Livroestat2023 - Cap 1 e Cap 2 (Revisão 1.2)

Introdução à Estatı́stica
Matemática Aplicada
Volume I – Fundamentos
Para engenharia, economia, finanças e atuária
Problemas e exercı́cios resolvidos
Capı́tulo 1. Conceitos Básicos: Eventos e Álgebra de Eventos

Capı́tulo 2. Probabilidade: Fundamentos da Teoria
Adriano Azevedo Filho
Versão 2.0 preliminar da 3a edição

(em revisão - não circular)
CreateSpace
2023
Introdução à Estatı́stica Matemática Aplicada
Volume I – Fundamentos
© 2011-2023 por Adriano J. B. V. Azevedo Filho
Todos os direitos reservados.
ISBN 978-1-4421-7220-3
3a Edição (versão 2.0 em revisão - não circular)
É proibida a reprodução total ou parcial

em qualquer meio ou forma.
Dados Internacionais de Catalogação na Publicação (CIP)
Azevedo Filho, Adriano J. B. V.

Introdução à Estatı́stica Matemática Aplicada:
Volume I - Fundamentos /
Adriano Azevedo Filho - 3a ed. - Scotts Valley:
CreateSpace, 2023
xii, 160 f.: il.; 21,6cm
ISBN 978-1-4421-7220-3
1. estatı́stica matemática
I. Azevedo Filho, Adriano J. B. V. II. Tı́tulo
CDD-519.5
Sobre o autor
O autor é Ph.D. em Engenharia / Economia de Sistemas e Pesquisa Operacio-
nal pela Stanford University e professor sênior no Departamento de Economia,
Administração e Sociologia da Universidade de São Paulo, no Campus de Piracicaba.
Atua nas áreas de estatı́stica, data science, análise de decisões e gerenciamento de ris-
cos, engenharia econômica e pesquisa operacional. Recebeu os prêmios Fundação
Bunge (Moinho Santista) em 1989 e Prêmio Nacional de Metrologia, em 2003.
Sumário
Lista de Figuras vii
1 Conceitos Básicos: Eventos e Álgebra de Eventos 1

1.1 Introdução e Recomendações . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Pré-requisitos para bom entendimento do material . . 1
1.2 Noções básicas: Experimento, Incerteza e Espaço Amostral Ω 2
1.2.1 Experimento e incerteza . . . . . . . . . . . . . . . . . . . 2
1.2.2 Evento e Espaço de eventos (E) . . . . . . . . . . . . . . 4
1.3 Álgebra de eventos e o “ou” ∨ e o “e” ∧ da lógica . . . . . . . . 8
1.4 Eventos: alguns qualificadores . . . . . . . . . . . . . . . . . . . . 12
1.5 Álgebra de eventos: propriedades . . . . . . . . . . . . . . . . . . 14
1.6 Considerações finais . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
Referências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2 Probabilidade: Fundamentos da Teoria 20

2.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2 Primórdios e evolução da noção de probabilidade . . . . . . . . 21
2.3 Significados de probabilidade . . . . . . . . . . . . . . . . . . . . . 21
2.3.1 Visão clássica × visão bayesiana . . . . . . . . . . . . . . 21
2.3.2 Interpretação frequentista × subjetiva . . . . . . . . . . 22
2.4 Função probabilidade e axiomas . . . . . . . . . . . . . . . . . . . 23
2.5 Teoremas fundamentais - I . . . . . . . . . . . . . . . . . . . . . . . 25
2.6 Medida de probabilidade . . . . . . . . . . . . . . . . . . . . . . . . 26
2.7 Contagem, análise combinatória e probabilidade . . . . . . . . 37
2.8 Probabilidade condicional . . . . . . . . . . . . . . . . . . . . . . . 43
v
2.9 Teoremas fundamentais II . . . . . . . . . . . . . . . . . . . . . . . 46
2.10 Noção de Independência . . . . . . . . . . . . . . . . . . . . . . . . 59
2.10.1 Independência condicional . . . . . . . . . . . . . . . . . 60
2.10.2 Independência e causalidade . . . . . . . . . . . . . . . . . 63
2.11 Considerações finais . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
Referências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
vi
Lista de Figuras
1.1 Diagrama de Venn: algumas operações . . . . . . . . . . . . . . . 11
2.1 Problema da roleta . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

2.2 Probabilidades em R2 . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.3 Ilustração do problema do exemplo com k = 2 . . . . . . . . . . 36
2.4 Árvore de probabilidade: lançamento de 1 moeda . . . . . . . . 45
2.5 Árvore de probabilidade: moeda e dado . . . . . . . . . . . . . . 46
2.6 Árvore do problema das moedas m5 e m8 . . . . . . . . . . . . . 51
2.7 Árvore: crime e evidência . . . . . . . . . . . . . . . . . . . . . . . 53
2.8 Teste dos barbantes para casamento (Rússia) . . . . . . . . . . . 57
2.9 Possibilidades quanto à independência . . . . . . . . . . . . . . . 61
2.10 Árvore do problema do afogamento (parcial) . . . . . . . . . . . 64
2.11 Árvore do problema do afogamento (completa) . . . . . . . . . 65
vii
Capı́tulo 1
Conceitos Básicos: Eventos e Álgebra

de Eventos
1.1 Introdução e Recomendações

Neste capı́tulo são introduzidas noções fundamentais necessárias para a
caracterização dos elementos da teoria de probabilidades, examinados no
próximo capı́tulo. Essas noções são: experimento, incerteza, evento, espaço
amostral e espaço de eventos. Nesse contexto, é apresentada a chamada
álgebra de eventos, cujo papel é essencial na operacionalização da teoria de
probabilidades.
A álgebra de eventos é uma aplicação direta da teoria dos conjuntos para
uma situação em que os conjuntos envolvidos são eventos, uma noção que
será caracterizada mais adiante neste capı́tulo.
A seguir são apresentadas algumas recomendações sobre pré-requisitos
necessários para bom entendimento deste e outros capı́tulos deste texto.
1.1.1 Pré-requisitos para bom entendimento do material

Para um bom entendimento das noções relacionadas à álgebra de eventos, é
oportuno que o leitor já tenha estudado elementos da teoria dos conjuntos.
Antar Neto, A. et al. (2015) é uma boa referência introdutória sobre o as-
sunto.
É também oportuno que o leitor esteja familiarizado com princı́pios de
lógica, métodos de prova e demonstração de proposições e teoremas. Esses
conhecimentos são úteis para o entendimento do material deste e de outros
1
Capı́tulo 1 - Probabilidade: Conceitos Básicos 2
capı́tulos. Muitos dos resultados teóricos utilizados em estatı́stica dependem

fortemente de argumentos formais, sintetizados em proposições ou teoremas,
provados verdadeiros no contexto matemático. Exposições introdutórias aos
princı́pios de lógica e provas matemáticas são apresentadas em textos como
Azevedo Filho (2020), Hammack (2013) e Solow (2013), que podem ser re-
ferências úteis para leitores menos experientes nesses assuntos.
De um modo geral, o leitor deve estar familiarizado com conceitos ma-
temáticos apresentados em cursos de matemática existentes nos primeiros
anos da graduação, envolvendo cálculo básico, derivadas, integrais, assim
como condições para obtenção de máximos e mı́nimos de funções, e alge-
bra linear básica. Esse material é coberto em textos mais técnicos, como
Piskunov (2000) ou aplicados, como Chiang e Wainwright (2006), e outros
similares.
1.2 Noções básicas: Experimento, Incerteza e

Espaço Amostral Ω
1.2.1 Experimento e incerteza

Os desenvolvimentos introdutórios associados à teoria de probabilidades são
facilitados pela noções primitivas de experimento e incerteza1 . O experimento
pode ser entendido intuitivamente como um processo ou situação cujo resul-
tado é incerto. Ou seja, o resultado do experimento, também chamado de
resultado elementar do experimento, é uma incerteza antes da realização do
experimento. Em algumas situações é mais conveniente o uso somente da
noção de incerteza, sem referência ao experimento.
Usualmente, a noção de experimento pressupõe as seguintes condições2 :
• Todos os resultados elementares possı́veis do experimento são conhe-

cidos previamente.
1
A noção de experimento não é essencial dentro do desenvolvimento da teoria de pro-
babilidades, podendo-se partir diretamente da noção de espaço de probabilidades, vista mais
adiante. Ocorre, contudo, que a noção de experimento acaba facilitando a apresentação de
conceitos mais abstratos num nı́vel introdutório.
2
Essas condições, sob uma ótica chamada frequentista, podem incluir o requisito de que
o experimento possa ser repetido em condições iguais. Sob outras óticas menos restritivas,
como a bayesiana por exemplo, esse requisito de repetibilidade não é necessário.
• Cada resultado elementar possı́vel do experimento pode ser definido

como uma proposição cujo valor lógico (falso ou verdadeiro) pode ser
claramente reconhecido após a realização do experimento.
• O resultado elementar do experimento é uma incerteza, não sendo co-

nhecido anteriormente à sua realização.
Nesse contexto é importante estabelecer a definição de espaço amostral

Ω dos resultados elementares do experimento:
Espaço amostral (Ω) - conjunto cujos elementos são os resultados elementa-

res possı́veis do experimento ou, equivalentemente, da incerteza de in-
teresse. É comumente representado por Ω (letra ômega maiúscula).
Exemplo 1.1 – Experimento: Lançamento de uma moeda, em

que a incerteza é o resultado do lançamento, que pode ser repre-
sentado por “resultado cara” ou “resultado coroa”. Esses resul-
tados elementares podem ser representados de forma mais com-
pacta por c (cara) e k (coroa).
• O espaço amostral Ω do experimento é o conjunto:
Ω = {c, k}.
Exemplo 1.2 – Experimento: Considere uma urna contendo 1

bola branca (b ) e 1 bola vermelha (v). As bolas são idênticas
no formato e peso e só diferem na cor. O experimento consiste
no sorteio de 2 bolas dessa urna, com reposição: uma bola será
retirada da urna e recolocada na urna antes que a segunda bola
seja retirada. A incerteza é o resultado do sorteio. Considerando
a ordem na retirada teremos 4 resultados elementares possı́veis:
• Ω = {b b , b v, v b , v v}.
• Nessa notação a ordem no par indica a ordem de sorteio:
v b indica que a primeira bola sorteada é vermelha e a se-
gunda é branca
• Note que os resultados b v e v b são diferentes pois indicam
cores de bolas distintas retiradas no primeiro sorteio e no
segundo sorteio.
Exemplo 1.3 – Experimento: peso de uma pessoa sorteada de

uma população com indivı́duos com peso entre 0 e 200 kg. A
incerteza é o peso em kg dessa pessoa sorteada. Note que há mui-
tas possibilidades para o resultado elementar do experimento.
É conveniente representar o espaço amostral desse experimento
por
• Ω = {x ∈ R : 0 < x ≤ 200} ou Ω = (0, 200].

• Ainda que não existam balanças com precisão infinita, é
usual em estatı́stica assumir resultados representados por
números reais como uma abstração conveniente da reali-
dade.
1.2.2 Evento e Espaço de eventos (E)

As noções de experimento, incerteza e espaço amostral, facilitam a
caracterização de elementos fundamentais da teoria de probabilidades:
evento, espaço de eventos e outros conceitos associados.
Antes de iniciar a caracterização dessas noções, alertamos que os desenvol-
vimentos a seguir usam notações da teoria dos conjuntos como: ∈ (pertence
ou é um elemento de); ⊆ (é um subconjunto de); ∩ (interseção); ∪ (união) e
∅ (conjunto vazio). A notação A indica o conjunto complementar ao con-
junto A, definido com relação ao universo de referência definido pelo espaço
amostral Ω.
Evento - qualquer subconjunto do espaço amostral Ω, usual-

mente representado por uma letra maiúscula. Um evento
é frequentemente caracterizado por propriedade atendida
pelos elementos do subconjunto de Ω que o define, ou
de forma equivalente, pela proposição lógica “o resultado
atende a uma propriedade definida”. Note que Ω é também
um evento pois Ω ⊆ Ω pois todo conjunto é um sub-
conjunto dele mesmo, sendo caracterizado pela proposição
lógica “o resultado é um elemento de Ω”.
Evento elementar (ω ) - Um evento elementar é um evento defi-
nido pelo subconjunto de Ω com apenas um resultado ele-
mentar, genericamente indicado por ω (letra grega ômega
minúscula).
Ocorrência de um evento - dizemos que um dado evento A ocor-

reu se o resultado do experimento é um elemento de A ou,
de forma equivalente, atende à propriedade que caracteriza
os elementos do evento A, ou ainda, tem valor lógico Ver-
dade a proposição lógica “o resultado atende à propriedade”
que define A. Na teoria de probabilidades, algo de interesse
é a obtenção da probabilidade de um evento ocorrer antes
que o experimento seja realizado.
Espaço de eventos (E) - conjunto cujos elementos são todos os
subconjuntos obtidos do espaço amostral Ω. Essa definição
para E coincide com a noção de conjunto potência do
espaço amostral, representado por P (Ω) na teoria dos con-
juntos.
O espaço de eventos E atende às seguintes propriedades (e é por essa razão

uma álgebra):
1. Ω ∈ E. Isso se deve ao fato de Ω ser também um subconjunto de Ω, ou

seja, Ω ⊆ Ω.
2. ∅ ∈ E. Como na teoria dos conjuntos ∅ (conjunto vazio) é um sub-

conjunto de qualquer conjunto, será também um subconjunto de Ω e
portanto ∅ ∈ E.
3. Para um evento A, se A ∈ E então A ∈ E.
4. Para eventos A1 e A2 ∈ E tem-se que A1 ∪ A2 ∈ E.
Se a propriedade 4 for redefinida como:

S∞
• Se os eventos A1 , A2 , . . . , An , . . . ∈ E então i=1
Ai ∈ E,
o espaço de eventos E será uma sigma-álgebra. A noção de sigma-álgebra é

aplicada a situações em que o experimento gera um espaço amostral contı́nuo,
sendo definido, por exemplo, por um subconjunto dos números reais. Uma
sigma-álgebra é sempre uma álgebra mas não necessariamente uma álgebra é
uma sigma-álgebra. Para uma abordagem mais completa sobre o assunto veja
Shao (2003) ou Grimmett & Stirzaker (2001).
Das propriedades especificadas para E podemos provar seguinte teorema:
Teorema 1.1 – Se A1 , A2 ∈ E então A1 ∩ A2 ∈ E.
Prova: Pelas propriedades de E, temos A1 , A2 ∈ E e A1 ∪ A2 ∈

E. Também pelas mesmas propriedades pode-se concluir que
A1 ∪ A2 ∈ E. Mas A1 ∪ A2 é idêntico a A1 ∩ A2 , por resultados
da teoria de conjuntos, logo A1 ∩ A2 ∈ E. □
A seguir apresentamos alguns exemplos para ilustrar as noções recém-

apresentadas.
Exemplo 1.4 – Espaço de eventos (caso discreto) – Considere um

experimento com 3 resultados elementares e Ω = {a, b , c}.
O espaço de eventos E desse experimento será representado por:
E = {∅, {a}, {b }, {c}, {a, b }, {a, c}, {b , c}, {a, b , c}}.
Note que Ω ∈ E pois Ω = {a, b , c}. Os elementos de E corres-

pondem a todos os possı́veis eventos que podem ser definidos
com relação ao Ω desse experimento.
Exemplo 1.5 – Ocorrência de eventos (caso discreto) – Consi-

dere Ω = {2, 3, 4, 6} e o espaço amostral E associado a Ω. Dize-
mos que um evento qualquer, por exemplo A = {2, 4}, ocorreu se
o resultado do experimento tiver sido um dos resultados elemen-
tares, 2 ou 4, dado que os eventos elementares {2} ∈ E e {4} ∈ E.
Se A é especificado pela propriedade “o resultado é divisı́vel por
3” é equivalente a dizer A = {3, 6}.
O evento ∅, nesse contexto, indica que o subconjunto de resul-
tados elementares em Ω que atendem a uma determinada pro-
priedade é o conjunto vazio, ou seja, não há elementos em Ω que
atendem à propriedade. Por exemplo, nesse caso, o evento B defi-
nido por “o resultado é maior que 10” seria idêntico ao conjunto
∅ pois não há elementos em Ω que atendem à essa propriedade.
Um evento equivalente a ∅ nunca irá ocorrer. Entendido como
uma proposição lógica, sempre terá valor lógico Falso.
Exemplo 1.6 – Espaço de eventos (caso contı́nuo) – Considere

que o espaço amostral é definido por Ω = (0, 200]. Nesse caso,
o espaço de eventos seria definido por todos os subconjuntos
que possam ser construı́dos a partir desse intervalo nos reais, ou

seja, E = {X : X ⊆ Ω}. Há um número infinito de subconjun-
tos nesse caso. Qualquer intervalo real, união de intervalos ou
interseção de intervalos reais que sejam subconjunto do intervalo
real (0, 200] será um evento nesse contexto.
Exemplo 1.7 – Ocorrência de eventos (caso contı́nuo) – No

exemplo anterior, em que Ω = (0, 200] e E, alguns possı́veis
eventos seriam: A1 = {55}, ocorrência de resultado elementar
55; A2 = {70, 80, 90}, ocorrência dos resultados 70 ou 80 ou 90;
A3 = [70, 95), ocorrência de um resultado elementar dentro do
intervalo real entre 70 e 95, fechado à esquerda e aberto à direita.
Pelas propriedades do espaço de eventos E, a união e interseção
de eventos em E também são elementos de E e portanto também
são eventos. Nesse caso, (A1 ∪ A3 ) ∈ E e (A1 ∩ A3 ) ∈ E, em que
A1 ∪ A3 = {x ∈ R : x = 55 ou 70 ≤ x < 95} e A1 ∩ A3 = ∅. Se ca-
racterizarmos o evento em termos de uma propriedade, o evento
B definido como “o resultado é um número negativo ou maior
que 300” é equivalente ao conjunto ∅ pois não há elementos em
Ω que atendem a essa propriedade.
Antes de finalizar esta seção, será apresentado um teorema importante,

que apesar de ser relativamente óbvio, merece ser destacado.
Teorema 1.2 – No contexto de um espaço amostral Ω, todo

evento A ⊆ Ω pode ser definido a partir da união de eventos ele-
mentares em Ω.
O exemplo a seguir ilustra o resultado desse teorema.
Exemplo 1.8 – Espaço de eventos (caso discreto) – Considere um

experimento com 3 resultados elementares e Ω = {a, b , c} em
com eventos elementares definidos por ω1 = {a}, ω2 = {b } e
ω3 = {c}.
O evento A =“resultado é letra consoante” ou seja, A = {b , c},
pode ser representado por
A = ω2 ∪ ω3 .
1.3 Álgebra de eventos e o “ou” ∨ e o “e” ∧ da lógica

As operações de união (∪) e interseção de eventos (∩) são frequentemente
caracterizadas pelos operadores lógicos “ou” ∨ e “e” ∧. Essa relação entre
essas duas notações é explicada nessa seção.
União de eventos: A ∪ B descrita como A ∨ B (A “ou” B )

Para 2 eventos quaisquer representados por A e B definidos dentro do con-
texto de um espaço amostral Ω, a notação A ∪ B é frequente entendida como
sendo A ∨ B, ou em linguagem falada, A “ou” B. Muitos podem não se dar
conta disso, mas esse “ou” vem no contexto da lógica formal. A equivalência
das duas notações é fácil de entender. Se o resultado elementar r ∈ (A∪B) isso
significa que r está no conjunto A “ou”está no conjunto B. Em linguagem
mais formal da lógica, (r ∈ A) ∨ (r ∈ B).
É uma prática estabelecida na estatı́stica escrever A ∪ B e falar A “ou” B,
em lugar de A união B, algo que técnicamente também está correto.
Três situações levarão ao evento A∪B ocorrer: (i) A ocorre e B não ocorre;
(ii) A não ocorre e B ocorre; e (iii) A e B ocorrem. Note que o evento A ∪ B
não ocorrerá se ambos os eventos A e B não ocorrerem.
Exemplo 1.9 Considere Ω = {2, 3, 4, 6} e os eventos A = {2} e

B = {2, 6} definidos com relação a esse Ω. Se temos C = A ∪ B,
verificamos pela operação de união da teoria dos conjuntos que
C = {2, 6}. O evento C irá ocorrer se tivermos como resul-
tado do experimento 2 ou 6. Se, por exemplo, o resultado for
2 terão ocorrido os eventos A e o evento B e, consequentemente,
o evento C terá ocorrido também, pois 2 ∈ A ∪ B.
Interseção de eventos: A ∩ B descrita como A ∧ B (A “e” B )

Para 2 eventos quaisquer representados por A e B definidos dentro do con-
texto de um espaço amostral Ω, a notação A ∩ B é frequente entendida como
sendo A∧ B, ou em linguagem falada, A “e” B. Esse “ou”vem do contexto da
lógica formal. A equivalência das duas notações é fácil de entender. Se o resul-
tado elementar r ∈ (A∩B) isso significa que r está no conjunto A “e”também
está no conjunto B. Em linguagem mais formal da lógica, (r ∈ A) ∧ (r ∈ B).
É uma prática estabelecida na estatı́stica escrever A∩B e falar A “e” B, em
lugar de A interseção B, algo que tecnicamente também está correto.
Uma única situação faz o evento A ∪ B ocorrer: A ocorre e B ocorre, em

todas as outras 3 possibilidades existentes, A ∩ B não vai ocorrer.
Exemplo 1.10 Considere Ω = {2, 3, 4, 6} e temos os eventos

A = {2} e B = {2, 6} definidos com relação a esse Ω. Se temos
D = A∩ B, verificamos pela operação de interseção da teoria dos
conjuntos que D = {2}. O evento D irá ocorrer se tivermos como
resultado do experimento 2. Se o resultado for 2 terão ocorrido
os eventos A e o evento B e, consequentemente, o evento C terá
ocorrido também, pois 2 ∈ A ∪ B. Por outro lado, se A = {2} e
B = {4, 6}, temos A ∩ B = ∅ pois não há resultados elementares
em Ω que estão em A “e” B.
Notações ≡ (definição) e = (igualdade)
Em muitos desenvolvimentos é utilizada a notação “≡”, que significa “é de-

finido como”, num sentido que difere em alguma medida do utilizado pela
notação “=”, que indica a igualdade das expressões à direita e esquerda do
sinal =.
Até esse ponto, temos utilizado somente o sı́mbolo = para as duas
situações. Contudo, a partir daqui, passaremos a utilizar essa notação mais es-
trita, com o objetivo de distinguir mais claramente os dois casos. Na definição
de eventos é mais apropriado utilizar o sı́mbolo ≡ mas em alguns casos o uso
das 2 notações é relativamente equivalente.
Alguns exemplos são introduzidos a seguir para ilustrar o uso mais estrito
da notação ≡.
Exemplo 1.11 – Experimento: Lançamento de uma moeda, onde

a incerteza é o resultado do lançamento, que pode ser represen-
tado por c ≡ “resultado cara” ou k ≡ “resultado coroa”.
• Ω ≡ {c, k}.
• E = {∅, {c}, {k}, Ω}.
• Evento possı́vel: A ≡ “resultado cara”.
• Evento elementar possı́vel: B ≡ {c}.
• No contexto dos últimos 2 itens: A = B.
Exemplo 1.12 – Experimento: Para uma urna com 2 bolas bran-

cas (b ) e 2 bolas vermelhas (v) de iguais dimensões, considere o
sorteio de 2 bolas, com reposição. A incerteza é o resultado do

sorteio:
• Ω ≡ {b b , b v, v b , v v}.
• E = {∅, {b b }, {b v}, {v b }, {v v}, {b b , b v}, {b b , v b },
{b b , v v}, {b v, v b }, {b v, v v}, {v b , v v}, {b b , b v, v b },
{b b , b v, v v}, {b b , v b , v v}, {b v, v b , v v}, Ω}.
• Evento possı́vel: A ≡ “as duas bolas são da mesma cor”.
• Evento elementar possı́vel: B ≡ {b v}.
• A∩ B = ∅
Exemplo 1.13 – Experimento: Produção total (P) de soja no

mundo no próximo ano.
• Ω ≡ {x : x ∈ R, x > 0}.
• E = {X : X ⊆ R+ }3
• Evento possı́vel: A ≡ {P ∈ R : P ≤ 109 toneladas}.
• Evento elementar: B ≡ {P ∈ R : P = 8 × 108 toneladas}.
• É verdade que A ̸= B e B ⊆ A.
O último exemplo ilustra uma situação onde E é uma sigma-álgebra.

Nesse caso, a noção de experimento é menos óbvia, sendo mais fácil de en-
tender como sendo a incerteza resultante do processo de geração de produti-
vidades.
Eventos e o Diagrama de Venn
É usual a utilização do diagrama de Venn para facilitar o entendimento de

operações entre eventos. A Figura 1.1 ilustra um espaço amostral Ω dentro
do qual estão definidos os eventos A e B. Para entender esse diagrama no con-
texto de eventos é necessário dar uma interpretação apropriada à geometria
do diagrama.
O leitor pode entender o retângulo que define Ω como o conjunto dos
pontos possı́veis num dado experimento. Um resultado elementar seria um
ponto desse conjunto. Um evento seria um subconjunto desses pontos em
3
A notação R+ representa o conjunto dos reais positivos; a notação R+
∗ , com o asterisco ∗
no subscrito indica a exclusão do zero.
Figura 1.1: Diagrama de Venn: algumas operações
Ω. Por exemplo, o retângulo poderia ser entendido como se fosse um alvo e

o experimento poderia ser o lançamento de um dardo que atinge o alvo num
ponto. Esse ponto seria o resultado do experimento. Se o dardo não cair no
alvo ele jogará novamente até atingi-lo. Um resultado elementar desse expe-
rimento seria um ponto qualquer dentro do retângulo atingido pelo dardo.
O evento A seria equivalente um resultado em que o dardo cai num ponto da
região definida por A. O evento B seria definido de forma equivalente.
Algumas operações são representadas graficamente na Figura 1.1. É
importante observar, contudo, que o diagrama representa uma situação
geométrica bem particular, que é boa para desenvolvimento da intuição mas
não possibilita uma demonstração rigorosa de resultados envolvendo even-
tos em situações gerais, fora desse contexto geométrico particular. É bom
para desprovar mas não é geral o bastante para provas. Nesse sentido, as
demonstrações algébricas são mais gerais e mais convincentes.
1.4 Eventos: alguns qualificadores

Evento complementar
Para um evento A qualquer, seu evento complementar é representado por A

na álgebra de eventos, o conjunto de resultados elementares em Ω que não
estão em A.
O complementar pode ser obtido pelo uso do operador \, que em teoria
dos conjuntos indica diferença entre conjuntos, por:
A = Ω \ A.
Exemplo 1.14 Se Ω ≡ {a, b , c} e A ≡ {b , c}, temos que A = {a}.
Eventos mutuamente exclusivos
Se os eventos A1 , A2 , . . . , An ∈ E são mutuamente exclusivos, se um dos eventos

ocorrer isso significa que os outros eventos não vão ocorrer. Apenas um deles
pode ocorrer (não significa que um deles necessariamente vai ocorrer). Para
2 eventos, essa noção poderia ser formalizada pela seguinte definição:
Eventos disjuntos ou mutuamente exclusivos - Os eventos A1 e A2

são disjuntos ou mutuamente exclusivos quando
A1 ∩ A2 = ∅.
Em geral, n eventos A1 , . . . , An serão mutuamente exclusi-

vos se
Ai ∩ A j = ∅, ∀ i, j ∈ {1, . . . , n}.
Exemplo 1.15 Se Ω representa o conjunto dos paı́ses que podem

ganhar a próxima Copa do Mundo, os eventos A ≡“Brasil é paı́s
o ganhador”, F =“França é o pais ganhador”e H ≡ “Holanda é
o paı́s ganhador”, são eventos mutuamente exclusivos pois se um
deles ocorrer, os outros certamente não ocorrerão. E isso não
implica que um desses 3 eventos necessariamente ocorrerá.
Exemplo 1.16 Se Ω ≡ {a, b , c, d }, A ≡ {a, c} e B ≡ {b , c}, temos

que A e A = {b , d } são mutuamente exclusivos, mas A e B não
são mutuamente exclusivos pois A ∩ B = {c} ̸= ∅.
Exemplo 1.17 Se Ω ≡ {e1 , e2 , . . . , en }, os eventos
{e1 }, {e2 }, . . . , {en } são mutuamente exclusivos.
Se um ocorrer, isso exclui a possibilidade de outro ocorrer. Nesse

caso, um deles necessariamente vai ocorrer.
Eventos coletivamente exaustivos
Se os eventos A1 , A2 , . . . , An ∈ E são coletivamente exaustivos isso significa que

pelo menos um dos eventos ocorrerá. Essa noção pode ser formalizada pela
seguinte definição:
Eventos coletivamente exaustivos - Se A1 , A2 , . . . , An são eventos,

eles serão coletivamente exaustivos se
n
[
Ai = Ω.
i =1
Eventos podem ser ou não ser (simultaneamente) mutuamente exclusivos

e coletivamente exaustivos. No caso em que n eventos atendem a essas 2
condições, é possı́vel concluir que somente um dos eventos ocorrerá com
certeza e os outros não vão ocorrer.
O seguinte exemplo ilustra essas últimas definições:
Exemplo 1.18 Se Ω ≡ {b b , b v, v b , v v}, considere os seguintes

eventos:
E1 ≡ {b b , v v}; E2 ≡ {b b , b v, v b }; E3 ≡ {b v, v b }; e,E4 ≡ {v v}
Nesse caso tem-se que:
(a) E1 e E3 são mutuamente exclusivos e coletivamente exaus-

tivos, pois E1 ∩ E3 = ∅ e E1 ∪ E3 = Ω;
(b) E1 e E2 são coletivamente exaustivos mas não são mutua-
mente exclusivos, pois E1 ∪E2 = Ω mas E1 ∩E2 = {b b } ̸= ∅;
(c) E3 e E4 são mutuamente exclusivos mas não são coletiva-
mente exaustivos, pois E3 ∩ E4 = ∅ e E3 ∪ E4 ̸= Ω;e,
(d) E1 e E4 não são nem mutuamente exclusivos nem coletiva-
mente exaustivos, pois E1 ∩ E4 ̸= ∅ e E1 ∪ E4 ̸= Ω.
1.5 Álgebra de eventos: propriedades

Nos desenvolvimentos considerados ao longo das próximas seções serão as-
sumidas como verdadeiras as seguintes 7 propriedades cuja justificativa vem
da teoria de conjuntos e da lógica formal.
Nesses desenvolvimentos, os sı́mbolos A, B e C representam eventos de-
finidos no contexto de um dado espaço amostral Ω:
1. A ∪ B = B ∪ A (prop. 1).
2. A ∪ (B ∪ C ) = (A ∪ B) ∪ C (prop. 2).
3. A ∩ (B ∪ C ) = (A ∩ B) ∪ (A ∩ C ) (prop. 3).
4. A = A (prop. 4).
5. (A ∩ B) = A ∪ B (prop. 5).
6. A ∩ A = ∅ (prop. 6).
7. Ω ∩ A = A (prop. 7).
A partir dessas propriedades é possı́vel provar muitos outros resultados

importantes, descritos a seguir. Para facilitar a demonstração desses resulta-
dos, serão indicadas na demonstração sintética as principais proposições ou
propriedades aceitas que estão sendo utilizadas através da notação (prop. n),
onde n é o número da proposição ou resultado utilizado. Os passos que exi-
gem o uso da prop. 1 foram omitidos nas provas.
• Ω = ∅. (prop. 8)
Prova: Ω ∩ Ω = ∅ (prop. 6), mas Ω ∩ Ω = Ω (prop. 7), logo
Ω = ∅. □
• ∅ = Ω (prop. 9)
Prova: Ω = ∅ (prop. 8), logo Ω = ∅, mas Ω = Ω (prop. 4), logo
∅ = Ω. □
• A ∪ A = Ω (prop. 10)
Prova: A ∩ A = ∅ (prop. 6) logo A ∩ A = ∅, mas A ∩ A = A ∪ A (prop.
5) e ∅ = Ω (prop. 9), logo A ∪ A = Ω. □
• B ∪ ∅ = B (prop. 11)
Prova: B ∩Ω = B (prop. 7 onde A ≡ B), mas B ∩ Ω = B logo B ∪∅ = B
(prop. 5 e prop. 8). □
• A ∩ A = A (prop. 12)
Prova: A ∩ Ω = A (prop. 7), logo A ∩ (A ∪ A) = A (prop. 10); pela
(prop. 3) tem-se que (A ∩ A) ∪ (A ∩ A) = A e substituindo A ∩ A = ∅
(prop. 6), e pela prop. 11, chega-se a A ∩ A = A. □
• A ∪ A = A (prop. 13)
Prova: Ver exercı́cio.
• A ∪ Ω = Ω (prop. 14)
Prova: A ∪ A = Ω (prop. 10) logo, fazendo a união com A nos dois
lados e usando (prop. 13), tem-se que A∪A = A∪Ω, usando novamente
(prop. 10) chega-se a Ω = A ∪ Ω. □
• A ∪ (A ∩ B) = A (prop. 15)
Prova: B ∪ Ω = Ω (prop. 14), logo A ∪ A ∪ B = Ω (prop. 10 e 1),
interseccionando A nos dois lados da expressão e usando (prop. 3) tem-
se que (A ∩ A) ∪ (A ∩ A) ∪ (A ∩ B) = A ∩ Ω, mas usando (prop. 12, 6 e
7), A ∪ ∅ ∪ (A ∩ B) = A, e, finalmente, A ∪ (A ∩ B) = A (prop. 11). □
• A ∪ (A ∩ B) = A ∪ B (prop. 16)
• A = (A ∩ B) ∪ (A ∩ B) (prop. 17)
Prova: Desenvolvendo-se o lado direito da expressão chega-se a ((A ∩
B) ∪ A) ∩ ((A ∩ B) ∪ B) substituindo agora o lado esquerdo da nova
expressão por A (prop. 15 e prop. 2) e o lado direito por A ∪ B (prop.
16 e prop. 2) chega-se a A∩(A∪B), expandindo essa expressão com o uso
de (prop. 3 e prop. 12) chega-se a A∪(A∩B), finalmente, A∪(A∩B) = A
(prop. 15). □
• A ∩ (B ∩ C ) = (A ∩ B) ∩ C (prop. 18)
• A ∩ B = B ∩ A (prop. 19)
• A ∩ ∅ = ∅ (prop. 20)
• (A ∩ B) ∩ (A ∩ B) = ∅ (prop. 21)
Prova: Usando (prop. 18 e prop. 19) tem-se que (A ∩ B) ∩ (A ∩ B) =
A∩A∩B ∩B, desenvolvendo o lado direito e usando (prop. 13 e prop. 6)
chega-se a A∩ ∅, por (prop. 20) tem-se que A∩ ∅ = ∅, o que completa
a prova. □
1.6 Considerações finais

Este capı́tulo apresentou uma introdução às noções básicas de álgebra de even-
tos necessárias para uma caracterização adequada da teoria de probabilidades,
discutida no próximo capı́tulo.
Conceitos como experimento, espaço amostral, eventos, espaço de even-
tos, assim como resultados fundamentais relacionados à álgebra de eventos,
foram definidos e discutidos, à luz de alguns exemplos ilustrativos. Algum
esforço foi empreendido na especificação da notação utilizada na álgebra de
eventos, fazendo-se um paralelo desta com a notação utilizada na teoria dos
conjuntos e na lógica formal.
O próximo capı́tulo introduz os axiomas da teoria de probabilidades, te-
oremas decorrentes desses axiomas e resultados auxiliares, visando fornecer
ao leitor o arcabouço teórico para desenvolvimentos mais avançados.
Exercı́cios
Exercı́cio 1.1 – Um experimento é definido pelo lançamento de
uma moeda e o sorteio de uma bola de uma urna contendo 2
bolas de mesmas dimensões, numeradas com 1 a 2. Caracterize o
espaço amostral (Ω) e o espaço de eventos (E) desse experimento.
Exercı́cio 1.2 – Considere o espaço amostral Ω indicado pelo

quadrado definido num sistema de eixos cartesianos de tal forma
que 0 ≤ x ≤ 10 e 0 ≤ y ≤ 10.
(a) Defina um experimento que poderia levar a esse espaço

amostral.
(b) Ilustre graficamente a representação dos seguintes eventos:
• x ≤ y.
• max(x, y) ≤ 3.
• min(x, y) ≥ 3.
• x−y ≤3
Exercı́cio 1.3 – Dados – Considere o experimento definido pelo

lançamento de dois dados, cada qual com face numerada de 1 a
6. Com relação a esse experimento:
(a) Caracterize o espaço amostral desse experimento.

(b) Defina 2 eventos que sejam mutuamente exclusivos e cole-
tivamente exaustivos.
(c) Defina 2 eventos que não sejam mutuamente exclusivos
nem coletivamente exaustivos.
(d) Defina 2 eventos que sejam mutuamente exclusivos mas não
sejam coletivamente exaustivos.
(e) Defina 2 eventos que não sejam mutuamente exclusivos mas
sejam coletivamente exaustivos.
Exercı́cio 1.4 – Utilizando o mesmo experimento definido no

exercı́cio anterior, e os eventos
• E1 ≡ “soma dos resultados nos dados é par”;

• E2 ≡ “valor absoluto da diferença é 4”; e,
• A ≡ E1 ∩ E2 ,
mostre a definição do evento A em termos dos eventos elemen-

tares do experimento. Mostre que a notação utilizada na álgebra
de eventos é equivalente à notação utilizada na lógica formal,
quando os eventos são interpretados como proposições lógicas.
Exercı́cio 1.5 – Prove as proposições:
(a) ∅ ∩ ∅ = ∅.
(b) A ∪ A = A (prop. 13)
(c) A ∪ (A ∩ B) = A ∪ B (prop. 16)
(d) A ∩ (B ∩ C ) = (A ∩ B) ∩ C (prop. 18)
(e) A ∩ B = B ∩ A (prop. 19)

(f) A ∩ ∅ = ∅ (prop. 20)
Exercı́cio 1.6 – Em alguns desenvolvimentos envolvendo con-

juntos é conveniente definir-se a operação diferença entre dois
conjuntos, que seria representada alternativamente pelos sinais
- ou ∖ de tal forma que para dois conjuntos A e B terı́amos
A∖B = A∩B. Use um diagrama de Venn para ganhar um pouco
de intuição sobre o significado da operação e verifique, usando as
proposições do texto, que (A ∖ C ) ∩ (B ∖ C ) = (A ∩ B) ∖ C .
Exercı́cio 1.7 – Função indicadora – A função “Indicadora”, re-

presentada por IA(x), onde A é um conjunto, é uma função que
assume valor 1 quando x ∈ A e valor zero nos outros casos. É
usada no contexto da estatı́stica e da matemática para tornar mais
compacta a representação de algumas funções.
(a) Represente de forma compacta, usando a função indica-

dora, a função:

 0 se x ≤ 0
f (x) = 3x 2 se x ∈ (0, 5]
x se x > 5

(b) Assumindo que A1 , A2 , . . . , An ∈ E verifique que

• IA1 ∩A2 ...∩An (x) = IA1 (x)IA2 (x) . . . IAn (x).
• IA1 ∪A2 ...∪An (x) = max[IA1 (x), . . . , IAn (x)].
• IA2 (x) = IA(x) para A ∈ E
Exercı́cio 1.8 – Notas – Um curso exigirá 2 provas para aferir

o conhecimento do aluno, cuja nota pode variar de 0 a 10. As
provas têm peso P1 e P2 e para passar o aluno deve receber nota
igual ou superior a 6. Mostre graficamente o espaço amostral
de resultados que o aluno pode receber no curso e indique o
evento “aluno passou no curso” dentro do espaço amostral, con-
siderando 2 casos:
(a) P1 = 1 e P2 = 1.
(b) P1 = 1 e P2 = 2.
Exercı́cio 1.9 – Mostre que num experimento com um espaço

amostral com n eventos elementares distintos haverão 2n ele-
mentos no espaço de eventos (E)?
Dica: seria o mesmo que obter o número de subconjuntos distin-
tos obtidos de um conjunto com n elementos, não esquecendo
que ∅ ∈ E. Use conhecimentos de análise combinatória para es-
tabelecer o número de subconjuntos com 1,2 até n elementos, e
verifique que a soma desses resultados é o mesmo que a expansão
por binômio de Newton de (1 + 1)n exercı́cio requer conheci-
mentos de análise combinatória e do Binômio de Newton.
Referências
Antar Neto, A. et al. (2010) Noções de Matemática Vol 1 - Conjunto e
Funções. Vestseller.
Azevedo Filho, A. 2020. Princı́pios de Inferência Dedutiva e Indutiva:
Noções de Lógica e Métodos de Prova. Createspace.
Chiang, A. e Wainwright, K. 2006. Matemática para Economistas. GEN
LTC (tradução da 4a. edição em inglês).
Hammack, R. 2018. Book of Proof. 3nd edition, Virginia Commonwealth
Univ.
Grimmett, G. R. & Stirzaker, D. R. (2001) Probability and Random Pro-
cesses. 3rd. edition, Oxford University Press, New York.
Mood, A., Graybill, F. A and Boes, D. 1974. Introduction to the Theory of
Statistics. McGraw-Hill, New York.
Piskounov, N. (2000) Cálculo Diferencial e Integral, Vol I e II. Porto: Lopes
da Silva Editora, 18a. edição.
Ross, S. M. 1997. First Course on Probability. 5th edition, Prentice-Hall,
New York.
Shao, J. 2003. Mathematical Statistics. 2th edition (4th printing), Springer,
New York.
Solow, D. 2013. How to Read and Do Proofs: An Introduction to Mathe-
matical Thought Processes. John Wiley & Sons.
Capı́tulo 2
Probabilidade: Fundamentos da
Teoria
2.1 Introdução
Este capı́tulo inicia discutindo o conceito de probabilidade segundo as visões
de 2 escolas de pensamento na Estatı́stica, respectivamente, a escola clássica
e a escola bayesiana. Na sequência, introduz os resultados fundamentais da
teoria de probabilidades, decorrentes dos pressupostos utilizados em seu de-
senvolvimento axiomático. A apresentação se utiliza da notação e resultados
descritos no capı́tulo anterior, associados à álgebra de eventos.
Os resultados da teoria estão sintetizados em alguns poucos teoremas e
definições, que não são difı́ceis de entender. A dificuldade principal da te-
oria de probabilidades está na operacionalização desses resultados teóricos,
juntamente com as noções da álgebra de eventos, no contexto da solução pro-
blemas de interesse. O leitor só irá adquirir essa capacitação solucionando
exercı́cios que demandem o uso desse instrumental teórico. Para isso, uma
extensa lista de exercı́cios é proposta ao fim deste capı́tulo para facilitar o
entendimento desses conceitos.
O modo de apresentação usado na exposição dos elementos básicos da
teoria de probabilidades, neste e nos próximos capı́tulos, ainda que relativa-
mente formal, não perseguirá o rigor utilizados por textos mais avançados.
20
Capı́tulo 2 - Probabilidade: Função, Axiomas e Espaço 21
2.2 Primórdios e evolução da noção de probabilidade

O desenvolvimento da teoria de probabilidades teve a sua origem no interesse
pelos estudos dos jogos de azar, já encontrados em obras do séc. XVI como
Liber de ludo aleae do matemático G. Cardano (1501-1576). Essa obra conti-
nha não só uma formalização primitiva das noções de probabilidade aplica-
das a jogos de azar como também uma seção inteira sobre métodos efetivos de
trapaça! Relatos detalhados da evolução das idéias relativas a probabilidades
são apresentados por Stigler (1990) e Hald (2003).
As bases da teoria de probabilidades, contudo, só foram assentadas de-
finitivamente a partir do séc. XIX e, principalmente, durante as primei-
ras décadas do séc. XX. Laplace (1749-1827), A. Kolmogorov (1903-1987),
De Finneti (1906-1995), R. T. Cox (1898-1991), entre outros, realizaram a
sistematização da teoria de probabilidades sobre uma fundamentação sólida.
Apesar das visões alternativas que existem sobre o significado da noção de
probabilidade dentro da Estatı́stica, algo discutido brevemente na próxima
seção deste capı́tulo, os resultados dessa teoria são fortes em função de sua
sólida fundamentação axiomática. Nesse contexto, é comum partir-se da
aceitação de três axiomas1 que serão examinados neste capı́tulo, e deles dedu-
zir outras proposições que no todo compõem o corpo da teoria de probabili-
dades. Essas noções, contudo, dependem da formalização de certos conceitos
como evento, espaço amostral e espaço de eventos, introduzidos no capı́tulo
anterior.
2.3 Significados de probabilidade
2.3.1 Visão clássica × visão bayesiana

A interpretação do significado da noção de probabilidade difere dentro de duas
importantes escolas de pensamento existentes na estatı́stica: a escola clássica2
e a escola bayesiana, uma distinção e denominação só começou a ser utili-
1
Axiomas são proposições assumidas como verdadeiras, justificadas em muitos casos por
argumentos intuitivos.
2
A qualificação “clássica” usada na escola chamada clássica é de uma certa forma incorreta,
por terem sido os princı́pios dessa escola desenvolvidos predominantemente a partir do séc.
XX. Os princı́pios da escola bayesiana, por outro lado, são conhecidos desde o séc. XVIII,
ainda que muitos procedimentos computacionais que possibilitam sua operacionalização
prática terem sido desenvolvidos mais fortemente a partir dos anos 1980. Ou seja, a escola
bayesiana é mais “clássica” que a escola clássica.
zada a partir dos anos 1950. A apresentação não entra em detalhes em visões
distintas que existem dentro dessas grandes escolas, se atendo somente nos
pontos de vista predominantes.
Na escola clássica o foco na interpretação frequentista é a mais comum,
enquanto na escola bayesiana prevalece a interpretação subjetiva ou epistêmica
para a noção de probabilidade (examinadas na próxima seção).
Não é objeto deste texto fazer um contraste profundo entre as idéias de-
fendidas por essas duas escolas, algo que o leitor encontrará em Howie (2002),
Jaynes(2003) e Lindley (1980), e referências citadas nessas obras.
2.3.2 Interpretação frequentista × subjetiva

Na interpretação frequentista, a noção de probabilidade é interpretada como o
limite para a frequência de um determinado evento, na medida que o número
de repetições da situação que dá origem a esse evento tende ao infinito. É im-
portante que o leitor esteja bem familiarizado com a noção de evento, definida
no capı́tulo anterior, pois são essenciais para entendimento e uso aplicado de
probabilidades. Nesse contexto, ao lançarmos uma moeda, a probabilidade p
do evento associado a observação do resultado “cara” nesse lançamento seria
definida como
c
p = lim ,
n→∞ n
onde c é o número de caras observado e n é o número de lançamentos da

moeda. Ou seja, a probabilidade seria a frequência relativa de caras, na medida
que n tende ao infinito.
Há duas dificuldades observacionais importantes com a interpretação fre-
quentista nesse exemplo: (a) não é possı́vel jogar a moeda infinitas vezes; e,
(b) a moeda pode se modificar fisicamente, na medida que passa pelo experi-
mento.
A interpretação subjetiva ou epistêmica entende a probabilidade como
sendo uma medida da incerteza existente com relação a ocorrência de um
dado evento, a partir da informação existente, avaliada por um indivı́duo.
Nessa interpretação, se um indivı́duo afirma que a probabilidade de ob-
servar cara no lançamento de uma moeda é 0,50, o que ele está fazendo é
dizer que considera iguais as chances de cara ou coroa, talvez por argumentos
de simetria. Ou seja, a probabilidade é dependente de seu conhecimento com
relação à moeda utilizada e ao processo de lançamento, e por essa razão é
chamada de subjetiva ou epistêmica. Um indivı́duo pode utilizar essa mesma
noção para expressar seu conhecimento (incerto) sobre a ocorrência de chuva
nos próximos dias ou sobre uma possı́vel alta no preço de ações na bolsa de
valores (situações difı́ceis de acomodar dentro da noção frequentista).
No caso da probabilidade de observar cara num lançamento de moeda, se
há incerteza com relação à probabilidade, lançamentos adicionais da moeda
poderiam contribuir para um melhor conhecimento dessa probabilidade, a
partir da aplicação de um resultado da teoria de probabilidades denominado
teorema de Bayes. Essa estratégia reflete a essência da estatı́stica bayesiana.
Na estatı́stica as 2 interpretações de probabilidade (frequentista e subje-
tiva) acabam sendo utilizadas de uma forma ou de outra (muitas vezes até
de forma não deliberada). Em algumas situações pode ser mais conveniente a
interpretação frequentista; em outras, a interpretação subjetiva ou epistêmica
pode ser mais adequada. No passado havia até uma certa animosidade entre
os defensores de cada interpretação mas, já no séc. XXI, as duas escolas de
pensamento convivem de forma pacı́fica.
Implicações práticas
Felizmente, essas divergências conceituais, que por vezes levam a debates

acalorados, têm pouca influência na aplicabilidade dos resultados fundamen-
tais relativos à teoria de probabilidades que serão vistos neste e próximos
capı́tulos. Essas diferenças entre interpretações tendem a ser mais importan-
tes na aplicação dos conceitos da teoria de probabilidades aos processos de
inferência, na estimação e testes, como argumenta Berger (2003).
Deve-se salientar que a discussão realizada foi relativamente superficial,
sintetizando com muita brevidade um assunto que envolve muitos pontos
de vista que aqui não foram abordados. Veja Cox (2001), De Finetti (1990),
Howie (2002), Hájek (2009) e Lindley (1990) para visões alternativas e um
contraste mais profundo sobre as interpretações existentes. Quando for rele-
vante, o texto apresentará comentários sobre o tipo de interpretação utilizado
e possı́veis implicações.
2.4 Função probabilidade e axiomas

A função probabilidade, aqui representada por Pr(·), é definida no contexto
das noções introduzidas no capı́tulo anterior. O argumento dessa função Pr(·)
será sempre um evento de um espaço de eventos e o resultado obtido será
sempre um número entre 0 e 1, que é o valor da probabilidade desse evento
de interesse. Do ponto de vista formal, Pr(·) é uma função com domı́nio
sendo o espaço de eventos E e contra-domı́nio representado pelo intervalo

fechado [0, 1] ⊆ R, ou seja,
Pr : E → [0, 1].
Espaço de probabilidades
Os desenvolvimentos usuais em teoria de probabilidades são realizados sem-

pre dentro do contexto de um espaço de probabilidades, ainda que em alguns
casos isso não seja claramente explicitado. A definição dessa noção é apresen-
tada a seguir.
Espaço de Probabilidades - É definido pelo conjunto
{Ω, E, Pr(·)},
em que Ω é o espaço amostral, E é o espaço de eventos e

Pr(·) é a função probabilidade, definidas dentro de um certo
contexto.
Se o espaço de probabilidades estiver adequadamente definido, é possı́vel res-

ponder qualquer questão relativa às probabilidades dos eventos associados a
esse espaço.
Axiomas da teoria de probabilidades
A função probabilidade Pr(·) satisfaz os seguintes axiomas (Axiomas de Proba-

bilidade de Kolmogorov), onde A é um evento qualquer definido no contexto
de um espaço de probabilidades {Ω, E, Pr(·)}:
Axioma 1 - Pr(A) ≥ 0 para qualquer evento A ∈ E.

Axioma 2 - Pr(Ω) = 1, onde Ω é o espaço amostral.
Axioma 3 - Se A1 , A2 . . . , An ∈ E são eventos mutuamente exclusi-
vos tem-se que Pr(A1 ∪ A2 ∪ . . . ∪ An ) = i=1 Pr(Ai ).
Pn
Motivação para Pr(·) e axiomas
Intuitivamente, a função probabilidade Pr(·) pode ser entendida como uma

medida do “grau de certeza” associado a um evento antes da realização de uma
repetição do experimento ou observação da incerteza que define o evento. O
valor 1 indicaria certeza absoluta da ocorrência do evento e 0, por outro lado,

o menor valor de certeza possı́vel associada a ocorrência desse evento.
Esse entendimento, que é comum em estatı́stica, tende a ser mais com-
patı́vel com noção bayesiana do conceito de probabilidade discutida no
capı́tulo anterior (ainda que isso não seja necessariamente explı́cito). A outra
interpretação seria a frequentista, como o limite da frequência de ocorrência
do evento na medida que a situação que está produzindo esse evento é repetida
infinitas vezes em condições ideais. As duas interpretações foram brevemente
discutidas em seção anterior.
Com respeito aos axiomas, pode ser estranho ter que aceitar sua vali-
dade sem argumentos mais intuitivos. Esses axiomas podem ser justificados
como uma consequência lógica de requisitos desejáveis para um processo de
inferência em condições de incerteza, como demonstrou R. T. Cox (1946,
2001), em resultado sintetizado pelo Teorema de Cox. Uma discussão interes-
sante e relativamente didática sobre os resultados de R. T. Cox é apresentada
nos primeiros capı́tulos de Jaynes (2003).
2.5 Teoremas fundamentais - I

Alguns resultados importantes decorrem dos axiomas de probabilidade e
propriedades associadas ao espaço de probabilidades. Esses resultados são
apresentados a seguir na forma de teoremas. As demonstrações utilizam
proposições da álgebra de eventos provadas no capı́tulo anterior.
Teorema 2.1 – Pr(∅) = 0.

Prova: Pela prop. 10 da álgebra de eventos (capı́tulo anterior),
para qualquer evento A, A ∪ A = Ω. Logo se A = Ω, Ω ∪ Ω = Ω,
e pelo Axioma 3, Pr(Ω) + Pr(Ω) = Pr(Ω). Usando o Axioma 2,
chega-se a Pr(Ω) = 0. Como Ω = ∅ pela prop. 8, conclui-se que
Pr(∅) = 0. □
Teorema 2.2 – Pr(A) = 1 − Pr(A)

Prova: Temos obviamente que Pr(Ω) = Pr(A ∪ A) = 1, usando a
prop. 10 e o Axioma 2. Mas A ∩ A = ∅, pela prop. 6. Usando o
Axioma 3 decorre Pr(A ∪ A) = Pr(A) + Pr(A) = 1, concluı́do-se
diretamente o resultado desejado. □
Teorema 2.3 – Pr(A) = Pr(A ∩ B) + Pr(A ∩ B).

Prova: Pela prop. 17, A = (A ∩ B) ∪ (A ∩ B) mas (A ∩ B) ∩ (A ∩
B) = ∅, pelas prop. 6,19, 20, logo pelo Axioma 3 tem-se que

Pr(A) = Pr(A ∩ B) + Pr(A ∩ B), o resultado desejado. □
Teorema 2.4 – Pr(A ∪ B) = Pr(A) + Pr(B) − Pr(A ∩ B).

Prova: Por (prop. 16) tem-se que A ∪ B = A ∪ (A ∩ B) e mas
A ∩ (A ∩ B) = ∅, pelas prop. 6, 18, 20, logo, pelo Axioma 3,
Pr(A ∪ B) = Pr(A) + Pr(A ∩ B), mas, pelo resultado do último
teorema, Pr(A∩B) = Pr(B)−Pr(A∩B), logo Pr(A∪B) = Pr(A)+
Pr(B) − Pr(A ∩ B). □
2.6 Medida de probabilidade

Os últimos parágrafos apresentaram grande parte do arcabouço teórico ne-
cessário para o entendimento dos resultados principais da teoria de probabi-
lidades.
Esse arcabouço teórico, até o presente momento, não indicou nenhum
procedimento para computarmos o valor da probabilidade de eventos, a não
ser em casos muito particulares (para Ω e ∅, por exemplo).
Em muitas situações esse problema é fácil de resolver, quando é possı́vel
argumentar que os eventos elementares do espaço amostral têm chances iguais
de ocorrência. Através da contagem apropriada desses eventos e uso dos re-
sultados teóricos, chega-se aos valores das probabilidades desejadas.
O caso discreto (e finito) é relativamente trivial nessa situação. O caso
contı́nuo (infinito), por outro lado, é um pouco mais complexo, mas pode
ser tratado em nı́vel elementar através de noções geométricas como compri-
mento, área e volume, por exemplo. Em nı́vel mais avançado depende de
resultados derivados da teoria da medida e da integração.
Caso discreto: probabilidade de eventos elementares com chances iguais
Nessa seção examinaremos uma situação importante em que é fácil obter pro-
babilidades. É o caso em que é razoável assumir que todos os eventos elemen-
tares em um dado espaço de probabilidades tem chances iguais de ocorrer.
Essa situação será caracterizada pela notação argumento de simetria, também
denominado princı́pio da razão insuficiente ou ainda princı́pio da indiferença.
Examinaremos inicialmente o caso em que o espaço amostra é finito e dis-
creto.
Nesse caso, a conclusão importante demonstrada nessa seção é que para

um evento qualquer E ⊆ Ω, numa situação em que se verifica o argumento de
simetria temos
n(E)
Pr(E) = ,
n(Ω)
em que n(E) e n(Ω) é o número de elementos ou cardinalidade de cada um
dos conjuntos.
Antes de enunciar um teorema geral, vamos mostrar o resultado em um
exemplo relativamente simples, usando os mesmos argumentos que serão de-
pois generalizados no teorema, visando facilitar seu entendimento.
Exemplo 2.1 Considere uma situação em que Ω ≡ {e1 , e2 , e3 }

com eventos elementares representados por ωi ≡ {ei }, i ∈
{1, 2, 3} com chances iguais pelo argumento de simetria. Obtenha
Pr(E) para E ≡ {e1 , e3 }.
Solução: Como os eventos elementares são sempre coletiva-
mente exaustivos (C.E.),
ω1 ∪ ω2 ∪ ω3 = Ω e Pr(ω1 ∪ ω2 ∪ ω3 ) = Pr(Ω).
Mas pelo Axioma 2 (A2), Pr(Ω) = 1, e como os eventos elemen-

tares são sempre mutuamente exclusivos (M.E.), pelo Axioma 3
(A3) podemos concluir que
Pr(ω1 ∪ω2 ∪ω3 ) = Pr(ω1 )+Pr(ω2 )+Pr(ω3 ) = Pr(Ω) = 1 (A2, A3).
Como as chances são iguais, Pr(ωi ) = p, i ∈ {1, 2, 3}. Logo,
1
Pr(ω1 ) + Pr(ω2 ) + Pr(ω3 ) = 3 p = 1 ⇒ p = Pr(ωi ) = , ∀i.
3
Mas E = {e1 , e3 } = ω1 ∪ ω3 e como os eventos são mutuamente
exclusivos e por A3,
1 1 2 n(E)
Pr(E) = Pr(ω1 ∪ ω3 ) = Pr(ω1 ) + Pr(ω3 ) = + = = .
3 3 3 n(Ω)
A seguir vamos generalizar o resultado desse último exercı́cio com um teo-

rema.
Teorema 2.5 – Probabilidades sob o argumento de simetria -

caso discreto – No contexto de um espaço de probabilidades
{Ω, E, Pr(·)}, em que Ω é discreto e finito, com n(Ω) = n re-
sultados elementares3 , se há chances iguais de ocorrência dos n
eventos elementares ω1 , ω2 , . . . , ωn existentes, é verdade que:
1
(a) Pr(ωi ) = , ∀i ∈ {1, . . . , n}.
n
n(E)
(b) Para qualquer evento E ∈ E, temos Pr(E) = .
n(Ω)
Prova: Para a parte (a), observe que, como os eventos elementares
são coletivamente exaustivos (C.E.) e pelo Axioma 2 (A2), temos
n
n
[ [
ωi = Ω e Pr ωi = Pr(Ω) = 1.
i=1 i=1
Como os eventos elementares são mutuamente exclusivos (M.E.)

e pelo Axioma 3 (A3), temos:
n

[ X
Pr ωi = Pr(ωi ) = 1 (A2,A3).
i =1 i=1
Mas se as chances são iguais, Pr(ωi ) = p, ∀i. Logo

n
X 1
Pr(ωi ) = n × p = 1 ⇒ p = .
i=1
n
A parte (b) do teorema decorre do fato de que qualquer evento

E pode ser representado por uma união de eventos elementares:
[
E = ωi , I ⊆ {1, . . . , n},
i∈I
em que I é um subconjunto dosı́ndices que caracterizam os even-

tos elementares que definem E. Como os eventos elementares
3
Nesse contexto, a terminologia n(A) indica o número de elementos ou a cardinalidade do
conjunto A.
são mutuamente exclusivos (M.E.), pelo Axioma 3 (A3):

X
Pr(E) = Pr(ωi ), I ⊆ {1, . . . , n}.
i ∈I
1
Como temos Pr(ωi ) = , ∀i , podemos concluir que Pr(E) =
n
1
k × , em que k = n(I ) = n(E) e n = n(Ω), de forma que
n
n(E)
Pr(E) = . □
n(Ω)
Assim, com esse resultado, é possı́vel calcular, em situações discretas e

finitas, a probabilidade de qualquer evento em situações em que os eventos
elementares tem chances iguais de ocorrência. Os exemplos a seguir exempli-
ficam esse resultado.
Exemplo 2.2 – Probabilidades (caso discreto) –

1. Lançamento de uma moeda com resultados elementares
“cara”(c) e “coroa” (k) em que Ω ≡ {c, k}. Se E ≡ {c},
n(E) n({c}) 1
Pr(E) = = = .
n(Ω) n({c, k}) 2
2. Sorteio de 2 bolas (1 branca e 1 vermelha), com reposição,

em que Ω ≡ {b b , b v, v b , v v}.
• Evento A ≡ “as duas bolas são brancas”.
n({b b }) 1
Pr(A) = = .
n(Ω) 4
• Evento B ≡ “as duas bolas são da mesma cor”.
n(B) n({b b , v v}) 2 1

Pr(B) = = = =
n(Ω) n({b b , b v, v b , v v}) 4 2
• Evento C ≡ “Pelo menos uma vermelha”.
n(C ) n({b v, v b , v v}) 3

Pr(C ) = = = .
n(Ω) n({b b , b v, v b , v v} 4
• Evento D ≡ A ∩ C . Mas A ∩ C = ∅ logo Pr(D) = 0.

3. Lançamento de 2 dados com faces numeradas de 1 a 6, em
que
Ω ≡ {(i, j ) : i = 1, . . . , 6; j = 1, . . . , 6}.
Note que n(Ω) = 36 e os eventos elementares tem chances
iguais de ocorrência.
• Evento A ≡ “soma dos resultados = 4”.
n({(1, 3), (2, 2), (3, 1)} 3 1

Pr(A) = = =
n(Ω) 36 12
• Evento B ≡ “um dos dados é ı́mpar”
Podemos por conveniência considerar o evento com-
plementar B ≡ “os dois dados são pares” e usar Pr(B) =
1 − Pr(B). Como
B = {(2, 2), (2, 4), (2, 6), (4, 2), (4, 4), (4, 6), (6, 2), (6, 4), (6, 6)}
n(B) 6 5
Pr(B) = 1 − Pr(B) = 1 − =1− =
n(Ω) 36 6
• Evento C ≡ A ∩ B, logo C = {(2, 2)}.
n(C ) 1
Pr(C ) = =
n(Ω) 36
Caso contı́nuo: probabilidade de eventos elementares com chances iguais
Se por outro lado tivermos um espaço amostral contı́nuo (e infinito), onde

todos os eventos elementares têm a mesma chance de ocorrência, as noções
que são válidas para a situação discreta e finita já não serão mais apropriadas.
Por exemplo, considere um espaço de probabilidades {Ω, E, Pr(·)}, em que
Ω ≡ [0, 1) e qualquer resultado elementar tem igual chance de ocorrer, pelo
argumento de simetria. Essa situação é ilustrada pelo próximo exemplo.
Exemplo 2.3 – Roleta - caso contı́nuo - Parte I – Um disco circular

(Figura 2.1) é colocado num eixo passando pelo ponto que define
o raio do mesmo. O raio é definido de forma que o perı́metro
do cı́rculo seja 1, e graduado de 0 a 1 (não incluindo o 1). O
disco pode ser girado tal como numa pequena roleta. Considere
0,75 0,25
0,5
Figura 2.1: Problema da roleta
um experimento em que o resultado seria valor real x indicado

pelo ponteiro quando o disco estiver em repouso após ser ro-
tacionado, tal qual se faz com uma roleta de cassino. Assuma
que o valor de x pode ser observado com precisão infinita (uma
abstração). Considere o evento
E ≡ “resultado no intervalo [0,25;0,50)”,
ou seja, E = [0,25; 0,50). O evento E vai o correr se o resultado

x estiver nesse intervalo. Obtenha Pr(E).
Solução: Note que qualquer ponto do perı́metro tem a mesma
chance de ocorrer e que o espaço amostra é definido por
Ω ≡ [0, 1) ⊆ R.
Contudo, se fossemos utilizar, diretamente, o mesmo princı́pio

usado para o caso em que o espaço amostral é discreto e finito,
chegarı́amos a uma indeterminação, pois
n(E) ∞
Pr(E) = = (indeterminação),
n(Ω) ∞
qualquer intervalo dos reais tem infinitos números. Mas há um

outro caminho: pensar que o disco é dividido em 4 pedaços
simétricos, como se fosse uma pizza, e caracterizando eventos
associados às 4 regiões no subperı́metro do disco:
r1 ≡ [0; 0,25), r2 ≡ [0,25; 0,50), r3 ≡ [0,50; 0,75), e r4 ≡ [0,75; 1)
Note que o problema original é equivalente a um experimento

discreto em que temos um espaço amostral
Ω′ ≡ {r1 , r2 , r3 , r4 }
em que cada um desse 4 resultados tem chances iguais, e dese-

jamos saber a probabilidade do evento E ′ ≡ {r2 } em que pelo
argumento de simetria tem probabilidade
n(E ′ ) 1
Pr(E ′ ) = = = 0,25.
n(Ω′ ) 4
O evento original E é equivalente ao evento E ′ e por essa razão

Pr(E) = Pr(E ′ ) = 0,25.
Nesse último exemplo, poderiamos também ter obtido Pr(E) através de

outro argumento, envolvendo a relação entre o subperı́metro do disco associ-
ado aos resultados que atendem ao evento E e o perı́metro total que contém
todos os pontos (Ω). Por um uso ampliado do argumento de simetria, consi-
derando que todos os pontos tem mesma chance de ocorrer, terı́amos
N (E)
Pr(E) = .
N (Ω)
em que N (·) representa a medida do evento através subperı́metro do disco.
Teorema 2.6 – Probabilidades sob o argumento de simetria -

caso contı́nuo – No contexto de um espaço de probabilidades
{Ω, E, Pr(·)}, com Ω ⊆ Rn sendo um conjunto convexo, em que
todos os pontos tem mesma chance de ocorrer, e de um evento
qualquer E ⊆ Ω, é verdade que
N (E)
Pr(E) = ,
N (Ω)
em que N (·) é uma medida de comprimento (em R), área (em

R2 ), volume (em R3 ), ou volume n dimensional (em Rn ).
Prova: Uma prova rigorosa é embasada na teoria da medida, que

está fora do escopo desse texto. Pode incluir situações menos res-
tritivas com relação a restrição de convexidade. Intuitivamente
a idéia é reduzir a situação a um caso em que o argumento de si-
metria pode ser facilmente utilizado, como fizemos no exemplo
anterior.
Esses resultados serão aplicados à obtenção da probabilidade de outros

eventos definidos com relação ao experimento da roleta do exemplo anterior.
Exemplo 2.4 – Roleta - caso contı́nuo - parte II – Considere o ex-

perimento relacionado à roleta que definimos no exemplo ante-
rior (Figura 2.1 em que Ω ≡ [0, 1) ⊆ R representa o perı́metro do
disco e N (E) o subperı́metro associado a um evento E qualquer.
De acordo com o último teorema,
N (E)
Pr(E) = .
N (Ω)
Como N (Ω) = 1, nos exemplos abaixo, as probabilidades reque-

ridas são iguais ao valor do subperı́metro correspondente.
• Evento A ≡ “0,249 ≤ x ≤ 0,251”.

N (A) = 0,002, logo Pr(A) = 0,002.
• Evento B ≡ “x = 0,50”.
N (B) = 0, logo Pr(B) = 0.
• Evento C ≡ “0 ≤ x ≤ 0,5”.
N (C ) = 0,5, logo Pr(C ) = 0,5.
• Evento D ≡ A ∩ C .
N (D) = 0,002, logo Pr(D) = 0, ,002.
• Evento E ≡ A ∪ C .
Pr(A ∪ C ) = Pr(A) + Pr(C ) − Pr(A ∩ C ) = 0,5.
Nesse exemplo, note inicialmente que no evento B = {0,50}, um único ponto,

a probabilidade é exatamente zero, dado que o perı́metro de um ponto é zero.
Mas isso não significa que não pode ocorrer! Certamente esse é um resultado
que envolve a pressuposição de que qualquer valor real pode ser obtido como
resultado do experimento. Na prática seria impossı́vel construir uma roleta
que possa aderir completamente a esse pressuposto, usualmente adotado em

teoria de probabilidade.
Considere agora a questão de incluir ou não o fechamento de intervalos
na probabilidade de eventos. Essa questão é tratada no próximo exemplo.
Exemplo 2.5 – Roleta - caso contı́nuo - Parte III – Considere o

exemplo da roleta (Figura 2.1). Na Parte II caracterizamos o
eventos B ≡ {0,50} e C ≡ [0; 0,50]. Considere o evento C ′ ≡
[0; 0,50), sem o fechamento superior do intervalo. Verifique que
Pr(C ) = Pr(C ′ ).
Solução: Observe que C = [0; 0,50] = [0; 0,50)∪{0,50} = C ′ ∪B.
Como C ′ e B são eventos M.E., pelo Axioma 3 temos:
Pr(C ) = Pr(C ′ ) + Pr(B).
Mas já vimos que Pr(B) = 0 pois N (B) = 0. Logo concluimos

que
Pr(C ) = Pr(C ′ ). □
Conclusão: Incluir ou não a fronteira do intervalo não altera a
probabilidade.
Considere agora uma situação em que o espaço amostral Ω é caracterizado

um subconjunto de R2 e a função medida N (·) considera a noção de área para
o computo de probabilidades.
Exemplo 2.6 – Probabilidades em R2 – Considere um experi-

mento que consiste no sorteio de 2 números reais x e y no in-
tervalo [0; 5] ⊆ R com igual chance para qualquer um dos infi-
nitos valores. O par ordenado (x, y) definirá um ponto em R2 .
Caracterize o espaço amostral do experimento e considerando o
evento E ≡ {(x, y) ∈ R2 : (x −2)2 +(y −2)2 ≤ 1}, obtenha Pr(E).
Solução: Nesse caso Ω = [0; 5] × [0; 5] ou seja, o produto carte-

siano desse dois intervalos em R2 , que será definido por todos
os pontos de um retângulo (Figura 2.2) com o canto inferior es-
querdo no ponto (0; 0) e o ponto canto superior direito no ponto
(5; 5). O evento E é definido pelo conjunto de pontos do interior
Figura 2.2: Probabilidades em R2
e fronteira de um cı́rculo com centro em (2; 2) e raio 1. Logo
N (E) π
Pr(E) = = ,
N (Ω) 25
dado que a área do cı́rculo é N (E) = π12 e a área do retângulo

que caracteriza Ω é N (Ω) = 52 = 25.
Observe, nesse último exemplo, que para o evento E ′ ≡ {(x, y) ∈ R2 : (x−

2)2 + (y − 2)2 = 1}, um resultado exatamente no perı́metro do cı́rculo, temos
Pr(E ′ ) = 0 pois a área correspondente aos pontos do perı́metro é N (E ′ ) = 0.
O próximo exemplo também trata de um caso envolvendo continuidade
numa situação um pouco mais complexa.
Exemplo 2.7 – Equação do segundo grau – Considere a equação
c + 2b x + x 2 = 0.
Qual é a probabilidade das raı́zes dessa equação serem reais, se b

e c são números reais que podem assumir qualquer valor, com
igual chance, entre os limites
(a) −k e k, onde k ∈ R;
(b) −k e k, quando k → ∞.
Solução: pela fórmula usual da equação do segundo grau, as

raı́zes dessa equação só serão reais nesse caso se 4b 2 − 4ac ≥ 0
ou, simplificando, b 2 − c ≥ 0. No caso complementar, em que
b 2 − c < 0 as raı́zes serão complexas. A Figura 2.3 ilustra o
espaço amostral para a situação em que k = 2, que compreende
os pontos no quadrado delimitado por -2 e 2 no eixo horizontal
e vertical. Os pontos na curva da parábola atendem à condição
k=2
3
b2 - c = 0
k
2
b2 - c < 0
1
c
0
b2 - c > 0
-1
-k
-2
-3
-3 -2 -1 0 1 2 3
-k b k
Figura 2.3: Ilustração do problema do exemplo com k = 2
b 2 − c = 0 ou c = b 2 , em que a equação tem apenas uma raiz

real. A área hachurada indica a região com raı́zes complexas.
Pelo enunciado do problema, os pontos do espaço amostral têm a
mesma chance de ocorrer, assim, pode-se calcular a probabilidade
de se obter raı́zes reais através de
N (A)
Pr(Raı́zes reais) =
N (Ω)
onde A é a região em que b 2 − c ≥ 0, N (A) é a área dessa região

e N (Ω) é a área do espaço amostral. Resolvendo essas áreas em
termos de k, chega-se a
Z pk
 
3
N (A) = 4k 2 − 2 k 2 − b2 d b
0
3
12k 2 − 4k 2
N (A) = e N (Ω) = 4k 2 .
3
Logo,
1
Pr(Raı́zes reais) = 1 − p e lim Pr(Raı́zes reais) = 1.
3 k k→∞
Dificuldades para a atribuição de probabilidades
Eventos elementares não necessariamente têm a mesma chance de ocorrência

mas, em alguns casos, por argumentos de simetria e bom senso é possı́vel
estabelecer as probabilidades desses eventos. Em outros casos essa tarefa pode
ser mais complexa.
Muito do trabalho que faz a estatı́stica é relacionado à estimativa dessas
probabilidades, de parâmetros que possibilitam o cálculo de probabilidades
ou noções relacionadas. Essas estimativas são obtidas em modelos que uti-
lizam observações empı́ricas e outros conhecimentos existentes. Nesse con-
texto, a escola clássica e a escola bayesiana podem sugerir estratégias diferentes.
Seja qual for a situação, essa atribuição de probabilidades deve ser realizada
de uma forma compatı́vel com a teoria de probabilidades.
2.7 Contagem, análise combinatória e probabilidade

A descrição inadequada do espaço amostral é um problema que frequente-
mente dificulta a caracterização precisa de eventos e a atribuição de proba-
bilidades. Muitos conceitos relacionados à análise combinatória auxiliam a
contagem do número de resultados elementares num espaço amostral Ω, as-
sim como num evento qualquer.
Apresentamos a seguir alguns exemplos ilustrativos dessas idéias em
situações envolvendo amostragem. Caso se sinta desconfortável com os con-
ceitos apresentados recomendo que revise um texto focado em análise com-
binatória como Morgado et al. (2016) ou Antar Neto et al. (2010).
Exemplo 2.8 – amostras com reposição/com ordem - R/O (I)

– Calcule o número de amostras distintas de 3 pessoas, com
reposição e ordem importando (R/O ), que pode obter a partir de
uma população de 10 pessoas ( p1 , p2 , . . . , p10 ). É o mesmo que
encontrar o número de sequências ordenadas de 3 pessoas que
podemos obter das 10 pessoas, considerando repetição.
Solução: A situação pode ser entendida como um experimento
com espaço amostral Ω, em que 3 pessoas serão sorteadas de 10
pessoas, com reposição e ordem importando. O número de re-
sultados elementares, n(Ω), corresponde ao total de amostras.
Usando o princı́pio fundamental da contagem ou enumeração,
para uma amostra de 3 pessoas nas condições estabelecidas, teri-
amos 10 possibilidades para a primeira pessoa, 10 para a segunda

e 10 para a terceira, num total de
n(ΩR/O ) = 10 × 10 × 10 = 103 (amostras).
Um subscrito foi adicionado a Ω para identificação do tipo de

situação envolvida, visando facilitar comparações nos próximos
exemplos.
Note, nesse último exemplo, que é possı́vel que uma pessoa apareça 3 vezes na
mesma amostra e amostras como ( p1 , p2 , p3 ), ( p2 , p3 , p1 ) são diferentes, pois
a ordem importa. Sob a ótica de um experimento, o espaço amostral ΩR/O
teria 103 resultados elementares possı́veis (cada um representando uma amos-
tra), em que os eventos elementares associados têm mesma probabilidade de
ocorrer.
Exemplo2.9 – amostras com reposição/com ordem - R/O (II) –

Continuando a situação do exemplo anterior, em que
n(ΩR/O ) = 103 ,
qual seria a probabilidade do evento
E1 ≡ “pessoa p1 está numa amostra retirada ao acaso”?
Solução: O número de amostras em que a pessoa 1 aparece é

mais difı́cil de calcular diretamente pois podem ocorrer muitas
situações. O mais fácil é calcular n(E 1 ), o número de amostras
em que ela não aparece. Para isso podemos calcular o número de
amostras sem a pessoa p1 com as 9 pessoas remanecentes:
n(E 1 ) = 9 × 9 × 9 = 93 (amostras sem a pessoa p1 )
Como o espaço amostral pode ser particionado em amostras com

e sem a pessoa p1 , podemos calcular n(E1 ) por
n(E1 ) = n(ΩR/O ) − n(E 1 ) = 103 − 93 .

Considerando que cada uma dessas amostras tem a mesma pro-

babilidade de ser sorteada:
n(E1 ) 103 − 93
Pr(E1 ) = = = 0,271.
n(ΩR/O ) 103
No próximo exemplo, é considerada uma situação comum de amostra-

gem sem reposição, em que cada elemento amostrado não retorna para as
amostragens subsequentes.
Exemplo 2.10 – amostras sem reposição/com ordem - R/O (I)

– Calcule o número de amostras distintas de 3 pessoas, sem
reposição e com ordem importando, obtidas de uma população
de 10 pessoas.
Solução: Como em exemplo anterior, deseja-se saber o número
de resultados elementares no espaço amostral. Se as pessoas
fossem sorteadas uma a uma, como ordem importa e não há
reposição, haveriam 10 possibilidades para a primeira pessoa, 9
para a segunda pessoa (pois a primeira pessoa já foi escolhida e
não retorna à população) e 8 para a terceira pelo mesmo mo-
tivo. Usando o princı́pio fundamental da enumeração ou conta-
gem, terı́amos um total de amostras definido por
n(ΩR/O ) = 10 × 9 × 8 = 720 (amostras).
Se na situação do último exemplo a ordem não é relevante, é necessário

descontar do total calculado as repetições das amostras que consideram os
mesmos elementos com diferentes ordenações, como faremos no próximo
exemplo.
Exemplo 2.11 – amostras sem reposição/sem ordem (R/O ) I –

Considere a mesma situação do exemplo anterior (número de
amostras de 3 pessoas de 10 pessoas sem reposição) mas agora
com a ordem não importando. Calcule o número de subcon-
juntos de 3 pessoas que podemos obter de um conjunto de 10
pessoas. A ordem não importa na noção de conjunto.
Solução: Nesse caso, um mesmo conjunto de 3 pessoas como
{ p1 , p2 , p3 } vai aparecer em 3! = 6 sequências ordenadas distintas,
na situação em que a ordem importa:
( p1 , p2 , p3 ), ( p1 , p3 , p2 ), ( p2 , p1 , p3 ), ( p2 , p3 , p1 ), ( p3 , p1 , p2 ), ( p3 , p2 , p1 ).
Considerando o resultado do exemplo anterior em que obtive-

mos n(ΩR/O ) = 720 amostras, com ordem importando, temos
que dividir esse total por 3! para obter o número de subconjun-
tos:
n(ΩR/O ) 720
n(ΩR/O ) = = = 120.
3! 6
É útil enxergar esse último resultado como
10 × (10 − 1) × (10 − 2 + 1) 10!

n(ΩR/O ) = = ,
3! (10 − 3)!3!
que é exatamente a combinação de 10, 3 a 3. Logo,

10 10!
n(ΩR/O ) = = = 120 amostras.
3 (10 − 3)!3!
Vamos calcular no próximo exemplo a probabilidade de uma dada pessoa

estar presente em uma amostra tirada ao acaso, nessa mesma situação que
acabamos de examinar, sem reposição e ordem não importando
Exemplo 2.12 – amostras sem reposição/sem ordem (R/O ) (II) –

Considere a situação do exemplo anterior em que
n(ΩR/O ) = 120.
com 10 pessoas distintas representadas por p1 , p2 , . . . , p10 e obte-

nha a probabilidade do evento:
E1 ≡ “pessoa p1 está numa amostra retirada ao acaso”.
Solução: Para obter n(E1 ) precisamos contar o número de sub-

conjuntos em que a pessoa p1 aparece. É mais fácil obter essa
contagem pela diferença

9
n(E1 ) = n(ΩR/O ) − n(E 1 ) = 120 − = 36.
3
O termo 93 indica o número de amostras com 3 pessoas que po-

demos obter das 9 pessoas remanescentes (sem p1 ). O uso da

diferença entre 2 contagens se justifica pelo fato de que os resul-
tados elementares nesse espaço amostral poderem ser particio-
nados em 2 subconjuntos: um com resultados que incluem p1 e
outro com resultados que não incluem p1 . Como todas as amos-
tras tem a mesma probabilidade de serem escolhidas,
n(E1 ) 36 3
Pr(E1 ) = = =
n(ΩR/O ) 120 10
O próximo exemplo mostra que na medida que o tamanho da população

amostrada é muito maior que o tamanho da amostra, o que ocorre em mui-
tas situações, a razão entre o número de amostras nas situações com ou sem
reposição converge para 1.
Exemplo 2.13 – amostras com ou sem reposição – Mostre que se
o número de elementos k de uma amostra é muito menor que n,
o tamanho da população de onde a amostra é tirada, o número
total de amostras na situação com ou sem reposição (ordem im-
portando) é assintoticamente equivalente, ou seja,
n(ΩR/O )
lim =1
n→∞ n(ΩR/O )
Solução: Temos que
n(ΩR/O ) n(n − 1)(n − 2) · · · (n − k + 1)

lim = lim
n→∞ n(ΩR/O ) n→∞ nk
n(ΩR/O ) 1 2 k −1
lim = lim 1(1 − )(1 − ) · · · (1 − )=1
n→∞ n(ΩR/O ) n→∞ n n n
O próximo exemplo ilustra situações envolvendo a obtenção de proba-
bilidades no contexto dos jogos de azar. Nesses casos, a contagem de possi-
bilidades é muito dependente de noções da análise combinatória em espaços
amostrais com resultados elementares de chances iguais. O exemplo a seguir
mostra uma aplicação tı́pica dessas noções na definição de probabilidades de
jogadas especı́ficas no poker.
Exemplo 2.14 – Flush no poker – Considere um baralho comum

de 52 cartas (com 4 naipes de 13 cartas de 2 ao ás, sem corin-
gas). Suponha que são tiradas ao acaso 5 cartas desse baralho (sem
reposição). Qual seria a probabilidade de que essas cartas sejam
todas do mesmo naipe, caracterizando uma jogada chamada flush
no poker?
Solução: inicialmente deve-se obter o número de possı́veis amos-

tras de 5 cartas de uma baralho com 52 cartas (ou seja, o número
de mãos possı́veis de 5 cartas), que será representado por n(Ω).
Numa mão do poker, a ordem de recebimento das cartas não é
importante. Por aplicação de princı́pios de análise combinatória,
considerando que um processo de amostragem sem reposição em
que a ordem não importa, chega-se a

52
n(Ω) = .
5
A próxima questão é saber quantas dessas n(Ω) possı́veis mãos de

5 cartas atendem à condição estabelecida (todas do mesmo naipe).
Para um naipe definido, haverão

13
5
maneiras de se retirar 5 cartas. Representando por n(A) o

número de amostras que atendem ao flush e considerando que
existem 4 naipes diferentes, conclui-se que
13
n(A) 4 5

13
n(A) = 4 e Pr(flush) = = 52 ≈ 0,00198.
5 n(Ω)
5
Quem entende um pouco de poker, saberá que esse resultado in-

clui também o chamado straight flush, ou seja, mãos que contém
as seguidas do mesmo naipe, que são as jogadas com um valor
maior que um flush simples sem cartas em sequência. Assim, es-
sas mãos de flush com uma sequência precisariam ser descontadas
para obtenção da probabilidade do flush simples. Como haverão
9 sequências possı́veis, desconsiderando a possibilidade do ás ini-
ciar a sequência (possı́vel em algumas regras), definidas por:
{2, 3, 4, 5, 6}, . . . , {10,V , D, R, A},
em cada um dos 4 naipes. Descontando essas possibilidades,

chega-se a
4 × 13

5 −4×9
Pr(flush simples) = 52
≈ 0,001967
5
e no caso do straight flush, uma jogada bem mais difı́cil de obter,

a probabilidade seria dada por
4×9
Pr(straight flush) = 52
≈ 0,0000138.
5
2.8 Probabilidade condicional

Em aplicações da teoria de probabilidades frequentemente aparecem questões
como: “qual é a probabilidade de um evento ter ocorrido dado que se sabe que
um outro evento ocorreu?” A noção de probabilidade requerida inclui uma
restrição informacional conhecida como condicionamento. A probabilidade,
nesse caso, é chamada de probabilidade condicional.
No exemplo que discutido anteriormente, relacionado ao sorteio de 2 bo-
las de uma urna contendo bolas brancas e vermelhas em idênticas proporções,
essa pergunta poderia ser por exemplo: “qual é a probabilidade das duas bo-
las serem brancas dado que se sabe que ao menos uma das bolas sorteadas é
branca?”
O conceito de probabilidade condicional existe para tratar de situações
como a descrita acima. Esse conceito é muito poderoso a ponto de funda-
mentar muitos desenvolvimentos importantes em estatı́stica. Ademais, esse
conceito oferece uma definição para a probabilidade da intersecção de even-
tos.
Probabilidade condicional - Para um espaço de probabilidades re-

presentado por {Ω, E, Pr(·)} e dois eventos A, B ∈ E define-
se probabilidade condicional do evento A dado o evento B
por:
Pr(A ∩ B)
Pr(A|B) = , Pr(B) > 0.
Pr(B)
Se Pr(B) = 0 a probabilidade condicional não é definida.
Probabilidade da intersecção - Da definição de probabilidade
condicional decorre diretamente a definição da probabili-
dade da intersecção de 2 eventos A e B quaisquer:
Pr(A ∩ B) = Pr(A|B) Pr(B) = Pr(B|A) Pr(A).
A definição de probabilidade condicional pode ser observada na aplicação

das noções de medida em espaços amostrais discutidas na última seção. Pode-
se verificar que, para 2 eventos A e B, que podem ser caracterizados por even-
tos elementares de chances iguais, tem-se que:
n(A∩B)
n(Ω) n(A ∩ B)
Pr(A|B) = = .
n(B) n(B)
n(Ω)
Para eventos em espaços contı́nuos n(·) é substituido por N (·). Isso significa
dizer, usando um argumento intuitivo, que para computar a probabilidade
condicional de A dado um evento B, por exemplo, é possı́vel agir como se o
espaço amostral fosse definido por B e não mais por Ω.
Em alguns desenvolvimentos sobre a teoria de probabilidades os próprios
axiomas apresentados são definidos diretamente em termos de probabilidades
condicionais. Todos os teoremas apresentados na versão “incondicional” são
também válidos quando utilizados no contexto de probabilidades condicio-
nais.
Probabilidades condicionais e árvores de probabilidades
A caracterização do espaço amostral pode ser facilitado pelo uso de uma

noção chamada árvore de probabilidades. A árvore apresenta uma descrição
gráfica que inclui não só a caracterização dos eventos mas também suas pro-
babilidades associadas.
Para um experimento que consiste no lançamento de uma moeda, em que
a incerteza é o resultado observado, a árvore seria representada na Figura 2.4.
Na árvore, a incerteza é representada por um cı́rculo, no caso o resultado
do lançamento (R), de onde saem os ramos da árvore, que são os eventos
elementares associados a cada possı́vel resultado (cara ou coroa). Na parte

superior de cada galho fica a descrição do evento associado e na parte inferior
a sua probabilidade associada.
R = c (cara)
Pr(R=c)=0,5
R = k (coroa)
Pr(R=k)=0,5
Experimento: lançamento de uma moeda
Figura 2.4: Árvore de probabilidade: lançamento de 1 moeda
É usual a arvore descrever várias incertezas que acabam promovendo a

ramificação da árvore em vários nı́veis, não necessáriamente simétricos, como
a ilustrada no próximo exemplo.
Exemplo 2.15 – Jogo de moeda e dado I – Considere um experi-
mento (um jogo) onde inicialmente o jogador lança uma moeda.
Se o resultado for cara ele recebe $ 5. Se o resultado for coroa, ele
lança um dado numerado de 1 a 6 e recebe o valor indicado pela
face do dado sorteada. Represente essa situação com uma árvore
de probabilidade.
Solução: A árvore solicitada é apresentada na Figura 2.5. Nessa
árvore as incertezas R e P representam, respectivamente, o re-
sultado do lançamento da moeda e o pagamento realizado, em
função das condições especificadas no problema. Os ramos as-
sociados a P indicam probabilidades condicionais ao evento an-
tecedente na árvore, que é o resultado da moeda. Por exemplo,
probabilidade de um evento final como R = k ∩ P = 2 pode ser
obtida por
Pr(R = k ∩ P = 2) = Pr(P = 2|R = k) Pr(R = k)

1 1
= · ,
6 2
pelo resultado associado à probabilidade da intersecção visto an-

teriormente. Essa operação corresponde ao produto das proba-
bilidades nos vários nı́veis da árvore, para um evento final (ele-
mentar) especı́fico.
Evento final Probabilidade

R=c (cara) P=5
P R=c ∩ P=5 1/2
Pr(R=c)=1/2 Pr(P=5|R=c)=1
P=1
Pr(P=1|R=k)=1/6 R=k ∩ P=1 1/12
R P=2
Pr(P=2|R=k)=1/6 R=k ∩ P=2 1/12
P=3
R=k (coroa) Pr(P=3|R=k)=1/6 R=k ∩ P=3 1/12
P
Pr(R=k)=1/2 P=4
Pr(P=4|R=k)=1/6 R=k ∩ P=4 1/12
P=5
Pr(P=5|R=k)=1/6 R=k ∩ P=5 1/12
P=6
R=k ∩ P=6 1/12
Pr(P=6|R=k)=1/6
Figura 2.5: Árvore de probabilidade: moeda e dado
2.9 Teoremas fundamentais II

São detalhados a seguir alguns teoremas que se utilizam da noção de condi-
cionamento detalhada na seção anterior. Alguns desses teoremas são versões
generalizadas de teoremas já apresentados.
Probabilidades Totais
O próximo teorema apresenta um resultado que possibilita a decomposição

da probabilidade de um dado evento em termos de uma combinação linear
de probabilidades condicionais, definidas a partir de eventos mutuamente ex-
clusivos e coletivamente exaustivos.
Teorema 2.7 – Probabilidades totais – Se B1 , . . . , Bn são eventos

mutuamente exclusivos e coletivamente exaustivos, e A é um
evento qualquer, dentro do contexto de um espaço de probabili-

dades, é verdade que:
n
X
Pr(A) = Pr(A|Bi ) Pr(Bi ).
i=1
SnEstendendo a prop. 17 do capı́tulo anterior, tem-se que

Prova:
A = i=1 (A ∩ Bi ) mas, usando extensão de prop. 21, tem-se que
(A ∩ Bi ) ∩ (A ∩ B j ) = ∅ para quaisquer i, j ∈ {1, . . . , n}, logo
pelo Axioma 3 e usando a definição de probabilidade condicio-
nal, chega-se a:
n
X n
X
Pr(A) = Pr(A ∩ Bi ) = Pr(A|Bi ) Pr(Bi ). □
i=1 i =1
Em particular, se C e C são eventos complementares tem-se que
Pr(A) = Pr(A|C ) Pr(C ) + Pr(A|C ) Pr(C ),
num caso particular da aplicação do teorema. Os próximos dois exemplos

apresentam aplicações desse resultado.
Exemplo 2.16 – Jogo de moeda e dado II – Considere a situação

anterior do Exemplo 2.15, ilustrada na Figura 2.5. Nesse caso,
obtenha Pr(P = 5) ou simplesmente Pr(5) para simplificar a
notação, que seria a probabilidade do jogador receber $ 5 como
resultado do jogo.
Solução: resulta da aplicação direta do resultado do teorema das
probabilidades totais, observando que os eventos R = c e R = k
são complementares, e por conseguinte, mutuamente exclusivos
e coletivamente exaustivos. Assim, usando uma notação conden-
sada para representação dos eventos,
Pr(5) = Pr(5 | c) Pr(c) + Pr(5 | k) Pr(k)

1 1 1
= 1· + ·
2 6 2
7
= .
12
Exemplo 2.17 – Estratégia do jogador – Um jogador tem $ 10 e

precisa de $ 20 para voltar para casa de taxi, caso contrário vol-
tará à pé. No jogo disponı́vel ele receberá $ 2x para cada $ x
apostado se ganhar, ou perderá o valor apostado se perder. A
probabilidade de ganhar, em cada jogada, é definida por p. Con-
sidere duas situações: p = 0,48 e p = 0,52.
Qual seria a melhor estratégia para voltar de taxi: jogar os $ 10
de uma só vez ou jogar de $ 1 em $ 1 até conseguir os $ 20 ou
ficar sem dinheiro?
Solução: Se jogar os $ 10 de uma só vez, a probabilidade de chegar

em $ 20 será p. Essa mesma probabilidade jogando de $ 1 em $ 1
será computada a seguir. Assuma que Tk representa o evento em
que o jogador chega a $ 20 (e vai de taxi) dado que restam $ k
para apostar (inicialmente k = 10). Se G representa o evento de
ganhar na próxima jogada, tem-se que G e G são eventos com-
plementares. Pelo teorema das probabilidades totais é verdade
que
Pr(Tk ) = Pr(Tk |G) Pr(G) + Pr(Tk |G) Pr(G).
Mas, Pr(G) = p em qualquer jogada. O evento Tk |G é idêntico
ao evento Tk+1 , dado que ao ganhar o recurso disponı́vel será
incrementado de 1 unidade. Pelo mesmo raciocı́nio, o evento
Tk |G será idêntico ao evento Tk−1 . Assim, a última expressão
pode ser representada por:
Pr(Tk ) = Pr(Tk+1 ) p + Pr(Tk−1 )(1 − p).
Claramente, Pr(T0 ) = 0, pois não haverá mais dinheiro para

apostar quando k = $0 e Pr(T20 ) = 1 quando k = $20. Nas
condições do problema, o valor de k pode variar somente entre
0 a 20. Para simplificar a notação, Pk será utilizado para repre-
sentar Pr(Tk ). Com essa notação e resultados anteriores, pode-se
construir um sistema de equações:
P1 = P2 p + P0 (1 − p)
P2 = P3 p + P1 (1 − p)
..
.
P19 = P20 p + P18 (1 − p).
Esse sistema tem 19 equações e 21 variáveis (P0 até P20 ). Dessas

21 variáveis, somente 19 são desconhecidas, dado que P0 = 0 e
P20 = 1. Logo, há um sistema de 19 equações com 19 incógnitas,
onde p é conhecido para casos de interesse. Esse sistema pode,
por exemplo, ser resolvido numericamente, obtendo-se as pro-
babilidades P1 a P19 (que inclui P10 , a probabilidade de inte-
resse). A solução algébrica, contudo, pode ser obtida facilmente
por métodos mais avançados envolvendo equações lineares em
diferença, discutidos por exemplo em Luenberger (1979). Essa
solução será:
1− p k
1−( p )
Pk = 1− p
, k ∈ {0, . . . , 20}.
1 − ( p )20
que para p = 0,48 e p = 0,52 levará P10 aos valores, respectiva-

mente, de
P10 = 0,31 e P10 = 0,69,
aproximados para 2 casas decimais. Assim, será melhor jogar
tudo de uma vez com p = 0,48 e jogar de $ 1 em $ 1, quando
p = 0,52.
Teorema de Bayes
A seguir é apresentado o teorema de Bayes, um resultado fundamental da

teoria de probabilidades, creditado a T. Bayes (1702-1761), para a solução ao
problema clássico da inversão de probabilidades. Esse teorema encontra di-
versas aplicações na estatı́stica. Em particular, é a base dos desenvolvimentos
utilizados pela estatı́stica bayesiana para inferência indutiva.
Teorema 2.8 – Bayes – No contexto de um dado espaço de pro-

babilidades, se B1 , . . . , Bn são eventos mutuamente exclusivos e
coletivamente exaustivos onde Pr(Bi ) > 0 para ∀i ∈ {1, . . . , n}, e

para o evento A, onde Pr(A) > 0, tem-se que:
Pr(A|Bi ) Pr(Bi )
Pr(Bi |A) = Pn , i = 1, . . . , n.
j =1 Pr(A|B j ) Pr(B j )
Prova: Uso da definição de probabilidade condicional no termo

do lado esquerdo da expressão e aplicação do teorema das proba-
bilidades totais para desenvolvimento de Pr(A). □
Exemplos de aplicações do teorema de Bayes
Os próximos exemplos apresentam algumas aplicações elementares do teo-

rema de Bayes e de outros resultados vistos até o momento neste capı́tulo.
Exemplo 2.18 – Jogo de moeda e dado III – Considere a situação

anterior do Exemplo 2.15, ilustrada na Figura 2.5. Suponha que
se sabe que o jogador recebeu $ 5 em uma dada jogada. Qual é
a probabilidade de que nessa jogada o resultado obtido no lança-
mento da moeda tenha sido coroa?
Solução: O que o problema está demandando é o valor de
Pr(R = k|P = 5),
ou simplesmente Pr(k|5), usando uma notação condensada. Mas,

pelo teorema de Bayes, tem-se que
Pr(5 | k) Pr(k)
Pr(k | 5) = .
Pr(5 | c) Pr(c) + Pr(5 | k) Pr(k)
ou
1 1
6·2 1
Pr(k | 5) = 1 1 1
=
2+6
1· · 7
2
Se, por outro lado, a pergunta tivesse sido a probabilidade de se
ter obtido cara, numa situação em que o pagamento foi de $ 6,
ou seja Pr(c | 6), o resultado seria Pr(c | 6) = 0, por aplicação do
teorema de Bayes, dado que Pr(6 | c) = 0 nesse caso.
Exemplo 2.19 – Moedas m5 e m8 – Duas moedas são utilizadas

em um experimento. Uma delas (m5 ), é uma moeda comum que
se lançada, apresenta uma probabilidade de 0,5 para o resultado

cara (c). A outra (m8 ) é uma moeda diferente das usuais, que
apresenta probabilidade 0,8 para o resultado cara.
Uma das moedas foi selecionada aleatoriamente e lançada, sendo
o resultado observado uma cara. Qual a probabilidade de que foi
m5 a moeda selecionada para o lançamento?
Solução: O espaço amostral Ω dessa desse experimento é definido

por:
Ω ≡ {m5 ∧ c, m5 ∧ k, m8 ∧ c, m8 ∧ k},
e Figura 2.6 mostra a árvore de probabilidades que caracteriza a
situação. Na árvore muito da notação foi condensada de forma
que os resultados são usados para representar os eventos associa-
dos. Por exemplo, m5 ∩ c representa M = m5 ∩ R = c.
As incertezas M e R na árvore caracterizam, respectivamente, a
moeda sorteada e o resultado observado após o lançamento (cara-
c ou coroa-k). O que se deseja é conhecer Pr(M = m5 |R = c)
Pr
R=c m5 ∩ c 0,25
Pr( c | m5 ) = 1/2
m5
R
Pr(m5)=1/2
R=k m5 ∩ k 0,25
Pr( k | m5 ) = 1/2
M
R=c
m8 ∩ c 0,40
Pr( c | m8 ) = 4/5
m8 R
Pr(m8)=1/2
R=k m8 ∩ k 0,10
Pr( k | m8 ) = 1/5
Problema das moedas m5 e m8
Figura 2.6: Árvore do problema das moedas m5 e m8
ou, em notação condensada, Pr(m5 |c). Mas, pelos resultados dos

teoremas vistos, tem-se que
Pr(m5 ∩ c)
Pr(m5 |c) =
Pr(c)
Pr(c|m5 ) Pr(m5 )
=
Pr(c|m5 ) Pr(m5 ) + Pr(c|m8 ) Pr(m8 )
0,25 5
= = .
0,25 + 0,40 13
Logo, a probabilidade de ter sido a moeda m5 a sorteada inicial-

mente é 5/13, frente a evidência do resultado cara observado.
Exemplo 2.20 – Culpa do Suspeito – Um assassino deixou, no

local do crime, manchas de sangue de um tipo que ocorre em
25% das pessoas da população. Um indivı́duo X é suspeito de ser
esse assassino e um dos argumentos utilizados pela polı́cia para
prendê-lo é que o tipo sanguı́neo dele é idêntico ao do assassino.
(a) Avalie a importância dessa evidência apresentada pelo tipo

sanguı́neo, assumindo que antes de conhecer o resultado do
exame de sangue do suspeito a polı́cia acreditava que o in-
divı́duo X era o assassino com 50% de probabilidade.
(b) Suponha que é p a probabilidade de se encontrar o tipo
sanguı́neo observado no local do crime em um indivı́duo
da população em geral. Ache a solução algébrica e resolva
para p = 1/10000, uma situação de tipo sanguı́neo mais
rara na população.
Solução: considere o evento A como caracterizando a situação

em que o indivı́duo X é o assassino, e A seu complementar e o
evento T + caracterizando o teste positivo para o tipo sanguı́neo
encontrado na cena do crime, com T − sendo o evento comple-
mentar.
A situação do problema é ilustrada pela árvore da Figura 2.7.
Nessa árvore, o primeiro nı́vel representa a incerteza existente
com relação ao indivı́duo X ser ou não o assassino, cuja probabi-
lidade é 0,50 pela polı́cia, com base na evidência existente (fora o
teste de sangue). Se o evento A ocorre (o indivı́duo é o assassino),
o teste resultará positivo (T + ) com certeza. Por outro lado, se o
Pr
T+ A ∩ T+ 0,500
Pr( T+ | A )=1
A
Pr(A)=0,50
T- A ∩ T- 0
Pr( T- | A )=0
T+
A ∩ T+ 0,125
Pr( T+ | A )=0,25
A
Pr(A)=0,50
T- A ∩ T- 0,375
Pr( T- | A )=0,75
Crime e evidência
Figura 2.7: Árvore: crime e evidência
indivı́duo não for o assassino, ele pode ser entendido como um

indivı́duo sorteado ao acaso da população, que apresentará teste
positivo (T + ) com probabilidade 0,25, ou seja, Pr(T + |A) = 0,25.
O que se deseja saber é Pr(A|T + ), definido por:
Pr(A ∩ T + )
Pr(A|T + ) =
Pr(T + )
Pr(T + |A) Pr(A)
=
Pr(T + |A) Pr(A) + Pr(T + |A) Pr(A)
1/2
= = 4/5.
1/2 + 1/8
Genericamente, se Pr(T + |A) = p, a solução geral seria
1
Pr(A|T + ) = .
1+ p
Se p = 1/10000 a probabilidade desejada será dada por
10000
Pr(A|T + ) = ,
10001
sendo próxima de 1, condicionamente à evidência observada.
Exemplo 2.21 – Câncer e cigarro – Comumente as pessoas

precisam realizar inferências que requerem processamento da
evidência disponı́vel de uma forma contrária àquela que é ob-
servada. Suponha, por exemplo, um médico que trabalha em
um hospital que trata pacientes com câncer no pulmão. Pelos
dados e sua experiência têm uma idéia aproximada da frequência
de fumantes nesses pacientes que morreram desse tipo de câncer.
Suponha que ele deseja inferir algo sobre uma possı́vel associação
do fumo com a morte por câncer no pulmão em pessoas. Seria
essa evidência derivada de sua experiência suficiente para alguma
conclusão?
Solução: Considere as seguintes definições para os eventos de in-

teresse relativos a uma pessoa X tirada ao acaso da população de
pessoas falecidas no ano passado, com uma certa idade definida:
C ≡ “X morreu de câncer no pulmão” e F ≡ “pessoa X fumou
durante sua vida”, e seus complementares.
Para inferir algo sobre uma possı́vel associação do fumo com
a morte pelo câncer, seria interessante obter estimativas para
Pr(C |F ) e Pr(C |F ). A razão dessas duas probabilidades mostra-
ria quão mais provável seria o evento “pessoa X morre por câncer
no pulmão dado que fumou” com relação à mesma situação em
que a pessoa X não tivesse fumado.
Mas a evidência que o médico tem disponı́vel é relativa a
Pr(F |C ). Do ponto de vista conceitual,
Pr(C ∩ F ) Pr(F |C ) Pr(C )

Pr(C |F ) = =
Pr(F ) Pr(F )
e
Pr(C ∩ F ) Pr(F |C ) Pr(C )
Pr(C |F ) = = .
Pr(F ) Pr(F )
Logo, dividindo as últimas 2 expressões, chega-se a
Pr(C |F ) Pr(F |C ) 1 − Pr(F )

= .
Pr(C |F ) 1 − Pr(F |C ) Pr(F )
Isso indica que para inferir algo sobre uma possı́vel associação en-
tre a mortalidade pelo câncer no pulmão e fumo seria necessário
ter-se informações não só sobre Pr(F |C ), que é a evidência que
o médico desse caso tem acesso, mas também sobre a probabili-
dade do indivı́duo amostrado ser fumante, o que é indicado por
Pr(F ), correspondendo à frequência de fumantes na população
de interesse. Evidências observacionais4 mostram que essa razão
Pr(C |F )/ Pr(C |F ) tende ser superior a 20, para pessoas que mor-
rem de câncer com uma idade definida.
Regra da Multiplicação e Fórmula de Poincaré
Os próximos dois teoremas são generalizações de resultados anteriores, en-

volvendo a obtenção, para n eventos, das probabilidades de sua intesecção
(Regra da Multiplicação) e de sua união (Fórmula de Poincaré).
T 2.9 – Regra da Multiplicação – Se B1 , . . . , Bn ∈ E e

Teorema
n
Pr( B )>0
i=1 i
tem-se que
n
\
Pr( Bi ) = Pr(B1 ) Pr(B2 |B1 ) . . . Pr(Bn |B1 ∩ · · · ∩ Bn−1 )
i=1
Argumento: No caso particular em que n = 3 o teorema indica

que
Pr(B1 ∩ B2 ∩ B3 ) = Pr(B1 ) Pr(B2 |B1 ) Pr(B3 |B1 ∩ B2 )
para provarmos esse resultado tem-se que, pela aplicação da

definição da probabilidade condicional e fazendo C ≡ B1 ∩ B2 ,
Pr(B1 ∩ B2 ∩ B3 ) = Pr(C ∩ B3 ) = Pr(B3 |C ) Pr(C )
ou
Pr(B1 ∩ B2 ∩ B3 ) = Pr(B3 |B1 ∩ B2 ) Pr(B1 ∩ B2 )
mas
Pr(B1 ∩ B2 ) = Pr(B2 |B1 ) Pr(B1 )
4
Veja por exemplo o site www.smokefree.gov/smokersrisk/ para estimativas em função
de vários fatores.
levando por rearranjo dos termos ao resultado desejado. A do

caso geral pode ser realizada por indução em n baseando-se num
raciocı́nio similar ao utilizado no caso de 3 eventos.
Da mesma forma que a regra da multiplicação vista no teorema anterior ge-

neraliza a probabilidade da interesecção entre eventos, o próximo teorema
generaliza resultado anterior relativo à probabilidade da união de 2 eventos.
Teorema 2.10 – Fórmula de Poincaré – Se B1 , . . . , Bn ∈ E tem-se

que
n
[ n
X X
Pr( Bi ) = Pr(Bi ) − Pr(Bi ∩ B j )
i=1 i=1 i̸= j
X
+ Pr(Bi ∩ B j ∩ Bk )
i ̸= j ̸=k
+ . . . + (−1)n−1 Pr(B1 ∩ . . . ∩ Bn ).
Nota: Para o caso em que n = 3 o teorema indica que
Pr(B1 ∪ B2 ∪ B3 ) = Pr(B1 ) + Pr(B2 ) + Pr(B3 )

− Pr(B1 ∩ B2 ) − Pr(B1 ∩ B3 )
− Pr(B2 ∩ B3 ) + Pr(B1 ∩ B2 ∩ B3 ).
Prova: Veja Feller (1968).
O próximo exemplo descreve uma aplicação interessante desse último te-

orema.
Exemplo 2.22 – Casamento na Rússia – Na Rússia há um pro-

cedimento tradicionalmente utilizado para verificar se uma de-
terminada garota irá casar no futuro próximo5 . A garota deve
segurar em sua mão, fechada, 6 pedaços de barbante, de forma
que as pontas saiam dos 2 lados da mão e permitam que sejam
amarradas. Uma amiga é então solicitada a amarrar as pontas de
um lado e de outro da mão (uma a uma). A Figura 2.8 ilustra
essa situação. A mão é então aberta, verificando-se quantos aneis
de barbante foram formados. Segundo a tradição, se pelo menos
5
Veja Feller (1968, p.99).
1 anel for formado isso significa que a garota irá casar proxima-
mente. Qual é a probabilidade do teste indicar que a garota não
irá casar no futuro próximo?
Solução: Esse problema pode ser melhor visualizado conside-

rando seis bolas numeradas de 1 a 6, e seis caixas numeradas de 1
a 6. Se as bolas são sorteadas uma a uma, sem reposição e coloca-
das em cada uma das caixas, na ordem de 1 a 6, a probabilidade
de não coincidir nenhuma bola com a caixa de numeração cor-
respondente é a mesma probabilidade de não se observar um ou
mais anéis nos barbantes amarrados (pense cada barbante com
uma ponta representando a bola e a outra ponta representando a
caixa).
Figura 2.8: Teste dos barbantes para casamento (Rússia)
Como resultado preliminar à solução, pode-se observar que será

6! o número total de maneiras diferentes com que as bolas po-
dem ser colocadas nas caixas (ou maneiras diferentes com que os
barbantes são amarrados).
Ademais, se Bi é o evento em que a bola i está na caixa i, para
um i definido entre 1 e 6, serão observadas 5! configurações de
bolas em que o evento Bi ocorrerá (obtido pela fixação da bola i

na caixa i). Nessas configurações outras bolas poderão estar nas
caixas correspondentes, mas isso não importa.
Por outro lado, o evento Bi ∩ B j com i ̸= j , ocorrerá em 4!
configurações. E assim por diante, até B1 ∩ B2 ∩ B3 ∩ B4 ∩ B5 ∩ B6 ,
que ocorrerá de uma única maneira, com todas as 6 bolas nas suas
caixas correspondentes.
Representando por C o evento em que haverá o casamento no
futuro próximo (pela observação de um ou mais barbantes for-
mando um cı́rculo), esse evento poderá ser expresso por
C ≡ B1 ∪ B2 ∪ B3 ∪ B4 ∪ B5 ∪ B6 .
O evento de interesse é C , logo,
Pr(C ) = 1 − Pr(B1 ∪ B2 ∪ B3 ∪ B4 ∪ B5 ∪ B6 ).
Pela Fórmula de Poincaré, tem-se que

6
X X
Pr(C ) = Pr(Bi ) − Pr(Bi ∩ B j ) +
i=1 i̸= j
X
Pr(Bi ∩ B j ∩ Bk ) − . . .
i̸= j ̸=k
. . . − Pr(B1 ∩ B2 ∩ B3 ∩ B4 ∩ B5 ∩ B6 ).
Usando os resultados preliminares desenvolvidos anteriormente,

chega-se a

6 5! 6 4!
Pr(C ) = − +
1 6! 2 6!

6 3! 6 2! 6 1! 1
− + −
3 6! 4 6! 5 6! 6!
1 1 1 1 1
= 1− + − + −
2! 3! 4! 5! 6!
.
= 0,632.
Finalmente, a probabilidade desejada é

.
Pr(C ) = 1 − Pr(C ) = 0,368.
2.10 Noção de Independência

A noção de independência é central em teoria de probabilidades e estatı́stica.
Esse conceito tem um entendimento técnico muito diferente da noção de in-
dependência utilizada na linguagem coloquial, e por essa razão deve ser estu-
dado com muito cuidado.
A noção de independência entre 2 eventos reflete a idéia da independência
num contexto informacional, ou seja, o fato de sabermos que um dos even-
tos ocorreu não afeta a probabilidade de observarmos a ocorrência do outro
evento. Essa noção é formalizada a seguir.
Eventos Independentes Os eventos A, B ∈ E são independentes
(ou probabilisticamente independentes) se uma das seguin-
tes condições se verificar:
• Pr(A|B) = Pr(A), com Pr(B) > 0;
• Pr(B|A) = Pr(B), com Pr(A) > 0;
• Pr(A ∩ B) = Pr(A) Pr(B).
As três condições são equivalentes, ou seja, se uma ocorrer,
as outras duas vão ocorrer.
Nessa definição, os dois eventos A e B são independentes se o fato de saber-
se que B ocorreu em nada muda a probabilidade do evento A ter ocorrido, e
vice-versa.
Exemplo 2.23 – Eventos independentes × eventos mutuamente
exclusivos – Seriam eventos mutuamente exclusivos eventos
também independentes? Essa é uma questão que frequente-
mente é respondida com um forte sim por pessoas sem muita
experiência com os conceitos. A resposta correta, contudo, é um
forte não. Se dois eventos são mutuamente exclusivos, sabemos
que se um deles ocorre, automaticamente pode-se concluir que o
outro não ocorrerá. Ou seja a informação da ocorrência de um
dos eventos afeta a probabilidade do outro evento ocorrer. Se os
eventos em questão são representados por A e B, terı́amos:
Pr(A|B) ̸= Pr(A)
dado que Pr(A|B) = 0 quando A e B são mutuamente exclusivos.
2.10.1 Independência condicional

Uma outra forma de independência importante é a chamada independência
condicional à ocorrência de um terceiro evento, de acordo com a seguinte
definição.
Eventos Condicionalmente Independentes Os eventos A, B ∈ E

são condicionalmente independentes dada a ocorrência de
um evento C ∈ E se
• Pr(A|B ∩ C ) = Pr(A|C ), com Pr(B ∩ C ) > 0;
• Pr(B|A ∩ C ) = Pr(B|C ), com Pr(A ∩ C ) > 0;
• Pr(A ∩ B|C ) = Pr(A|C ) Pr(B|C ).
O exemplo apresentado a seguir ilustra o conceito de independência con-

dicional, assim como o conceito de independência (incondicional).
Exemplo 2.24 – Atraso no trabalho – Suponha 2 indivı́duos que

usualmente tomam um mesmo ônibus para ir para o trabalho.
Esses indivı́duos chegarão ao trabalho atrasados se não chega-
rem ao ponto na hora que o ônibus passa, devendo ir a pé nesse
caso. Também chegarão atrasados se o ônibus se atrasar, algo
que ocorre eventualmente, com probabilidade 0,10 num dia qual-
quer. Considere os eventos A ≡ “indivı́duo 1 chegou atrasado
no trabalho”, B ≡ “indivı́duo 2 chegou atrasado no trabalho” e
C ≡ “o ônibus chegou atrasado”, para um dado dia. Sabe-se que
Pr(A|C ) = Pr(B|C ) = 0, 1 e que
Pr(A ∩ B|C ) = Pr(A|C ) Pr(B|C ).
Nesse caso os eventos A e B são condicionalmente independen-

tes, dada a ocorrência do evento C , associado à situação em que o
ônibus não está atrasado. Por outro lado, Pr(A|C ) = Pr(B|C ) =
1, ou seja, sempre chegarão atrasados se o evento C ocorrer. Se-
riam os eventos A e B independentes (incondicionalmente)?
.
Solução: Claramente não, dado que Pr(A|B) = 0, 574 e Pr(A) =
0, 19. Obtenha esses resultados como exercı́cio.
Possibilidades quanto à independência
De fato, para 2 eventos, em geral, qualquer situação pode ocorrer com relação
à independência (incondicional) e sua independência condicional, dada a
ocorrência de um outro evento. A Figura 2.9 ilustra os casos possı́veis e
introduz a notação utilizada para a caracterização da independência (e não-
independência), assim como a independência (e não-independência) condici-
onal. Os dois próximos exemplos (de fato contra-exemplos) demonstram
Para 3 eventos A, B e C
A B C A B C
A B Possível Possível
A B Possível Possível
A B A e B são independentes
A B A e B não são independentes

Notação
A B C A e B não são independentes dado C
A B C A e B são independentes dado C
Figura 2.9: Possibilidades quanto à independência
algumas dessas possibilidades.
Exemplo 2.25 – Independência (incondicional) não implica em

independência condicional – Considere uma urna com 4 bolas
idênticas numeradas de 1 a 4 e um experimento em que um in-
divı́duo vendado retira uma bola dessa urna, após as bolas serem
devidamente misturadas. O espaço amostral desse experimento
é definido por
Ω = {b1 , b2 , b3 , b4 }
onde Bi indica o evento elementar que consiste na retirada da

bola bi da urna. Se definirmos os eventos:
• X ≡ B3 ∪ B4
• Y ≡ B2 ∪ B4
• Z ≡ B2 ∪ B3
mostre que X e Y são independentes (incondicionalmente),

mas que não serão condicionalmente independentes dado a
ocorrência do evento Z.
Solução: Como Pr(X ) = 1/2 e Pr(X |Y ) = 1/2 pode-se concluir

que X e Y são independentes, ou usando uma notação simbólica,
X ⊥⊥ Y.
Como Pr(X |Y ∩ Z) = 0 e Pr(X |Z) = 1/2, tem-se que
Pr(X |Y ∩ Z) ̸= Pr(X |Z),
e com isso pode-se concluir que X e Y não são condicionalmente

independentes dado o evento Z, ou na forma simbólica,
X ⊤⊤Y | Z.
Exemplo 2.26 – Não-independência (incondicional) não implica

em não-independência condicional – Considere uma urna com 16
bolas idênticas numeradas de 1 a 16 e um experimento em que
um indivı́duo vendado retira uma bola dessa urna, após as bolas
serem devidamente misturadas. O espaço amostral desse experi-
mento é definido por
Ω = {b1 , b2 , . . . , b16 }
onde Bi indica o evento elementar que consiste na retirada da

bola bi da urna. Se definirmos os eventos:
• X ≡ B9 ∪ B10 ∪ B11 ∪ B13 ∪ B14 ∪ B15

• Y ≡ B2 ∪ B4 ∪ B6 ∪ B8 ∪ B10 ∪ B12
• Z ≡ B7 ∪ B6 ∪ B10 ∪ B11
mostre que X e Y são não-independentes (incondicionalmente) e

também são condicionalmente independentes dado a ocorrência
do evento Z.
Solução: Como Pr(X ) = 3/8 e Pr(X |Y ) = 1/6 pode-se con-

cluir que X e Y são não-independentes, ou usando uma notação
simbólica, tem-se que
X ⊤⊤Y.
Como Pr(X |Y ∩ Z) = 1/2 e Pr(X |Z) = 1/2, tem-se que
Pr(X |Y ∩ Z) = Pr(X |Z),
e com isso pode-se concluir que X e Y são condicionalmente in-

dependentes dado o evento Z, ou na forma simbólica,
X ⊥⊥ Y | Z.
2.10.2 Independência e causalidade

A análise da relação causal é certamente algo de grande interesse cientı́fico
e prático. É natural que a investigação dessas relações, entre eventos, passe
por procedimentos para análise da possibilidade independência no contexto
probabilı́stico. Quando a evidência é observacional6 , contudo, a verificação
de não-independência não garante a existência de relações causais. Por essa
razão, a análise de evidências observacionais exige cautela.
Por outro lado, a análise de evidências experimentais7 , quando obtida da
experimentação cuidadosa, com controle apropriado das variáveis que podem
afetar o resultado, pode levar a conclusões mais crı́veis quanto à possibilidade
relações causais, no contexto especı́fico do experimento. O tema é complexo
e não será aqui aprofundado. O leitor pode consultar Morgan & Winship
(2007) e Pearl (2009) para uma abordagem compreensiva sobre o assunto.
Um exemplo será desenvolvido a seguir, utilizando fatos estilizados, para
sugerir ao leitor a natureza das dificuldades existentes.
6
Evidência observacional é aquela produzida pela observação dos fenômenos sem qualquer
interferência do observador na produção dessa evidência.
7
Evidência experimental é aquela produzida por experimentos cuidadosos onde, pelo
princı́pio da casualização, efeitos de outras variáveis são cuidadosamente controladas dentro
do desenho experimental.
Exemplo 2.27 – Independência e causalidade – Suponha que um

pesquisador está estudando causas de afogamentos em regiões de
praia. Ele suspeita que o consumo de refrigerante pode ser uma
causa importante de afogamentos. Para verificar sua hipótese, ele
fez uma análise de dados diários sobre o número de afogamentos
(A) e consumo de refrigerante (C ).
Para simplificar a exposição suponha que os dados foram classifi-
cados (para C e A) nos nı́veis alto e baixo, sendo as frequências ab-
solutas e frequências condicionais de cada nı́vel (obtidas de mui-
tas observações) entendidas como sendo probabilidades. As 2
árvores na Figura 2.10 mostram os resultados obtidos.
A=alto
C – consumo de refrigerante
A – afogamentos 0,845
C=alto
A
0,58
A=baixo
0,155
A=alto
0,58
A C
A=baixo
0,42
A=alto
incondicional 0,214
C=baixo
A
0,42
A=baixo
0,786
condicional
Figura 2.10: Árvore do problema do afogamento (parcial)
A árvore à esquerda da figura mostra as probabilidades incon-

dicionais de se observar um dia com nı́veis de afogamento alto
ou baixo. A árvore à direita mostra as probabilidades condici-
onais dos nı́veis de afogamento (alto ou baixo) condicionais ao
consumo de refrigerante (alto ou baixo).
Comparando as duas árvores pode-se concluir que, por exemplo,
que os eventos C = alto e A = alto não são independentes dado
que
Pr(A = alto) = 0,58 e Pr(A = alto|C = alto) = 0,845.
A probabilidade de se observar um dia com um nı́vel alto de afo-

gamento é maior num dia em que o consumo de refrigerante é
alto.
Essa evidência faz o pesquisador acreditar que pode existir al-
guma relação causal entre esses dois fenômenos. Ao mostrar
suas evidências para um pesquisador mais experiente, incrédulo
quanto à conclusão de causalidade, este perguntou se os dados
diários de temperatura estariam disponı́veis para as observações
realizadas. Sugeriu que fosse analisada uma possı́vel relação entre
a temperatura (T ) e essas outras variáveis de interesse.
O pesquisador realizou então a análise dos mesmos dados, pro-
duzindo a árvore descrita na Figura 2.11. A nova árvore inclui
A=alto
T – temperatura
C=alto 0,9
C – consumo de refrigerante A
A – afogamentos 0,9 A=baixo
T=alta 0,1
C
0,6 A=alto
C=baixo 0,9
A
0,1 A=baixo
0,1
T
A=alto
C=alto 0,1
A
0,1 A=baixo
T=baixa 0,9
C
0,4 A=alto
C=baixo 0,1
A
0,9 A=baixo
0,9
Figura 2.11: Árvore do problema do afogamento (completa)
também a temperatura (T), definida nos nı́veis alta e baixa, na

raiz da nova árvore. O leitor, como exercı́cio, deve construir
as árvores da Figura 2.10 a partir dessa árvore completa, para se
certificar da consistência das informações nas 3 árvores, usando

os resultados teóricos sobre probabilidades vistos neste capı́tulo.
Essa nova árvore dá uma nova dimensão à informação anterior,
mostrando independência condicional, representada por
(A = alto) ⊥⊥ (C = alto) | T = alta,
dado que
Pr(A = alto|T = alta ∩ C = alto) = 0,90
e
Pr(A = alto|T = alta) = 0,90.
Outras independências condicionais entre eventos podem ser ve-
rificadas. Um exame cuidadoso desta árvore completa mostra
que o consumo de refrigerante não oferece nenhuma informação
relevante para caracterização da probabilidade de um nı́vel alto
(ou baixo) de afogamentos, uma vez que se conhece o nı́vel de
temperatura. A explicação mais plausı́vel parece ser que num dia
quente mais gente entrará no mar (aumentando a frequência de
afogamentos) e tomará mais refrigerante!
O exemplo mostra uma situação estilizada que sintetiza um dos gran-

des problemas existentes na análise de evidências observacionais. No caso,
a aparente relação existente entre os afogamentos e consumo de refrigerante
foi descaracterizada com a introdução da temperatura na análise. Esse é o
chamado efeito da terceira variável (em geral oculta). Nos problemas de
estimação e testes, esse problema pode trazer fortes desafios ao pesquisador.
Em econometria esse efeito é caracterizado pelo termo viés de seleção ou selec-
tion bias em inglês.
2.11 Considerações finais

Esse capı́tulo apresentou os fundamentos da teoria de probabilidades, in-
cluindo todos os teoremas principais. Diversos exemplos resolvidos mostram
aplicações da teoria, facilitando seu entendimento. A grande dificuldade para
o iniciante é o desenvolvimento de sua capacidade para utilizar esses concei-
tos na solução de problemas, algo que pode exigir algum esforço. Uma lista
extensa de problemas é proposta ao leitor visando apoiar seu aprendizado.
A apresentação também introduziu as principais idéias relacionadas com
a independência probabilı́stica, nas versão incondicional e condicional. Final-
mente, foi brevemente discutida a relação entre independência e causalidade.
O próximo capı́tulo introduz a noção de variável aleatória e sua descrição
por uma distribuição de probabilidade, nas versões discreta e contı́nua.
Exercı́cios
Exercı́cio 2.1 – Bonferroni – Prove o seguinte teorema que é co-
nhecido por “Desigualdade de Bonferroni”:
Pr(A ∩ B) ≥ Pr(A) + Pr(B) − 1.
(dica: use o fato de que A ∩ B = (A ∪ B))
Exercı́cio 2.2 – Se A ⊂ B mostre que Pr(B) ≥ Pr(A) [Dica: B =

(B ∩ A) ∪ (B ∩ A) (prop. 17 do capı́tulo anterior)]
Exercı́cio 2.3 – Para A1 , . . . , An ∈ E mostre que

Pr(A1 ∪ A2 ∪ . . . ∪ An ) ≤ Pr(A1 ) + Pr(A2 ) + . . . + Pr(An ).
Exercı́cio 2.4 – Mostre se as seguintes proposições são falsas ou

verdadeiras, assumindo que A, B e C são eventos com probabili-
dade diferente de zero (a não ser que o ı́tem especifique isso ex-
plicitamente).
(a) A⊤⊤A.
(b) Se Pr(B) = 0 então B ≡ ∅.
(c) Se Pr(C ) = 0 então Pr(B ∩ C ) = 0.
(d) Se Pr(B|C ) ≥ Pr(B) então Pr(C |B) ≥ Pr(C ).
(e) Se Pr(C ) = Pr(B) = ε então Pr(C ∩ B) ≤ ε.
(f) Se Pr(A|B) = Pr(A|B) então A ⊥⊥ B
Exercı́cio 2.5 – Dado que Pr(A) = 0,5 e Pr(A ∪ B) = 0,6 ache

Pr(B) nas seguintes condições:
(a) A e B são eventos mutuamente exclusivos.

(b) A e B são independentes.
(c) Pr(A|B) = 0,4.
Exercı́cio 2.6 – Se P (A) = 0, 5 e P (A ∪ B) = 0, 7 ache:
(a) P (B) se A e B são independentes.

(b) P (B) se A e B são mutuamente exclusivos.
(c) P (B) se P (A|B) = 0, 5.
Exercı́cio 2.7 – Assumindo como válidos os teoremas de pro-

babilidade e os resultados da álgebra de eventos e que A e B são
eventos que atendem 0 < Pr(A) < 1 e 0 < Pr(B) < 1,
(a) Mostre se é verdade que a condição Pr(A|B) = Pr(B)

também garante que A e B são independentes.
(b) Mostre se é verdade que se A e B são independentes, temos
também que A e B são independentes.
(c) se Pr(B|A) = Pr(A), é verdade que A e B são complementa-
res.
(d) se Pr(B|A) = Pr(B|A), é verdade que A é uma condição su-
ficiente para B.
(e) se Pr(B|A) = Pr(B|A), é verdade que A e B são independen-
tes.
Exercı́cio 2.8 – Para os eventos A e B, que atendem 0 < Pr(A) <

1 e 0 < Pr(B) < 1, é verdade que Pr(B|A) = Pr(B|Ā). Com
relação a esses eventos, argumente se as seguintes proposições são
falsas ou verdadeiras. A resposta deve ser acompanhada de uma
demonstração (prova ou contra-exemplo).
(a) A é uma condição necessária para B.

(b) A e B são complementares.
(c) A e B são independentes.
Exercı́cio 2.9 – Um evento A pode ser independente dele

próprio?
Exercı́cio 2.10 – Defeitos – Em uma fábrica, verifica-se que a pro-

1
babilidade de um produto ser produzido com defeito é 3 . Se 3
produtos são retirados ao acaso da linha de produção, qual é a
probabilidade de que:
(a) um e apenas um seja defeituoso;

(b) ao menos um seja defeituoso.
Exercı́cio 2.11 – Dados de uma face – Considere um jogo que

consiste no lançamento de 6 dados especiais. Cada dado tem 5 fa-
ces lisas (sem numeração) e uma face numerada, com os números
variando de 1, 2, 3, 4, 5 e 6 (cada um desses números em cada
dado). Suponha que X representa a soma dos resultados obtidos
nos 6 dados após um lançamento (se o resultado de um dado for
a face lisa, ele é contado como zero). Esse jogo era comum em
festas na Europa na idade média, pagando-se altos prêmios para
valores elevados de X . Obtenha a probabilidade dos seguintes
eventos:
1. X = 0.
2. X atinge seu valor máximo.
Exercı́cio 2.12 – Recém casados – Um casal recém casado e sem

filhos está planejando ter 4 filhos e deseja conhecer a resposta
a algumas questões. Para responder essa questões pode assumir
que os nascimentos de meninas (F) e meninos (M) são eventos
independentes de probabilidade 0,50.
(a) Qual é a probabilidade das seguintes sequências representa-

rem a ordem de nascimento dos 4 filhos:
• FFFF.
• MFFF.
• MFMF.
(b) Qual é a probabilidade dos seguintes eventos no caso do
casal ter 4 filhos:
• Exatamente 4 meninas.
• Exatamente 3 meninas.
• Exatamente 2 meninas e 2 meninos.
(c) Qual dos eventos tem maior probabilidade:

• um casal (menino e menina) caso a famı́lia tenha 2 fi-
lhos.
• dois casais (2 meninas e 2 meninos) caso a famı́lia tenha
4 filhos.
Exercı́cio 2.13 – Teste de velas – Um procedimento de di-

agnóstico é capaz de indicar o número de velas com defeito num
motor. Para um veı́culo com 6 velas, o diagnóstico indicou que
2 velas estavam com defeito. Se tirarmos 2 velas ao acaso, qual é
a probabilidade delas serem as velas defeituosas?
Exercı́cio 2.14 – Diagrama de Venn – Mostre, utilizando o dia-

grama de Venn:
(a) eventos A e B mutuamente exclusivos.

(b) eventos A e B coletivamente exaustivos mas não mutua-
mente exclusivos.
(c) eventos A e B independentes.
(d) eventos A e B dependentes mas condicionalmente indepen-
dentes dado o evento C.
(e) eventos A e B independentes mas condicionalmente depen-
dentes dado o evento C.
Exercı́cio 2.15 – Avião – Suponha que para um avião não cair

pelo menos 50% de seus motores precisam estar funcionando.
Se a probabilidade de um motor quebrar durante um vôo é p e
as probabilidades de motores quebrarem são independentes, qual
seria o avião mais seguro: um monomotor, um bimotor ou um
quadrimotor? Explique.
Exercı́cio 2.16 – Seguro de vida – Uma empresa vendeu seguros

de vida para 2 pessoas de mesma idade e saúde. A probabilidade
de que uma pessoa desse grupo viva mais 10 anos é 3/5, se a me-
dicina continuar avançando no ritmo atualmente observado, ou
4/5 se os avanços forem ainda mais expressivos que os existen-
tes. A empresa entende que as duas situações têm chances iguais.
Obtenha a probabilidade de que, após passados 10 anos:
(a) todas as 2 pessoas estejam vivas.

(b) pelo menos 1 pessoa esteja viva.
Exercı́cio 2.17 – Aniversários – Assumindo que os aniversários

das pessoas são distribuı́dos homogeneamente ao longo do ano,
obtenha a probabilidade de que num grupo de 23 pessoas existam
pelo menos 2 pessoas com a data aniversário coincidente (dia e
mês). E num grupo de 30 pessoas? Assuma que estamos num
ano bissexto.
Exercı́cio 2.18 – Encontro marcado – n pessoas marcaram de se

encontrar entre as 12:00 e 13:00 horas num lugar definido. Cada
uma delas chegará em um horário determinado aleatoriamente
entre 12:00 e 13:00 horas e esperará 5 minutos pela outra (ou o
tempo restante para 13:00 horas). Qual é a probabilidade das n
pessoas se encontrarem se:
(a) n = 2.
(b) n = 3 (bem difı́cil, mostre somente o caminho para a
solução, sem precisar calcular as probabilidades).
(c) Repita os ı́tens anteriores para k minutos de espera, onde
0 ≤ k ≤ 60.
Exercı́cio 2.19 – Ladrão – Um ladrão que está planejando roubar

um cofre entre 9 e 10 horas da noite estima que irá levar 5 minu-
tos para abrir esse cofre, “limpar” seu conteúdo e fugir. Ele sabe
também que entre 9 e 10 horas da noite um guarda irá aparecer
uma vez para vistoriar o cofre por 1 minuto. O patrulhamento
só se inicia a partir das 9:00 horas quando as condições para roubo
do cofre são possı́veis. O ladrão só será preso se chegar na sala e
o guarda estiver por lá, ou o guarda aparecer quando ele estiver
no processo de abrir o cofre. Qual é a probabilidade do roubo
ser bem sucedido nas seguintes situações:
(a) O ladrão entra na sala às 9:30.

(b) O ladrão entra na sala num horário entre 9:00 e 9:55 deter-
minado por um processo aleatório que garanta probabili-
dades uniformes para qualquer horário nesse perı́odo.
(c) A mesma situação do item (a) mas com a complica¸cão de

que 2 guardas vistoriarão a sala em horas determinadas ale-
atoriamente (e independentemente) entre 9 e 10 da noite.
Repita para n guardas.
(d) Repita a situação do item (b) mas considerando que virão
n guardas, em horários aleatórios entre 9 e 10h, ficando 1
minuto no local do cofre.
(e) Existe alguma hora ótima para o ladrão iniciar o roubo de
modo que a probabilidade de ser pego seja mı́nima?
Exercı́cio 2.20 – Fiscalização de bois – Um pecuarista tem 20

bois para vender para o frigorı́fico. Desses 20, 16 estão em bom
estado de saúde e 4 estão doentes. Se a inspeção federal verifica
o estado sanitário selecionando aleatoriamente 20% dos animais
vendidos em cada lote, qual seria a melhor estratégia para vender
os 20 animais sem ser pego pela fiscalização (e tomar uma grande
multa)?
1. Todas as 20 cabeças de uma só vez.

2. Dois lotes de 10, com as 4 cabeças doentes em um dos lotes.
3. Dois lotes de 10, com 3 doentes em um lote e 1 no outro.
4. Dois lotes de 10, com 2 doentes em cada lote.
Exercı́cio 2.21 – Caixas de maçã (CQ) – Numa caixa de maçã

com 10 frutos há 3 frutos danificados. Um procedimento de con-
trole de qualidade examina sempre 3 frutos por caixa. Cada fruto
é retirado da caixa, se for danificado é contado como danificado e
retirado da caixa antes do novo fruto ser sorteado. Se o fruto for
bom, é contado como bom e colocado na caixa antes do próximo
fruto ser retirado.
(a) qual seria a probabilidade de que os três frutos danificados

serão os escolhidos?
(b) Qual a probabilidade de que a amostragem não encontre
nenhum fruto defeituoso nos 3 amostrados?
(c) Verifique se o evento A (pelo menos 1 fruto danificado) e B
(pelo menos 2 frutos danificados) são independentes e/ou
mutuamente exclusivos.
(d) Mostre se o evento A (do item anterior) é uma condição

suficiente e/ou necessária para o evento B.
Exercı́cio 2.22 – Análise de solo – A análise de solo é um teste

que tenta fornecer uma medida indireta da fertilidade do solo.
Assuma que os solos de uma dada região tem fertilidade alta (A)
ou baixa (B) com frequência respectivamente de 20% e 80% e que
para solos de fertilidade alta a análise consegue indicar isso com
90% de probabilidade. Para solos de fertilidade baixa a análise
apresenta resultados corretos em 85% dos casos. Uma amostra
de solo dessa região foi tomada ao acaso e analisada. A análise in-
dicou que o solo é de fertilidade baixa. Qual é a probabilidade do
solo em questão ter fertilidade alta? Repita o problema supondo
que para essa amostra de solo existem dois resultados de análise,
um indicando fertilidade alta e outro fertilidade baixa.
Exercı́cio 2.23 – Acerto do chutador – Num teste de múltipla es-

colha um aluno sabe a resposta de cada questão com probabili-
dade p e não sabe e chuta a resposta com probabilidade (1− p). Se
a probabilidade de acerto da questão quando ele “sabe” a resposta
1
é 1 e quando não sabe é n , onde n é o número de alternativas de
cada questão, mostre que a probabilidade desse aluno realmente
saber a resposta dado que ele acertou a pergunta é:
np
.
1 + (n − 1) p
Exercı́cio 2.24 – Elaboração de prova – Um professor deseja ela-

borar uma prova com questões de múltipla escolha. Ele está pen-
sando em usar duas alternativas: na alternativa 1 ele pretende co-
locar 10 questões com 5 alternativas cada uma; na alternativa 2 ele
pretende colocar 20 questões com 4 alternativas cada. Ele deseja
saber qual das alternativas minimiza a probabilidade de que um
aluno “chutando” as respostas acerte mais de 20% das questões.
Exercı́cio 2.25 – Gatos e moedas – Há 3 gatos brancos, 2 gatos

malhados e 1 cachorro malhado numa sala. Um animal é esco-
lhido ao acaso. Se esse animal escolhido é malhado, uma moeda
será lançada e o resultado em termos de número de caras anotado.
Se o animal escolhido é branco, duas moedas serão lançadas e o

resultado em termos de número de caras anotado.
(a) Obtenha a árvore de probabilidade correspondente a esse

experimento.
(b) Especifique o espaço amostral e a probabilidade associada
aos resultados elementares do experimento.
(c) Suponha que se sabe que ocorreu o evento pelo menos 1
cara. Qual é a probabilidade de que um gato foi escolhido
no inı́cio do experimento?
Exercı́cio 2.26 – Moedas m5 e m8 (continuação) – Solucione o

exemplo do texto relativo às moedas m5 e m8 considerando que o
experimento agora envolve 2 lançamentos da mesma moeda sor-
teada inicialmente. Se o resultado observado foi (c, c), responda:
(a) qual é a probabilidade de que foi a moeda m5 a moeda se-

lecionada para os lançamentos. E se forem n lançamentos,
sendo observadas n caras. Desenhe um gráfico mostrando
o comportamento do resultado em função de n.
(b) Se R1 é o resultado do primeiro lançamento e R2 o resultado
do segundo lançamento, são os eventos R1 = c e R2 = c
independentes?
Exercı́cio 2.27 – Homens e mulheres – Numa cidade há 200 ho-

mens e 250 mulheres. Sabe-se que dentre as mulheres, 100 têm
mais de 30 anos e dentre os homens 150 têm mais de 30 anos. Para
a próxima eleição, sabe-se dentre as mulheres, 200 vão votar no
candidato A e 50 no candidato B. No caso dos homens 100 vão
votar no candidato A e 100 no B. Sabe-se que a idade não afeta a
escolha dos candidatos nos grupos de pessoa de um mesmo sexo.
Tirou-se uma pessoa ao acaso da população e verificou-se que tem
mais de 30 anos e votou no candidato A. Qual é a probabilidade
de que essa pessoa seja do sexo feminino?
Exercı́cio 2.28 – Pessoas na sala – A sala A tem 2 mulheres e 2

homens. A sala B tem 3 mulheres e 1 homem. Uma pessoa foi
sorteada ao acaso da sala A e colocada na sala B. Em seguida, uma
pessoa da sala B foi sorteada, sendo do sexo feminino. Obtenha
probabilidade de ter sido um homem a pessoa sorteada inicial-

mente na sala A para passar para a sala B.
Exercı́cio 2.29 – Bêbado e o abismo – Um bêbado hipotético

está a k passos de um abismo (que está na sua frente). Ele está
andando meio cambaleante de forma que ele dá um passo para
frente com probabilidade p e um passo para trás com probabili-
dade (1 − p). Qual é a probabilidade dele cair dado que está a 1
passo do abismo?
Exercı́cio 2.30 – Dados – Considere o lançamento de 2 dados em

cujas faces estão desenhados os números 1 a 6 e os eventos: A ≡
“os dois valores são pares”, B ≡ “os dois valores são ı́mpares”,
C ≡ “A soma dos resultados é menor que 13”. Mostre que:
(a) A e B não são independentes.

(b) A e C são independentes.
Exercı́cio 2.31 – Se A e B são eventos mutuamente exclusivos,

mostre que eles não são independentes.
Exercı́cio 2.32 – Safra agrı́cola – Suponha que, no inı́cio de uma

safra agrı́cola, um produtor de milho estima que produtividade
pode assumir os valores (em kg/ha): 4000, 5000, 6000, 7000
com probabilidades 0,2 0,3 0,3 e 0,2, respectivamente. Suponha
também, que nesse mesmo momento, o preço que será recebido
é também incerto, podendo assumir os valores ($/kg): 0,3 0,4 e
0,5 com probabilidades 0,2 0,6 e 0,2, respectivamente, indepen-
dentemente da produtividade obtida. Responda:
(a) Se custo de produção é de $ 1600 / ha, qual será a probabi-

lidade desse produtor tomar prejuı́zo?
(b) Se o produtor puder fixar o preço em $ 0,4/kg no inı́cio
da safra, através de um contrato futuro sem qualquer custo,
qual será a probabilidade de prejuı́zo nesse caso?
Exercı́cio 2.33 – Árvore de probabilidade – Mostre como as

árvores de probabilidade da Figura 2.10 foram obtidas a partir
da árvore da Figura 2.11. Observe que a árvore da última figura
não poderia ser construı́da a partir das árvores da primeira figura.
Exercı́cio 2.34 – Verdade – As pessoas A, B e C falam a verdade

com probabilidade p, independentemente. Suponha que A de-
clara algo, e que C declarou que B declarou que A falou a verdade.
Qual é a probabilidade de A ter falado a verdade?
Exercı́cio 2.35 – SuperSena I – Numa loteria popular chamada

SuperSena o jogador compra uma cartela contendo 48 números
(01 a 48) e desses números seleciona de 6 a 10 números para sua
aposta. Num determinado perı́odo do passado, uma aposta com
6 números custava $ 1, uma de 7 custava $ 7, uma de 8 custava
$ 28, uma de 9 custava $ 84 e uma de 10 custava $ 210. A cada
semana os jogadores compram cartelas, selecionam os números
desejados e após alguns dias a Caixa Econômica Federal sorteia 6
números dos 48 disponı́veis (sem reposição). As cartelas que con-
tiverem os números sorteados dividem 44 % do total arrecadado
para o sorteio mais o total acumulado de semanas anteriores, caso
nessas semanas não tenham havido cartelas ganhadoras (regra de
1996). Pergunta-se:
(a) Quantos são os possı́veis resultados em um sorteio?
(b) Qual é a probabilidade de uma cartela com 6 números mar-
cada ao acaso conter os números sorteados?
(c) Uma cartela contendo 7 números marcados corresponde a
quantos possı́veis resultados no sorteio? Responder a essa
pergunta significa determinar quantas apostas simples cor-
respondem a uma aposta com 7 números.
(d) O que é melhor: jogar com 7 cartelas marcada com 6
números ou com 1 cartela marcada com 7 números?
(e) Repita as duas últimas perguntas comparando uma cartela
com 10 números marcados e 210 cartelas marcadas com 6
números.
(f) Num sorteio no qual concorrem 10.000.000 apostas simples
qual a probabilidade de não termos ganhador, termos exa-
tamente 1 ganhador e mais de 1 ganhador? Assuma que as
apostas são escolhidas de forma aleatória.
Exercı́cio 2.36 – Overbooking I – Uma prática comum usada pe-

los prestadores de serviços, como hotéis, restaurantes e empre-
sas de aviação, é o chamado “overbooking” ou seja, fazer mais
reservas que a capacidade de prestação de serviços disponı́vel.

Objetiva-se com isso minimizar a capacidade ociosa, com risco
mı́nimo de deixar de atender clientes com reserva. Essa técnica
baseia-se no fato de que muitos clientes com reserva acabam não
aparecendo para consumir o serviço reservado. Suponha que
uma empresa aérea opera com 1% de taxa de overbooking, ou
seja, para um avião de 100 lugares ela vende 101 lugares, na expec-
tativa de que nem todos os passageiros venham para o embarque.
Responda:
(a) Se a probabilidade de um passageiro comparecer é de 97%,

qual seria a probabilidade de algum passageiro não embar-
car devido à falta de espaço (considere um avião de 100 lu-
gares, com a empresa vendendo 101 passagens)? (Resposta:
0,04613)
(b) E se a taxa de overbooking for de 2% (102 passagens ven-
didas para 100 lugares) considerando uma probabilidade de
comparecimento de 0,95? (Resposta: 0,03403)
Exercı́cio 2.37 – Controle de natalidade I – Um casal deseja ter

um filho. Suponha que o casal é fértil e que a probabilidade da
1
mulher engravidar numa particular relação é de 28 . Se o casal tem
2 relações por semana, qual será o mı́nimo de semanas que seriam
necessárias para que, com pelo menos 95% de probabilidade, o
casal tenha a gravidez desejada? Suponha, por outro lado, que
esse casal não deseja ter filhos e utiliza preservativos para evitar
a gravidez. Se o preservativo, na situação anterior, é efetivo em
95% das relações, qual o mı́nimo de relações necessário para que
o casal tenha uma gravidez com pelo menos 90% de probabili-
dade?
Exercı́cio 2.38 – Marajá e diamantes – Um marajá propõe que

seu filho escolha uma dentre duas caixas que contém 3 diaman-
tes cada uma. Numa delas há 2 diamantes verdadeiros e um di-
amante falso. Na outra há 2 diamantes falsos e um verdadeiro.
O marajá permite que o filho escolha uma caixa para dela retirar
um diamante para verificar se é falso ou verdadeiro, antes de de-
finir a caixa que escolherá. O filho decidiu que se o diamante for
verdadeiro ele ficará com a caixa de onde o diamante para teste
foi retirado, caso contrário, escolherá a outra caixa. Qual é a pro-

babilidade do filho do marajá ficar com a caixa com 2 diamantes
verdadeiros?
Exercı́cio 2.39 – Gavetas e moedas – Um indivı́duo tem uma

mesa com 2 gavetas, identificadas com as letras A e B. A gaveta
A tem 2 moedas de ouro e 1 de prata. A gaveta B tem 3 moedas
de prata. Uma gaveta foi sorteada e dela foi retirada uma moeda,
ao acaso, que foi colocada na outra gaveta. Um novo sorteio de
gavetas foi realizado, e da gaveta escolhida foi retirada ao acaso
uma moeda, que revelou-se de ouro. Qual seria a probabilidade
de ter sido a gaveta A a sorteada no segundo sorteio, frente à
evidência observada?
Exercı́cio 2.40 – 3 envelopes – Suponha que você está num pro-

grama de televisão e o apresentador (tipo Sı́lvio Santos) oferece a
você 3 envelopes, identificados pelas letras A, B e C . Num desses
envelopes há um cheque muito valioso. O apresentador solicita
que você escolha um dos envelopes. Suponha que você escolheu
o envelope A. Segundo o procedimento usual do programa, o
apresentador dá uma pequena olhada no conteúdo do envelopes
restantes e abre um dos envelopes que não contém o cheque (no
caso suponha que o envelope C é esse envelope) e pergunta a você
se deseja trocar o envelope selecionado (A no caso) pelo envelope
restante (B no caso). Você trocaria o envelope A pelo envelope
B nessa situação? Explique.
Exercı́cio 2.41 – n barbantes – Com relação ao problema en-

volvendo os 6 barbantes, apresentado Exemplo 2.22, qual seria
a probabilidade de casamento se em lugar de 6 barbantes fossem
1 1
utilizados n barbantes? Mostre que a resposta é 1 − (1 − 2! + 3! −
1
· · ·+(−1)n−1 n! ) ≈ e −1 , ou seja, que o valor da probabilidade con-
verge rapidamente para e −1 , sendo pouco afetado pela dimensão
de n a partir de um certo ponto.
Exercı́cio 2.42 – Cassinos I - Roleta – Nos cassinos um dos jo-

gos mais populares é a roleta. As roletas tı́picas consideram 36
números (1 a 36), metade deles associada à cor preta e a outra
metade à cor vermelha. Além desses 36 números, as roletas, em
função do cassino que a administra, incluem também o número

0, que não é preto nem vermelho, e às vezes o “duplo 0”, que
também não é preto nem vermelho. Cada “jogada” da roleta con-
siste no seguinte: os jogadores apostam dinheiro em números pu-
ros ou nas cores (ou ainda em outras jogadas que não são descritas
aqui). Uma pessoa do cassino então roda a roleta e o número sor-
teado é anunciado. Se o jogador tiver apostado $ 1 nesse número
vencedor, ele receberá $ 35 de prêmio mais o dinheiro apostado.
Se tiver apostado na cor vencedora, receberá $ 1 de prêmio para
cada $ 1 apostado, o qual será devolvido. Se tiver apostado em
outros números não sorteados ou na cor perdedora ele perderá o
dinheiro apostado. Pergunta-se:
(a) Um indivı́duo tem a seguinte estratégia para “ganhar” na

roleta. Ele aposta $ 1 no vermelho. Se vencer ele para de
jogar e vai para casa. Se perder ele faz uma nova aposta no
vermelho de $ 2 e independentemente do resultado ele para
de jogar e vai para casa. Qual é a probabilidade dele voltar
para casa vencedor ? Por que muitas pessoas não utilizam
essa estratégia?
(b) Outro indivı́duo tem a seguinte estratégia: Ele aposta no
vermelho somente quando as dez jogadas anteriores te-
nham consecutivamente resultado em “preto”. Ele acha
que com essa estratégia as chances de ganhar seriam muito
grandes dado que a probabilidade de 11 resultados “preto”
consecutivos é muito baixa. Qual a probabilidade de 11
resultados “preto” consecutivos? Qual sua avaliação dessa
estratégia ?
Exercı́cio 2.43 – Ruı́na do jogador – Considere um cassino (ver

exercı́cio anterior) cujo capital disponı́vel para pagamento de
apostas é K − k e um jogador cujo capital inicial é k (a soma do
capital em dinheiro do cassino e do jogador é K). Vamos supor
que o jogador só joga $ 1 de cada vez no preto ou vermelho da
roleta. Se ganhar ele ganha mais $ 1, o que é adicionado ao seu
capital; o cassino por sua vez perde com isso $ 1 de seu capital. Se
perder o cassino ganha o $ 1 apostado, o qual é acrescido ao seu
capital, sendo o capital do jogador reduzido dessa quantia. Su-
ponha que o jogador continuará insistindo nesse tipo de aposta
continuamente até que ele “quebre” a banca do cassino, ou seja,

até que o dinheiro do cassino seja esgotado, ou que ele fique sem
dinheiro. Qual é a probabilidade do jogador ficar sem dinheiro
nas seguintes situações:
(a) A roleta do cassino não tem o número 0 ou seja a probabi-

lidade de preto ou vermelho numa jogada é 0,50.
(b) A roleta tem um número zero.
(c) (Caso geral) O jogo que ele está jogando tem probabilidade
p dele ganhar uma particular jogada.
Exercı́cio 2.44 – Resultado do juri – Nos tribunais de alguns

paı́ses, certas causas são determinadas pelo resultado dos votos
dos jurados, os quais determinam se o réu será considerado cul-
pado ou inocente. Os jurados certamente não tem a capacidade
de determinar com certeza a culpabilidade ou não do réu, con-
tudo, se for possı́vel assumir que cada jurado chegará à conclusão
correta com probabilidade p, de forma independente, qual será
a probabilidade de que um indivı́duo culpado seja inocentado e
que um indivı́duo inocente seja considerado culpado se o juri tem
7 membros, sendo a decisão obtida por maioria simples (metade
mais 1). O que seria melhor para reduzir erros de julgamento:
aumentar o juri para 8 membros com mesmo critério de decisão
ou mudar o critério de decisão para um mı́nimo de 2/3 de votos
favoráveis para determinação do resultado culpado?
Exercı́cio 2.45 – 3 prisioneiros – 3 prisioneiros (A, B e C ) man-

tidos isolados são informados de que um deles foi selecionado
aleatoriamente para execução, enquanto os outros 2 serão colo-
cados em liberdade. O prisioneiro A pergunta ao carcereiro, sem
que os outros prisioneiros ouçam, qual dos outros 2 prisioneiros
será colocado em liberdade, argumentando que não há qualquer
problema dele saber esta informação, dado que ele obviamente
sabe que um deles será libertado. O carcereiro recusa o pedido
argumentando que ao informar o nome do prisioneiro libertado
ele estaria aumentando a probabilidade de A ser o prisioneiro
1 1
executado de 3 para 2 , dado que ele será um de dois prisioneiros
disponı́veis para execução. O que você acha da argumentação do
carcereiro?
Exercı́cio 2.46 – Paradoxo da caixa de Bertrand – Há 3 caixas

fechadas idênticas. Uma tem 2 moedas de ouro, outra tem 2 mo-
edas de prata e outra tem 1 moeda de ouro e uma de prata. Su-
ponha que uma das caixas foi sorteada e dessa caixa retirada uma
moeda sem que a outra moeda existente tenha sido observada.
A moeda retirada da caixa é de ouro. Qual é a probabilidade da
outra moeda dessa caixa ser também uma moeda de ouro?
Exercı́cio 2.47 – Cassinos II - Jogo de dados “Craps” – Um outro

jogo muito popular nos cassinos do mundo é o chamado “Craps”
ou 7/11. Sempre o jogador joga 2 dados com 6 faces numeradas
de 1 a 6 e a soma dos resultados nos 2 dados é o valor da jogada.
O jogador ganha se na primeira jogada ele obtiver total 7 ou 11
e perde se obtiver total 2, 3 ou 12. Se obtiver qualquer outro
resultado, esse resultado será chamado de “ponto” e ele continua
a jogar novamente até que obtenha o total correspondente ao va-
lor do “ponto” obtido na primeira jogada, ganhando se isso de
fato ocorrer, ou obtenha o valor 7, situação na qual ele perde.
Pergunta-se:
(a) Qual a probabilidade dele ganhar na primeira jogada?

(b) Qual a probabilidade de na primeira jogada o jogador obter
um “ponto”?
(c) Qual a probabilidade de cada possı́vel “ponto” na primeira
jogada?
(d) Qual a probabilidade do jogador ganhar dado que na pri-
meira jogada ele obteve um “ponto” de valor 5?
(e) Mostre que a probabilidade do jogador ganhar é 0, 49293.
Exercı́cio 2.48 – Versão Simplificada do 21 – Considere um ba-

ralho com apenas 6 cartas: 2,3,4,5,6,7 (o naipe não importa) e 3
jogadores identificados por A, B e C . Os jogadores jogam (in-
dividualmente) contra a banca. Ganha quem terminar o jogo
com o maior total de pontos determinado pela soma das cartas,
desde que o total seja igual ou inferior a 9. Quem fizer mais de 9
pontos (jogador ou banca) automaticamente perde a jogada. Em
caso de empate, ganha quem tiver a carta de maior valor. Su-
ponha que o jogador C é a banca e quem distribui as cartas, na
ordem alfabética dos jogadores. A cada mão é oferecida 1 carta

a cada jogador, que pode aceitá-la ou recusá-la (antes de ver seu
valor). Uma vez recusada uma carta, o jogador não pode mais
receber cartas. Suponha que após embaralhar a banca dá as car-
tas (abertas para todos os jogadores), na ordem: 5, 3, 4. Suponha
que os jogadores jogam racionalmente, usando toda a informação
disponı́vel eficientemente. Responda:
(a) Qual é a probabilidade dos jogadores A e B ganharem da

banca no caso em que A recusa a segunda carta?
(b) Responda o ı́tem (a) considerando que A aceitará a segunda
carta.
(c) Responda o ı́tem (a) considerando que A decidirá recusar a
segunda carta lançando uma moeda caso obtenha resultado
cara (no resultado coroa ele aceitará a segunda carta).
Exercı́cio 2.49 – Testes médicos – Suponha que se sabe que uma

certa doença ocorre em 1% da população em uma certa região.
Um teste médico foi desenvolvido para detectar a presença dessa
doença, com resultado positivo (+) ou negativo (-) em sua
aplicação. Esse teste não é perfeito, dando o resultado correto
com 90% de probabilidade quando o indivı́duo tem a doença ou
não tem.
(a) Se um teste realizado num indivı́duo ao acaso dessa

população de resultado positivo (+), qual é a probabilidade
desse indivı́duo ter de fato a doença? Mostre que o resul-
tado é 0,0833.
(b) Obtenha as probabilidades do falso positivo (teste dar posi-
tivo quando o indivı́duo não tem a doença) e falso negativo
(teste negativo quando o indivı́duo tem a doença).
(c) Seria uma boa polı́tica de saúde testar todos os indivı́duos
de uma população com relação a essa doença?
Exercı́cio 2.50 – Seletividade e sensitividade de testes – Nas áreas

de biologia e medicina são utilizados muitos testes para auxı́lio
no diagnóstico de problemas e/ou doenças. Esses testes, ainda
que muito úteis, não produzem resultados corretos em todas as
situações. Suponha que um certo teste A foi desenvolvido para

detectar a presença de uma dada doença X . A “sensibilidade”
ou “sensitividade” desse teste, definida como a probabilidade do
teste apresentar resultado positivo sobre a presença da doença
quando o indivı́duo tem a doença, é α. A “seletividade” desse
teste, definida como a probabilidade do teste apresentar resul-
tado negativo quando a pessoa não tem a doença, é β. A proba-
bilidade de que uma pessoa qualquer retirada aleatóriamente da
população tenha essa doença X é p. Pergunta-se:
(a) Qual é a probabilidade de que uma pessoa tirada aleatoria-

mente da população e que apresente resultado positivo para
a doença X nesse teste A tenha de fato essa doença?
(b) E se o resultado for negativo, qual é a probabilidade dela ter
a doença?
(c) Suponha que α = 1 e β = 0 para esse teste A. Como você
caracterizaria a utilidade desse teste?
(d) Para um teste seja de fato útil, a probabilidade do indivı́duo
ter a doença X, dado que o resultado no teste foi posi-
tivo, deve ser maior que a probabilidade do indivı́duo ter
a doença, sem qualquer outra informação. Mostre que para
isso ocorrer devemos ter α + β > 1.
Exercı́cio 2.51 – Agulha de Buffon – Considere uma mesa retan-

gular de largura 2L com comprimento infinito e uma agulha de
comprimento 2l , onde 2l ≤ 2L, com diâmetro infinitesimal. A
agulha é lançada sobre essa mesa de tal forma que o ponto que
caracteriza o meio da agulha (ao qual chamaremos de ponto A)
pode cair sobre qualquer ponto da mesa com igual probabilidade.
Da mesma forma, o modo de lançamento assegura que ângulo θ
que a agulha faz com uma paralela às bordas da mesa é um valor
entre 0 e π com igual probabilidade. Essa situação é ilustrada
pela figura a seguir:
2l 2L
θ
Dado que num determinado lançamento a agulha caiu sobre a

mesa, qual a probabilidade dela ter interseccionado uma das bor-
das da mesa?
Exercı́cio 2.52 – Numa classe há 4 alunos e 6 alunas do primeiro

ano e 5 alunos do segundo ano. Quantas alunas do segundo ano
devemos ter nessa classe para que, ao sortearmos um estudante
dessa classe ao acaso, tenhamos sexo do estudante e ano indepen-
dentes? É possivel?
Exercı́cio 2.53 – Prêmios em caixas de cereais – Suponha que ce-

real que você compra está oferecendo 6 bonequinhos diferentes
em suas caixas como forma de aumentar suas vendas. Há exata-
mente um bonequinho em cada caixa e os bonequinhos são colo-
cados nas caixas de forma aleatória. Se forem compradas 6 caixas
de cereais, qual é a probabilidade de se obter os 6 bonequinhos
diferentes? Suponha que você já obteve 5 dos bonequinhos, qual
é a probabilidade de que você ainda precise comprar mais de 10
caixas de cereal para completar os 6 bonequinhos?
Exercı́cio 2.54 – Aniversários II – Considere o texto do Ex. 2.17.

Como poderia reformular o problema de encontrar a probabili-
dade de que 23 pessoas ao acaso façam aniversário em datas di-
ferentes (não apresentem nenhuma coincidência de datas de ani-
versário) como uma versão do problema anterior (bonequinhos
em caixas de cereal).
Exercı́cio 2.55 – Suponha que pelas novas normas da Univer-

sidade os conselhos dos departamentos vão ser formados por n
membros, sendo esses membros sorteados da comunidade de alu-
nos, funcionários e professores. Se a representa o número de alu-
nos, f o número de funcionários e p o número de professores,

responda:
(a) Quantos possı́veis conselhos podem ser formados?

(b) Qual a probabilidade de que pelo menos 1 aluno faça parte
do conselho?
(c) Dado que é sabido que 4 professores fazem parte do con-
selho, qual a probabilidade do conselho conter exatamente
10 professores e 5 funcionários?
Exercı́cio 2.56 – Poker – Calcule a probabilidade de obter os se-

guintes resultados de poker em 5 cartas tiradas aleatoriamente de
um baralho de 52 cartas:
(a) Dois pares.

(b) Seguida máxima {10,valete,dama,rei,ás}.
(c) Royal Straight Flush (seguida máxima com todas as cartas do
naipe de ouros).
(d) Seguida normal (5 cartas com faces que podem ser organi-
zadas em sequência sem que falte cartas, como {4,5,6,7,8}).
Exercı́cio 2.57 – Atraso no Trabalho – Com relação ao problema

descrito no Exemplo 2.24, mostre que A e B não são eventos
independentes (veja a resposta no exemplo). Obtenha também
Pr(C |A) ou seja a probabilidade do ônibus ter chegado atrasado
dado que A ocorreu (uma pessoa chegou atrasada) e Pr(C |A∩B),
a probabilidade do ônibus ter chegado atrasado dado que as duas
pessoas chegaram atrasadas. (Dica: represente a situação com
uma árvore de probabilidade)
Exercı́cio 2.58 – Tomadores de cerveja – 4 tomadores de cerveja

estão fazendo um teste de degustação considerando 3 marcas de
cerveja (A,B,C). As marcas das cervejas não são do conhecimento
dos tomadores no momento do teste. Após a degustação, cada to-
mador dá uma nota 1, 2 ou 3 (1 para a melhor) para cada cerveja.
Ao final as notas recebidas para cada cerveja são somadas, resul-
tando na nota final. Se, de fato, os tomadores não conseguem
discriminar as marcas de cerveja:
1. Qual a probabilidade da cerveja A receber nota total 4?

2. Qual a probabilidade de alguma cerveja receber nota 4?
3. Qual a probabilidade de alguma cerveja receber nota 5 ou
menos?
Exercı́cio 2.59 – Suponha que 10 casais foram a uma festa. Na

chegada à festa os homens foram separados das mulheres. Para
cada uma das 10 mulheres foi sorteado um homem dos 10 existen-
tes. Responda: (a) qual é a probabilidade de que todas a mulheres
fiquem com seu próprio homem do casal; (b) qual é a probabili-
dade de que todas as mulheres fiquem com homens diferentes?;
(c) qual é a probabilidade de que n mulheres especificadas fiquem
com seus próprios homens?
Exercı́cio 2.60 – Fios telefônicos – Suponha que n fios te-

lefônicos chegam a uma empresa, cada qual correspondente a um
número de telefone. Ao chegar na empresa cada um dos fios vai a
uma caixa que contem as pontas dos fios que chegam até os apare-
lhos correspondentes, os quais estão distribuı́dos no prédio. Para
que tudo funcione bem, os fios que chegam devem ser conectados
aos fios internos certos. Suponha que por sabotagem os fios que
chegam tenham sido desconectados e que todas as indicações cor-
respondentes ao destino das pontas dos fios locais tenham sido
destruı́das. Se os fios que chegam são conectados aleatoriamente
aos fios internos, responda:
1. Qual a probabilidade de nenhum telefone da empresa estar

ligado na linha certa?
2. Qual a probabilidade de um telefone definido estar ligado à
linha correta?
Referências
Antar Neto, A. et al. (2010) Noções de Matemática Vol. 4 - Combinatória,
Matrizes e Determinantes. Editora Vestseller (ou qualquer edição anterior).
Cox, R.T. 1946. Probability, Frequency, and Reasonable Expectation. Am.

Jour. Phys., 14, 1-13.
Cox, R.T. 2001. The Algebra of Probable Inference. The Johns Hopkins Uni-
versity Press.
Drake, A. 1967. Fundamentals of Applied Probabilistic Analysis. McGraw-

Hill, New York.
Feller, W. 1968. An Introduction to Probability Theory and its Applications -

Vol 1. John Wiley and Sons, New York.
Hitchcock, C. 2008. Probabilistic Causation. In: The Stanford Encyclo-

pedia of Philosophy (Fall 2008 Edition), Edward N. Zalta (ed.), URL =
<http://plato.stanford.edu/archives/
fall2008/entries/causation-probabilistic/>.
Jaynes, E. T. 2003. Probability Theory: The Logic of Science. Cambridge

University Press, Cambridge.
Lindley, D. V. 1980. Introduction to Probability and Statistics from a Bayesian

Viewpoint - Part I (Probability). Cambridge University Press, Cambridge.
Lindley, D. V. 1980. Introduction to Probability and Statistics from a Bayesian

Viewpoint - Part II (Inference). Cambridge University Press, Cambridge.
Mood, A., Graybill, F. A and Boes, D. 1974. Introduction to the Theory of

Statistics. McGraw-Hill, New York.
Morgado, A. C. et al. 2016. Análise Combinatória e Probabilidade. 10a.

edição, Sociedade Brasileira de Matemática - Coleção Professor de Ma-
temática.
Morgan, S. & Winship, C. 2007. Counterfactuals and Causal Inference:

Methods and Principles for Social Research (Analytical Methods for Social Re-
search). Cambridge University Press, Cambridge.
Pearl, J. 2009. Causality: Models, Reasoning, and Inference. Cambridge Uni-

versity Press, Cambridge.
Ross, S. M. 1997. First Course on Probability. 5th edition, Prentice-Hall,

New York.
Ross, S. M. 2007. Introduction to Probability Models. 9th edition, Prentice-

Hall, New York.
Woodward, J. 2008. Causation and Manipulability. In: The Stanford Ency-
clopedia of Philosophy (Winter 2008 Edition), Edward N. Zalta (ed.), URL
= <http://plato.stanford.edu/archives/
win2008/entries/causation-mani/>.

Livroestat2023 - Cap 1 e Cap 2 (Revisão 1.2)

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

Livroestat2023 - Cap 1 e Cap 2 (Revisão 1.2)

Enviado por

Direitos autorais:

Formatos disponíveis

Introdução à Estatı́stica

Para engenharia, economia, finanças e atuária

Problemas e exercı́cios resolvidos

Capı́tulo 1. Conceitos Básicos: Eventos e Álgebra de Eventos

Adriano Azevedo Filho

Versão 2.0 preliminar da 3a edição

É proibida a reprodução total ou parcial

Dados Internacionais de Catalogação na Publicação (CIP)

Azevedo Filho, Adriano J. B. V.

Lista de Figuras vii

1 Conceitos Básicos: Eventos e Álgebra de Eventos 1

2 Probabilidade: Fundamentos da Teoria 20

1.1 Diagrama de Venn: algumas operações . . . . . . . . . . . . . . . 11

2.1 Problema da roleta . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

Conceitos Básicos: Eventos e Álgebra

1.1 Introdução e Recomendações

1.1.1 Pré-requisitos para bom entendimento do material

capı́tulos. Muitos dos resultados teóricos utilizados em estatı́stica dependem

1.2 Noções básicas: Experimento, Incerteza e

1.2.1 Experimento e incerteza

• Todos os resultados elementares possı́veis do experimento são conhe-

• Cada resultado elementar possı́vel do experimento pode ser definido

• O resultado elementar do experimento é uma incerteza, não sendo co-

Nesse contexto é importante estabelecer a definição de espaço amostral

Espaço amostral (Ω) - conjunto cujos elementos são os resultados elementa-

Exemplo 1.1 – Experimento: Lançamento de uma moeda, em

• O espaço amostral Ω do experimento é o conjunto:

Exemplo 1.2 – Experimento: Considere uma urna contendo 1

Exemplo 1.3 – Experimento: peso de uma pessoa sorteada de

• Ω = {x ∈ R : 0 < x ≤ 200} ou Ω = (0, 200].

1.2.2 Evento e Espaço de eventos (E)

Evento - qualquer subconjunto do espaço amostral Ω, usual-

Ocorrência de um evento - dizemos que um dado evento A ocor-

O espaço de eventos E atende às seguintes propriedades (e é por essa razão

1. Ω ∈ E. Isso se deve ao fato de Ω ser também um subconjunto de Ω, ou

2. ∅ ∈ E. Como na teoria dos conjuntos ∅ (conjunto vazio) é um sub-

3. Para um evento A, se A ∈ E então A ∈ E.

4. Para eventos A1 e A2 ∈ E tem-se que A1 ∪ A2 ∈ E.

Se a propriedade 4 for redefinida como:

o espaço de eventos E será uma sigma-álgebra. A noção de sigma-álgebra é

Teorema 1.1 – Se A1 , A2 ∈ E então A1 ∩ A2 ∈ E.

Prova: Pelas propriedades de E, temos A1 , A2 ∈ E e A1 ∪ A2 ∈

A seguir apresentamos alguns exemplos para ilustrar as noções recém-

Exemplo 1.4 – Espaço de eventos (caso discreto) – Considere um

E = {∅, {a}, {b }, {c}, {a, b }, {a, c}, {b , c}, {a, b , c}}.

Note que Ω ∈ E pois Ω = {a, b , c}. Os elementos de E corres-

Exemplo 1.5 – Ocorrência de eventos (caso discreto) – Consi-

Exemplo 1.6 – Espaço de eventos (caso contı́nuo) – Considere

que possam ser construı́dos a partir desse intervalo nos reais, ou

Exemplo 1.7 – Ocorrência de eventos (caso contı́nuo) – No

Antes de finalizar esta seção, será apresentado um teorema importante,

Teorema 1.2 – No contexto de um espaço amostral Ω, todo

O exemplo a seguir ilustra o resultado desse teorema.

Exemplo 1.8 – Espaço de eventos (caso discreto) – Considere um

1.3 Álgebra de eventos e o “ou” ∨ e o “e” ∧ da lógica

União de eventos: A ∪ B descrita como A ∨ B (A “ou” B )

Exemplo 1.9 Considere Ω = {2, 3, 4, 6} e os eventos A = {2} e

Interseção de eventos: A ∩ B descrita como A ∧ B (A “e” B )

Uma única situação faz o evento A ∪ B ocorrer: A ocorre e B ocorre, em

Exemplo 1.10 Considere Ω = {2, 3, 4, 6} e temos os eventos

Notações ≡ (definição) e = (igualdade)

Em muitos desenvolvimentos é utilizada a notação “≡”, que significa “é de-

Exemplo 1.11 – Experimento: Lançamento de uma moeda, onde