Probabilidades de testemunhas em acidente de ônibus

Probabilidades e
distribuições de probabilidades
Problema
A Companhia de Seguros ABC deseja acionar uma empresa de ônibus
para indenizar a viúva de um cliente, que foi morto em um acidente com um
dos ônibus da empresa. Deseja, para isso, construir peças de evidências que
demonstrem imperícia do motorista e, portanto, culpabilidade da empresa.
Entre as peças de evidências, a Companhia ABC pretende demonstrar que a
chance de quatro testemunhas que depuseram a favor do motorista mora-
rem em casas do mesmo quarteirão dele e estarem no ônibus no evento do
acidente é muito pequena.
O acidente ocorreu no meio da tarde de um dia de semana. Um casal de

pessoas idosas desceu do ônibus em um determinado ponto do itinerário e
o homem foi atropelado pelo próprio ônibus. A viúva garantiu que o ônibus
arrancou antes que o seu esposo tivesse alcançado a calçada.
O motorista alegou que esse fato não ocorreu e apresentou em sua defesa
o depoimento de quatro testemunhas que teriam acompanhado o acidente
por estarem no ônibus naquele momento.
O advogado da companhia de seguros tinha ouvido falar que as empre-

sas de transporte coletivo só contratavam motoristas se os mesmos apresen-
tassem juntamente com os documentos pessoais uma relação de pessoas
que deporiam a seu favor em caso de acidentes, uma vez que as empresas
estavam tendo um prejuízo muito grande com causas judiciais.
Diante das circunstâncias, o advogado levantou o endereço das testemu-

nhas e do motorista e constatou que todos moravam em um mesmo quar-
teirão do bairro para o qual o ônibus se dirigia.
Como então determinar a probabilidade de as testemunhas de fato não

serem forjadas? O advogado procurou um consultor estatístico e solicitou
a ele que determinasse essa probabilidade, mesmo que fosse de forma
aproximada.
61
Probabilidades e distribuições de probabilidades
Depois de alguma reflexão, o estatístico pensou que poderia aproximar

essa situação através de um procedimento clássico em Estatística: o de tirar
bolas coloridas de uma caixa. O experimento aleatório consiste em misturar
em uma caixa bolas de duas cores. Por exemplo, colocar seis bolas azuis em
uma caixa com 20 bolas brancas, misturar bem e retirar dessa caixa, sem
olhar, uma amostra de quatro bolas. Calcular então a probabilidade que duas
dessas quatro bolas sejam azuis.
Essa probabilidade pode ser calculada da seguinte forma: de quantas ma-

neiras pode-se retirar quatro bolas sem reposição de um total de 26? Esse
número é igual a C26,4. Dentre todas essas combinações, de quantas manei-
ras pode-se retirar duas bolas brancas das 20 contidas na caixa? Da mesma
forma, C20,2. E as outras duas azuis de seis? C6,2. Então, a probabilidade de se
retirar duas bolas azuis na situação exposta é dada por:
C6,2C20,2
P (X = 2) =
C26,4
190 . 15
O cálculo dessa probabilidade resulta em P(X = 2) = = 0,1906,
14 950
então a probabilidade de se retirar duas bolas azuis em uma amostra sem
reposição de uma caixa com 26 bolas, sendo 20 brancas e 6 azuis, é de 0,19
ou 19%.
Se o bairro em que mora o motorista e suas testemunhas for a caixa que

contém um número N de moradores, o número de habitantes do quarteirão
for N1, correspondentes ao número de bolas azuis na caixa e a lotação do
ônibus for a amostra n, qual é a probabilidade que dessa amostra n, n1 sejam
de moradores do quarteirão?
A expressão geral para o cálculo dessa probabilidade é:
CN1,n C(N – N1), (n – n )

P (X = n1) = 1 1
CN,n
Resta, então, verificar os valores de N, N1, n e n1. Depois de um trabalho

intenso de levantamento de dados, o estatístico chegou às seguintes informa-
ções. O bairro é composto por 112 quarteirões, os quarteirões têm em média
20 casas e cada casa uma média de quatro moradores, portanto, o número de
habitantes do bairro era de N = 8 960. No quarteirão em que moravam o mo-
torista e suas testemunhas havia 20 casas com também quatro moradores em
cada casa, um total de N1 = 80 moradores no quarteirão. A lotação do ônibus
62
é de 30 lugares sentados, ou seja, n = 30, e queremos calcular a probabilidade

de que cinco moradores do mesmo quarteirão (o motorista e as quatro teste-
munhas) estivessem juntos no ônibus, isto é, P(X = n1) = P(X = 5).
O cálculo dessa probabilidade é então:
C80,5C8880,35
P (X = 5) = = 0,00002
C8960,40
Ou seja, uma chance em 50 000. De fato, muito pequena.
Na avaliação feita, todos os benefícios de aproximação foram feitos a favor

do motorista. O ônibus tinha lotação completa, quando se pode verificar que
nesse horário da tarde ela nunca está completa. O número de pessoas que o
ônibus servia era maior do que somente o seu bairro terminal. O número de
pessoas por residência em bairros da periferia é normalmente maior do que
a média de um casal com dois filhos. Todos esses fatores foram colocados a
favor do motorista. E ademais, há que se supor que todos os quatro passa-
geiros estivessem prestando atenção ao acidente.
Esse é um problema típico de modelagem com probabilidades. Há muitos

outros tipos de exemplo. Mas, talvez mais importante do que a aplicação direta
de probabilidades na solução de problemas seja a sua grande utilidade como
instrumento para se trabalhar com inferência estatística e com as técnicas de
tomada de decisões aplicadas nos últimos três capítulos do livro.
Conceitos fundamentais
A teoria de probabilidades foi desenvolvida para solucionar jogos de azar
durante o século XVII, mas somente no início do século XX, graças ao mate-
mático russo A. Komolgorov, que formulou toda a teoria a partir de axiomas
básicos, a teoria de probabilidades ganhou status próprio como um ramo
autônomo da matemática. Existem várias propostas de como medir a incer-
teza. Entre elas, a mais desenvolvida é a da teoria de probabilidades. Mesmo
assim, há diferentes escolas que propõem diferentes meios de acessar valores
de probabilidades. Há, portanto, alguma controvérsia sobre os fundamentos
da teoria. Discutiremos três enfoques conceituais diferentes, mas que, inde-
pendentemente das diferentes definições, usam as mesmas regras matemá-
ticas como medidas objetivas de incerteza. Os três enfoques são o da proba-
bilidade clássica, o da frequência relativa de ocorrências e o da probabilidade
63
subjetiva, que apesar do nome trata a probabilidade como uma medida ob-
jetiva, embora a forma de sua determinação seja subjetiva. Aqui a palavra
objetiva significa uma medida exata que se submete ao corpo axiomático da
teoria de Komolgorov.
Esses três enfoques foram apresentados porque serão usados indistinta-

mente na solução dos problemas colocados no livro. As diferenças possíveis
decorrentes da diferença de enfoques serão discutidas toda vez que pude-
rem causar algum tipo de dúvida ou desconforto.
Iniciaremos com a apresentação de uma série de definições básicas que

ajudarão na construção de toda a teoria de probabilidades necessária para a
solução dos problemas apresentados nos demais capítulos.
Experimento aleatório
Experimento aleatório é um experimento no qual sabe-se que resultados
podem ocorrer, mas não se sabe de antemão que resultado ocorrerá. Pode-se,
no entanto, determinar a probabilidade associada a cada resultado. Por exem-
plo, no lance de um dado honesto sabe-se que os resultados possíveis são 1, 2,
3, 4, 5 ou 6 na face superior, cada resultado com probabilidade 1/6.
Como determinar a probabilidade de sair um número par? Pela teoria

clássica de probabilidades verificamos que há seis resultados possíveis. A pro-
babilidade de sair um número par é determinada pela razão entre o número
de casos favoráveis e o número de casos possíveis, ou seja, 3 casos favoráveis
sobre 6 casos possíveis, então essa probabilidade é de 3/6 ou ½.
Do ponto de vista frequentista, essa probabilidade pode ser calculada

com o lance de um dado 1 000 vezes, verificando-se quantas vezes saiu um
número par e dividindo-se esse valor por 1 000.
Também se pode determinar intuitivamente, através de probabilidade

subjetiva, que o resultado “sair um número par no lance de um dado” é equi-
valente a “sair cara no lance de uma moeda”, e que, portanto, pela experiência
do tomador de decisões, ele pode concluir que essa probabilidade seja ½.
Evento
Eventos são cada um dos resultados possíveis de um experimento alea-
tório. O evento de sair cara no lance de uma moeda é chamado de evento
64
simples, porque estamos interessados em um resultado singular do experi-

mento aleatório. O evento “sair um número par no lance de um dado” é um
evento composto, porque o resultado está associado a três possíveis eventos
simples.
Aos eventos no geral associa-se um conjunto, e a notação utilizada será a

da teoria dos conjuntos, que estabelece denotar o conjunto com letras maiús-
culas, e quando necessário, os elementos do conjunto com letras minúscu-
las. Então o evento sair um número par pode ser representado pelo conjunto
A = {2, 4, 6}.
Também podemos pensar no caso da moeda, que o resultado do lance

pode ser 1 no caso de sucesso em sair uma cara e 0 no caso de fracasso em
sair uma coroa. Assim, se X é o resultado do lance de uma moeda, X = 1 re-
presenta cara e X= 0 representa coroa.
Espaço amostral
Podemos definir de forma simples o espaço amostral como o conjunto
de todos os resultados possíveis de um experimento aleatório ou de outra
forma o conjunto de todos os eventos simples de um experimento aleatório.
No geral, o espaço amostral é denominado por S (space, em inglês) ou pela
letra grega Ω (ômega).
No lance de um dado o espaço amostral será o conjunto S = {1, 2, 3, 4, 5,

6}. No lance de uma moeda o espaço amostral será S = {C, K}, em que C re-
presenta cara e K, coroa. Em muitos livros traduzidos encontramos o espaço
amostral para esse experimento aleatório como S = {H,T}. Aqui H representa
cara e T coroa, porque o jogo cara ou coroa em inglês é chamado de head or
tail, cabeça ou rabo.
Observe que o espaço amostral é o conjunto de todos os elementos, ou o

conjunto universo da teoria de conjuntos.
Evento certo e eventos mutuamente exclusivos

Um evento é dito certo quando não há possibilidade de ocorrência de
outro evento. Também evento impossível é aquele que não tem qualquer
possibilidade de ocorrência. No lance de um dado, um número de 1 a 6 apa-
recer na face superior do dado é um evento certo. No lance de dois dados, a
65
soma das faces superiores ser 15 é um evento impossível. Essa definição será
útil um pouco mais tarde quando tratarmos de probabilidades.
Eventos mutuamente exclusivos são aqueles cujos elementos não podem

pertencer a dois conjuntos ao mesmo tempo. Segue um exemplo de eventos
não mutuamente exclusivos com relação ao número que aparece na face
superior do lançamento de um dado. Seja o evento A sair um número par e
o evento B um número menor do que 4. Então A e B não são mutuamente
exclusivos porque o evento 2 ocorre em ambos os conjuntos. A = {2, 4, 6} e
B = {1, 2, 3}.
Eventos complementares
Dois eventos são complementares quando os seus elementos pertencem
a eventos mutuamente exclusivos e a reunião de todos os elementos é igual
ao espaço amostral. Por exemplo, no lance de um dado o evento A = {1, 2} é
complementar ao evento B = {3, 4, 5, 6}. Também o evento sair um número
par na face superior no lançamento de um dado é complementar ao evento
sair um número ímpar.
É usual denotar o evento complementar de A como Ā ou Ac.
Probabilidade
Probabilidade é uma medida de incerteza que pode assumir valores entre
0 e 1. Não existe probabilidade negativa nem maior do que 1. A probabilidade
de sair cara no lance de uma moeda é igual a ½ ou 0,5 e não 50%.
Embora probabilidade e percentagem sejam medidas de naturezas di-

ferentes, não é incomum que se utilize percentagem com o sentido de pro-
babilidade. Quando isso não nos atrapalhar, utilizaremos indistintamente as
duas acepções.
A probabilidade de um evento A pode ser definida como o número de

elementos favoráveis sobre o número de elementos possíveis. O cardinal do
conjunto A, denotado por #A, representa o número de elementos favoráveis
do evento A e o #S o número de elementos do espaço amostral, então:
P (A) = #A
#S
66
No evento número par no lance de um dado, A = {2, 4, 6}, cujo número de

elementos é dado por #A = 3 e S = {1, 2, 3, 4, 5, 6} com #S = 6, então:
P (A) = #A = 3 = 1 = 0,5
#S 6 2
Probabilidade, chance e verossimilhança

Esses três termos são muitas vezes utilizados indistintamente, mas de fato
representam fenômenos de natureza distinta.
Dizemos que a chance de se ganhar na mega-sena é de aproximadamente

1 para 50 milhões se jogarmos um bilhete com 6 números. A ideia de chance
está relacionada a jogo. É curioso notar que a teoria de probabilidade em
seus primórdios era denominada nos meios acadêmicos como a teoria das
chances, somente mais tarde se distinguiu chance de probabilidade, tendo
sido reservada para essa última a primazia de denominar a teoria que se en-
carrega de medir incerteza.
Por outro lado, a palavra verossimilhança também não tem o mesmo sig-
nificado de probabilidade. Por exemplo, é bem sabido que se em uma noite
de inverno o frio for intenso e o céu estiver estrelado, a possibilidade de
ocorrência de geada na manhã do dia seguinte é bastante grande. Devemos
dizer que é verossímil e não que é provável a ocorrência de geada. Essa pala-
vra é muito pouco utilizada coloquialmente em português e por isso falamos
em provável ou verossímil indistintamente.
Na língua inglesa, a palavra correspondente à verossimilhança é likelihood,

bastante comum no uso coloquial. Então, em muitos livros de estatística tra-
duzidos do inglês para o português, o tradutor prefere utilizar probabilida-
de nos locais em que aparece likelihood e isso pode trazer alguma confusão
conceitual. Forçaremos um pouco o uso correto e distinto de probabilidade
e verossimilhança quando for necessário no texto.
Axiomas e regras de probabilidades

As regras para o uso de probabilidades, muitas vezes apresentadas como
teoremas, partem de um conjunto de princípios que leva em conta a natu-
reza da medida de probabilidade. Esse conjunto de princípios é conhecido
67
como os Axiomas de Kolmogorov, o matemático russo que as estabeleceu no

início do século XX.
Axiomas de Kolmogorov
Seja A um evento e S o espaço amostral de um experimento aleatório, então:
(I) 0 ≤ P(A) ≤ 1;
(II) P(S) = 1;
(III) P(A B) = P(A) + P(B) – P(A B), se A e B não são eventos mutuamente
exclusivos.
O primeiro axioma define probabilidade como uma medida não nega-

tiva e não maior que a unidade. Então, é um número definido no intervalo
de 0 a 1 e não uma percentagem. Ela pode ser apresentada em forma de
fração 4/10, com o numerador sempre menor ou igual ao denominador,
ou em forma decimal 0,4. Não teremos preferência neste livro na forma
de apresentação final das probabilidades calculadas, mas sempre convém
fazer as operações através de frações para não haver acúmulo de erros
devido a arredondamentos.
O segundo axioma informa que a probabilidade do espaço amostral é

sempre 1. O espaço amostral pode ser tomado como o evento composto
certo. Por outro lado, o evento complementar a S é o conjunto vazio, denota-
do por { } ou ø.
O terceiro axioma diz que a probabilidade da união de dois eventos é a

soma das probabilidades dos eventos menos a probabilidade de sua inter-
seção. Se A e B são mutuamente exclusivos, então A B = ø. Vejamos um
exemplo de eventos não mutuamente exclusivos.
No lance de um dado, seja A o evento sair um número par e B o evento

sair um número menor que 4. Então, A = {2, 4, 6} e B = {1, 2, 3}, a união dos
dois eventos A B = {1, 2, 3, 4, 6} e a interseção e A B = {2}. Então P (A B)
= 1/2 + 1/2 – 1/6 = 5/6, uma vez que P (A) = 1/2; P (B) = 1/2 e P(A B) = 1/6.
Verifique que de fato o cardinal de A B é #(A B) = 5.
É necessário fazer a subtração porque caso contrário o elemento 2 en-

traria duas vezes, enquanto na união ele só entra uma vez, apesar de ser
elemento dos conjuntos A e B.
68
Regras de probabilidades
Algumas regras úteis derivadas dos axiomas de probabilidades serão
apresentadas sem prova. Em um contexto formal elas poderiam ser apre-
sentadas como teoremas com as devidas provas, mas esse não é o interesse
neste texto.
Eventos complementares
Se A é um evento e Ā é o seu evento complementar, então P(A) + P(Ā) =
1, ou ainda P(Ā) = 1 – P(A). Um caso particular ocorre para o caso do conjun-
to vazio, sabidamente complementar ao conjunto universo. P(ø) = 1 – P(S),
então como P(S) = 1, P(ø) = 0.
Regra da adição
Se A e B são eventos mutuamente excludentes, isto é, A B = ø , então
P(A B) = P(A) + P(B), haja vista que P(ø) = 0.
Sejam os eventos A ={2, 4} e B { 3, 5} e S = {1, 2, 3, 4, 5, 6}, então P(A B) =

P(A) + P(B) = 2/6 +2/6 = 4/6, verifique que A B = {2, 3, 4, 5}, cujo cardinal e
#( A B) = 4.
A B
2 5
4 3
6
1
S
Regra da diferença
Se A e B são dois conjuntos quaisquer, podemos definir a diferença entre
os dois conjuntos, A\B como o conjunto de todos os elementos que perten-
cem a A e que não pertencem a B. Então P(A\B) = P(A) – P(A B).
Sejam os eventos A ={2, 4} e B { 2, 3, 5} e S = {1, 2, 3, 4, 5, 6}, então P(A\B) = P(A)

– P(A B) = 2/6 – 1/6 = 1/6. Verifique que A\B = {4} cujo cardinal é #(A\B) = 1.
69
A B
5
4 2
3
6
1
S
Probabilidades conjunta,
marginal, condicional e independência
Probabilidade conjunta
Em muitas aplicações, estaremos interessados na probabilidade de ocor-
rência conjunta de dois ou mais eventos. Considere uma pesquisa de merca-
do em que dois produtos, A e B, foram apresentados para uma amostra de 1
000 pessoas, 500 homens e 500 mulheres. Os resultados das preferências são
apresentados na tabela a seguir:
Sexo Prefere produto A Prefere produto B Total

Masculino (M) 200 300 500
Feminino (F) 100 400 500
Total 300 700 1 000
O evento, quando um homem prefere o produto A, é representado por

(M e A), quando uma mulher prefere o produto A por (F e A) e assim por
diante, e a probabilidade associada ao primeiro é representada por P(M
e A). Essa probabilidade pode ser determinada por P(M e A) = 200/1 000
= 0,2. Então, podemos construir uma tabela de probabilidades conjuntas,
conforme a seguir:

Masculino (H) 0,2 0,3 0,5
Feminino (M) 0,1 0,4 0,5
Total 0,3 0,7 1,0
70
Probabilidade marginal
Adicionalmente às probabilidades conjuntas, é possível determinar as
probabilidades marginais com respeito ao sexo e à preferência por produto.
Essas probabilidades são chamadas de probabilidades marginais ou de pro-
babilidades incondicionais. Por exemplo, a probabilidade marginal de que
um indivíduo escolhido aleatoriamente seja homem é de P(H) = 0,5 e a pro-
babilidade que o produto A seja escolhido é de P(A) = 0,3.
Observe que a probabilidade de que o produto A seja escolhido é a soma

de duas probabilidades mutuamente excludentes: P[(A e H) ou (A e M)] = P(A
e H) + P(A e M) = 0,2 + 0,1 = 0,3.
Probabilidade condicional
Se estivermos interessados na probabilidade de ocorrência de um evento
uma vez que outro evento já ocorreu, podemos definir probabilidades condi-
cionais. Por exemplo, podemos estar interessados em saber qual é a proba-
bilidade de ocorrência do evento “preferência pelo produto A” dado que o
elemento sorteado foi um homem.
Definimos então, P(A/H) como a probabilidade condicional e diz-se “pro-

babilidade de A dado H”:
P(A H) 0,2 2
P(A/H) = = = = 0,4
P(H) 0,5 5
Na verdade restringimos nosso espaço amostral para o evento “ocorreu

homem”. Podemos também restringir o espaço amostral por preferência por
produto. Assim, podemos determinar a probabilidade de escolhermos um
homem dado que o produto preferido foi o produto A, desejamos então cal-
cular P(H/A):
P(H A) 0,2 2
P(H/A) = = = = 0,67
P(A) 0,3 3
Independência
Verificamos que a probabilidade de preferência do produto A dado que
um homem foi sorteado é igual a 0,4. Então:
P(A M) 0,2 2
P(A/M) = = = = 0,4
P(M) 0,5 5
71
Podemos concluir desse fato que a preferência pelo produto A depende

do sexo da pessoa sorteada. Definimos assim que dois eventos são esta-
tisticamente independentes quando a ocorrência de um evento não afeta a
ocorrência do outro. E, portanto, se C e D são independentes, denotamos
(C D), então:
P(C/D) = P(C)
Alguns exemplos interessantes de eventos independentes: Evento C,
sexo do segundo filho e evento D, sexo do primeiro filho. Evento C, resulta-
do do lance da segunda moeda, e evento D, resultado do lance da primeira
moeda. Evento C, sorteio do número correspondente à dezena da loteria
federal, e evento D, resultado do número correspondente à unidade da lo-
teria federal.
Então, a probabilidade de o segundo filho ser homem, dado que o pri-
meiro foi mulher, é igual à probabilidade de o segundo filho ser homem.
Regra da multiplicação
Quando dois eventos são independentes, temos que P(C/D) = P(C). Ob-
serve também que
Se P(C/D) = P(C D)/P(D) então P(C D) = P(C/D) P(D).
Utilizando a afirmação de independência, temos então que: se C e D são
eventos independentes:
P(C D), = P(C) P(D)

Verifique que para o exemplo da pesquisa de mercado a seguir os even-
tos preferência por um produto e sexo são independentes.

Masculino (H) 0,08 0,32 0,4
Feminino (M) 0,12 0,48 0,6
Total 0,20 0,80 1,0
P(A/H) = 0,08/0,4 = 8/40 = 1/5 = 0,2 e P(A/M) = 0,12/0,6 = 12/60 = 0,2.

Nesse caso, pode-se verificar que o produto das probabilidades marginais
correspondentes é igual à probabilidade conjunta. P(A) P(H) = 0,2 . 0,4 = 0,08
= P(A e H). Normalmente, denota-se P(A e H) como a probabilidade da inter-
seção, então: P(A H) = P(A) P(H).
72
Teorema de Bayes
O objetivo do teorema de Bayes é o de fazer revisão de probabilidades
com base em novas peças de evidência. Vamos apresentar o teorema a partir
de um exemplo prático. A Companhia de Petróleo ABC deseja verificar qual
é a probabilidade de haver petróleo no litoral paranaense, uma vez que foi
descoberto petróleo no litoral sul de São Paulo. Especialistas da Companhia
acreditam que devido às circunstâncias geográficas há uma probabilidade
de 70% de haver petróleo no Paraná.
Contratam, então, uma empresa de prospecção que realiza pesquisas

amostrais. Da experiência passada dessa empresa com a realização desse
teste, ela garante uma sensibilidade do teste de 90%, isto é, em 90% das
vezes em que ele fornece resultado positivo, de fato há petróleo. E garantem
também uma especificidade de 80%, ou seja, em 80% das vezes em que o
teste fornece resultado negativo, de fato não há petróleo. Com esses dados,
a empresa fará uma revisão da probabilidade de haver petróleo, estimada
em 70% pelos técnicos da Companhia ABC.
Para equacionar o problema, vamos chamar o evento “ter petróleo” de A,

de tal forma que A1 representará resultado positivo e A2 resultado negativo.
Assim, P(A1) = 0,7 e P(A2) = 0,3. Chamaremos essas probabilidades de proba-
bilidades a priori.
O evento B representará o teste. Então, se o teste fornece resultado positi-

vo quando há petróleo em 90% das vezes, podemos representar essa proba-
bilidade como P(B/A1) = 0,9. E se o teste fornece resultado negativo quando
não há petróleo em 80% das vezes, significa que em 20% fornece resultado
negativo quando há petróleo, portanto P(B/A2) = 0,20.
Da definição de probabilidade condicional, temos que se P(B/A1) =

P(A1 B) /P(A1) então P(A1 B) = P(A1) P(B/A1).
Assim, P(A1 B) = (0,7).(0,9) = 0,63. E P(A2 B) = (0,3).(0,2) = 0,06.
Observamos que se B = {(A1 B) U (A2 B)}, então P(B) = P(A1 B) + P(A2 B).
Então P(B) = 0,63 + 0,06.
Por outro lado, P(A1/B) = P(A1 B)/ P(B). Logo, P(A1/B) = 0,63/0,69 = 0,90.
Então, a probabilidade de haver petróleo no Paraná, dado o resultado posi-
tivo do teste, é de 91%. Assim, a probabilidade de 70% de haver petróleo foi
atualizada para 91%.
73
Esses cálculos podem ser mais bem acompanhados através da tabela a

seguir:
Probabi-
Probabilida- Probabilidade Probabilida-
lidade a
de a priori condicional de conjunta
posteriori
Eventos Ai P(Ai) P(x2/θi) P(θi) P(x2/θi) P(θi/x2)

A1 = tem petróleo 0,7 0,9 0,63 0,91
A2 = não tem petróleo 0,3 0,2 0,06 0,09
Total 1,0 0,69 1,0
Verifique que a distribuição conjunta dos eventos pode ser dada por:
Teste positivo Teste negativo

Total
(B) (Bc)
A1 = tem petróleo 0,63 0,07 0,7
A2 = não tem petróleo 0,06 0,24 0,3
Total 0,69 0,31 1,0
Confira na tabela a probabilidade P(B/A1) = P(B A1)/P(A1) = 0,63/0,7 = 0,9,

que é o valor da sensibilidade de 90%. Todas as outras probabilidades podem
ser verificadas.
Como reforço, vamos deduzir uma expressão geral para o teorema de

Bayes, a partir da análise do seguinte diagrama de Venn e da definição de
probabilidade condicional.
A2
A1
Pela definição de probabilidade condicional, temos que P(A 1/B) =

P(A1 B)/P(B).
74
Mas também P(B/A1) = P(A1 B)/P(A1). Então P(A1 B) = P(A1) P(B/A1).

Substituindo essa última expressão na primeira, teremos:
P(A1) P(B/A1)
P(A1/B) =
P(B)
Como P(B) = P(A1 B) + P(A2 B) = P(A1)P(B/A1)+ P(A2)P(B/A2)
Temos a expressão geral do Teorema de Bayes para o caso de dois eventos:
P(A1) P(B/A1)
P(A1/B) =
P(A1) P(B/A1) + P(A2) P(B/A2)
Deduzimos, através de um exemplo de desenvolvimento matemático, a

expressão do Teorema de Bayes quando temos dois eventos, cada um com
dois elementos. Uma expressão mais geral pode ser demonstrada, e sua ex-
pressão é:
P(Ai) P(B/Ai)
P(A1/B) =
∑P(Ai) P(B/Ai)
Distribuições de probabilidades discretas
Variável aleatória
Podemos definir aproximadamente variável aleatória como uma variá-
vel que assume valores numéricos em função do acaso. Rigorosamente, do
ponto de vista matemático, uma variável aleatória é uma função consistindo
de elementos de um espaço amostral associados a números reais relaciona-
dos a esses elementos.
São exemplos de variáveis aleatórias: sair cara no lance de uma moeda,

a soma dos números das faces superiores no lançamento de dois dados, o
faturamento de uma empresa no final de um período, o rendimento de apli-
cação de uma dada carteira e assim por diante.
Qualquer variável que seja função de resultados que dependem de incer-

teza podem ser consideradas como variável aleatória.
75
Distribuição de probabilidades de uma variável aleatória

Podemos associar os valores possíveis de uma variável aleatória a um
certo nível de probabilidade. A tabela formada por esse conjunto é chamada
de distribuição de probabilidades.
Por exemplo, distribuição de probabilidades dos preços de um determi-

nado produto em estoque:
Preço dos produtos em R$ (X) Probabilidade de X P(X = x)

67 0,10
68 0,25
69 0,50
70 0,10
71 0,05
A probabilidade de sortearmos um produto no estoque e que ele custe

R$69,00 é igual a ½. Ou P(X = 69) = ½.
A representação gráfica de uma variável aleatória pode ser feita através

de um gráfico de bastões.
0,6
0,5
Probabilidades
0,4
0,3
0,2
0,1
0
1 2 3 4 5
Preço dos produtos
76
Propriedades de uma variável aleatória discreta

Uma variável aleatória discreta X tem duas propriedades:
(I) P(X = x) ≥ 0
(II) P(X = x) =1
Também podemos representar P(X = x) por f(x), então, as condições acima

poderiam também ser expressas da seguinte forma:
(I) f(x) ≥ 0
(II) f(x) =1
Função de distribuição acumulada

Dada uma variável aleatória X, o valor da função de distribuição acumu-
lada no ponto x, denotada por F(x), é a probabilidade que X tome valores
menores ou iguais a x. Ou seja:
F(x) = P(X ≤ x)
No exemplo dos preços dos produtos em estoque teremos:
Preço dos produtos Probabilidade de X Probabilidade acumulada

(X) em R$ P(X = x) P(X ≤ x) = F(x)
67 0,10 0,10
68 0,25 0,35
69 0,50 0,85
70 0,10 0,95
71 0,05 1,00
Esperança e variância
de uma variável aleatória discreta
A esperança de uma variável aleatória discreta, também chamada de ex-
pectância ou valor esperado, é a média aritmética ponderada pelas probabili-
dades. Ela pode ser definida como:
μ = E(X) = Σ X P(X = x)
77
A variância de uma variável aleatória discreta é definida como:
σ2 = VAR(X) = Σ (X – μ)2 = E(X2) – [E(X)]2
onde, E(X2) = Σ X2 P(X = x).
Para o exemplo dos produtos em estoque, temos:
X P(X = x) X P(X = x) X2 X2 P(X = x)

67 0,10 6,70 4 489 448,90
68 0,25 17,00 4 624 1 156,00
69 0,50 34,50 4 761 2 380,50
70 0,10 7,00 4 900 490,00
71 0,05 3,55 5 041 252,05
Total 68,75 4 727,45
E(X) = 68,75
VAR(X) = E(X2) – [E(X)]2 = 4 727,45 – (68,75)2 = 0,8875.
O valor médio dos produtos em estoque é de R$68,75 e sua variância é

igual a 0,8875.
Distribuição conjunta de probabilidades

Quando temos mais de uma variável aleatória em consideração, pode-
mos construir uma distribuição conjunta de probabilidades.
Seja, por exemplo, um distribuidor que vende seu produto para duas em-
presas. A tabela abaixo representa as vendas por dia para cada empresa e as
probabilidades associadas:
Empresa X
Empresa Y 0 1 2 P(Y = y)
0 0,1 0,1 0,0 0,2
1 0,1 0,5 0,0 0,6
2 0,0 0,0 0,2 0,2
P(X = x) 0,2 0,6 0,2 1,0
78
Definimos como distribuição de probabilidades marginais as distribuições

de Y e de X conforme tabelas a seguir:
Empresa Y P(Y = y)
0 0,2
1 0,6
2 0,2
P(Y = y) 1,0
Empresa X P(X = x)
0 0,2
1 0,6
2 0,2
P(X = x) 1,0
Podemos definir também distribuições de probabilidades condicionais. Por

exemplo, a distribuição de probabilidades de X dado que Y = 1.
Empresa X P(X = x / Y = 1)
0 0,1/0,6 = 0,17
1 0,5/0,6 = 0,83
2 0,0
P(Y = y) 1,0
Dessas distribuições de probabilidades podemos calcular suas médias e

suas variâncias:
E(X) = XP(X = x) = (0).(0,2) + (1).(0,6) + (2).(0,2) = 0,6 + 0,4 = 1,0
Var(X) = E(X2)–[E(X)]2 = (0)2.(0,2) + (1)2.(0,6) + (2)2.(0,2) – (0,4)2 = 0,6 + 0,8 –

0,16 = 1,24
A esperança condicional de X dado Y = 1 será:
E(X/Y=1) = (0).(0,17) + (1).(0,83) + (2).(0) = 0,83.
79
Covariância e correlação
Definimos covariância e correlação conforme segue:
Cov(X,Y) = E(X,Y) – E(X)E(Y) e
Corr(X, Y) = = Cov(X, Y)
x, y
Var(X) Var(Y)
E(X,Y) XYP(X = x, Y = y) = 0.0.0,1+ 0.1.0,1+ 0.2.0 + 1.0.0,1 + 1.1.0,5 + 1.2.0 +

2.0.0 + 2.1.0 + 2.2.0,2 = 0,5 + 0,8 = 1,3
E(X) = E(Y) = 1
Cov (X,Y) = 1,3 – 1.1 = 1,3 – 1 = 0,3
X,Y
= 0,3 / 1,24 = 0,24
A correlação mede a força do relacionamento das variáveis X e Y. Pode variar

em módulo de 0 a 1. Correlação igual a 0 significa que não há correlação entre as
variáveis e correlação 1 resulta de relação muito forte entre X e Y.
Variáveis aleatórias discretas

Existem algumas distribuições de probabilidades discretas que têm ca-
racterísticas especiais e são muito utilizadas na prática. Faremos uma expo-
sição de cada uma delas, evitando o desenvolvimento teórico que exigiria
certa manipulação matemática que temos evitado.
Estudaremos as distribuições uniforme, binomial, multinomial, hipergeo-

métrica e de Poisson.
Distribuição uniforme
Algumas vezes, todos os valores possíveis da variável aleatória assumem
o mesmo valor. Tal distribuição de probabilidades é chamada de distribuição
uniforme e tem a seguinte distribuição de probabilidades:
P(X = x) = f(x) = 1 , x = 0 ,..., N

N
E(X) = ΣX =μ
N
Var(X) = 1 [( X2) – (X)2 ] = σ2
N
80
Exemplo:
Lance de um dado não viciado. A função de probabilidade (ou função

densidade de probabilidades) é dada por:
1
P (X = x) =
6
E(X) = 3,5
VAR(X) = 2,92
Exemplo:
Um voo internacional está escalado para chegar ao Aeroporto Interna-
cional de Cumbica em São Paulo às 7h30min da manhã. Um estudo mostrou
que a hora real de chegada é uniformemente distribuída por minutos no
intervalo de 7h05min às 8h40min. Seja X = 1 a chegada às 7h05min, X = 2 a
chegada às 7h06min, e assim por diante.
a) Escreva a expressão matemática de f(x) = P(X = x).
b) Qual é a probabilidade que o voo se atrase?
c) Qual é a probabilidade que o voo chegue depois das 8h00?
d) Qual é a probabilidade que o voo chegue às 8h00 ou depois das

8h00?
e) Qual é probabilidade que o voo chegue antes das 7h30min?
Entre 7h05min e 8h40min existem 96 minutos, então:
a) f(x) =1/96, x = 1, ... , 96.
b) A probabilidade que o voo se atrase é a probabilidade que ele chegue

depois das 7h30min. Entre 7h31min e 8h40min existem 70 minutos,
então:
70
P(7h31min ≤ X ≤ 8h40min) = P(7h30min < X ≤ 8h40min) = = 0,729.
96
c) A probabilidade que o voo chegue depois das 8h00 e P(X > 8h00) = 40
= 0,417. 96
d) A probabilidade que o voo chegue às 8h00 ou depois das oito é

P(X ≥ 8h00) = 41 = 0,427.
96
e) Entre 07h05min e 07h30min existem 25 minutos.
25
Então, P(7h05min ≤ X ≤ 7h30min) = = 0,260.
96
81
Distribuição binomial
Na distribuição binomial há dois resultados possíveis em cada experimen-
to aleatório. E uma das distribuições mais importantes por suas aplicações na
área de negócios e de ciências sociais. O processo que se utiliza da distribui-
ção binomial é conhecido como prova de Bernoulli ou processo de Bernoulli,
matemático suíço que pela primeira vez deu sentido ao uso da distribuição
binomial.
As seguintes suposições devem ser feitas para o uso da distribuição

binomial:
(I) em cada processo há dois possíveis resultados mutuamente exclusivos,

que são chamados de “sucesso” ou “fracasso”;
(II) a probabilidade de “sucesso”, denotada por “p”, permanece constante du-

rante todo o processo. A probabilidade de “fracasso”, denotada por “q” é
igual a 1 – p;
(III) cada passo do processo é independente do anterior.
A distribuição binomial tem a seguinte distribuição de probabilidades:
P(X = x) = f(x) = Cn,x px qn-x
E(X) = n.p
VAR(X) = n.p.q
O exemplo clássico do uso da distribuição binomial é o cálculo da proba-

bilidade de, por exemplo, saírem duas caras no lance de seis moedas hones-
1
tas. Nesta situação, n = 6, p = e X = 2. Então:
2
P(X = 2) = C6,2 (1/2) .(1/2) = (15).(0,015625) = 0,2344
2 4
A tabela abaixo fornece toda a distribuição de probabilidades para o ex-

perimento acima:
X 0 1 2 3 4 5 6
P(X = x) 0,0156 0,0938 0,2344 0,3125 0,2344 0,0938 0,0156
E(X) = n.p = 6 . 1 = 3
2
V(X) = n.p.q = 6 . 1 . 1 = 1,5
2 2
82
A distribuição binomial é aplicável em situações de amostragem de uma

população finita com reposição ou de uma amostragem com uma população
infinita com ou sem reposição.
Exemplo:
A gerência de Atendimento ao Cliente dos Correios é responsável por

expedir a correspondência atrasada. Da experiência passada, essa Gerência
sabe que em 90% das vezes as correspondências são entregues sem atraso.
Da tabela A da distribuição binomial acumulada retire os valores para deter-
minar as probabilidades de que em 10 remessas:
a) três ou menos correspondências serão entregues com atraso.
b) entre três e cinco correspondências serão entregues com atraso.
c) três ou mais correspondências serão entregues em dia.
d) exatamente duas correspondências serão entregues com atraso.
e) sete ou mais correspondências serão entregues com atraso.
Seja X a variável aleatória correspondente à entrega com atraso da corres-

pondência. Então, podemos estabelecer p = 0,10. Repare que a ação corres-
pondente a “sucesso” é a entrega com atraso. Então, q = 0,90 e n = 10.
a) Da tabela A, temos que F(3) = 0,9872

3
Essa probabilidade corresponde a calcular P(X≤3) = F(3) = ∑ C10,X (0,10)X
x=0
(0,90)10 – X
Ou ainda P(X ≤ 3) = P(X = 0) + P(X = 1) + P(X =2) + P( X = 3), esses valores

podem ser encontrados na tabela B da distribuição de probabilidades bino-
mial para n = 10, p = 0,10.
P(X ≤ 3) = 0,3487 + 0,3874 + 0,1937 + 0,0574 = 0,9872.

b) P(3 ≤ X ≤ 5) = P(X ≤ 5) – P(X < 3) = P(X ≤ 5) – P(X ≤ 2) = F(5) – F(2) =
= 0,9999 – 0,9298 = 0,0701.
c) três ou mais “fracassos” correspondem a sete ou menos “sucessos”.
Lembrando que “fracasso” aqui é entregar a correspondência em dia.
Então, precisamos calcular P(X ≤ 7) = F(7) = 1,0000.
d) A probabilidade de exatamente dois “sucessos” é P(X ≤ 2) – P(X ≤ 1) =
F(2) – F(1) = 0,9298 – 0,7361 = 0,1937, esse valor pode ser confirmado
na tabela B para P(X = 2).
e) P( X ≥ 7) = 1 – P(X ≤ 6) = 1 – F(6) = 1 – 1 = 0.
83
Distribuição multinomial
No caso da distribuição binomial havia dois possíveis resultados para o
processo, “sucesso” ou “fracasso”. No caso da distribuição multinomial, pode-
mos ter mais do que dois resultados possíveis. A sua distribuição de probabi-
lidades é dada pela expressão:
P(X1 = x1, X2 = x2, ..., Xn = xn) = f(x) = [n!/x1!x2!...xn!] p1x1 p2x2 ...pnxn
E(Xi) = ni.pi
VAR(Xi) = ni.pi.qi
Exemplo:
A loja ABC está liquidando o seu estoque, distribuindo roupas de tama-

nhos diferentes em três salas. Uma sala para manequim pequeno, outra para
médio e outra para grande. Uma pessoa entra na sala de roupas médias e
escolhe 10 peças. Por causa de um erro de classificação das peças, 15% delas
na sala de roupas médias eram grandes, e 5% eram pequenas, as demais
eram de fato roupas de tamanho médio.
a) Qual é a probabilidade de que a pessoa que escolheu as peças na sala de

roupas de tamanho médio, tenha pegado exatamente cinco roupas de ta-
manho médio, uma de tamanho grande e quatro de tamanho pequeno?
b) Qual é a probabilidade de ela ter pego sete roupas de tamanho médio,

duas de tamanho grande e uma de tamanho pequeno?
Aplicando a expressão da distribuição multinomial, teremos:
a) f(5,1,4) = [10!/5!1!4!].(0,80)5.(0,15).(0,05)4 = 0,0004
b) f(7,2,1) = [10!/7!2!1!].(0,80)7.(0,15)2.(0,05) = 0,0849.
Distribuição hipergeométrica
A distribuição binomial foi utilizada para amostragens de populações fi-
nitas com reposição. Em muitas situações práticas, as amostragens são rea-
lizadas sem reposição e, nesse caso, o modelo adequado é o da distribuição
hipergeométrica.
84
Suponha que temos bolas de duas cores em uma caixa com N bolas,
sendo que N1 são brancas e N – N1 são azuis. Uma amostra de tamanho n é
retirada da caixa e desejamos saber qual a probabilidade que x dessas bolas
sejam brancas.
A expressão para o cálculo de x “sucessos” na amostra aleatória de tama-

nho n sem reposição é dada por:
CN ,xC(N – N1), (n, x)

f(x) = P(X = x) = 1 para x = 0,1, ...
CN, n
O exemplo do início do capítulo que diz respeito à probabilidade de cinco

pessoas que moram no mesmo quarteirão estarem em um mesmo ônibus é
uma aplicação da distribuição hipergeométrica.
Distribuição de Poisson
A distribuição de Poisson tem uma grande aplicação em situações como
demanda por produtos, número de telefonemas que chegam a uma central,
número de acidentes, números de tráfego de chegadas (como caminhões
em um terminal, aviões em aeroportos, navios nos portos etc.) e número de
defeitos observados em linhas de produção.
Todas essas situações têm dois pontos em comum:
(I) as ocorrências podem ser descritas por uma variável aleatória que
toma valores como 0, 1, 2 e assim por diante;
(II) existe um índice do número de ocorrências por intervalo de tempo ou

espaço.
Algumas suposições são feitas para a utilização dessa distribuição, que são:
(I) a probabilidade de exatamente uma ocorrência acontecer em um subin-

tervalo é um número pequeno que é constante em cada subintervalo;
(II) a probabilidade de duas ou mais ocorrências em um subintervalo é

tão pequena que é considerada igual a zero;
(III) o número de ocorrências em um subintervalo não depende onde este

subintervalo está localizado;
85
(IV) o número de ocorrências em um subintervalo não depende do núme-

ro de ocorrências em qualquer outro subintervalo.
A distribuição de Poisson pode ser descrita pela função densidade de

probabilidade:
P(X = x) = f(x) = (μ . e ) , ... para x = 0, 1, 2.......

x –μ
x!
A esperança e a variância de X são iguais. E(X) = VAR (X) = μ.
Exemplo:
Seja X a variável aleatória “número de chamadas telefônicas por minuto”
durante um dado período de tempo. Então μ = 0,4 chamadas por minuto é
o parâmetro da distribuição de probabilidades de Poisson. A probabilidade
que certo número de chamadas chegará à central é dada pela expressão da
função densidade. Então:
Para X = 0
(0,4)0.e–0,4
P(X = 0) = f(0) = = 0,670.
0!
Para X = 1
(0,4)1.e–0,4
P(X = 1) = f(1) = = (0,4)(0,670) = 0,268.
1!
Para encontrar esses e outros valores de f(x), pode-se consultar direta-
mente a tabela C dos valores da função de distribuição acumulada para a dis-
tribuição de Poisson.
c
F(c) = P(X ≤ c) = ∑
x=0
f(x)
A distribuição de Poisson
como aproximação da distribuição binomial
Quando n é muito grande, o uso da distribuição binomial pode tor-
nar--se tedioso. Para evitar essa situação podemos tomar a distribuição
de Poisson como uma aproximação da distribuição binomial, quando n é
muito grande e p muito pequeno.
86
Se na distribuição binomial n cresce sem limites e p se aproxima de zero

de tal maneira que np permaneça constante, podemos tomar n . p = μ como
o parâmetro da distribuição de Poisson.
Exemplo:
Calcular a probabilidade de não se sortear nenhuma criança em uma

amostra de tamanho 5 de uma população com 950 adultos e 50 crianças.
Os parâmetros da distribuição binomial neste exemplo são p = 0,05 e n =

5, então:
(0,25)0 . e–0,25
F(0) = = 0,779
0!
Resolvendo esse problema através da distribuição binomial teríamos
P(X = 0) = 0,774, bem próximo ao encontrado pela distribuição de Poisson.
Atividades de aplicação
1. Determine o complemento para cada um dos seguintes eventos:
a) Obter 2 ou 3 na jogada de um dado.

b) Extrair uma carta de copas de um baralho de 52 cartas.
c) Retirar menos de 10 defeituosos.
d) Retirar pelo menos 5 defeituosos.
2. Considere o lançamento de dois dados. Considere os eventos A: “soma

dos números obtidos é igual a 9”, e B: “número no primeiro dado maior
ou igual a 4”.
a) Enumere os elementos de A e B.
b) Obtenha A B, A B e Ac.
3. Sejam P(A) = 0,30, P(B) = 0,80 e P(A e B) = 0,15.

a) A e B são mutuamente exclusivos? Explique.
b) Determine P(Bc).
c) Determine P(A ou B).
87
4. Um grupo de 12 homens e oito mulheres concorre a três prêmios através

de um sorteio, sem reposição de seus nomes. Qual a probabilidade de:
a) nenhum homem ser sorteado?

b) um prêmio ser ganho por homem?
c) dois homens serem premiados?
5. Uma remessa de 1 500 componentes eletrônicos contém 400 defei-

tuosos e 1 100 perfeitos. Duzentos componentes são escolhidos ao
acaso (sem reposição) e classificados.
a) Qual é a probabilidade que sejam encontrados exatamente 90

componentes defeituosos?
b) Qual é a probabilidade que se encontrem ao menos dois compo-

nentes defeituosos?
6. Certo curso de treinamento aumenta a produtividade de certa popu-

lação de funcionários em 80% dos casos. De 10 funcionários quais-
quer que participam desse curso, encontre a probabilidade de:
a) exatamente sete funcionários aumentarem a produtividade.
b) pelo menos três não aumentarem a produtividade.
7. O processo de parametrização no Aeroporto Internacional tem apre-

sentado um índice de 70% de ocorrências de sinal verde (mercadoria
liberada sem a necessidade de vistoria física e documental), 20% de
sinal amarelo (vistoria documental) e 10% de sinal vermelho (neces-
sidade de vistoria física e documental). Supondo num dia qualquer a
chegada de oito lotes de produtos, determine a probabilidade de:
a) todos serem liberados sem nenhuma vistoria.
b) pelo menos dois lotes sofrerem inspeção física e documental.
c) no máximo três apenas passarem pela vistoria documental.
8. Está sendo planejado um novo hospital para uma cidade no interior

do Nordeste, dentro de uma comunidade que ainda não tem hospital
próprio. Sabe-se que essa cidade tem uma média de 2,3 nascimentos
por dia, determine a probabilidade de que, em um dia qualquer, o nú-
mero de nascimentos seja:
88
a) nenhum.
b) exatamente 2.
c) pelo menos 1.
9. Num processo de fabricação de certo tipo de componentes, a taxa

de defeituosos é de 6%. Esses componentes são acondicionados em
caixas com cinco unidades para a venda no mercado. A empresa fa-
bricante paga uma multa de R$10 por caixa em que tenha algum com-
ponente defeituoso. Num lote de 5 000 caixas, qual o valor esperado
para pagamento de multas?
10. Certo departamento de uma empresa está dimensionado de forma a

poder atender, no período normal, até cinco pedidos de serviços. Se
chegarem mais que cinco pedidos, o pessoal deve recorrer a horas ex-
tras para cumprir o atendimento. Sabendo-se que o número médio de
pedidos que chegam diariamente é de 4,2, calcular:
a) a probabilidade de ocorrência de horas extras num dia qualquer.
b) sendo o custo diário de horas extras de R$375,00, qual será o custo

médio mensal estimado com horas extras (considerar 22 dias)?
Gabarito
1.
a) O complemento será {1,4,5,6}.
b) O complemento será extrair uma carta de ouros ou de espadas ou

de paus.
c) O complemento será retirar 10 ou mais defeituosos.
d) O complemento será retirar no máximo quatro defeituosos (ou menos

de cinco).
2.
a) A:{(3,6)(4,5)(5,4)(6,3)}
B:{(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)}.
89
b) Os elementos de A B serão os elementos de A mais os elemen-

tos de B A B={(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)}
Os elementos de A B serão aqueles comuns aos dois conjun-

tos, logo:
A B = {(4,5) (5,4) (6,3)}.
Os elementos do complemento de A serão aqueles que não perten-

cem a A, mas pertencem aos demais conjuntos do espaço amostral:
(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)
Ac =
(3,5)(4,1)(4,2)(4,3)(4,4)(4,6)(5,1)(5,2)(5,3)(5,5)(5,6)(6,1)(6,2)(6,4)(6,5)(6,6)
3.
a) Não são mutuamente exclusivos, pois existe A B = 0,15.
b) O complemento de B é dado por: P(Bc) = 1 – P(B), logo P(Bc) =

1 – 0,80 = 0,20.
c) P(AUB) = P(A) + P(B) – P(A∩B) ... P(AUB) = 0,30 + 0,80 – 0,15 = 0,95.
4.
C 83 .C120
a) 3
= 0, 049
C 20

C 82 .C12
1
b) 3
= 0,295
C 20

C 81 .C122
c) 3
= 0, 463
C 20

5.
90 110
C 400 .C1100
a) 200
C1500
 C 400
0 200
.C1100 + C 400
1 199
.C1100 + C 400
2 198
.C1100 
b) 1 −  200 
 C1500 
90
6.
a) Esse é um caso de uma distribuição binomial, em que p = 0,80 e

n = 10, sendo assim:
P(X = 7) = C10.7(0,8)7.(0,2)3 ∴ P(X = 7) C10,7(0,8)7.(0,2)3 =

120.(0,2097).(0,008) = 0,2013
b) Nesse caso, o valor de p = 0,20 (probabilidade de não aumentar),

então pelo menos 3 não aumentarem é a P(X ≥ 3) = 1 – P(X < 3),
ou seja, P(X ≥ 3) = 1 – [P(X = 0) + P(X = 1) + P(X = 2) ∴ P(X ≥ 3) = 1
– [C10,0 (0,2)0.(0,8)10 + C10,1(0,2)1.(0,8)9 + C10,2 (0,2)2.(0,8)8] ∴ P(X ≥ 3) =
1 – [0,1074 + 0,2684 + 0,3020] ∴ P(X ≥ 3) = 1 – [0,6778] = 0,3222
7. Esse problema é um caso de distribuição binomial em que o valor de p

se altera em função do evento solicitado e n = 8, sendo assim em:
a) P(todos receberem o sinal verde) com p = 0,7 e n = 8, logo,
P(X = 8) = C8,8 (0,7)8.(0,3)0 = 0,0576.
b) P(pelo menos 2 lotes receberem o sinal vermelho) com p = 0,10

en=8
P(X ≥ 2) = 1 – P(X < 2) = 1 – [P (X = 0) + P(X = 1)]
P(X ≥ 2) = 1 – [C8,0 (0,1)0.(0,9)8 + C8,1 (0,1)1.(0,9)7]
P(X ≥ 2) = 1 – [0,4305 + 0,3826] = 0,1869.
c) P(no máximo 3 receberem o sinal amarelo) com p = 0,2 e n = 8
P(X ≤ 3) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3)
P(X ≤ 3) = [C8,0 (0,2)0.(0,8)8 + C8,1 (0,2)1.(0,8)7 + C8,2 (0,2)2.(0,8)6 + C8,3

(0,2)3.(0,8)5]
P(X ≤ 3) = [0,1678 + 0,3355 + 0,2936 + 0,1468] = 0,9437.
8. Esse problema trata de uma distribuição de Poisson, com média de 2,3

ocorrências por dia. Sendo assim, temos que:
(2,30 . ε–2,3)
a) P(X = 0) = = 0,1002 ou 10,02%.
0!
91
(2,32 . ε–2,3)
b) P(X = 2) = = 0,2652 ou 26,52%.
2!
c) P(X ≥ 1) = 1 – P(X < 1) = 1 – P(X = 0) ∴ P(X ≥ 1) = 1 – 0,1002 = 0,8998
ou 89,98%.
9. É uma aplicação da distribuição binomial. Inicialmente, devemos ob-

ter a probabilidade de ocorrer algum componente defeituoso numa
caixa, ou seja:
P(X ≥1) com n = 5 e p = 0,06 ∴ P(X ≥1) = 1 – P(X < 1) = 1 P(X = 0). Logo:
P(X ≥1) = 1 – [C5,0 (0,06)0 (0,94)5] ∴ P(X ≥ 1) = 1 – [0,7339] = 0,2661

ou 26,61%.
Como a empresa paga R$10,00 por caixa com algum componente de-
feituoso e o lote contempla 5 000 caixas, então a multa esperada será
dada por:
E(multa) = P(caixa com algum componente defeituoso) x total de cai-

xas x R$10,00
E(multa) = 0,2661 x 5.000 x R$ 10,00 em que E(multa) = R$13.305,00.
10. É um caso de aplicação de uma distribuição de Poisson, com média de

4,2 pedidos/dia.
a) P(X ≥5) = 1 – P(X < 5) = 1 – [P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) +

P(X = 4)]
é 4,20 e-4 ,3 4,21 e-4 ,3 4,22 e-4 ,3 4,23 e-4 ,3 4,24 e-4 ,3 ù
= 1 ê + + + + ú
ê 0! 1! 2! 3! 4 ! úû
ë
= 1 – [0,5704] = 0,4296 ou 42,96%.
b) E(custo horas extras/mês) = P(realizar horas extras) x custo/dia x

número de dias/mês em que E(custo horas extras/mês) = 0,4296 x
R$375,00 x 22 = R$3.544,20.
92

Probabilidades de testemunhas em acidente de ônibus

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Probabilidades de testemunhas em acidente de ônibus

Enviado por

Direitos autorais:

Formatos disponíveis

Probabilidades e

O acidente ocorreu no meio da tarde de um dia de semana. Um casal de

O advogado da companhia de seguros tinha ouvido falar que as empre-

Diante das circunstâncias, o advogado levantou o endereço das testemu-

Como então determinar a probabilidade de as testemunhas de fato não

Depois de alguma reflexão, o estatístico pensou que poderia aproximar

Essa probabilidade pode ser calculada da seguinte forma: de quantas ma-

Se o bairro em que mora o motorista e suas testemunhas for a caixa que

A expressão geral para o cálculo dessa probabilidade é:

CN1,n C(N – N1), (n – n )

Resta, então, verificar os valores de N, N1, n e n1. Depois de um trabalho

é de 30 lugares sentados, ou seja, n = 30, e queremos calcular a probabilidade

O cálculo dessa probabilidade é então:

Ou seja, uma chance em 50 000. De fato, muito pequena.

Na avaliação feita, todos os benefícios de aproximação foram feitos a favor

Esse é um problema típico de modelagem com probabilidades. Há muitos

Esses três enfoques foram apresentados porque serão usados indistinta-

Iniciaremos com a apresentação de uma série de definições básicas que

Como determinar a probabilidade de sair um número par? Pela teoria

Do ponto de vista frequentista, essa probabilidade pode ser calculada

Também se pode determinar intuitivamente, através de probabilidade

simples, porque estamos interessados em um resultado singular do experi-

Aos eventos no geral associa-se um conjunto, e a notação utilizada será a

Também podemos pensar no caso da moeda, que o resultado do lance

No lance de um dado o espaço amostral será o conjunto S = {1, 2, 3, 4, 5,

Observe que o espaço amostral é o conjunto de todos os elementos, ou o

Evento certo e eventos mutuamente exclusivos

Eventos mutuamente exclusivos são aqueles cujos elementos não podem

É usual denotar o evento complementar de A como Ā ou Ac.

Embora probabilidade e percentagem sejam medidas de naturezas di-

A probabilidade de um evento A pode ser definida como o número de

No evento número par no lance de um dado, A = {2, 4, 6}, cujo número de

Probabilidade, chance e verossimilhança

Dizemos que a chance de se ganhar na mega-sena é de aproximadamente

Na língua inglesa, a palavra correspondente à verossimilhança é likelihood,

Axiomas e regras de probabilidades

como os Axiomas de Kolmogorov, o matemático russo que as estabeleceu no

O primeiro axioma define probabilidade como uma medida não nega-

O segundo axioma informa que a probabilidade do espaço amostral é

O terceiro axioma diz que a probabilidade da união de dois eventos é a

No lance de um dado, seja A o evento sair um número par e B o evento

É necessário fazer a subtração porque caso contrário o elemento 2 en-

Sejam os eventos A ={2, 4} e B { 3, 5} e S = {1, 2, 3, 4, 5, 6}, então P(A B) =

Sejam os eventos A ={2, 4} e B { 2, 3, 5} e S = {1, 2, 3, 4, 5, 6}, então P(A\B) = P(A)

Sexo Prefere produto A Prefere produto B Total

O evento, quando um homem prefere o produto A, é representado por

Sexo Prefere produto A Prefere produto B Total

Total 0,3 0,7 1,0

Observe que a probabilidade de que o produto A seja escolhido é a soma

Definimos então, P(A/H) como a probabilidade condicional e diz-se “pro-

Na verdade restringimos nosso espaço amostral para o evento “ocorreu

Podemos concluir desse fato que a preferência pelo produto A depende

P(C D), = P(C) P(D)

Sexo Prefere produto A Prefere produto B Total

Feminino (M) 0,12 0,48 0,6

Total 0,20 0,80 1,0

P(A/H) = 0,08/0,4 = 8/40 = 1/5 = 0,2 e P(A/M) = 0,12/0,6 = 12/60 = 0,2.

Contratam, então, uma empresa de prospecção que realiza pesquisas

Para equacionar o problema, vamos chamar o evento “ter petróleo” de A,

O evento B representará o teste. Então, se o teste fornece resultado positi-

Da definição de probabilidade condicional, temos que se P(B/A1) =

Assim, P(A1 B) = (0,7).(0,9) = 0,63. E P(A2 B) = (0,3).(0,2) = 0,06.

Esses cálculos podem ser mais bem acompanhados através da tabela a