos.

n
   ( n − 2)!
2

 n
   ( n − 2)!
Portanto, P ( Bj ) =  2
e conseqüentemente,
n
n

 n  n
( n − 1)   ( n − 2)!   ( n − 1)!
P ( A) =  2
=  2
n n
n n
 Probabilidade – Problemas Diversos.
Exemplo 3: Duas bolas são retiradas de uma caixa que
contém 2 bolas Brancas, 3 bolas Pretas e 4 bolas Verdes.
Qual a probabilidade de que ambas sejam Verdes? E de
ambas serem da mesma cor?
Solução: Ambas verdes.

4 3 1
P (V1 eV2 ) = P (V1  V2 ) = P (V1 ) P ( V2 \ V1 ) =  =
9 8 6
Mesma Cor:
P( M .C.) = P( B1  B2 ) + P( P1  P2 ) + P (V1  V2 )
= P( B1 ) P( B2 \ B1 ) + P( P1 ) P( P2 \ P1 ) + P(V1 ) P( V2 \ V1 )
2 1 3 2 4 3 2 + 6 + 12 5
=  +  +  = =
9 8 9 8 9 8 72 18
 Problemas Diversos.
Exemplo 4: Sejam A e B eventos tais que:
P ( A) = 0, 2; P ( B ) = k e P ( A B ) = 0, 6.
Calcular o valor de k sabendo-se que:
a) A e B são eventos mutuamente exclusivos;
b) A e B são eventos independentes.

Solução:
a) Como A e B são mutuamente exclusivos então devemos
ter: ( A  B ) =  , e portanto P( A  B ) = 0.
Logo, pela regra da adição temos:
P( A B ) = P( A) + P( B ) − P( A  B )
0,6 = 0, 2 + k − 0  k = 0,6 − 0, 2 = 0, 4.
 Problemas Diversos.
b) Como A e B são eventos independentes, então a
probabilidade da ocorrência simultânea desses eventos
pode ser escrita como: P( A  B ) = P( A)  P( B ) = 0, 2  k
Aplicando a regra da adição mais uma vez temos:
P( A  B ) = P( A) + P( B ) − P ( A  B )
0,6 = 0, 2 + k − P( A)  P( B )
0,6 = 0, 2 + k − 0, 2  k
0,6 − 0, 2 = k − 0, 2k
0, 4 = 0,8k
0, 4
k = = 0,5
0,8
 Problemas Diversos.
Exemplo 5: Uma caixa contém 3 bolas brancas e 2 bolas
amarelas. Uma segunda caixa contém 4 bolas brancas e 2
amarelas. Escolhe-se, ao acaso, uma caixa e dela retira-se
também ao acaso, uma bola. Qual a probabilidade de que a
bola escolhida seja branca?
Solução: Seja I = caixa 1 e II = caixa 2. Como as caixas
são escolhidas ao acaso, então devemos ter:
1
P( I ) = P( II ) =
2
Além disso devemos ter também:

3 4 2
P( B \ I ) = e P( B \ II ) = =
5 6 3
 Problemas Diversos.
Assim, a bola branca pode ser escolhida da seguinte
maneira: B = ( B  I )  ( B  II )

Portanto, a probabilidade de B pode ser calculada assim:

P( B) = P( B  I ) + P( B  II )

P( B) = P( I ) PB \ I ) + P( II ) P( B \ II )

1 3 1 2 3 1 9 + 10 19
P( B) =  +  = + = =
2 5 2 3 10 3 30 30
 Problemas Diversos.

Outra forma de resolver o mesmo exercício: Através do

Diagrama da Árvore, como segue:

I
 Problemas Diversos.

Exemplo 6: Teorema Bayes. Uma urna A contém 3 moedas

de ouro e 2 de prata. Uma urna B tem contém 4 moedas de
ouro e 1 de prata. Seleciona-se 1 urna ao acaso e dela retira-
se também ao acaso uma moeda. A moeda retirada é de
ouro. Qual a probabilidade de que a urna A tenha sido a
selecionada?

Solução: P( A) = P( B) = 1 ; P(O \ A) = 3 e P(O \ B) = 4

2 5 5
 Problemas Diversos.

Solução – Continuação.

13
P(A)P(O \ A) 2 5
P(A \ O) = =
P(A)P(O \ A) + P(B)P(O \ B) 1  3 + 1  4
2 5 2 5
3 3
P(A \ O) = 10 = 10 = 3
3 + 4 7 7
10 10 10
 Problemas Diversos.
Exemplo 7: Uma caixa tem 3 moedas: 1 não viciada, outra
com 2 caras e uma terceira viciada de modo que a
probabilidade de ocorrer cara nessa moeda é de 1/5. Uma
moeda é selecionada ao acaso da caixa e ocorreu cara. Qual
a probabilidade de que a terceira moeda tenha sido a
escolhida?

Solução:

I = Primeira Moeda; P(I) = P(II) = P(III) = 1/3.

II = Segunda Moeda; P(C\I) = 1/2; P(C\II) = 1;
III = Terceira Moeda. P(C\III) = 1/5
 Problemas Diversos.

Portanto, pelo teorema de Bayes temos:

P( III ) P(C \ III )

P( III \ C ) =
P( III ) P(C \ III ) + P( II ) P(C \ II ) + P( I ) P(C \ I )
1 1 1

P( III \ C ) = 3 5 = 15 =
1 1 1 1 1 1 1 1
 + 1 +  + +
3 5 3 3 2 15 3 6
1 1
15 15 1 2
= = = =
1 1 1 2 + 10 + 5 17 17
+ +
15 3 6 30 2
 Problemas Diversos.

Exemplo 8: Uma fábrica de rádios tem duas linhas de

montagem. A linha I produz 80% dos rádios, e a linha II
produz 20%. Em média, 5% dos rádios montados na linha I
e 10% dos rádios montados na linha II apresentam defeitos.
Escolhe-se ao acaso, um rádio de um lote já pronto para o
embarque, e constata-se estar defeituoso. Qual a
probabilidade de ter sido montado na linha I? E na linha II?

Solução: Teorema de Bayes.

 Problemas Diversos.
Solução: Continuação... Sejam os eventos:

Sejam : A = {o rádio apresenta defeitos};

E1 = o rádio foi montado na linha I;
E2 = o rádio foi montado na linha II.
P( E1 ) = 80% = 0,8; P( A \ E1 ) = 0,05;
P( E2 ) = 20% = 0,2; P( A \ E2 ) = 0,10

Probabilidade de ter vindo da linha de montagem I:

P( E1 ) P( A \ E1 )
P( E1 \ A) =
P( E1 ) P( A \ E1 ) + P( E2 ) P( A \ E2 )
0,8  0,05 0,04 0,04 2
P( E1 \ A) = = = =
0,8  0,05 + 0,2  0,10 0,04 + 0,02 0,06 3
Probabilidade – Problemas Diversos.
Continuação...
Probabilidade de ter vindo da linha de montagem II:
Sejam : A = {o rádio apresenta defeitos};
E1 = o rádio foi montado na linha I;
E2 = o rádio foi montado na linha II.
P( E1 ) = 80% = 0,8; P( A \ E1 ) = 0,05;
P( E2 ) = 20% = 0,2; P( A \ E2 ) = 0,10

P ( E2 ) P ( A \ E2 )
P( E2 \ A) =
P( E2 ) P( A \ E2 ) + P( E1 ) P( A \ E1 )
0,2  0,10 0,02 0,02 1
P( E2 \ A) = = = =
0,2  0,10 + 0,8  0,05 0,02 + 0,04 0,06 3
 Problemas Diversos.
Exemplo 9: Um grupo de 8 republicanos e 4 democratas
assiste a uma seção da Câmara Municipal. Desse grupo,
escolhe-se aleatoriamente uma comissão de 4 pessoas. Qual
a probabilidade de a comissão ser composta exatamente de
2 republicanos e 2 democratas?

Solução:
n = 8 + 4 = 12 pessoas.
 12  12! 12.11.10.9.8!
( ) =   = = = 495
 4  4!(12 − 4)! 4.3.2.1.8!
 Problemas Diversos.

Evento A = {Comissão de 2 Republicanos e 2 Democratas}

n = 8 + 4 = 12 pessoas.
8   4  8! 4!
(A) =   e   =  =
 2   2  2!(8 − 2)! 2!(4 − 2)!
8.7.6! 4.3.2!
=  = 28  6 = 168
2.1.6! 2.1.2!

(A) 168 56
P(A) = = = = 0,339
() 495 165
 Problemas Diversos.

Exemplo 9: Uma companhia de táxis classifica seus

motoristas como B (bons), R (regulares) e M (maus),
dependendo do seu prontuário. A probabilidade de um
motorista da classe B ter ao menos 1 acidente em um mês é
0,02; para o motorista da classe R a probabilidade é 0,04, e
para o motorista da classe M é 0,08. A companhia sabe que
80% de seus motoristas pertencem a classe B, 10%
pertencem a classe R e 10% pertencem a classe M. Um dos
motoristas envolve-se num acidente. Qual a probabilidade
de que ele pertença á classe B? e da classe R? e da classe
M?
 Problemas Diversos.
Solução: Teorema de Bayes.
Seja A o evento: {o motorista envolve num acidente}
P( B ) = 80% = 0,8; P( A \ B ) = 0,02;
P( R ) = 10% = 0,1 P( A \ R ) = 0,04;
P( M ) = 10% = 0,1 P( A \ M ) = 0,08.
P( B ).P( A \ B )
P( B \ A) =
P( B ).P( A \ B ) + P( R ).P( A \ R ) + P( M ). P( A \ M )
0,8  0,02
P( B \ A) = =
0,8  0,02 + 0,1  0,04 + 0,1  0,08
0,016 0,016 16 4
P( B \ A) = = = =
0,016 + 0,004 + 0,008 0,028 28 7
 Problemas Diversos.
Continuação: Probabilidade de pertencer a classe R.

P( R ).P( A \ R )
P( R \ A) =
P( B ).P( A \ B ) + P( R ).P( A \ R ) + P( M ). P( A \ M )
0,1  0,04
P( R \ A) = =
0,8  0,02 + 0,1  0,04 + 0,1  0,08
0,004 0,004 4 1
P( R \ A) = = = =
0,016 + 0,004 + 0,008 0,028 28 7
 Problemas Diversos.
Continuação: Probabilidade de pertencer a classe M.

P( M ).P( A \ M )
P( M \ A) =
P( B ).P( A \ B ) + P( R ).P( A \ R ) + P( M ). P( A \ M )
0,1  0,08
P( M \ A) = =
0,8  0,02 + 0,1  0,04 + 0,1  0,08
0,008 0,008 8 2
P( M \ A) = = = =
0,016 + 0,004 + 0,008 0,028 28 7