Dennis D. Wackerly William Mendenhall Richard L. Scheaffer Mathematical Statistics With Applications

Machine Translated by Google
CAPÍTULO 2
Probabilidade
2.1 Introdução
2.2 Probabilidade e Inferência
2.3 Uma Revisão da Notação de Conjunto
2.4 Um modelo probabilístico para um experimento: o caso discreto
2.5 Calculando a probabilidade de um evento: o método do ponto de amostra
2.6 Ferramentas para contagem de pontos
de amostra 2.7 Probabilidade condicional e independência de eventos
2.8 Duas Leis da Probabilidade
2.9 Calculando a probabilidade de um evento: o método de composição de eventos
2.10 A Lei da Probabilidade Total e a Regra de Bayes
2.11 Eventos Numéricos e Variáveis Aleatórias
2.12 Amostragem Aleatória
2.13 Resumo
Referências e leituras adicionais
2.1 Introdução
Nas conversas cotidianas, o termo probabilidade é uma medida da crença de alguém na
ocorrência de um evento futuro. Aceitamos isto como uma interpretação significativa e prática
da probabilidade, mas procuramos uma compreensão mais clara do seu contexto, como é
medida e como ajuda a fazer inferências.
O conceito de probabilidade é necessário no trabalho com mecanismos físicos, biológicos
ou sociais que geram observações que não podem ser previstas com certeza.
Por exemplo, a pressão arterial de uma pessoa num determinado momento não pode ser
prevista com certeza, e nunca sabemos a carga exata que uma ponte suportará antes de
desabar num rio. Tais acontecimentos aleatórios não podem ser previstos com certeza, mas a
frequência relativa com que ocorrem numa longa série de ensaios é muitas vezes notavelmente
estável. Os eventos que possuem esta propriedade são chamados de eventos aleatórios ou
estocásticos . Esta frequência relativa estável a longo prazo fornece uma informação intuitivamente signific
20
2.2 Probabilidade e Inferência 21
medida da nossa crença na ocorrência de um evento aleatório se uma observação futura for
para ser feito. É impossível, por exemplo, prever com certeza a ocorrência de caras num único
lançamento de uma moeda equilibrada, mas estaríamos dispostos a afirmar com uma razoável medida
de confiança que a fracção de caras numa longa série de tentativas seria muito próximo de 0,5. Que
esta frequência relativa é comumente usada como uma medida de crença no resultado de um único
lançamento fica evidente quando consideramos o acaso da perspectiva de um jogador. Ele arrisca
dinheiro no único lançamento de uma moeda, não em uma longa série de lançamentos.
A frequência relativa de uma cara em uma longa série de lançamentos, que um jogador chama de
probabilidade de dar cara, dá-lhe uma medida da chance de ganhar em um único lançamento. Se a
moeda estivesse desequilibrada e desse 90% de cara em uma longa série de lançamentos, o jogador
diria que a probabilidade de dar cara é 0,9 e estaria bastante confiante na ocorrência de cara em um
único lançamento da moeda. .
O exemplo anterior possui algumas analogias realistas e práticas. Em muitos aspectos, todas as
pessoas são jogadores. A médica pesquisadora aposta tempo e dinheiro em um projeto de pesquisa e
está preocupada com seu sucesso em um único lançamento desta moeda simbólica. Da mesma forma,
o investimento de capital numa nova unidade fabril é uma aposta que representa um único lançamento
de uma moeda, na qual o empresário tem grandes esperanças de sucesso. A fracção de investimentos
semelhantes que são bem sucedidos numa longa série de tentativas só interessa ao empresário na
medida em que proporciona uma medida de crença no resultado bem sucedido de um único investimento
individual.
O conceito de frequência relativa de probabilidade, embora intuitivamente significativo, não fornece
uma definição rigorosa de probabilidade. Muitos outros conceitos de probabilidade foram propostos,
incluindo o de probabilidade subjetiva, que permite que a probabilidade de um evento varie dependendo
da pessoa que realiza a avaliação.
No entanto, para os nossos propósitos, aceitamos uma interpretação baseada na frequência relativa
como uma medida significativa da nossa crença na ocorrência de um evento. A seguir, examinaremos
a ligação que a probabilidade fornece entre observação e inferência.
2.2 Probabilidade e Inferência

O papel que a probabilidade desempenha na realização de inferências será discutido em detalhes
depois que uma base adequada for estabelecida para a teoria da probabilidade. Neste ponto
apresentaremos um tratamento elementar desta teoria através de um exemplo e um apelo à sua intuição.
O exemplo selecionado é semelhante ao apresentado na Seção 1.4, porém mais simples e menos
prático. Foi escolhido pela facilidade com que podemos visualizar a população e a amostra e porque
fornece um mecanismo de produção de observações para o qual um modelo probabilístico será
construído na Seção 2.3.
Considere um jogador que deseja fazer uma inferência sobre o saldo de um dado. A população
conceitual de interesse é o conjunto de números que seriam gerados se o dado fosse lançado repetidas
vezes, ad infinitum. Se o dado estivesse perfeitamente equilibrado, um sexto das medidas nesta
população seria 1s, um sexto, 2s, um sexto, 3s e assim por diante. A distribuição de frequência
correspondente é mostrada na Figura 2.1.
Utilizando o método científico, o jogador propõe a hipótese de que o dado está equilibrado e busca
observações da natureza para contradizer a teoria, se for falsa.
22 Capítulo 2 Probabilidade
FIGURA 2.1 Relativo
Distribuição Frequência
de frequência para a
população gerada por
16
um dado balanceado
1 2 3 4 5 6
Número ativado
Face Superior
do Morrer
Uma amostra de dez lançamentos é selecionada da população lançando o dado dez vezes. Todos
os dez lançamentos resultam em 1s. O jogador olha para este resultado da natureza com um olhar
preconceituoso e conclui que a sua hipótese não está de acordo com a natureza e, portanto, que o
dado não está equilibrado.
O raciocínio empregado pelo jogador identifica o papel que a probabilidade desempenha na
realização de inferências. O jogador rejeitou a sua hipótese (e concluiu que o dado está
desequilibrado) não porque seja impossível lançar dez 1s em dez lançamentos de um dado
equilibrado, mas porque é altamente improvável. Sua avaliação da probabilidade foi provavelmente
subjetiva. Ou seja, o jogador pode não saber calcular a probabilidade de dez 1s em dez
lançamentos, mas tinha a sensação intuitiva de que este evento era altamente improvável se o
dado estivesse equilibrado. O ponto a ser observado é que sua decisão foi baseada na probabilidade
da amostra observada.
A necessidade de uma teoria de probabilidade que forneça um método rigoroso para encontrar
um número (uma probabilidade) que concorde com a frequência relativa real de ocorrência de um
evento em uma longa série de tentativas fica aparente se imaginarmos um resultado diferente para
o amostra do jogador. Suponha, por exemplo, que em vez de dez 1s, ele observou cinco 1s junto
com dois 2s, um 3, um 4 e um 6. Esse resultado é tão improvável que deveríamos rejeitar nossa
hipótese de que o dado está equilibrado e concluir que o o dado é carregado em favor de 1s? Se
tivermos de confiar apenas na experiência e na intuição para fazer a nossa avaliação, não será tão
fácil decidir se a probabilidade de cinco 1s em dez lançamentos é grande ou pequena. A
probabilidade de obter quatro 1s em dez lançamentos seria ainda mais difícil de adivinhar. Não
negaremos que os resultados experimentais muitas vezes são obviamente inconsistentes com uma
dada hipótese e levam à sua rejeição. No entanto, muitos resultados experimentais caem numa
zona cinzenta onde é necessária uma avaliação rigorosa da probabilidade da sua ocorrência. Na
verdade, não é difícil mostrar que avaliações intuitivas de probabilidades conduzem frequentemente
a respostas que estão substancialmente erradas e resultam em inferências incorrectas sobre a
população-alvo. Por exemplo, se houver 20 pessoas numa sala, a maioria das pessoas adivinharia
que é muito improvável que haja duas ou mais pessoas com o mesmo aniversário. No entanto, sob
certas suposições razoáveis, no Exemplo 2.18 mostraremos que a probabilidade de tal ocorrência
é maior que 0,4, um número que é surpreendentemente grande para muitos.
Precisamos de uma teoria da probabilidade que nos permita calcular a probabilidade (ou uma
quantidade proporcional à probabilidade) de observar resultados específicos, assumindo que o
nosso modelo hipotético está correto. Este tópico será desenvolvido em detalhes nos capítulos
subsequentes. Nosso objetivo imediato é apresentar uma introdução à teoria da probabilidade, que
fornece a base para a inferência estatística moderna. Vamos
2.3 Uma Revisão da Notação de Conjunto 23
comece revisando algumas notações de conjunto que serão usadas na construção de modelos
probabilísticos para experimentos.
2.3 Uma Revisão da Notação de Conjunto
Para prosseguir com um desenvolvimento ordenado da teoria das probabilidades, precisamos de alguns
conceitos básicos da teoria dos conjuntos. Usaremos letras maiúsculas, A, B, C,..., para denotar conjuntos
de pontos. Se os elementos do conjunto A forem a1, a2 e a3, escreveremos
UMA = {a1, a2, a3}.
Seja S o conjunto de todos os elementos em consideração; isto é, S é o conjunto universal. Para

quaisquer dois conjuntos A e B, diremos que A é um subconjunto de B, ou A está contido em B (denotado
A ÿ B), se todo ponto em A também estiver em B. O conjunto nulo ou vazio, denotado por ÿ, é o conjunto
que não consiste em nenhum ponto. Assim, ÿ é um subconjunto de todo conjunto.
Conjuntos e relacionamentos entre conjuntos podem ser convenientemente representados usando
diagramas de Venn. O diagrama de Venn na Figura 2.2 mostra dois conjuntos, A e B, no conjunto
universal S. O conjunto A é o conjunto de todos os pontos dentro do triângulo; conjunto B é o conjunto
de todos os pontos dentro do círculo. Observe que na Figura 2.2, A ÿ B.
Considere agora dois conjuntos arbitrários de pontos. A união de A e B, denotada por Aÿ B, é o
conjunto de todos os pontos em A ou B ou ambos. Ou seja, a união de A e B contém todos os pontos
que estão em pelo menos um dos conjuntos. O diagrama de Venn na Figura 2.3 mostra
FIGURA 2.2 S
Diagrama de amigo para
UMA ÿ B
FIGURA 2.3 S
Diagrama de amigo para
AÿB
A B
FIGURA 2.4 S
Diagrama de Venn para AB
A B
dois conjuntos A e B, onde A é o conjunto de pontos no círculo à esquerda e B é o conjunto de pontos no

círculo à direita. O conjunto A ÿ B é a região sombreada que consiste em todos os pontos dentro de um dos
círculos (ou de ambos). A palavra-chave para expressar a união de dois conjuntos é ou (significando A ou
B ou ambos).
A intersecção de A e B, denotada por A ÿ B ou por AB, é o conjunto de todos os pontos em A e B. O
diagrama de Venn da Figura 2.4 mostra dois conjuntos A e B, com A ÿ B consistindo nos pontos em a
região sombreada onde os dois conjuntos se sobrepõem. A palavra-chave para expressar interseções é e
(significando A e B simultaneamente).
Se A é um subconjunto de S, então o complemento de A, denotado por A, é o conjunto de pontos que
estão em S , mas não em A. A Figura 2.5 é um diagrama de Venn que ilustra que a área sombreada em S ,
mas não em A , é A. Observe que A ÿ A = S.
Dois conjuntos, A e B, são ditos disjuntos, ou mutuamente exclusivos, se Aÿ B = ÿ. Ou seja, conjuntos
mutuamente exclusivos não possuem pontos em comum. O diagrama de Venn na Figura 2.6 ilustra dois
conjuntos A e B que são mutuamente exclusivos. Referindo-nos à Figura 2.5, é fácil ver que, para qualquer
conjunto A, A e A são mutuamente exclusivos.
Considere o problema do lançamento de um dado da Seção 2.2 e deixe S denotar o conjunto de todas
as observações numéricas possíveis para um único lançamento de um dado. Ou seja, S = {1, 2, 3, 4, 5, 6}.
Seja A = {1, 2}, B = {1, 3} e C = {2, 4, 6}. Então A ÿ B = {1, 2, 3}, A ÿ B = {1} e A = {3, 4, 5, 6}. Além disso,
observe que B e C são mutuamente exclusivos, enquanto A e C não o são.
FIGURA 2.5 S
Diagrama de Venn para A
A
Exercícios 25
FIGURA 2.6 S
Diagrama de Venn
para conjuntos
mutuamente exclusivos A e B
A B
Não tentaremos uma revisão completa da álgebra de conjuntos, mas mencionaremos quatro igualdades
de considerável importância. Estas são as leis distributivas, dadas por
A ÿ (B ÿ C) = (A ÿ B) ÿ (A ÿ C),
A ÿ (B ÿ C) = (A ÿ B) ÿ (A ÿ C),
e as leis de DeMorgan:
(A ÿ B) = A ÿ B e (A ÿ B) = A ÿ B.
Na próxima seção prosseguiremos com uma discussão elementar da teoria das

probabilidades.
Exercícios
2.1 Suponha que uma família contenha duas crianças de idades diferentes e estejamos interessados no sexo dessas crianças.
Seja F denotar que uma criança é do sexo feminino e M que a criança é do sexo masculino e seja um
pares como FM denotam que a criança mais velha é do sexo feminino e a mais nova é do sexo masculino. Existem
quatro pontos no conjunto S de observações possíveis:
S = {F F, F M, M F, M M}.
Deixe A denotar o subconjunto de possibilidades que não contém machos; B, o subconjunto contendo dois machos;
e C, o subconjunto contendo pelo menos um macho. Liste os elementos de A, B, C, A ÿ B, A ÿ B, A ÿ C, A ÿ C, B ÿ
C, B ÿ C e C ÿ B.
2.2 Suponha que A e B sejam dois eventos. Escreva expressões envolvendo uniões, interseções e
complementos que descrevem o seguinte:
a Ambos os eventos ocorrem.
b Pelo menos um ocorre.
c Nenhum dos dois ocorre.
d Exatamente um ocorre.
2.3 Desenhe diagramas de Venn para verificar as leis de DeMorgan. Ou seja, para quaisquer dois conjuntos A e B,(A ÿ B) =
A ÿ B e (A ÿ B) = A ÿ B.
2.4 Se A e B são dois conjuntos, desenhe diagramas de Venn para verificar o seguinte:
umaA = (A ÿ B ) ÿ (A ÿ B). b Se
B ÿ A então A = B ÿ (A ÿ B).
2.5 Consulte o Exercício 2.4. Use as identidades A = A ÿ S e S = B ÿ B e uma lei distributiva para
provar isso
umaA = (A ÿ B ) ÿ (A ÿ B). b Se
B ÿ A então A = B ÿ (A ÿ B). c Além disso,
mostre que (A ÿ B) e (A ÿ B) são mutuamente exclusivos e, portanto, que A é o
união de dois conjuntos mutuamente exclusivos, (A ÿ B) e (A ÿ B).
d Mostre também que B e (A ÿ B) são mutuamente exclusivos e se B ÿ A, A é a união de dois conjuntos
mutuamente exclusivos, B e (A ÿ B).
2.6 A partir de um inquérito a 60 estudantes que frequentam uma universidade, descobriu-se que 9 viviam fora do campus,
36 eram estudantes de licenciatura e 3 eram estudantes de licenciatura que viviam fora do campus. Encontre o
número desses alunos que estavam
eram estudantes de graduação, moravam fora do campus, ou ambos.
b alunos de graduação que moram no campus. c
estudantes de pós-graduação que moram no campus.
2.7 Um grupo de cinco candidatos a dois empregos idênticos consiste em três homens e duas mulheres. O
empregador deve selecionar dois dos cinco candidatos para os empregos. Seja S o conjunto de todos os
resultados possíveis para a seleção do empregador. Seja A o subconjunto de resultados correspondente à
seleção de dois homens e B o subconjunto correspondente à seleção de pelo menos uma mulher.
Liste os resultados em A, B, A ÿ B, A ÿ B e A ÿ B. (Denote os diferentes homens e mulheres por M1, M2,
M3 e W1, W2, respectivamente.)
2.8 Suponha que dois dados sejam lançados e os números nas faces superiores sejam observados. Seja S o
conjunto de todos os pares possíveis que podem ser observados. [Esses pares podem ser listados, por
exemplo, deixando (2, 3) denotar que um 2 foi observado no primeiro dado e um 3 no segundo.]
a Defina os seguintes subconjuntos de S:
R: O número do segundo dado é par.

B: A soma dos dois números é par.
C: Pelo menos um número no par é ímpar.
b Liste os pontos em A, C, A ÿ B, A ÿ B, A ÿ B e A ÿ C.
2.4 Um modelo probabilístico para um

experimento: o caso discreto
Na Seção 2.2 nos referimos ao experimento de lançamento de dados quando observamos o número aparecendo
na face superior. Usaremos o termo experimento para incluir observações obtidas em situações completamente
incontroláveis (como observações sobre o preço diário de uma determinada ação), bem como aquelas feitas sob
condições controladas de laboratório. Temos a seguinte definição:
2.4 Um modelo probabilístico para um experimento: o caso discreto 27
DEFINIÇÃO 2.1 Um experimento é o processo pelo qual uma observação é feita.
Exemplos de experimentos incluem lançamento de moedas e dados, medição da pontuação de QI de um

indivíduo ou determinação do número de bactérias por centímetro cúbico em uma porção de alimento
processado.
Quando um experimento é realizado, ele pode resultar em um ou mais resultados, que são chamados
de eventos. Em nossas discussões, os eventos serão indicados por letras maiúsculas. Se o experimento
consistir em contar o número de bactérias em uma porção de alimento, alguns eventos de interesse
poderiam ser
R: Exatamente 110 bactérias estão presentes.

B: Mais de 200 bactérias estão presentes.
C: O número de bactérias presentes está entre 100 e 300.
Alguns eventos associados a um único lançamento de um dado equilibrado são estes:
R: Observe um número ímpar.

B: Observe um número menor que 5.
C: Observe um 2 ou um 3.
E1: Observe um 1.
E2: Observe um 2.
E3: Observe um 3.
E4: Observe um 4.
E5: Observe um 5.
E6: Observe um 6.
Você pode ver que há uma diferença distinta entre alguns dos eventos associados ao experimento de
lançamento de dados. Por exemplo, se você observar o evento A (um número ímpar), ao mesmo tempo
terá observado E1, E3 ou E5. Assim, o evento A, que pode ser decomposto em três outros eventos, é
denominado evento composto. Por outro lado, os eventos E1, E2, E3, E4, E5 e E6 não podem ser
decompostos e são chamados de eventos simples. Um evento simples pode acontecer apenas de uma
maneira, enquanto um evento composto pode acontecer de mais de uma maneira distinta.
Certos conceitos da teoria dos conjuntos são úteis para expressar as relações entre vários eventos
associados a um experimento. Como os conjuntos são coleções de pontos, associamos um ponto distinto,
denominado ponto amostral, a cada evento simples associado a um experimento.
DEFINIÇÃO 2.2 Um evento simples é um evento que não pode ser decomposto. Cada evento simples corresponde a um e apenas
um ponto amostral. A letra E com um subscrito será usada para denotar um evento simples ou o
ponto amostral correspondente.
Assim, podemos pensar em um evento simples como um conjunto que consiste em um único ponto –
ou seja, o único ponto amostral associado ao evento.
FIGURA 2.7 S
Diagrama de Venn para o
espaço amostral
E1 E6
associado ao
experimento de E3 E5
lançamento de dados
E2 E4
DEFINIÇÃO 2.3 O espaço amostral associado a um experimento é o conjunto que consiste em todos os pontos
amostrais possíveis. Um espaço amostral será denotado por S.
Podemos ver facilmente que o espaço amostral S associado ao experimento de lançamento

de dados consiste em seis pontos amostrais correspondentes aos seis eventos simples E1, E2,
E3, E4, E5 e E6. Ou seja, S = {E1, E2, E3, E4, E5, E6}. Um diagrama de Venn exibindo o
espaço amostral para o experimento de lançamento de dados é dado na Figura 2.7.
Para o exemplo microbiológico de contagem de bactérias em uma amostra de alimento, deixe E0
corresponder à observação de 0 bactérias, E1 corresponder à observação de 1 bactéria e assim por
diante. Então o espaço amostral é
S = {E0, E1, E2,...}
porque nenhum número inteiro de bactérias pode ser descartado como um resultado possível.
Ambos os espaços amostrais que examinamos têm a propriedade de consistir em um número
finito ou contável de pontos amostrais. No exemplo do lançamento de dados, existem seis (um
número finito) pontos de amostra. O número de pontos amostrais associados ao experimento de
contagem de bactérias é infinito, mas o número de pontos amostrais distintos pode ser colocado em
uma correspondência um a um com os números inteiros (ou seja, o número de pontos amostrais é
contável). Dizemos que tais espaços amostrais são discretos.
DEFINIÇÃO 2.4 Um espaço amostral discreto é aquele que contém um número finito ou contável de pontos amostrais distintos.
Quando um experimento é conduzido uma única vez, você observará um e apenas um evento
simples. Por exemplo, se você jogar um dado e observar um 1, não poderá ao mesmo tempo observar
um 2. Assim, o ponto de amostra único E1 associado à observação de 1 e o ponto de amostra único
E2 associado à observação de 2 são distintos, e os conjuntos{E1} e {E2} são conjuntos mutuamente
exclusivos. Assim, os eventos E1 e E2 são eventos mutuamente exclusivos. Da mesma forma, todos
os eventos simples distintos correspondem a conjuntos mutuamente exclusivos de eventos simples e
são, portanto, eventos mutuamente exclusivos.
Para experimentos com espaços amostrais discretos, eventos compostos podem ser vistos como
coleções (conjuntos) de pontos amostrais ou, equivalentemente, como uniões de conjuntos de pontos
amostrais únicos correspondentes aos eventos simples apropriados. Por exemplo, o evento de
lançamento de um dado A (observe um número ímpar) ocorrerá se e somente se um dos simples
FIGURA 2.8 S
Diagrama de Venn para o
experimento de
E
E1 6
lançamento de dados
A E5
E3
B
E2 E4
eventos E1, E3 ou E5 ocorrem. Por isso,
A = {E1, E3, E5} ou A = E1 ÿ E3 ÿ E5.
Da mesma forma, B (observe um número menor que 5) pode ser escrito como
B = {E1, E2, E3, E4} ou B = E1 ÿ E2 ÿ E3 ÿ E4.
A regra para determinar quais eventos simples incluir em um evento composto é muito precisa. Um evento
simples Ei está incluído no evento A se e somente se A ocorre sempre que Ei
ocorre.
DEFINIÇÃO 2.5 Um evento em um espaço amostral discreto S é uma coleção de pontos amostrais - isto é, qualquer
subconjunto de S.
A Figura 2.8 fornece um diagrama de Venn representando o espaço amostral e os eventos A (observe
um número ímpar) e B (observe um número menor que 5) para o experimento de lançamento de dados.
Observe que é fácil visualizar a relação entre os eventos usando um diagrama de Venn.
Pela Definição 2.5, qualquer evento em um espaço amostral discreto S é um subconjunto de S. No

exemplo relativo à contagem de bactérias em uma porção de alimento, o evento B (o número de bactérias
é superior a 200) pode ser expresso como
B = {E201, E202, E203,...},
onde Ei denota o simples evento de que existem i bactérias presentes na amostra de alimento e i = 0, 1,
2,... .
Um modelo probabilístico para um experimento com um espaço amostral discreto pode ser construído
atribuindo uma probabilidade numérica a cada evento simples no espaço amostral S. Selecionaremos esse
número, uma medida de nossa crença na ocorrência do evento em uma única repetição. do experimento,
de forma que seja consistente com o conceito de frequência relativa de probabilidade. Embora a frequência
relativa não forneça uma definição rigorosa de probabilidade, qualquer definição aplicável ao mundo real
deve concordar com a nossa noção intuitiva das frequências relativas dos eventos.
Ao analisar o conceito de frequência relativa de probabilidade, vemos que três con-

condições devem ser mantidas.
1. A frequência relativa de ocorrência de qualquer evento deve ser maior ou igual

para zero. Uma frequência relativa negativa não faz sentido.
2. A frequência relativa de todo o espaço amostral S deve ser unitária. Como todo resultado
possível do experimento é um ponto em S, segue-se que S deve ocorrer toda vez que o
experimento for realizado.
3. Se dois acontecimentos são mutuamente exclusivos, a frequência relativa da sua união é a
soma das respetivas frequências relativas. (Por exemplo, se a experiência de lançar um dado
equilibrado resultar em 1 em 1/6 dos lançamentos, deverá resultar em 1 ou 2 em 1/6 + 1/6 =
1/3 dos lançamentos.)
Estas três condições formam a base da seguinte definição de probabilidade.
DEFINIÇÃO 2.6 Suponha que S seja um espaço amostral associado a um experimento. Para cada evento A
em S (A é um subconjunto de S), atribuímos um número, P(A), chamado probabilidade de A,
de modo que os seguintes axiomas são válidos:
Axioma 1: P(A) ÿ 0.
Axioma 2: P(S) = 1.
Axioma 3: Se A1, A2, A3,... formam uma sequência de eventos mutuamente
exclusivos em pares em S (isto é, Ai ÿ Aj = ÿ se i = j), então
ÿ
P(A1 ÿ A2 ÿ A3 ÿ···) = Bem).

eu=1
Podemos facilmente mostrar que o Axioma 3, que é enunciado em termos de uma sequência infinita de
eventos, implica uma propriedade semelhante para uma sequência finita. Especificamente, se A1, A2,...,
An são eventos mutuamente exclusivos entre pares, então
n
P(A1 ÿ A2 ÿ A3 ÿ···ÿ An) = Bem).

eu=1
Observe que a definição estabelece apenas as condições que uma atribuição de probabilidades
deve satisfazer; não nos diz como atribuir probabilidades específicas aos acontecimentos. Por
exemplo, suponha que uma moeda rendeu 800 caras em 1.000 lançamentos anteriores. Considere a
experiência de mais um lançamento da mesma moeda. Existem dois resultados possíveis, cara ou
coroa e, portanto, dois eventos simples. A definição de probabilidade nos permite atribuir a esses
eventos simples quaisquer dois números não negativos cuja soma seja 1. Por exemplo, cada evento
simples poderia ter a probabilidade 1/2. À luz da história passada desta moeda, no entanto, pode ser
mais razoável atribuir uma probabilidade mais próxima de 0,8 ao resultado envolvendo cara. As
atribuições específicas de probabilidades devem ser consistentes com a realidade para que o modelo
probabilístico sirva a um propósito útil.
Para espaços amostrais discretos, basta atribuir probabilidades a cada evento simples. Se um
dado equilibrado for usado no exemplo do lançamento de dados, parece razoável supor que todos os
eventos simples teriam a mesma frequência relativa no longo prazo. Atribuiremos uma probabilidade
de 1/6 a cada evento simples: P(Ei) = 1/6, para i = 1, 2,..., 6. Esta atribuição de probabilidades
concorda com o Axioma 1. Para ver que o Axioma 2 está satisfeito, escreva
P(S) = P(E1 ÿ E2 ÿ···ÿ E6) = P(E1) + P(E2) +···+ P(E6) =
A segunda igualdade segue porque o Axioma 3 deve ser válido. O Axioma 3 também nos diz que
podemos calcular a probabilidade de qualquer evento somando as probabilidades do
eventos simples contidos nesse evento (lembre-se de que eventos simples distintos são mutuamente
exclusivo). O evento A foi definido como “observar um número ímpar”. Por isso,
P(A) = P(E1 ÿ E3 ÿ E5) = P(E1) + P(E3) + P(E5) = 1/2.
EXEMPLO 2.1 Um fabricante tem cinco terminais de computador aparentemente idênticos disponíveis para envio. Sem que ela
saiba, dois dos cinco estão com defeito. Uma ordem específica exige
dois dos terminais e é preenchido selecionando aleatoriamente dois dos cinco que são
disponível.
a Liste o espaço amostral para este experimento.

b Seja A o evento em que a ordem é atendida com dois terminais não defeituosos.
Liste os pontos de amostra em A.
c Construa um diagrama de Venn para o experimento que ilustra o evento A.
d Atribua probabilidades aos eventos simples de tal forma que a informação
sobre o experimento é usado e os axiomas da Definição 2.6 são atendidos.
e Encontre a probabilidade do evento A.
Solução a Deixe os dois terminais defeituosos serem rotulados como D1 e D2 e deixe os três terminais bons
terminais sejam rotulados como G1, G2 e G3. Qualquer ponto de amostragem único consistirá em
uma lista dos dois terminais selecionados para embarque. Os eventos simples podem ser
denotado por
E1 = {D1, D2}, E5 = {D2, G1}, E8 = {G1, G2}, E10 = {G2, G3}.

E2 = {D1, G1}, E6 = {D2, G2}, E9 = {G1, G3},
E3 = {D1, G2}, E7 = {D2, G3},
E4 = {D1, G3},
Assim, existem dez pontos amostrais em S, e S= {E1,E2,...,E10}.

b Evento A = {E8, E9, E10}.
c
S
E1 E5 E9
E2 E6 E10
E3 E7 A
E4 E8
d Como os terminais são selecionados aleatoriamente, qualquer par de terminais é tão provável
para ser selecionado como qualquer outro par. Assim, P(Ei) = 1/10, para i = 1, 2,..., 10, é um
atribuição razoável de probabilidades.
e Como A = E8 ÿ E9 ÿ E10, o Axioma 3 implica que
P(A) = P(E8) + P(E9) + P(E10) = 3/10.
A próxima seção contém uma descrição axiomática do método para calcular P(A) que acabamos
de usar.
Antes de prosseguirmos, observemos que existem experimentos para os quais o espaço amostral
não é contável e, portanto, não é discreto. Suponhamos, por exemplo, que o experimento consista em
medir o nível de glicose no sangue de um paciente diabético. O espaço amostral para este experimento
conteria um intervalo de números reais, e qualquer intervalo conteria um número incontável de valores.
Assim, o espaço amostral não é discreto.
Situações como esta serão discutidas no Capítulo 4. O restante deste capítulo é dedicado ao
desenvolvimento de métodos para calcular as probabilidades de eventos definidos em espaços
amostrais discretos.
Exercícios
2.9 O tipo sanguíneo de cada pessoa é A, B, AB ou O. Além disso, cada indivíduo tem o fator Rhesus (Rh) (+)
ou não (-). Um técnico médico registra o tipo sanguíneo e o fator Rh de uma pessoa. Liste o espaço
amostral para este experimento.
2.10 As proporções dos fenótipos sanguíneos, A, B, AB e O, na população de todos os caucasianos nos Estados
Unidos são aproximadamente 0,41, 0,10, 0,04 e 0,45, respectivamente. Um único caucasiano é
escolhido aleatoriamente da população.
a Liste o espaço amostral para este experimento. b

Faça uso das informações fornecidas acima para atribuir probabilidades a cada um dos eventos simples. c
Qual é a probabilidade de a pessoa escolhida aleatoriamente ter o tipo A ou o tipo AB?
sangue?
2.11 Um espaço amostral consiste em cinco eventos simples, E1, E2, E3, E4 e E5.
a Se P(E1) = P(E2) = 0,15, P(E3) = 0,4 e P(E4) = 2P(E5), encontre as probabilidades de

E4 e E5.
b Se P(E1) = 3P(E2) = 0,3, encontre as probabilidades dos eventos simples restantes se você
saiba que os eventos simples restantes são igualmente prováveis.
2.12 Um veículo que chega a um cruzamento pode virar à direita, virar à esquerda ou continuar em frente. O
experimento consiste em observar o movimento de um único veículo no cruzamento.
a Liste o espaço amostral para este experimento. b

Supondo que todos os pontos amostrais sejam igualmente prováveis, encontre a probabilidade de o veículo virar.
2.13 Os americanos podem ser bastante desconfiados, especialmente quando se trata de conspirações
governamentais. Quanto à questão de saber se a Força Aérea dos EUA reteve provas da existência de
vida inteligente noutros planetas, as proporções de americanos com opiniões divergentes são
apresentadas na tabela.
Exercícios 33
Opinião Proporção
Muito provavelmente .24
Um pouco provável .24
Improvável 0,40
Outro .12
Suponha que um americano seja selecionado e sua opinião seja registrada.
a Quais são os eventos simples para este experimento?
b Os acontecimentos simples que referiu na parte (a) são todos igualmente prováveis? Se não, quais são
probabilidades que devem ser atribuídas a cada um?
c Qual é a probabilidade de a pessoa selecionada achar pelo menos um pouco provável que o Air
A Força está retendo informações sobre vida inteligente em outros planetas?
2.14 Uma pesquisa classificou um grande número de adultos de acordo com o diagnóstico de
necessitam de óculos para corrigir a visão de leitura e se usam óculos para ler.
As proporções que se enquadram nas quatro categorias resultantes são apresentadas na tabela a seguir:
Usa óculos
para ler
Precisa de óculos Sim Não
Sim .44 .14

Não .02 0,40
Se um único adulto for selecionado do grande grupo, encontre as probabilidades dos eventos definidos
abaixo. O adulto
a precisa de óculos.
b precisa de óculos, mas não os usa.
c usa óculos, sejam eles necessários ou não.
2.15 Uma empresa de prospecção de petróleo encontra petróleo ou gás em 10% das suas perfurações. Se a empresa perfurar dois poços,
os quatro eventos simples possíveis e três de suas probabilidades associadas são como dados no
tabela anexa. Encontre a probabilidade de a empresa atingir petróleo ou gás
a na primeira perfuração e erro na segunda.
b em pelo menos uma das duas perfurações.
Resultado Simples de Resultado de

Evento Primeira Perfuração Probabilidade da Segunda Perfuração
E1 Acerto (petróleo ou gás) Acerto (petróleo ou gás) .01

E2 Bater Perder ?
E3 Perder Bater .09
E4 Perder Perder 0,81
2.16 Dos voluntários que chegam a um hemocentro, 1 em cada 3 tem sangue O+ , 1 em 15 tem sangue Oÿ, 1 em 3
têm A+ e 1 em 16 tem Aÿ. O nome de uma pessoa que já doou sangue é
selecionado a partir dos registros do centro. Qual é a probabilidade de a pessoa selecionada ter
um sangue tipo O+ ? b
sangue tipo O? c sangue
tipo A? não tem sangue
tipo A nem tipo O?
2.17 Os conjuntos hidráulicos de pouso provenientes de uma instalação de retrabalho de aeronave são inspecionados quanto a
defeitos. Registros históricos indicam que 8% apresentam defeitos apenas nos eixos, 6% apresentam defeitos apenas
nas buchas e 2% apresentam defeitos tanto nos eixos quanto nas buchas. Um dos conjuntos hidráulicos é selecionado
aleatoriamente. Qual é a probabilidade de a montagem ter
um defeito na bucha? b um
defeito no eixo ou na bucha? c
exatamente um dos dois tipos de defeitos? d nenhum tipo
de defeito?
2.18 Suponha que duas moedas equilibradas sejam lançadas e as faces superiores sejam observadas.
a Liste os pontos de amostra para este experimento. b Atribua
uma probabilidade razoável a cada ponto amostral. (Os pontos de amostra são igualmente
provável?)
c Seja A o evento em que exatamente uma cabeça é observada e B o evento em que pelo menos uma cabeça é observada.
Liste os pontos de amostra em A e B.
d Na sua resposta da parte (c), encontre P(A), P(B), P(A ÿ B), P(A ÿ B) e P(A ÿ B).
2.19 Um escritório comercial solicita suprimentos de papel de um dos três fornecedores, V1, V2 ou V3. Os pedidos
devem ser feitos em dois dias consecutivos, um pedido por dia. Assim, (V2, V3) pode denotar que o fornecedor
V2 recebe o pedido no primeiro dia e o fornecedor V3 recebe o pedido no segundo dia.
a Liste os pontos de amostra neste experimento de encomendar papel em dois dias consecutivos. b Suponha que os
fornecedores sejam selecionados aleatoriamente a cada dia e atribua uma probabilidade a cada amostra
apontar.
c Seja A o evento em que o mesmo fornecedor recebe ambos os pedidos e B o evento em que V2 recebe pelo menos um
pedido. Encontre P(A), P(B), P(A ÿ B) e P(A ÿ B) somando as probabilidades dos pontos amostrais nesses eventos.
*2.20 O jogo a seguir foi disputado em um programa de televisão popular. O apresentador mostrou ao competidor três grandes cortinas. Atrás
de uma das cortinas havia um belo prêmio (talvez um carro novo) e atrás das outras duas cortinas havia prêmios inúteis
(insucessos). O competidor foi convidado a escolher uma cortina. Se as cortinas forem identificadas pelos seus prêmios, elas
poderão ser rotuladas como G, D1 e D2 (Bom
1
Prêmio, Dud1 e Dud2). Assim, o espaço amostral para escolha dos competidores é S = {G, D1, D2}.
a Se o competidor não tiver ideia de quais cortinas escondem os vários prêmios e selecionar uma cortina aleatoriamente, atribua
probabilidades razoáveis aos eventos simples e calcule a probabilidade de o competidor selecionar a cortina que esconde
o belo prêmio. b Antes de mostrar ao competidor o que estava por trás da
cortina inicialmente escolhida, o apresentador do game show abria uma das cortinas e mostrava ao competidor um dos
insucessos (ele sempre poderia fazer isso porque conhecia a cortina que escondia o bom prêmio). Ele então ofereceu o
1. Os exercícios precedidos de asterisco são opcionais.

2.5 Calculando a Probabilidade de um Evento: O Método do Ponto de Amostra 35
ao concorrente a opção de mudar da cortina inicialmente selecionada para a outra cortina restante
ainda não aberta. Qual estratégia maximiza a probabilidade do competidor ganhar o bom prêmio:
ficar com a escolha inicial ou mudar para a outra cortina? Ao responder à seguinte sequência de
perguntas, você descobrirá que, talvez surpreendentemente, essa pergunta pode ser respondida
considerando apenas o espaço amostral acima e usando as probabilidades que você atribuiu para
responder à parte (a).
i Se o competidor optar por permanecer com sua escolha inicial, ele ganhará o prêmio bom se, e
somente se, inicialmente escolheu a cortina G. Se ele permanecer com sua escolha inicial, qual
é a probabilidade de ganhar o prêmio bom? ii
Se o anfitrião mostrar a ela uma das cortinas insucessos e ela mudar para a outra cortina fechada,
qual será o resultado se ela tivesse inicialmente selecionado G?
iii Responda à pergunta da parte (ii) se ela inicialmente selecionou um dos insucessos.
iv Se o competidor mudar de sua escolha inicial (como resultado de ver um dos insucessos), qual é
a probabilidade de o competidor ganhar o prêmio bom? v Qual estratégia maximiza
a probabilidade do competidor ganhar o bom prêmio: ficar
com a escolha inicial ou mudar para a outra cortina?
*2.21 Se A e B são eventos, use o resultado derivado no Exercício 2.5(a) e os Axiomas na Definição 2.6 para provar
que
P(A) = P(A ÿ B) + P(A ÿ B).
*2.22 Se A e B são eventos e B ÿ A, use o resultado derivado no Exercício 2.5(b) e os Axiomas em

Definição 2.6 para provar que
P(A) = P(B) + P(A ÿ B).
2.23 Se A e B são eventos e B ÿ A, por que é “óbvio” que P(B) ÿ P(A)?
2.24 Use o resultado do Exercício 2.22 e os Axiomas da Definição 2.6 para provar o resultado “óbvio” do Exercício
2.23.
2.5 Calculando a probabilidade de um evento: o

método do ponto de amostra
Encontrar a probabilidade de um evento definido em um espaço amostral que contém um conjunto
finito ou enumerável (contávelmente infinito) de pontos amostrais pode ser abordado de duas
maneiras, os métodos de ponto amostral e de composição de evento . Ambos os métodos utilizam
o modelo de espaço amostral, mas diferem na sequência de etapas necessárias para obter uma
solução e nas ferramentas utilizadas. A separação dos dois procedimentos pode não ser agradável
para o teórico que busca a unidade, mas pode ser extremamente útil para um iniciante que tenta
encontrar a probabilidade de um evento. Nesta seção consideramos o método do ponto de amostragem.
O método de composição de eventos requer resultados adicionais e será apresentado na Seção
2.9.
O método do ponto de amostragem é descrito na Seção 2.4. As etapas a seguir são usadas para
encontrar a probabilidade de um evento:
1. Defina o experimento e determine claramente como descrever um experimento simples

evento.
2. Liste os eventos simples associados ao experimento e teste cada um deles para ter certeza de
que não podem ser decompostos. Isso define o espaço amostral S.
3. Atribua probabilidades razoáveis aos pontos amostrais em S, certificando-se de que P(Ei) ÿ 0 e
P(Ei) = 1.
4. Defina o evento de interesse, A, como uma coleção específica de pontos amostrais.
(Um ponto amostral está em A se A ocorre quando o ponto amostral ocorre. Teste todos os
pontos amostrais em S para identificar aqueles em A.)
5. Encontre P(A) somando as probabilidades dos pontos amostrais em A.
Ilustraremos essas etapas com três exemplos.
EXEMPLO 2.2 Considere o problema de selecionar dois candidatos para um emprego em um grupo de cinco e imagine que os
candidatos variam em competência, sendo 1 o melhor, 2 o segundo melhor e assim por diante, para 3, 4
e 5. Essas classificações são obviamente desconhecidos do empregador. Defina dois eventos A e B
como:
R: O empregador seleciona o melhor e um dos dois piores candidatos

(candidatos 1 e 4 ou 1 e 5).
B: O empregador seleciona pelo menos um dos dois melhores.
Encontre as probabilidades desses eventos.
Solução As etapas são as seguintes: 1. O

experimento envolve a seleção aleatória de dois candidatos entre cinco. Denotar
a seleção dos candidatos 3 e 5 por {3, 5}.
2. Os dez eventos simples, com {i, j} denotando a seleção dos candidatos i e
j, são
E1 : {1, 2}, E5 : {2, 3}, E8 : {3, 4}, E10 : {4, 5}.

E2 : {1, 3}, E6 : {2, 4}, E9 : {3, 5}, E3 : {1, 4},
E7: {2 , 5}, E4 : {1, 5},
3. Uma seleção aleatória de dois entre cinco dá a cada par chances iguais de seleção. Portanto,
atribuiremos a cada ponto amostral a probabilidade de 1/10. Aquilo é,
P(Não) = 1/10 = 0,1, eu = 1, 2,..., 10.
4. Verificando os pontos amostrais, vemos que B ocorre sempre que ocorre E1, E2, E3, E4, E5, E6
ou E7 . Portanto, esses pontos de amostra estão incluídos em B.
2.5 Calculando a Probabilidade de um Evento: O Método do Ponto de Amostra 37
5. Finalmente, P(B) é igual à soma das probabilidades dos pontos amostrais em

B, ou
7 7
P(B) = P(Não) = 0,1 = 0,7.

eu=1 eu=1
Da mesma forma, vemos que o evento A = E3 ÿ E4 e que P(A) = 0,1 + 0,1 = 0,2.
A solução deste e de problemas semelhantes seria importante para o diretor de pessoal de uma
empresa.
EXEMPLO 2.3 Uma moeda equilibrada é lançada três vezes. Calcule a probabilidade de que exatamente dois dos três
lançamentos resultem em cara.
Solução As cinco etapas do método de pontos amostrais são as seguintes: 1. O

experimento consiste em observar os resultados (cara ou coroa) para cada um dos três lançamentos
de uma moeda. Um evento simples para este experimento pode ser simbolizado por uma
sequência de três letras de H e T , representando cara e coroa, respectivamente.
A primeira letra da sequência representa a observação da primeira moeda. A segunda letra
representa a observação da segunda moeda e assim por diante.
2. Os oito eventos simples em S são
E1 : HHH, E3 : HTH, E5 : HTT , E7 : TTH,

E2 : HHT , E4 : TH, E6 : TH , E8 : TTT .
3. Como a moeda está equilibrada, esperaríamos que os acontecimentos simples fossem igualmente
provável; aquilo é,
P(Não) = 1/8, eu = 1, 2,..., 8.
4. O evento de interesse, A, é o evento em que exatamente dois dos lançamentos resultam em

cabeças. Um exame dos pontos de amostragem verificará que
UMA = {E2, E3, E4}.
5. Finalmente,
P(A) = P(E2) + P(E3) + P(E4) = 1/8 + 1/8 + 1/8 = 3/8.
Embora os pontos amostrais nos espaços amostrais associados aos Exemplos 2.2 e 2.3 sejam
igualmente prováveis, é importante perceber que os pontos amostrais não precisam ser igualmente
prováveis. Segue um exemplo para ilustrar esse ponto.
EXEMPLO 2.4 As probabilidades são de duas para uma de que, quando A e B jogam tênis, A vence. Suponha que A e B
joguem duas partidas. Qual é a probabilidade de A vencer pelo menos uma partida?
Solução
1. O experimento consiste em observar o vencedor (A ou B) de cada uma das duas partidas.
Deixe AB denotar o evento em que o jogador A vence a primeira partida e o jogador B vence
a segunda.
2. O espaço amostral do experimento consiste em quatro pontos amostrais:
E1 : AA, E2 : AB, E3 : BA , E4 : BB
3. Como A tem mais chances de vencer qualquer partida, não parece apropriado atribuir
probabilidades iguais a esses pontos amostrais. Como você verá na Seção 2.9, sob certas
condições é razoável fazer a seguinte atribuição de probabilidades:
P(E1) = 4/9, P(E2) = 2/9, P(E3) = 2/9, P(E4) = 1/9.
Observe que, embora as probabilidades atribuídas aos eventos simples não sejam todas
iguais, P(Ei) ÿ 0, para i = 1, 2, 3, 4, e P(Ei) = 1. S
4. O evento de interesse é que A ganhe pelo menos um jogo. Assim, se denotarmos o
evento de interesse como C, é facilmente visto que
C = E1 ÿ E2 ÿ E3.
5. Finalmente,
P(C) = P(E1) + P(E2) + P(E3) = 4/9 + 2/9 + 2/9 = 8/9.
O método de amostragem para resolver um problema de probabilidade é direto e poderoso e, em

alguns aspectos, é uma abordagem de escavadeira. Pode ser aplicado para encontrar a probabilidade
de qualquer evento definido em um espaço amostral contendo um conjunto finito ou contável de
pontos amostrais, mas não é resistente ao erro humano. Erros comuns incluem diagnosticar
incorretamente a natureza de um evento simples e não listar todos os pontos amostrais em S. Uma
segunda complicação ocorre porque muitos espaços amostrais contêm um número muito grande de
pontos amostrais e uma itemização completa é tediosa e demorada e pode ser praticamente
impossível.
Felizmente, muitos espaços amostrais gerados por dados experimentais contêm subconjuntos de
pontos amostrais que são equiprováveis. (Os espaços amostrais dos Exemplos 2.1, 2.2 e 2.3 possuem
esta propriedade.) Quando isso ocorre, não precisamos listar os pontos, mas podemos simplesmente
contar o número em cada subconjunto. Se tais métodos de contagem não forem aplicáveis, um
método ordenado deve ser usado para listar os pontos amostrais (observe os esquemas de listagem
dos Exemplos 2.1, 2.2 e 2.3). A listagem de um grande número de pontos amostrais pode ser
realizada usando um computador.
As ferramentas que reduzem o esforço e o erro associados à abordagem do ponto de amostragem
para encontrar a probabilidade de um evento incluem a ordem, um computador e a teoria matemático-
matemática da contagem, chamada análise combinatória . A programação e os aplicativos de
computadores constituem um tópico para estudo separado. A teoria matemática da análise
combinatória também é um assunto amplo, mas alguns resultados bastante úteis podem ser fornecidos
Exercícios 39
sucintamente. Portanto, nosso próximo tópico diz respeito a alguns resultados elementares
em análise combinatória e sua aplicação à abordagem de pontos amostrais para a solução de
problemas de probabilidade.
Exercícios
2.25 Um único carro é selecionado aleatoriamente entre todos os registrados em uma agência local.
O que você acha da seguinte afirmação? “Todos os carros são Volkswagens ou não.
Portanto, a probabilidade é 1/2 de que o carro selecionado seja um Volkswagen.”
2.26 Três vinhos importados devem ser classificados do menor para o maior por um suposto especialista em vinhos. Ou
seja, um vinho será identificado como melhor, outro como segundo melhor e o restante vinho como pior.
a Descreva um ponto de amostra para este experimento. b

Liste o espaço amostral. c
Suponha que o “especialista” realmente não saiba nada sobre vinho e atribua classificações aleatórias aos três
vinhos. Um dos vinhos é de qualidade muito melhor que os outros. Qual é a probabilidade de o especialista
classificar o melhor vinho como o segundo melhor?
2.27 No Exercício 2.12 consideramos uma situação em que os carros que entram em um cruzamento poderiam virar à
direita, virar à esquerda ou seguir em frente. Um experimento consiste em observar dois veículos se movendo no
cruzamento.
a Quantos pontos amostrais existem no espaço amostral? Liste-os. b Supondo que

todos os pontos amostrais sejam igualmente prováveis, qual é a probabilidade de que pelo menos um
carro vira à esquerda?
c Novamente assumindo pontos amostrais igualmente prováveis, qual é a probabilidade de que no máximo um
veículo gira?
2.28 Quatro pessoas igualmente qualificadas candidatam-se a dois cargos idênticos numa empresa. Um e apenas um
candidato é membro de um grupo minoritário. As vagas são preenchidas escolhendo aleatoriamente dois
candidatos.
a Liste os resultados possíveis para este experimento. b

Atribua probabilidades razoáveis aos pontos amostrais. c Encontre
a probabilidade de o candidato do grupo minoritário ser selecionado para uma posição.
2.29 São necessários dois jurados adicionais para completar um júri para um julgamento criminal. Há seis jurados em
potencial, duas mulheres e quatro homens. Dois jurados são selecionados aleatoriamente entre os seis disponíveis.
a Defina o experimento e descreva um ponto de amostra. Suponha que você precise descrever apenas
os dois jurados escolhidos e não a ordem em que foram selecionados.
b Liste o espaço amostral associado a este experimento. c Qual é a
probabilidade de ambos os jurados selecionados serem mulheres?
2.30 De acordo com o Webster's New Collegiate Dictionary, uma varinha de adivinhação é “uma vareta bifurcada que se
acredita indicar [divina] a presença de água ou minerais, mergulhando para baixo quando segurada sobre uma
veia”. Para testar as afirmações de um especialista em varas de adivinhação, os céticos enterram quatro latas no
chão, duas vazias e duas cheias de água. O especialista é conduzido até as quatro latas e informado que duas
contêm água. Ele usa a varinha mágica para testar cada uma das quatro latas e decidir quais delas contêm água.
a Liste o espaço amostral para este experimento. b Se

a varinha mágica for completamente inútil para localizar água, qual é a probabilidade de o especialista identificar
corretamente (adivinhando) ambas as latas contendo água?
2.31 O Gabinete do Censo informa que o rendimento familiar médio de todas as famílias nos Estados Unidos durante
o ano de 2003 foi de 43.318 dólares. Ou seja, metade de todas as famílias americanas tinha rendimentos
superiores a esse valor e metade tinha rendimentos iguais ou inferiores a esse valor. Suponhamos que são
inquiridas quatro famílias e que cada uma revela se o seu rendimento excedeu os 43.318 dólares em 2003.
a Liste os pontos no espaço amostral. b Identifique
os eventos simples em cada um dos seguintes eventos:
R: Pelo menos dois tinham rendimentos superiores a US$ 43.318.
B: Exatamente dois tinham rendimentos superiores a US$ 43.318.
C: Exatamente um tinha renda menor ou igual a US$ 43.318.
c Faça uso da interpretação dada para a mediana para atribuir probabilidades aos eventos simples e encontrar P(A), P(B)
e P(C).
2.32 Os pacientes que chegam ao ambulatório de um hospital podem selecionar um dos três postos para atendimento.
Suponha que os médicos sejam designados aleatoriamente para as estações e que os pacientes, portanto, não tenham
preferência de estação. Três pacientes chegam à clínica e sua seleção de postos é observada.
a Liste os pontos de amostra para o experimento. b Seja A
o evento em que cada estação recebe um paciente. Liste os pontos amostrais em A. c Faça uma atribuição
razoável de probabilidades aos pontos amostrais e encontre P(A).
2.33 Um vagão contém seis sistemas eletrônicos complexos. Dois dos seis devem ser selecionados aleatoriamente
para testes completos e então classificados como defeituosos ou não defeituosos.
a Se dois dos seis sistemas forem realmente defeituosos, encontre a probabilidade de que pelo menos um dos dois
sistemas testados seja defeituoso. Encontre a probabilidade de ambos serem defeituosos. b Se quatro
dos seis sistemas forem realmente defeituosos, encontre as probabilidades indicadas na parte (a).
2.34 Um varejista vende apenas dois estilos de consoles estéreo, e a experiência mostra que eles têm igual demanda.
Quatro clientes consecutivos entram na loja para encomendar aparelhos de som. O varejista é
interessados em suas preferências.
a Liste as possibilidades de acordos de preferência entre os quatro clientes (ou seja, liste o espaço amostral). b Atribua
probabilidades aos
pontos amostrais. c Deixe A denotar o evento em que
todos os quatro clientes preferem o mesmo estilo. Encontre P(A).
2.6 Ferramentas para contagem de pontos de amostra
Esta seção apresenta alguns resultados úteis da teoria da análise combinatória e ilustra sua aplicação ao
método de pontos amostrais para encontrar a probabilidade de um evento. Em muitos casos, esses
resultados permitem contar o número total de pontos amostrais no espaço amostral S e em um evento de
interesse, fornecendo assim uma confirmação de sua listagem de eventos simples. Quando o número de
eventos simples em um espaço amostral é muito grande e a enumeração manual de cada ponto amostral é
tediosa ou mesmo impossível, contar o número de pontos no espaço amostral e no evento de interesse pode
ser a única maneira eficiente de calcular o probabilidade de um evento. De fato, se um espaço amostral
contém N pontos amostrais equiprováveis e um evento A contém exatamente na pontos amostrais, é
facilmente visto que P(A) = na/N.
2.6 Ferramentas para Contagem de Pontos de Amostra 41
FIGURA 2.9 a1 a2 a3 sou
~
Tabela indicando o
número de pares b1
(ai, bj)
~
~
b2
~
~
b3
~
~
~ ~ ~ ~ ~ ~
~ ~ ~ ~ ~ ~
~
~
bilhões
O primeiro resultado da análise combinatória que apresentamos, muitas vezes chamado de mn

regra, é declarado da seguinte forma:
TEOREMA 2.1 Com m elementos a1, a2,..., am e n elementos b1, b2,..., bn, é possível
para formar pares mn = m × n contendo um elemento de cada grupo.
Prova A verificação do teorema pode ser vista observando a tabela retangular em

Figura 2.9. Há um quadrado na tabela para cada par ai, bj e, portanto, um total
de m × n quadrados.
A regra mn pode ser estendida a qualquer número de conjuntos. Dados três conjuntos de elementos -
a1, a2,..., sou; b1, b2,..., bn; e c1, c2,..., cp—o número de trigêmeos distintos
contendo um elemento de cada conjunto é igual a mnp. A prova do teorema para
três conjuntos envolve duas aplicações do Teorema 2.1. Pensamos no primeiro conjunto como um
(ai, bj) pareie e una cada um desses pares com elementos do terceiro conjunto, c1, c2,..., cp.
O Teorema 2.1 implica que existem mn pares (ai, bj). Porque existem p elementos
c1, c2,..., cp, outra aplicação do Teorema 2.1 implica que existem (mn)(p) =
mnp trigêmeos aibj ck .
EXEMPLO 2.5 Um experimento envolve lançar um par de dados e observar os números na parte superior
rostos. Encontre o número de pontos amostrais em S, o espaço amostral do experimento.
Solução Um ponto amostral para este experimento pode ser representado simbolicamente como um ponto ordenado
par de números que representam os resultados no primeiro e no segundo dados, respectivamente.
Assim, (4, 5) denota o evento em que a face superior no primeiro dado era um 4 e assim por diante.
o segundo dado, um 5. O espaço amostral S consiste no conjunto de todos os pares possíveis (x, y),
onde x e y são números inteiros entre 1 e 6.
O primeiro dado pode resultar em um de seis números. Estes representam a1, a2,...,
a6. Da mesma forma, o segundo dado pode cair de seis maneiras, e estas correspondem a
b1, b2,..., b6. Então m = n = 6 e o número total de pontos amostrais em S é
mn = (6)(6) = 36.
EXEMPLO 2.6 Consulte o experimento de lançamento de moeda no Exemplo 2.3. Descobrimos neste exemplo que o
número total de pontos amostrais era oito. Use a extensão da regra mn para confirmar este resultado.
Solução Cada ponto amostral em S foi identificado por uma sequência de três letras, onde cada posição na
sequência continha uma de duas letras, um H ou um T. O problema envolve, portanto, . a formação
de triplos, com um elemento (um H ou um T ) de cada um dos três conjuntos. Para este exemplo, os
conjuntos são idênticos e todos contêm dois elementos (H e T ). Assim, o número de elementos em
cada conjunto é m = n = p = 2, e o número total de triplos que podem ser formados é mnp = (2)3 = 8.
EXEMPLO 2.7 Considere um experimento que consiste em registrar o aniversário de cada uma de 20 pessoas selecionadas
aleatoriamente. Ignorando os anos bissextos e assumindo que existem apenas 365 aniversários
distintos possíveis, encontre o número de pontos no espaço amostral S para este experimento.
Se assumirmos que cada um dos possíveis conjuntos de aniversários é equiprovável, qual é a
probabilidade de que cada pessoa entre os 20 tenha um aniversário diferente?
Solução Numere os dias do ano 1, 2, ..., 365. Um ponto amostral para este experimento pode ser representado
por uma sequência ordenada de 20 números, onde o primeiro número denota o número do dia que
é o aniversário da primeira pessoa , o segundo número indica o número do dia do aniversário da
segunda pessoa e assim por diante. Estamos preocupados com o número de 20 tuplas que podem
ser formadas, selecionando um número que representa um dos 365 dias do ano de cada um dos 20
conjuntos. Os conjuntos são todos idênticos e cada um contém 365 elementos. Aplicações repetidas
da regra mn nos dizem que existem (365)20 dessas 20 tuplas. Assim, o espaço amostral S contém
N = (365)20 pontos amostrais. Embora não possamos listar de forma viável todos os pontos
amostrais, se assumirmos que eles são equiprováveis, P(Ei) = 1/(365)20 para cada evento simples.
Se denotarmos o evento de que cada pessoa tem um aniversário diferente por A, a probabilidade
de A pode ser calculada se pudermos determinar na, o número de pontos amostrais em A.
Um ponto de amostra está em A se a tupla de 20 correspondentes for tal que não há duas posições
contendo o mesmo número. Assim, o conjunto de números do qual o primeiro elemento em uma
tupla de 20 em A pode ser selecionado contém 365 números, o conjunto do qual o segundo elemento
pode ser selecionado contém 364 números (todos exceto aquele selecionado para o primeiro
elemento), o conjunto do qual o terceiro pode ser selecionado contém 363 (todos, exceto os dois
selecionados para os dois primeiros elementos), ... , e o conjunto do qual o 20º elemento pode ser
selecionado contém 346 elementos (todos, exceto aqueles selecionados para o primeiro 19 elementos).
Uma extensão da regra mn produz
que = (365) × (364) ×···× (346).
Finalmente, podemos determinar que

já 365 × 364 ×···× 346 =
P(A) = = 0,5886.
N (365)20
Observe que para os Exemplos 2.5 e 2.6 os números de pontos amostrais nos respectivos
espaços amostrais são relativamente pequenos e que listagens para esses espaços amostrais poderiam
ser facilmente anotado. Para casos como esses, a regra mn fornece um método simples
para verificar se os espaços amostrais contêm o número correto de pontos. Em contrapartida,
não é viável listar o espaço amostral no Exemplo 2.7. No entanto, a regra mn pode ser
usado para contar o número de pontos amostrais em S e em caso de interesse, permitindo
cálculo da probabilidade do evento.
Vimos que os pontos amostrais associados a um experimento muitas vezes podem ser
representado simbolicamente como uma sequência de números ou símbolos. Em alguns casos, é
ficará claro que o número total de pontos amostrais é igual ao número de maneiras distintas
que os respectivos símbolos possam ser organizados em sequência. O seguinte teorema pode
ser usado para determinar o número de arranjos ordenados que podem ser formados.
DEFINIÇÃO 2.7 Um arranjo ordenado de objetos distintos é chamado de permutação. O número de maneiras de ordenar n
objetos distintos tomados r de cada vez será designado
pelo símbolo Pn .
R
não!
TEOREMA 2.2 PnR = n(n ÿ 1)(n ÿ 2)···(n ÿ r + 1) = (n ÿ r)! .
Prova Estamos preocupados com o número de maneiras de preencher r posições com n distintas
objetos. Aplicando a extensão da regra mn , vemos que o primeiro objeto pode
ser escolhido de uma de n maneiras. Depois de escolhido o primeiro, o segundo pode ser escolhido
em (n ÿ 1) maneiras, a terceira em (n ÿ 2) e a r-ésima em (n ÿ r + 1) maneiras. Por isso,
o número total de arranjos distintos é
PnR = n(n ÿ 1)(n ÿ 2)···(n ÿ r + 1).
Expresso em termos de fatoriais,
(n ÿ r)! não!
PnR = n(n ÿ 1)(n ÿ 2)···(n ÿ r + 1) =
(n ÿ r)! (n ÿ r)!
onde n! = n(n ÿ 1)···(2)(1) e 0! = 1.
EXEMPLO 2.8 Os nomes de 3 funcionários serão sorteados aleatoriamente, sem reposição, de um

tigela contendo os nomes de 30 funcionários de uma pequena empresa. A pessoa cujo
o nome sorteado primeiro recebe $ 100, e os indivíduos cujos nomes são sorteados em segundo lugar
e o terceiro recebe US$ 50 e US$ 25, respectivamente. Quantos pontos de amostra estão associados
com este experimento?
Solução Como os prêmios concedidos são diferentes, o número de pontos amostrais é o número
de arranjos ordenados de r = 3 dos n = 30 nomes possíveis. Assim, o número
de pontos de amostra em S é
30!
P30 = = (30)(29)(28) = 24.360.
3
27!
EXEMPLO 2.9 Suponha que uma operação de montagem em uma fábrica envolva quatro etapas,
que pode ser executado em qualquer sequência. Se o fabricante desejar comparar
o tempo de montagem para cada uma das sequências, quantas sequências diferentes serão
envolvido no experimento?
Solução O número total de sequências é igual ao número de maneiras de organizar n = 4

passos dados r = 4 de cada vez, ou
4! 4!
P44 = = = 24.
(4 ÿ 4)! 0!
O próximo resultado da análise combinatória pode ser usado para determinar o número
de subconjuntos de vários tamanhos que podem ser formados particionando um conjunto de n objetos distintos
em k grupos não sobrepostos.
TEOREMA 2.3 O número de maneiras de particionar n objetos distintos em k grupos distintos

contendo n1, n2,..., nk objetos, respectivamente, onde cada objeto aparece em
k
exatamente um grupo e i=1 ni = n, é
n não!
N= = .
n1 n2 ··· etc. n1! n2! ··· gosto !
Prova N é o número de arranjos distintos de n objetos consecutivos para um caso em

cujo rearranjo dos objetos dentro de um grupo não conta. Por exemplo,
as letras de a a l são organizadas em três grupos, onde n1 = 3, n2 = 4 e
n3 = 5:
abc|defg|hijkl
é um desses arranjos.
O número de arranjos distintos dos n objetos, assumindo todos os objetos
são distintos, é Pn n = n! (do Teorema 2.2). Então Pn n é igual ao número de
maneiras de particionar os n objetos em k grupos (ignorando a ordem dentro dos grupos)
multiplicado pelo número de maneiras de ordenar os elementos n1, n2,..., nk
dentro de cada grupo. Esta aplicação da regra mn estendida dá
Pnn = (N) (n1! n2! n3 ! nk !),
onde está! é o número de arranjos distintos dos ni objetos no grupo i.

Resolvendo para N, temos
não! n
N= ÿ .
n1! n2! ··· gosto ! n1 n2 ··· etc.
Os termos n
são frequentemente chamados de coeficientes multinomiais porque
n1 n2 ··· etc.
ocorrem na expansão do termo multinomial y1 + y2 +···+ yk elevado à enésima potência:
n
(y1 + y2 +···+ yk )
n =
yn1
1 yn22 ··· ynk ok ,
n1 n2 ··· etc.
onde esta soma é tomada sobre todos ni = 0, 1,..., n tal que n1 + n2 +···+ nk = n.
EXEMPLO 2.10 Surgiu uma disputa trabalhista relativa à distribuição de 20 trabalhadores em quatro empregos diferentes
na construção. O primeiro emprego (considerado muito indesejável) exigia 6 trabalhadores; o
segundo, terceiro e quarto utilizaram 4, 5 e 5 trabalhadores, respectivamente. A disputa surgiu
sobre uma alegada distribuição aleatória dos trabalhadores pelos empregos que colocou todos
os 4 membros de um determinado grupo étnico no emprego 1. Ao considerar se a atribuição
representava injustiça, um painel de mediação desejou a probabilidade do evento observado.
Determine o número de pontos amostrais no espaço amostral S para este experimento.
Ou seja, determine o número de maneiras pelas quais os 20 trabalhadores podem ser divididos em grupos de
tamanhos apropriados para preencher todos os empregos. Encontre a probabilidade do evento observado se
for assumido que os trabalhadores são designados aleatoriamente para empregos.
Solução O número de maneiras de atribuir os 20 trabalhadores aos quatro empregos é igual ao número de
maneiras de particionar os 20 em quatro grupos de tamanhos n1 = 6, n2 = 4, n3 = n4 = 5.
Então
20 20!
N= =
6455 6! 4! 5! 5!.
Por uma atribuição aleatória de trabalhadores aos empregos, queremos dizer que cada um
dos N pontos da amostra tem probabilidade igual a 1/ N. Se A denota o evento de interesse e na
o número de pontos amostrais em A, a soma das probabilidades dos pontos amostrais em A é
P(A) = na(1/N) = na/N. O número de pontos de amostragem em A, na, é o número de maneiras
de atribuir trabalhadores aos quatro empregos, indo todos os 4 membros do grupo étnico para o
emprego 1. Os restantes 16 trabalhadores precisam de ser atribuídos aos restantes empregos.
Como restam duas vagas para o cargo 1, isso pode ser feito em
16 16!
isso = =
2455 2! 4! 5! 5!
caminhos. Segue que

já
P(A) = = 0,0031.
N
Assim, se os trabalhadores forem atribuídos aleatoriamente a empregos, a probabilidade de todos os 4
membros do grupo étnico irem para o trabalho indesejável é muito pequena. Há razões para duvidar que
os trabalhos tenham sido atribuídos aleatoriamente.
Em muitas situações, os pontos amostrais são identificados por uma série de símbolos em
que a disposição dos símbolos não é importante. Os pontos amostrais para a seleção de
candidatos, Exemplo 2.2, implicam uma seleção de dois candidatos entre cinco. Cada amostra
ponto é identificado como um par de símbolos, e a ordem dos símbolos usados para identificar
os pontos de amostra são irrelevantes.
DEFINIÇÃO 2.8 O número de combinações de n objetos tomados r de cada vez é o número de

subconjuntos, cada um de tamanho r, que podem ser formados a partir dos n objetos. Este número irá
n
R ou
ser denotado por Cn R .
TEOREMA 2.4 O número de subconjuntos não ordenados de tamanho r escolhidos (sem reposição) de
n objetos disponíveis é
n PnR não!
= CnR = = .
R R! r!(n ÿ r)!
Prova A seleção de r objetos de um total de n é equivalente a particionar os n
objetos em k = 2 grupos, o r selecionado e o (n - r) restante. Isto é um
caso especial do problema geral de particionamento tratado no Teorema 2.3. Em
no presente caso, k = 2, n1 = r, e n2 = (n ÿ r) e, portanto,
n n não!
= CnR = = .
R rn ÿ r r!(n ÿ r)!
n
Os termos R são geralmente chamados de coeficientes binomiais porque ocorrem
na expansão binomial
n n n n n
(x + y) = x n y0 + x nÿ1 y1 + x nÿ2 y2 +···+ 0x _ em
0 1 2 n
n
n
= x n-i sim .
eu=0 eu
EXEMPLO 2.11 Encontre o número de maneiras de selecionar dois candidatos entre cinco e, portanto, o total
número de pontos amostrais em S para o Exemplo 2.2.
Solução 5 5!
= = 10.
2 2!3!
(Observe que isso está de acordo com o número de pontos amostrais listados no Exemplo 2.2.)
EXEMPLO 2.12 Seja A o evento em que exatamente um dos dois melhores candidatos aparece em uma seleção
de dois em cinco. Encontre o número de pontos de amostra em A e P(A).
Solução Deixe na denotar o número de pontos amostrais em A. Então na é igual ao número de

maneiras de selecionar um dos dois melhores (chame esse número de m) vezes o número de
maneiras de selecionar um dos três candidatos de baixa classificação (chame este número de n). Então
m= 21 ,
n= 31 , e aplicando a regra mn ,
2 3 2! 3!
isso = · = · = 6.
1 1 1!1! 1!2!
(Esse número pode ser verificado contando os pontos amostrais em A da listagem do Exemplo
2.2.)
No Exemplo 2.11 descobrimos que o número total de pontos amostrais em S é N = 10.
Se cada seleção for equiprovável, P(Ei) = 1/10 = 0,1,i = 1, 2,..., 10, e
P(A) = P(Não) = (0,1) = na(0,1) = 6(0,1) = 0,6.

EiÿA EiÿA
EXEMPLO 2.13 Uma empresa encomenda suprimentos de M distribuidores e deseja fazer n pedidos (n < M).
Suponha que a empresa faça os pedidos de uma maneira que permita a todos os distribuidores
oportunidades iguais de obter qualquer pedido e que não haja restrição quanto ao número de
pedidos que podem ser feitos a qualquer distribuidor. Encontre a probabilidade de que um
determinado distribuidor – digamos, o distribuidor I – receba exatamente k pedidos (k ÿ n).
Solução Como qualquer um dos M distribuidores pode ser selecionado para receber qualquer um dos pedidos,
existem M maneiras pelas quais cada pedido pode ser feito, e o número de maneiras diferentes
pelas quais os n pedidos podem ser feitos é M · M · M ·· · M = (M)n. Consequentemente, existem
(M)n pontos amostrais em S. Todos esses pontos são igualmente prováveis; portanto P(Ei) = 1/ (M)n.
Seja A o evento em que o distribuidor I recebe exatamente k pedidos dentre os n.
n
As k ordens atribuídas ao distribuidor I podem ser escolhidas dentre as n de k maneiras. Resta
determinar o número de maneiras pelas quais os pedidos restantes (n ÿ k) podem ser atribuídos
aos outros distribuidores M ÿ1. Como cada um desses (n ÿk) pedidos pode ir para qualquer um
dos (M ÿ1) distribuidores, essa atribuição pode ser feita de (M ÿ 1)nÿk maneiras. Assim, A contém
n Aproximadamente
isso = (M ÿ 1)
k
pontos de amostra, e porque os pontos de amostra são igualmente prováveis,
n
1 1 k (M ÿ 1) n ÿ k
P(A) = P(Não) = = já = .
Mn Mn Mn
EiÿA EiÿA
Os teoremas 2.1 a 2.4 fornecem algumas das muitas regras de contagem úteis encontradas
na teoria da análise combinatória. Alguns teoremas adicionais aparecem nos exercícios no
final do capítulo. Se você estiver interessado em ampliar seus conhecimentos em análise
combinatória, consulte um dos numerosos textos sobre o assunto.
A seguir, direcionaremos nossa atenção para o conceito de probabilidade condicional. A
probabilidade condicional desempenha um papel importante na abordagem de composição de
eventos para encontrar a probabilidade de um evento e às vezes é útil para encontrar as
probabilidades de pontos amostrais (para espaços amostrais com pontos amostrais que não são igualmente pr
Exercícios
2.35 Uma companhia aérea tem seis voos diários de Nova York para a Califórnia e sete voos diários da Califórnia para o
Havaí. Se os voos forem feitos em dias diferentes, quantos voos diferentes a companhia aérea pode oferecer de
Nova York para o Havaí?
2.36 Uma operação de montagem em uma fábrica requer três etapas que podem ser executadas em
qualquer sequência. De quantas maneiras diferentes a montagem pode ser realizada?
2.37 Uma empresária na Filadélfia está preparando um roteiro para uma visita a seis grandes cidades. A distância
percorrida e, portanto, o custo da viagem, dependerá da ordem em que ela planeia o seu percurso.
a Quantos itinerários (e custos de viagem) diferentes são possíveis? b Se a

empresária selecionar aleatoriamente um dos itinerários possíveis e Denver e São Francisco forem duas das
cidades que ela pretende visitar, qual a probabilidade de ela visitar Denver antes de São Francisco?
2.38 Um restaurante sofisticado oferece um menu especial com preço fixo no qual, por um custo fixo de jantar, o cliente pode
escolher entre quatro aperitivos, três saladas, quatro pratos principais e cinco sobremesas. Quantos jantares
diferentes estão disponíveis se um jantar consiste em uma entrada, uma salada, uma entrada e uma sobremesa?
2.39 Um experimento consiste em lançar um par de dados.
a Use os teoremas combinatórios para determinar o número de pontos amostrais na amostra

espaço S.
b Encontre a probabilidade de que a soma dos números que aparecem nos dados seja igual a 7.
2.40 Uma marca de automóvel vem em cinco estilos diferentes, com quatro tipos de motores, com dois tipos
de transmissões e em oito cores.
a Quantos automóveis um revendedor teria em estoque se incluísse um para cada combinação estilo-motor-
transmissão?
b Quantos carros um centro de distribuição teria que transportar se todas as cores de carros fossem estocadas para
cada combinação na parte (a)?
2.41 Quantos números de telefone diferentes de sete dígitos podem ser formados se o primeiro dígito não puder ser
zero?
2.42 Um diretor de pessoal de uma empresa contratou dez novos engenheiros. Se três cargos (distintamente diferentes)
estiverem abertos em uma fábrica de Cleveland, de quantas maneiras ela poderá preencher os cargos?
2.43 Uma frota de nove táxis deve ser despachada para três aeroportos de modo que três vão para o aeroporto A, cinco
vão para o aeroporto B e um vai para o aeroporto C. De quantas maneiras distintas isso pode ser feito?
2.44 Consulte o Exercício 2.43. Suponha que os táxis sejam alocados aleatoriamente nos aeroportos.
a Se exatamente um dos táxis precisa de reparos, qual é a probabilidade de ele ser despachado
para o aeroporto C?
b Se exatamente três dos táxis precisam de reparos, qual é a probabilidade de que cada aeroporto receba um dos
táxis que precisa de reparos?
2.45 Suponha que desejamos expandir (x + y + z)17. Qual é o coeficiente de x 2a5z10 ?

Exercícios 49
2.46 Dez equipes estão disputando um torneio de basquete. Na primeira rodada, as equipes são designadas aleatoriamente para os
jogos 1, 2, 3, 4 e 5. De quantas maneiras as equipes podem ser designadas para os jogos?
*2.47 Consulte o Exercício 2.46. Se 2n equipes forem designadas para os jogos 1, 2,..., n, de quantas maneiras as equipes poderão ser
designadas para os jogos?
5
2.48 Se desejarmos expandir (x + y)8, qual é o coeficiente de x a3? Qual é o coeficiente de
x 3 a 5?
2.49 Os alunos da Universidade da Flórida podem escolher entre 130 áreas principais de estudo. A especialização de um aluno é
identificada nos registros do registrador com um código de duas ou três letras (por exemplo, as especializações em
estatística são identificadas pelo STA, as especializações em matemática pelo MS). Alguns alunos optam por uma
especialização dupla e completam os requisitos de ambas as áreas principais antes da formatura.
Foi solicitado ao registrador que considerasse atribuir a essas duplas especialidades um código distinto de duas ou três
letras para que pudessem ser identificados por meio do sistema de registros dos alunos.
a Qual é o número máximo de cursos duplos possíveis disponíveis para a Universidade da Flórida
estudantes?
b Se qualquer código de duas ou três letras estiver disponível para identificar especialidades ou especialidades duplas,
quantos códigos principais estão
disponíveis? c Quantos códigos principais são necessários para identificar os alunos que possuem uma única especialização ou
uma dupla especialização?
d Existem códigos principais suficientes disponíveis para identificar todas as especialidades simples e duplas no
Universidade da Flórida?
2.50 A probabilidade desempenhou um papel na fraude da loteria estadual da Pensilvânia de 24 de abril de 1980 (Los Angeles Times,
8 de setembro de 1980). Para determinar cada dígito do número vencedor de três dígitos, cada um dos números 0, 1, 2, ...,
9 é colocado em uma bola de pingue-pongue, as dez bolas são sopradas para dentro de um compartimento e o número
selecionado para o dígito é aquele da bola que flutua até o topo da máquina. Para alterar as probabilidades, os
conspiradores injetaram um líquido em todas as bolas utilizadas no jogo, exceto nas de número 4 e 6, tornando quase certo
que as bolas mais leves seriam selecionadas e determinariam os dígitos do número vencedor. Em seguida, compraram
bilhetes de loteria com os possíveis números vencedores. Quantos números vencedores potenciais existiam (666 foi o
vencedor final)?
2.51 Uma fraternidade local está realizando um sorteio onde serão vendidos 50 ingressos – um por cliente.
São três prêmios a serem concedidos. Se os quatro organizadores do sorteio comprarem cada um um bilhete, qual é a
probabilidade de os quatro organizadores ganharem?
todos os prêmios? b
exatamente dois dos prêmios? c
exatamente um dos prêmios? nenhum
dos prêmios?
2.52 Um experimentador deseja investigar o efeito de três variáveis — pressão, temperatura e tipo de catalisador — no rendimento de
um processo de refino. Se o experimentador pretende usar três configurações para temperatura e pressão e dois tipos de
catalisadores, quantas execuções experimentais terão que ser realizadas se ele desejar executar todas as combinações
possíveis de pressão, temperatura e tipos de catalisadores?
2.53 Cinco empresas, F1, F2,..., F5, oferecem propostas em três contratos separados, C1,C2 e C3. Qualquer empresa receberá no
máximo um contrato. Os contratos são bastante diferentes, portanto, uma atribuição de C1 a F1, por exemplo, deve ser
distinguida de uma atribuição de C2 a F1.
a Quantos pontos amostrais existem no total neste experimento envolvendo a atribuição de

contratos com as empresas? (Não há necessidade de listá-los todos.)
b Supondo que pontos amostrais igualmente prováveis, encontre a probabilidade de que F3 seja concedido
um contrato.
2.54 Um grupo de três estudantes de graduação e cinco de pós-graduação está disponível para preencher determinados
cargos estudantis no governo. Se quatro alunos forem selecionados aleatoriamente desse grupo, encontre a
probabilidade de que exatamente dois alunos de graduação estejam entre os quatro escolhidos.
2.55 Um estudo será realizado em um hospital para determinar as atitudes dos enfermeiros em relação a vários
procedimentos administrativos. Uma amostra de 10 enfermeiros será selecionada de um total de 90 enfermeiros
empregados pelo hospital.
aQuantas amostras diferentes de 10 enfermeiros podem ser selecionadas? b Vinte dos
90 enfermeiros são do sexo masculino. Se 10 enfermeiros forem selecionados aleatoriamente dentre os empregados do hospital, qual
é a probabilidade de que a amostra de dez inclua exatamente 4 enfermeiros (e 6 mulheres)?
2.56 Um aluno se prepara para um exame estudando uma lista de dez problemas. Ela pode resolver seis deles.
Para o exame, o instrutor seleciona cinco problemas aleatoriamente entre os dez da lista entregue aos alunos. Qual é a probabilidade
de o aluno conseguir resolver todos os cinco problemas do exame?
2.57 Duas cartas são retiradas de um baralho padrão de 52 cartas. Qual é a probabilidade de que
draw renderá um ás e uma carta com figura?
2.58 Cinco cartas são distribuídas de um baralho padrão de 52 cartas. Qual é a probabilidade de desenharmos
3 ases e 2 reis? b um “full
house” (3 cartas de um tipo, 2 cartas de outro tipo)?
2.59 Cinco cartas são distribuídas de um baralho padrão de 52 cartas. Qual é a probabilidade de desenharmos
1 ás, 1 dois, 1 três, 1 quatro e 1 cinco (esta é uma maneira de obter uma “sequência”)? b algum direto?
2.60 Consulte o Exemplo 2.7. Suponha que registremos o aniversário de cada um dos n selecionados aleatoriamente
pessoas.
a Forneça uma expressão para a probabilidade de ninguém fazer aniversário no mesmo dia. b Qual é o
menor valor de n para que a probabilidade seja de pelo menos 0,5 de que pelo menos duas pessoas
compartilhar um aniversário?
2.61 Suponha que perguntemos a n pessoas selecionadas aleatoriamente se elas fazem aniversário no mesmo dia.
a Forneça uma expressão para a probabilidade de ninguém fazer aniversário no mesmo dia (ignore os anos bissextos). b Quantas
pessoas precisamos selecionar para que a probabilidade seja pelo menos 0,5 de que pelo menos uma
compartilha seu aniversário?
2.62 Um fabricante tem nove motores distintos em estoque, dois dos quais vieram de um determinado fornecedor.
Os motores devem ser divididos em três linhas de produção, com três motores indo para cada linha. Se a atribuição de motores às
linhas for aleatória, encontre a probabilidade de que ambos os motores do fornecedor específico sejam atribuídos à primeira linha.
2.63 O Conselho Consultivo de Relações Humanas de Gainesville, Flórida, composto por oito membros, considerou a
queixa de uma mulher que alegou discriminação, com base no sexo, por parte de um representante local.
2.7 Probabilidade Condicional e Independência de Eventos 51
empresa. O conselho, composto por cinco mulheres e três homens, votou 5–3 a favor do demandante, as cinco
mulheres votando a favor do demandante e os três homens contra. O advogado que representa a empresa
apelou da decisão do conselho alegando preconceito sexual por parte dos membros do conselho. Se não
houvesse preconceito sexual entre os membros do conselho, seria razoável conjecturar que qualquer grupo de
cinco membros do conselho teria tanta probabilidade de votar no queixoso como qualquer outro grupo de cinco.
Se este fosse o caso, qual é a probabilidade de a votação se dividir em termos de sexo (cinco mulheres a
favor, três homens contra)?
2.64 Um dado balanceado é lançado seis vezes, e o número da face superior é registrado a cada vez. Qual é a
probabilidade de os números registrados serem 1, 2, 3, 4, 5 e 6 em qualquer ordem?
2.65 Consulte o Exercício 2.64. Suponha que o dado tenha sido alterado de modo que as faces sejam 1, 2, 3, 4, 5 e 5.
Se o dado for lançado cinco vezes, qual é a probabilidade de os números registrados serem 1, 2, 3, 4, e 5 em
qualquer ordem?
2.66 Consulte o Exemplo 2.10. Qual é a probabilidade de que
um membro do grupo étnico é designado para cada tipo de trabalho? b
nenhum membro do grupo étnico é designado para um trabalho do tipo 4?
2.67 Consulte o Exemplo 2.13. Suponha que o número de distribuidores seja M = 10 e que existam
n = 7 pedidos a serem feitos. Qual é a probabilidade de que
todos os pedidos vão para distribuidores diferentes?

*b o distribuidor I recebe exatamente dois pedidos e o distribuidor II recebe exatamente três pedidos?
*c os distribuidores I, II e III recebem exatamente dois, três e um pedido(s), respectivamente?
2.68 Mostre que, para qualquer inteiro n ÿ 1,

n
a n = 1. Interprete este resultado.
bn 0 = 1. Interprete este resultado.
n n
c = . Interprete este resultado.
R n-r
n
n
d = 2n . [Dica: considere a expansão binomial de (x + y)n com x = y = 1.]
eu
eu=0
n+ n n
2.69 Prove que = +
1k k kÿ1 .
*2.70 Considere a situação onde n itens devem ser particionados em k < n subconjuntos distintos. Eles fornecem o número
n
coeficientes multinomiais de partições distintas onde n1 itens estão no grupo 1, n2 estão no
n1 n2 ··· etc.
grupo 2,..., nk estão no grupo k. Prove que o número total de partições distintas é igual a kn . [Dica: Lembre-se
do Exercício 2.68(d).]
2.7 Probabilidade
Condicional e Independência de Eventos
A probabilidade de um evento às vezes dependerá de sabermos que outros eventos ocorreram.
Por exemplo, os pescadores esportivos da Flórida estão vitalmente interessados na
probabilidade de chuva. A probabilidade de chuva num determinado dia, ignorando as
condições atmosféricas diárias ou quaisquer outros eventos, é a fração de dias em que a
chuva ocorre durante um longo período de tempo. Esta é a probabilidade incondicional do
evento “chuva em um determinado dia”. Agora suponhamos que desejamos considerar a probabilidade de
Choveu quase continuamente durante dois dias consecutivos e uma tempestade tropical
está subindo a costa. Temos informações extras sobre se chove ou não
amanhã e estamos interessados na probabilidade condicional de que chova, dada esta
Informação. Um morador da Flórida diria que a probabilidade condicional de chuva (dada
que choveu nos dois dias anteriores e que está prevista uma tempestade tropical) é muito
maior que a probabilidade incondicional de chuva.
A probabilidade incondicional de obter 1 no lançamento de um dado equilibrado é 1/6. Se nós
sabemos que caiu um número ímpar, o número no dado deve ser 1, 3 ou 5 e
a frequência relativa de ocorrência de 1 é 1/3. A probabilidade condicional de um
evento é a probabilidade (frequência relativa de ocorrência) do evento dado o fato
que um ou mais eventos já ocorreram. Uma leitura cuidadosa deste exemplo irá
indique a concordância da seguinte definição com o conceito de frequência relativa
de probabilidade.
DEFINIÇÃO 2.9 A probabilidade condicional de um evento A, dado que um evento B ocorreu,

é igual a
P(UMA ÿ B)
P(A|B) = ,
P(B)
desde que P(B) > 0. [O símbolo P(A|B) é lido como “probabilidade de A dado B.”]
Confirmação adicional da consistência da Definição 2.9 com a frequência relativa

O conceito de probabilidade pode ser obtido a partir da seguinte construção. Suponha que
um experimento é repetido um grande número, N, de vezes, resultando em A e B,
A ÿ B, n11 vezes; A e não B, A ÿ B, n21 vezes; B e não A, A ÿ B, n12 vezes; e
nem A nem B, A ÿ B, n22 vezes. Esses resultados estão contidos na Tabela 2.1.
Observe que n11 + n12 + n21 + n22 = N. Segue-se que
n11 + n21 n11 + n12 n11

P(UMA) ÿ , P(B) ÿ , P(A|B), ÿ ,
N N n11 + n12
n11 n11
P(B|A) ÿ , e P(A ÿ B) ÿ ,
n11 + n21 N
onde ÿ é lido aproximadamente igual a.

Com essas probabilidades, é fácil ver que
P(UMA ÿ B) P(UMA ÿ B)
P(B|A) ÿ e P(A|B) ÿ .
P(A) P(B)
Portanto, a Definição 2.9 é consistente com o conceito de probabilidade de frequência relativa.
Tabela 2.1 Tabela para eventos A e B
A A
B n11 n12 n11 + n12

B n21 n22 n21 + n22
n11 + n21 n12 + n22 N
2.7 Probabilidade Condicional e Independência de Eventos 53
EXEMPLO 2.14 Suponha que um dado equilibrado seja lançado uma vez. Use a Definição 2.9 para encontrar a probabilidade
de 1, dado que foi obtido um número ímpar.
Solução Defina estes eventos:
R: Observe um 1.
B: Observe um número ímpar.
Procuramos a probabilidade de A dado que o evento B ocorreu. O evento A ÿ B requer a observância

de um número 1 e de um número ímpar. Neste caso, A ÿ B, então A ÿ B = A e P(A ÿ B) = P(A) = 1/6.
Além disso, P(B) = 1/2 e, usando a Definição 2.9,
P(UMA ÿ B) 1/6 1
P(A|B) = = = .
P(B) 1/2 3
Observe que este resultado está totalmente de acordo com a nossa avaliação intuitiva anterior desta
probabilidade.
Suponha que a probabilidade de ocorrência de um evento A não seja afetada pela ocorrência ou
não ocorrência do evento B. Quando isso acontece, estaríamos inclinados a dizer que os eventos A e
B são independentes. Este relacionamento de evento é expresso pela seguinte definição.
DEFINIÇÃO 2.10 Dois eventos A e B são considerados independentes se qualquer uma das seguintes condições for válida:
P(A|B) = P(A),
P(B|A) = P(B),
P(A ÿ B) = P(A)P(B).
Caso contrário, os eventos são considerados dependentes.
A noção de independência como um conceito probabilístico está de acordo com o uso quotidiano
da palavra se considerarmos cuidadosamente os acontecimentos em questão. A maioria concordaria
que “fumar” e “contrair cancro do pulmão” não são acontecimentos independentes e sentiria
intuitivamente que a probabilidade de contrair cancro do pulmão, dado que uma pessoa fuma, é maior
do que a probabilidade (incondicional) de contrair cancro do pulmão. Em contraste, os eventos “chove
hoje” e “chove daqui a um mês” podem muito bem ser independentes.
EXEMPLO 2.15 Considere os seguintes eventos no lançamento de um único dado:
R: Observe um número ímpar.

B: Observe um número par.
C: Observe um 1 ou 2.
a Os eventos A e B são independentes? b

Os eventos A e C são independentes?
Solução
a Para decidir se A e B são independentes, devemos ver se eles satisfazem as condições da
Definição 2.10. Neste exemplo, P(A) = 1/2, P(B) = 1/2 e P(C) = 1/3. Porque A ÿ B = ÿ, P(A|B)
= 0, e é claro que P(A|B) = P(A). Os eventos A e B são eventos dependentes. bA e C são
independentes ? Observe que P(A|C) = 1/2 e, como antes, P(A) =
1/2. Portanto, P(A|C) = P(A), e A e C são independentes.
EXEMPLO 2.16 Três marcas de café, X, Y Defina os , e Z, serão classificados de acordo com o gosto de um juiz.
seguintes eventos:
A: A marca X é preferida a Y. B: A .
marca X é a melhor classificada.
C: A marca X está classificada em segundo lugar.
D: A marca X está classificada em terceiro lugar.
Se o juiz realmente não tiver preferência de gosto e atribuir classificações aleatoriamente aos
marcas, o evento A é independente dos eventos B, C e D?
Solução Os seis pontos amostrais igualmente prováveis para este experimento são dados por
E1 : XYZ, E3 : YXZ, E5 : ZXY ,

E2 : XZY , E4 : YZX, E6 : ZYX,
onde XYZ denota que X é o melhor classificado, Y é o segundo melhor e Z é o último.

Então A = {E1, E2, E5}, B = {E1, E2}, C = {E3, E5}, D = {E4, E6}, e segue que
P(UMA ÿ B)
P(A) = 1/2, P(A|B) = = 1, P(A|C) = 1/2, P(A|D) = 0.
P(B)
Assim, os eventos A e C são independentes, mas os eventos A e B são dependentes. Os eventos A

e D também são dependentes.
Exercícios
2.71 Se dois eventos, A e B, são tais que P(A) = 0,5, P(B) = 0,3 e P(A ÿ B) = 0,1, encontre o
seguindo:
a P(A|B) b
P(B|A) c
P(A|A ÿ B)
Exercícios 55
dP (A|A ÿ B)
e P(A ÿ B|A ÿ B)
2.72 Para uma determinada população de funcionários, a porcentagem de aprovação ou reprovação em um exame de competência profissional,
listados de acordo com o sexo, foram mostrados na tabela anexa. Isto é, de todas as pessoas
Ao fazer o exame, 24% estavam na categoria de aprovação masculina, 16% na categoria de reprovação masculina e
assim por diante. Um funcionário deve ser selecionado aleatoriamente dessa população. Seja A o evento que
o funcionário obtém uma nota de aprovação no exame e seja M o evento em que um homem é selecionado.
Sexo
Resultado Masculino (M) Feminino (F) Total
Passe (A) 24 36 60
Falha (A) 16 24 40
Total 40 60 100
a Os eventos A e M são independentes?

b Os eventos A e F são independentes?
2.73 Gregor Mendel foi um monge que, em 1865, sugeriu uma teoria da herança baseada na
ciência da genética. Ele identificou indivíduos heterozigotos para a cor das flores que possuíam dois alelos
(um r = alelo recessivo da cor branca e um R = alelo dominante da cor vermelha). Quando estes
indivíduos foram acasalados, observou-se que 3/4 da prole tinha flores vermelhas e 1/4 tinha
flores brancas. A tabela a seguir resume esse acasalamento; cada pai dá um de seus alelos
para formar o gene da prole.
Pai 2
Pai 1 RR
R rr rR
RRRR
Assumimos que cada progenitor tem a mesma probabilidade de fornecer qualquer um dos dois alelos e que, se algum deles
um ou dois dos alelos de um par são dominantes (R), a prole terá flores vermelhas. O que é
a probabilidade de um descendente ter
pelo menos um alelo dominante ?

b pelo menos um alelo recessivo?
c um alelo recessivo, visto que a prole tem flores vermelhas?
2.74 Cem adultos foram entrevistados por telefone. De interesse foram suas opiniões
em relação aos encargos com empréstimos de estudantes universitários e se o entrevistado tinha um filho atualmente
na Faculdade. Suas respostas estão resumidas na tabela abaixo:
Encargo do empréstimo
Criança na faculdade muito alta (A) quase certa (B) muito pequena (C) total
Sim (D) 0,20 .09 .01 0,30
Não (E) .41 .21 0,08 0,70

Total .61 0,30 .09 1,00
Quais dos seguintes são eventos independentes?
um A e D
bBeD
cCeD
2.75 As cartas são distribuídas, uma de cada vez, de um baralho padrão de 52 cartas.
a Se as 2 primeiras cartas forem ambas de espadas, qual é a probabilidade de que as 3 cartas seguintes também sejam
espadas?
b Se as 3 primeiras cartas forem todas de espadas, qual é a probabilidade de que as 2 cartas seguintes também sejam
espadas?
c Se as primeiras 4 cartas forem todas de espadas, qual é a probabilidade de a próxima carta também ser de espadas?
2.76 Um inquérito aos consumidores numa determinada comunidade mostrou que 10% estavam insatisfeitos com os trabalhos de
canalização realizados nas suas casas. Metade das reclamações foi dirigida ao encanador A, que faz 40% dos trabalhos
de encanamento na cidade. Encontre a probabilidade de um consumidor obter
a um trabalho de encanamento insatisfatório, visto que o encanador era A. b um
trabalho de encanamento satisfatório, visto que o encanador era A.
2.77 Um estudo sobre o comportamento pós-tratamento de um grande número de toxicodependentes sugere que a probabilidade
de condenação num período de dois anos após o tratamento pode depender da educação do infractor. As proporções
do número total de casos enquadrados em quatro categorias de educação-condenação são mostradas na tabela a
seguir:
Status dentro de 2 anos

depois do tratamento
Educação Total de condenados não condenados
10 anos ou mais 9 .10 0,30 0,40
anos ou menos .27 .33 0,60

Total .37 0,63 1,00
Suponha que um único infrator seja selecionado no programa de tratamento. Defina os eventos:
R: O infrator tem 10 ou mais anos de escolaridade.

B: O infrator é condenado dentro de dois anos após a conclusão do tratamento.
Encontre o seguinte:
um P(A). bP
(B). c P(A ÿ
B). dP (A ÿ B). eP
(A). fP (A ÿ B). g
P(A ÿ B). hP
(A|B). eP (B|A).
2.78 Na definição da independência de dois eventos, foram dadas três igualdades para verificar: P(A|B) = P(A) ou P(B|A) = P(B) ou
P(AÿB) = P(A)P(B). Se qualquer uma dessas igualdades
2.8 Duas Leis da Probabilidade 57
afirma, A e B são independentes. Mostre que se alguma dessas igualdades for válida, as outras duas também serão
válidas.
2.79 Se P(A) > 0, P(B) > 0, e P(A) < P(A|B), mostre que P(B) < P(B|A).
2.80 Suponha que A ÿ B e que P(A) > 0 e P(B) > 0. A e B são independentes? Prove o seu
responder.
2.81 Suponha que A e B sejam eventos mutuamente exclusivos, com P(A) > 0 e P(B) < 1. São A
e B independente? Prove sua resposta.
2.82 Suponha que A ÿ B e que P(A) > 0 e P(B) > 0. Mostre que P(B|A) = 1 e P(A|B) =
P(A)/ P(B).
2.83 Se A e B são eventos mutuamente exclusivos e P(B) > 0, mostre que

P(A)
P(A|A ÿ B) = .
P(A) + P(B)
2.8 Duas Leis da Probabilidade

As duas leis a seguir fornecem as probabilidades de uniões e interseções de eventos.
Como tal, eles desempenham um papel importante na abordagem de composição de eventos para a solução
de problemas de probabilidade.
TEOREMA 2.5 A Lei Multiplicativa da Probabilidade A probabilidade da interseção de dois eventos

AeBé
P(A ÿ B) = P(A)P(B|A)
= P(B)P(A|B).
Se A e B são independentes, então

P(A ÿ B) = P(A)P(B).
Prova A lei multiplicativa segue diretamente da Definição 2.9, a definição de probabilidade

condicional.
Observe que a lei multiplicativa pode ser estendida para encontrar a probabilidade de
interseção de qualquer número de eventos. Assim, aplicando duas vezes o Teorema 2.5, obtemos
P(A ÿ B ÿ C) = P[(A ÿ B) ÿ C] = P(A ÿ B)P(C|A ÿ B)
= P(A)P(B|A)P(C|A ÿ B).
A probabilidade de intersecção de qualquer número de, digamos, k eventos pode ser obtida
da mesma maneira:
P(A1 ÿ A2 ÿ A3 ÿ···ÿ Ak ) = P(A1)P(A2|A1)P(A3|A1 ÿ A2)
··· P(Ak |A1 ÿ A2 ÿ···ÿ Akÿ1).
A lei aditiva da probabilidade fornece a probabilidade de união de dois eventos.

TEOREMA 2.6 A Lei Aditiva da Probabilidade A probabilidade da união de dois eventos

AeBé
P(A ÿ B) = P(A) + P(B) ÿ P(A ÿ B).
Se A e B são eventos mutuamente exclusivos, P(A ÿ B) = 0 e

P(A ÿ B) = P(A) + P(B).
Prova A prova da lei aditiva pode ser seguida inspecionando o diagrama de Venn na
Figura 2.10.
Observe que A ÿ B = A ÿ (A ÿ B), onde A e (A ÿ B) são eventos mutuamente
exclusivos. Além disso, B = (A ÿ B)ÿ(A ÿ B), onde (A ÿ B) e (A ÿ B) são eventos
mutuamente exclusivos. Então, pelo Axioma 3,
P(A ÿ B) = P(A) + P(A ÿ B) e P(B) = P(A ÿ B) + P(A ÿ B).
A igualdade dada à direita implica que P(A ÿ B) = P(B) ÿ P(A ÿ B).

Substituindo esta expressão para P(A ÿ B) na expressão para P(A ÿ B) dada
na equação da esquerda do par anterior, obtemos o resultado desejado:
P(A ÿ B) = P(A) + P(B) ÿ P(A ÿ B).
A probabilidade da união de três eventos pode ser obtida fazendo uso de

Teorema 2.6. Observe aquilo
P(A ÿ B ÿ C) = P[A ÿ (B ÿ C)]
= P(A) + P(B ÿ C) ÿ P[A ÿ (B ÿ C)]
= P(A) + P(B) + P(C) ÿ P(B ÿ C) ÿ P[(A ÿ B) ÿ (A ÿ C)]
= P(A) + P(B) + P(C) ÿ P(B ÿ C) ÿ P(A ÿ B) ÿ P(A ÿ C)
+ P(A ÿ B ÿ C)
porque (A ÿ B) ÿ (A ÿ C) = A ÿ B ÿ C.
Outro resultado útil que expressa a relação entre a probabilidade de um
evento e seu complemento estão imediatamente disponíveis nos axiomas de probabilidade.
FIGURA 2.10
Diagrama de Venn
para a união de A e B
A B
Exercícios 59
TEOREMA 2.7 Se A é um evento, então
P(A) = 1 ÿ P(A).
Prova Observe que S = A ÿ A. Como A e A são eventos mutuamente exclusivos,
segue-se que P(S) = P(A) + P(A). Portanto, P(A) + P(A) = 1 e o resultado
segue.
Como veremos na Seção 2.9, às vezes é mais fácil calcular P(A) do que calcular
P(A). Nesses casos, é mais fácil encontrar P(A) pela relação P(A) = 1 ÿ P(A) do que
encontrar P(A) diretamente.
Exercícios
2.84 Se A1, A2 e A3 são três eventos e P(A1 ÿ A2) = P(A1 ÿ A3) = 0, mas P(A2 ÿ A3) = 0,
mostre isso
P(pelo menos um Ai) = P(A1) + P(A2) + P(A3) ÿ 2P(A1 ÿ A2).
2.85 Se A e B são eventos independentes, mostre que A e B também são independentes. São A e B
independente?
2.86 Suponha que A e B sejam dois eventos tais que P(A) = 0,8 e P(B) = 0,7.
aÉ possível que P(A ÿ B) = 0,1? Por que ou por que não? b Qual
é o menor valor possível para P(A ÿ B)? c É possível que P(A ÿ
B) = 0,77? Por que ou por que não? d Qual é o maior valor possível
para P(A ÿ B)?
2.87 Suponha que A e B sejam dois eventos tais que P(A) + P(B) > 1.
a Qual é o menor valor possível para P(A ÿ B)? b Qual é o maior

valor possível para P(A ÿ B)?
2.88 Suponha que A e B sejam dois eventos tais que P(A) = 0,6 e P(B) = 0,3.
aÉ possível que P(A ÿ B) = 0,1? Por que ou por que não? b Qual
é o menor valor possível para P(A ÿ B)? c É possível que P(A ÿ
B) = 0,7? Por que ou por que não? d Qual é o maior valor possível
para P(A ÿ B)?
2.89 Suponha que A e B sejam dois eventos tais que P(A) + P(B) < 1.
a Qual é o menor valor possível para P(A ÿ B)? b Qual é o maior

valor possível para P(A ÿ B)?
2.90 Suponha que haja 1 chance em 50 de lesão em uma única tentativa de paraquedismo.
a Se assumirmos que os resultados de diferentes saltos são independentes, qual é a probabilidade

que um paraquedista se machuca se pular duas vezes?
b Um amigo afirma que se há 1 chance em 50 de lesão em um único salto, então há 100% de chance de lesão
se um paraquedista saltar 50 vezes. Seu amigo está correto? Por que?
2.91 A e B podem ser mutuamente exclusivos se P(A) = 0,4 e P(B) = 0,7? Se P(A) = 0,4 e P(B) = 0,3?
Por que?
2.92 Uma política que exige que todos os funcionários do hospital realizem testes de detector de mentiras pode reduzir as perdas
devido a roubo, mas alguns funcionários consideram tais testes como uma violação dos seus direitos. A experiência
passada indica que os detectores de mentiras têm taxas de precisão que variam de 92% a 99%.2 Para obter algumas
informações sobre os riscos que os funcionários enfrentam ao fazer um teste de detector de mentiras, suponha que a
probabilidade seja 0,05 de que um detector de mentiras conclua que um está mentindo uma pessoa que, de fato, está
dizendo a verdade e suponha que qualquer par de testes seja independente. Qual é a probabilidade de uma máquina
concluir que
cada um dos três funcionários está mentindo quando todos estão dizendo a
verdade? b pelo menos um dos três funcionários está mentindo quando todos dizem a verdade?
2.93 Dois eventos A e B são tais que P(A) = 0,2, P(B) = 0,3 e P(A ÿ B) = 0,4. Encontre o
seguindo:
a P(A ÿ B) b P(A
ÿ B) c P(A ÿ B) d
P(A|B)
2.94 Um sistema detector de fumaça usa dois dispositivos, A e B. Se houver fumaça, a probabilidade de que
será detectado pelo dispositivo A é 0,95; pelo dispositivo B, 0,90; e por ambos os dispositivos, 0,88.
a Se houver presença de fumaça, encontre a probabilidade de que a fumaça seja detectada por qualquer um dos dispositivos A
ou B ou ambos os dispositivos.
b Encontre a probabilidade de a fumaça não ser detectada.
2.95 Em um jogo, um participante tem três tentativas de acertar uma bola. Em cada tentativa, ela acerta, H, ou falha, M. O jogo
exige que o jogador alterne a mão que usa em tentativas sucessivas. Ou seja, se ela fizer a primeira tentativa com a
mão direita, deverá usar a mão esquerda para a segunda tentativa e a direita para a terceira. Sua chance de acertar
com a mão direita é de 0,7 e com a mão esquerda é de 0,4. Suponha que os resultados de tentativas sucessivas sejam
independentes e que ela ganhe o jogo se acertar pelo menos dois acertos consecutivos.
Se ela fizer a primeira tentativa com a mão direita, qual é a probabilidade de ela ganhar o jogo?
2.96 Se A e B são eventos independentes com P(A) = 0,5 e P(B) = 0,2, encontre o seguinte:
a P(A ÿ B) b P(A
ÿ B) c P(A ÿ B)
2.97 Considere a seguinte parte de um circuito elétrico com três relés. A corrente fluirá do ponto a para o ponto b se houver pelo
menos um caminho fechado quando os relés forem ativados. Os relés podem funcionar mal e não fechar quando
ativados. Suponha que os relés atuem independentemente um do outro e fechem adequadamente quando ativados,
com uma probabilidade de 0,9.
a Qual é a probabilidade de que a corrente flua quando os relés forem ativados? b Dado que a
corrente fluiu quando os relés foram ativados, qual é a probabilidade de que o relé
1 funcionou?
2. Fonte: Copyright c 1980 Sentinel Communications Co. Todos os direitos reservados.

Exercícios 61
2
A B
2.98 Com relés operando como no Exercício 2.97, compare a probabilidade de corrente fluir de a para b no sistema
em série mostrado
A 1 2 B
com a probabilidade de fluxo no sistema paralelo mostrado.
1
A B
2
2.99 Suponha que A e B sejam eventos independentes tais que a probabilidade de que nenhum deles ocorra é uma
1ÿbÿae
a probabilidade de B é b. Mostre que P(A) = .
1- b
*2.100 Mostre que o Teorema 2.6, a lei aditiva da probabilidade, é válido para probabilidades condicionais .
Ou seja, se A, B e C são eventos tais que P(C) > 0, prove que P(A ÿ B|C) = P(A|C) + P(B|C)ÿP(Aÿ B|C).
[Dica: Faça uso da lei distributiva (AÿB)ÿC = (AÿC)ÿ(BÿC).]
2.101 Os artigos que passam por uma linha de inspeção são inspecionados visualmente por dois inspetores sucessivos.
Quando um artigo defeituoso passa pela linha de inspeção, a probabilidade de ele passar pelo primeiro
inspetor é 0,1. O segundo inspetor “perderá” cinco dos dez itens defeituosos que passarem pelo primeiro
inspetor. Qual é a probabilidade de um item defeituoso passar por ambos os inspetores?
2.102 As doenças I e II são prevalentes entre pessoas de uma determinada população. Presume-se que 10% da
população contrairá a doença I em algum momento da vida, 15% contrairá a doença II eventualmente e 3%
contrairá ambas as doenças.
a Encontre a probabilidade de que uma pessoa escolhida aleatoriamente desta população contraia em
pelo menos uma doença.
b Encontre a probabilidade condicional de que uma pessoa escolhida aleatoriamente desta população
contraia ambas as doenças, dado que contraiu pelo menos uma doença.
2.103 Consulte o Exercício 2.50. Horas depois do anúncio da fraude na loteria estadual da Pensilvânia, os funcionários
da loteria estadual de Connecticut ficaram surpresos ao saber que o número vencedor do dia foi 666 (Los
Angeles Times, 21 de setembro de 1980).
a Todas as evidências indicam que a seleção de 666 em Connecticut foi devido ao puro acaso. Qual é a
probabilidade de que um 666 seja sorteado em Connecticut, dado que um 666 foi selecionado na loteria
de 24 de abril de 1980, na Pensilvânia?
b Qual é a probabilidade de tirar 666 na loteria de 24 de abril de 1980, na Pensilvânia (lembre-se, esse
sorteio foi fraudado) e 666 na loteria de 19 de setembro de 1980, em Connecticut?
2.104 Se A e B são dois eventos, prove que P(Aÿ B) ÿ 1ÿ P(A)ÿ P(B). [Nota: Esta é uma simplificação
versão da desigualdade de Bonferroni.]
2.105 Se a probabilidade de lesão em cada salto individual de paraquedas for 0,05, use o resultado do Exercício
2.104 para fornecer um limite inferior para a probabilidade de aterrissar com segurança em ambos os saltos.
2.106 Se A e B são eventos igualmente prováveis e exigimos que a probabilidade de sua interseção seja
pelo menos 0,98, o que é P(A)?
2.107 Sejam A, B e C eventos tais que P(A) > P(B) e P(C) > 0. Construa um exemplo para demonstrar que é possível que
P(A|C) < P(B| C).
2.108 Se A, B e C são três eventos, use duas aplicações do resultado do Exercício 2.104 para provar
que P(A ÿ B ÿ C) ÿ 1 ÿ P(A) ÿ P(B) ÿ P(C).
2.109 Se A, B e C são três eventos igualmente prováveis, qual é o menor valor de P(A) tal que
P(A ÿ B ÿ C) sempre excede 0,95?
2.9 Calculando a probabilidade de um evento: o

método de composição de eventos
Aprendemos na Seção 2.4 que os conjuntos (eventos) podem muitas vezes ser expressos como
uniões, interseções ou complementos de outros conjuntos. O método de composição de eventos
para calcular a probabilidade de um evento, A, expressa A como uma composição envolvendo
uniões e/ou interseções de outros eventos. As leis da probabilidade são então aplicadas para encontrar P(A).
Ilustraremos esse método com um exemplo.
EXEMPLO 2.17 Dos eleitores de uma cidade, 40% são republicanos e 60% são democratas. Entre os republicanos, 70%
são a favor da emissão de títulos, enquanto 80% dos democratas são a favor da emissão. Se um
eleitor for selecionado aleatoriamente na cidade, qual é a probabilidade de ele ou ela favorecer a
emissão de títulos?
Solução Seja F o evento “favorecer a emissão de títulos”, R o evento “um republicano é selecionado” e D o evento
“um democrata é selecionado”. Então P(R) = 0,4, P(D) = 0,6, P(F|R) = 0,7 e P(F|D) = 0,8. Notar que
P(F) = P[(F ÿ R) ÿ (F ÿ D)] = P(F ÿ R) + P(F ÿ D)
porque (F ÿ R) e (F ÿ D) são eventos mutuamente exclusivos. A Figura 2.11 ajudará você a visualizar
o resultado de que F = (F ÿ R) ÿ (F ÿ D). Agora
P(F ÿ R) = P(F|R)P(R) = (0,7)(0,4) = 0,28,
P(F ÿ D) = P(F|D)P(D) = (0,8)(0,6) = 0,48.

Segue que
P(F) = 0,28 + 0,48 = 0,76.

2.9 Calculando a Probabilidade de um Evento: O Método de Composição de Eventos 63
FIGURA 2.11 S
Diagrama de
Venn para
eventos do Exemplo 2.17

R D
França FD
EXEMPLO 2.18 No Exemplo 2.7 consideramos um experimento em que foram registrados os aniversários de 20 pessoas
selecionadas aleatoriamente. Sob certas condições, descobrimos que P(A) = 0,5886, onde A denota o
evento de cada pessoa fazer aniversário diferente. Deixe B denotar o evento em que pelo menos um
par de indivíduos faz aniversário no mesmo dia. Encontre P(B).
Solução O evento B é o conjunto de todos os pontos amostrais em S que não estão em A, ou seja, B = A.
Portanto,
P(B) = 1 ÿ P(A) = 1 ÿ 0,5886 = 0,4114.
(A maioria concordaria que esta probabilidade é surpreendentemente alta!)
Consultemos o Exemplo 2.4, que envolve os dois tenistas, e deixemos que D1 e D2 representem
os eventos em que o jogador A vence o primeiro e o segundo jogos, respectivamente. A informação
dada no exemplo implica que P(D1) = P(D2) = 2/3.
Além disso, se assumirmos que D1 e D2 são independentes, segue-se que P(D1 ÿ D2) = 2/3 × 2/3 =
4/9. Nesse exemplo identificamos o evento simples E1, que denotamos AA, como significando que o
jogador A ganhou ambos os jogos. Com a notação atual,
E1 = D1 ÿ D2,
e assim P(E1) = 4/9. As probabilidades atribuídas aos outros eventos simples no Exemplo 2.4 podem
ser verificadas de maneira semelhante.
A abordagem de composição de eventos não terá sucesso a menos que as probabilidades dos
eventos que aparecem em P(A) (após a aplicação das leis aditivas e multiplicativas) sejam conhecidas.
Se uma ou mais destas probabilidades for desconhecida, o método falha.
Muitas vezes é desejável formar composições de eventos mutuamente exclusivos ou independentes.
Eventos mutuamente exclusivos simplificam o uso da lei aditiva e a lei multiplicativa da probabilidade é
mais fácil de aplicar a eventos independentes.
Segue um resumo das etapas usadas no método de composição de eventos:
1. Defina o experimento.
2. Visualize a natureza dos pontos amostrais. Identifique alguns para esclarecer sua
pensamento.
3. Escreva uma equação que expresse o evento de interesse – digamos, A – como um
composição de dois ou mais eventos, utilizando uniões, interseções e/ou complementos.
(Observe que isso equivale a conjuntos de pontos.) Certifique-se de que o evento A e o evento
implícito na composição representem o mesmo conjunto de pontos amostrais.
4. Aplique as leis de probabilidade aditiva e multiplicativa às composições obtidas no

passo 3 para encontrar P(A).
O passo 3 é o mais difícil porque podemos formar muitas composições que serão equivalentes ao
evento A. O truque é formar uma composição na qual todas as probabilidades que aparecem no passo 4
sejam conhecidas.
A abordagem de composição de eventos não exige a listagem dos pontos amostrais em S, mas exige
uma compreensão clara da natureza de um ponto amostral típico. O principal erro que os alunos tendem a
cometer ao aplicar a abordagem de composição de eventos ocorre ao escrever a redação. Ou seja, a
equação do conjunto de pontos que expressa A como união e/ou interseção de outros eventos é
frequentemente incorreta. Sempre teste sua igualdade para ter certeza de que a composição implica um
evento que contém o mesmo conjunto de pontos amostrais que aqueles em A.
Uma comparação dos métodos de pontos amostrais e de composição de eventos para calcular a
probabilidade de um evento pode ser obtida aplicando ambos os métodos ao mesmo problema. Aplicaremos
a abordagem de composição de eventos ao problema de seleção de candidatos que foi resolvido pelo
método de pontos amostrais nos Exemplos 2.11 e 2.12.
EXEMPLO 2.19 Dois candidatos são selecionados aleatoriamente entre cinco que se candidataram a um emprego.
Encontre a probabilidade de que exatamente um dos dois melhores candidatos seja selecionado, evento A.
Solução Defina os dois eventos a seguir:
B: Desenhe o melhor e um dos três piores candidatos.

C: Desenhe o segundo melhor e um dos três candidatos mais pobres.
Os eventos B e C são mutuamente exclusivos e A = B ÿ C. Além disso, seja D1 = B1 ÿ B2, onde
B1 = Empate o melhor no primeiro sorteio,

B2 = Sorteio de um dos três candidatos mais pobres no segundo sorteio,
e D2 = B3 ÿ B4, onde
B3 = Sorteia um dos três candidatos mais pobres no primeiro sorteio, B4 = Sorteia

o melhor no segundo sorteio.
Observe que B = D1 ÿ D2.

Da mesma forma, sejam G1 = C1 ÿ C2 e G2 = C3 ÿ C4, onde C1, C2, C3 e C4 são

definidos como B1, B2, B3 e B4, com as palavras segundo melhor substituindo melhor.
Observe que D1 e D2 e G1 e G2 são pares de eventos mutuamente exclusivos e que
A = B ÿ C = (D1 ÿ D2) ÿ (G1 ÿ G2),
A = (B1 ÿ B2) ÿ (B3 ÿ B4) ÿ (C1 ÿ C2) ÿ (C3 ÿ C4).
Aplicando a lei aditiva da probabilidade a estes quatro eventos mutuamente exclusivos,

temos
P(A) = P(B1 ÿ B2) + P(B3 ÿ B4) + P(C1 ÿ C2) + P(C3 ÿ C4).
Aplicando a lei multiplicativa, temos
P(B1 ÿ B2) = P(B1)P(B2|B1).
A probabilidade de tirar o melhor no primeiro sorteio é
P(B1) = 1/5.
Da mesma forma, a probabilidade de sortear um dos três mais pobres no segundo sorteio,
dado que o melhor foi sorteado na primeira seleção, é
P(B2|B1) = 3/4.
Então
P(B1 ÿ B2) = P(B1)P(B2|B1) = (1/5)(3/4) = 3/20.
As probabilidades de todas as outras interseções em P(A), P(B3 ÿ B4), P(C1 ÿC2), e

P(C3 ÿ C4) são obtidos exatamente da mesma maneira e todos iguais a 3/20. Então
P(A) = P(B1 ÿ B2) + P(B3 ÿ B4) + P(C1 ÿ C2) + P(C3 ÿ C4)
= (3/20) + (3/20) + (3/20) + (3/20) = 3/5.
Esta resposta é idêntica àquela obtida no Exemplo 2.12, onde P(A) foi calculado usando
a abordagem de ponto amostral.
EXEMPLO 2.20 Sabe-se que um paciente com uma doença responderá ao tratamento com probabilidade igual a
0,9. Se três pacientes com a doença forem tratados e responderem de forma independente,
determine a probabilidade de pelo menos um responder.
Solução Defina os seguintes eventos: A:

Pelo menos um dos três pacientes responderá.
B1: O primeiro paciente não responderá.
B2: O segundo paciente não responderá.
B3: O terceiro paciente não responderá.
Então observe que A = B1 ÿ B2 ÿ B3. O Teorema 2.7 implica que
P(UMA) = 1 ÿ P(UMA)
= 1 ÿ P(B1 ÿ B2 ÿ B3).
P(B1 ÿ B2 ÿ B3) = P(B1)P(B2|B1)P(B3|B1 ÿ B2),
onde, porque os eventos são independentes,
P(B2|B1) = P(B2) = 0,1 e P(B3|B1 ÿ B2) = P(B3) = 0,1.
Substituindo P(Bi) = 0,1,i = 1, 2, 3, obtemos

3
P(UMA) = 1 ÿ (0,1) = 0,999.
Observe que demonstramos a utilidade de eventos complementares. Este resultado é

importante porque frequentemente é mais fácil encontrar a probabilidade do complemento,
P(A), do que encontrar P(A) diretamente.
EXEMPLO 2.21 A observação de uma fila de espera em uma clínica médica indica que a probabilidade de uma nova
chegada ser um caso de emergência é p = 1/6. Encontre a probabilidade de que o enésimo paciente
seja o primeiro caso de emergência. (Suponha que as condições de chegada dos pacientes
representem eventos independentes.)
Solução O experimento consiste em observar a chegada dos pacientes até o primeiro caso de emergência
parece. Então os pontos de amostra para o experimento são
Ei : O i-ésimo paciente é o primeiro caso de emergência, para i = 1, 2,... .
Como apenas um ponto amostral cai no caso de interesse,
P(r-ésimo paciente é o primeiro caso de emergência) = P(Er).
Agora defina Ai para denotar o evento em que a i-ésima chegada não é um caso de emergência.
Então podemos representar Er como a interseção
Er = A1 ÿ A2 ÿ A3 ÿ···ÿ Arÿ1 ÿ Ar.
P(Er) = P(A1)P(A2|A1)P(A3|A1 ÿ A2)··· P(Ar|A1 ÿ···ÿ Arÿ1),
e como os eventos A1, A2,..., Arÿ1 e Ar são independentes, segue-se que

rÿ1
P(Er) = P(A1)P(A2)··· P(Arÿ1)P(Ar) = (1 ÿ p) p
rÿ1
= (5/6) (1/6), r = 1, 2, 3,... .
Notar que
P(S) = P(E1) + P(E2) + P(E3) +···+ P(Ei) +···

2 eu-1
= (1/6) + (5/6)(1/6) + (5/6) (1/6) +···+ (5/6) (1/6) +···
ÿ
1 5 eu
1/6
= = = 1.
6 6 1 ÿ (5/6)
eu=0
Este resultado segue a fórmula para a soma de uma série geométrica dada no Apêndice A1.11. Esta
ÿ
ri =
fórmula, que afirma que se |r| < 1, é útil em muitos problemas simples de probabilidade.1 1ÿr ,
eu=0
EXEMPLO 2.22 Um macaco deve demonstrar que reconhece cores jogando uma bola vermelha, uma preta e uma branca em
caixas das mesmas cores respectivas, uma bola em uma caixa. Se o macaco não aprendeu as cores
e apenas joga uma bola aleatoriamente em cada caixa, encontre as probabilidades dos seguintes
resultados:
a Não há correspondências de cores. b
Existe exatamente uma correspondência de cores.
Solução Este problema pode ser resolvido listando pontos de amostra porque apenas três bolas estão envolvidas,
mas um método mais geral será ilustrado. Defina os seguintes eventos:
A1: Ocorre uma correspondência de cores na caixa vermelha.
A2: Ocorre uma correspondência de cores na caixa preta.

A3: Ocorre uma correspondência de cores na caixa branca.
São 3! = 6 maneiras igualmente prováveis de lançar aleatoriamente as bolas nas caixas com uma
bola em cada caixa. Além disso, existem apenas 2! = 2 maneiras de lançar as bolas nas caixas se
uma determinada caixa precisar ter uma cor correspondente. Por isso,
P(A1) = P(A2) = P(A3) = 2/6 = 1/3.
Da mesma forma, segue-se que
P(A1 ÿ A2) = P(A1 ÿ A3) = P(A2 ÿ A3) = P(A1 ÿ A2 ÿ A3) = 1/6.
Agora podemos responder às partes (a) e (b) usando o método de composição de eventos.
um aviso que
P (sem correspondência de cor) = 1 - P (pelo menos uma correspondência de cor)
= 1 ÿ P(A1 ÿ A2 ÿ A3)
= 1 ÿ [P(A1) + P(A2) + P(A3) ÿ P(A1 ÿ A2)
ÿ P(A1 ÿ A3) ÿ P(A2 ÿ A3) + P(A1 ÿ A2 ÿ A3)]
= 1 ÿ [3(1/3) ÿ 3(1/6) + (1/6)] = 2/6 = 1/3.

b Deixamos para você mostrar isso
P(exatamente uma correspondência) = P(A1) + P(A2) + P(A3)
ÿ 2[P(A1 ÿ A2) + P(A1 ÿ A3) + P(A2 ÿ A3)]
+ 3[P(A1 ÿ A2 ÿ A3)]
= (3)(1/3) ÿ (2)(3)(1/6) + (3)(1/6) = 1/2.
A melhor maneira de aprender como resolver problemas de probabilidade é aprender fazendo. Para ajudá-
lo a desenvolver suas habilidades, muitos exercícios são fornecidos no final desta seção, no final do capítulo e
nas referências.
Exercícios
2.110 Dos itens produzidos diariamente por uma fábrica, 40% vêm da linha I e 60% da linha II. A linha I tem uma taxa de
defeitos de 8%, enquanto a linha II tem uma taxa de defeitos de 10%. Se um item for escolhido aleatoriamente
na produção do dia, encontre a probabilidade de que ele não apresente defeito.
2.111 Uma agência de publicidade observa que aproximadamente 1 em cada 50 potenciais compradores de um produto vê um
determinado anúncio em revista e 1 em cada 5 vê um anúncio correspondente na televisão. Um em cada 100 vê ambos.
Um em cada três compra o produto depois de ver o anúncio, e 1 em cada 10 sem vê-lo. Qual é a probabilidade de um
cliente potencial selecionado aleatoriamente comprar o produto?
2.112 Três conjuntos de radares, operando de forma independente, são configurados para detectar qualquer aeronave voando através de uma
determinada área. Cada conjunto tem uma probabilidade de 0,02 de não conseguir detectar um avião em sua área. Se uma
aeronave entrar na área, qual é a probabilidade de que ela
a passa despercebido? b
é detectado por todos os três conjuntos de radar?
2.113 Considere um dos conjuntos de radar do Exercício 2.112. Qual é a probabilidade de detectar corretamente exatamente
três aeronaves antes de falhar na detecção de uma, se as chegadas de aeronaves forem eventos únicos
independentes que ocorrem em momentos diferentes?
2.114 Um detector de mentiras mostrará uma leitura positiva (indicará uma mentira) 10% das vezes quando uma pessoa estiver
dizendo a verdade e 95% das vezes quando a pessoa estiver mentindo. Suponha que duas pessoas sejam suspeitas
de um crime cometido por uma pessoa e (com certeza) uma delas seja culpada e mentirá. Suponha ainda que o
detector de mentiras opere de forma independente para a pessoa verdadeira e para o mentiroso. Qual é a
probabilidade de o detector
a mostra uma leitura positiva para ambos os suspeitos? b
mostra uma leitura positiva para o suspeito culpado e uma leitura negativa para o inocente
suspeito?
c está completamente errado - isto é, dá uma leitura positiva para o suspeito inocente e
uma leitura negativa para os culpados?
d dá uma leitura positiva para um ou ambos os suspeitos?

Exercícios 69
2.115 Um posto estadual de autoinspeção conta com duas equipes de fiscalização. A equipe 1 é tolerante e ultrapassa todos
os automóveis de safra recente; a equipe 2 rejeita todos os automóveis em uma primeira inspeção porque seus
“faróis não estão ajustados corretamente”. Quatro motoristas desavisados levam seus automóveis à estação para
inspeção em quatro dias diferentes e selecionam aleatoriamente uma das duas equipes.
a Se todos os quatro carros forem novos e estiverem em excelentes condições, qual é a probabilidade de três dos
quatro serem rejeitados?
b Qual é a probabilidade de todos os quatro passarem?
2.116 Uma rede de comunicações possui um sistema de salvaguarda integrado contra falhas. Neste sistema, se a linha I falhar,
ela será ignorada e a linha II será usada. Se a linha II também falhar, ela será ignorada e a linha III será usada. A
probabilidade de falha de qualquer uma dessas três linhas é 0,01, e as falhas dessas linhas são eventos
independentes. Qual é a probabilidade de que este sistema de três linhas não falhe completamente?
2.117 Um time de futebol tem probabilidade de 0,75 de vencer ao jogar contra qualquer um dos outros quatro times de sua
conferência. Se os jogos forem independentes, qual é a probabilidade de a equipe vencer todos os jogos da
conferência?
2.118 Uma vítima de acidente morrerá a menos que nos próximos 10 minutos receba algum sangue tipo A, Rh positivo, que
pode ser fornecido por um único doador. O hospital requer 2 minutos para tipificar o sangue de um possível doador
e 2 minutos para concluir a transferência de sangue. Muitos doadores não tipificados estão disponíveis e 40%
deles têm sangue tipo A, Rh positivo. Qual é a probabilidade de a vítima do acidente ser salva se apenas um kit
de tipagem sanguínea estiver disponível? Suponha que o kit de digitação seja reutilizável, mas possa processar
apenas um doador por vez.
*2.119 Suponha que dois dados equilibrados sejam lançados repetidamente e a soma das duas faces superiores
é determinado em cada lançamento. Qual é a probabilidade de obtermos
uma soma de 3 antes de obtermos uma soma de 7?

b uma soma de 4 antes de obtermos uma soma de 7?
2.120 Suponha que dois refrigeradores defeituosos tenham sido incluídos em uma remessa de seis refrigeradores.
O comprador começa a testar os seis refrigeradores, um de cada vez.
a Qual é a probabilidade de que o último refrigerador com defeito seja encontrado no quarto teste? b Qual
é a probabilidade de que não seja necessário testar mais de quatro refrigeradores para localizar ambos
dos refrigeradores defeituosos?
c Considerando que exatamente um dos dois refrigeradores defeituosos foi localizado nos dois primeiros testes,
qual é a probabilidade de que o refrigerador defeituoso restante seja encontrado no terceiro ou quarto teste?
2.121 Um novo secretário recebeu n senhas de computador, das quais apenas uma permitirá acesso a um arquivo de
computador. Como o secretário não tem ideia de qual senha está correta, ele escolhe uma das senhas
aleatoriamente e tenta. Caso a senha esteja incorreta, ele a descarta e seleciona aleatoriamente outra senha
dentre as restantes, procedendo desta forma até encontrar a senha correta.
a Qual é a probabilidade de ele obter a senha correta na primeira tentativa? b Qual é a

probabilidade de ele obter a senha correta na segunda tentativa? A terceira tentativa? c Um sistema de segurança
foi configurado para que se três senhas incorretas forem tentadas antes da correta, o arquivo do computador seja
bloqueado e o acesso a ele negado. Se n = 7, qual é a probabilidade de a secretária obter acesso ao arquivo?
2.10 A Lei da Probabilidade Total e

a Regra de Bayes
A abordagem de composição de eventos para resolver problemas de probabilidade é às vezes
facilitada pela visualização do espaço amostral, S, como uma união de subconjuntos mutuamente
exclusivos e pelo uso da seguinte lei da probabilidade total. Os resultados desta seção são
baseados na seguinte construção.
DEFINIÇÃO 2.11 Para algum inteiro positivo k, sejam os conjuntos B1, B2,..., Bk tais que
1. S = B1 ÿ B2 ÿ···ÿ Bk .
2. Bi ÿ Bj = ÿ, para i = j.
Então a coleção de conjuntos {B1, B2,..., Bk } é dita uma partição de S.
Se A é qualquer subconjunto de S e {B1, B2,..., Bk } é uma partição de S, A pode ser decomposto da

seguinte forma:
A = (A ÿ B1) ÿ (A ÿ B2) ÿ···ÿ (A ÿ Bk ).
A Figura 2.12 ilustra esta decomposição para k = 3.
TEOREMA 2.8 Suponha que {B1, B2,..., Bk } é uma partição de S (ver Definição 2.11) tal que
P(Bi) > 0, para i = 1, 2,..., k. Então para qualquer evento A
k
P(A) = P(A|Bi)P(Bi).
eu=1
Prova Qualquer subconjunto A de S pode ser escrito como
A = A ÿ S = A ÿ (B1 ÿ B2 ÿ···ÿ Bk )
= (A ÿ B1) ÿ (A ÿ B2) ÿ···ÿ (A ÿ Bk ).
Observe que, porque {B1, B2, ··· , Bk } é uma partição de S, se i = j,
(A ÿ Bi) ÿ (A ÿ Bj) = A ÿ (Bi ÿ Bj) = A ÿÿ=ÿ
e que (A ÿ Bi) e (A ÿ Bj) são eventos mutuamente exclusivos. Por isso,

P(A) = P(A ÿ B1) + P(A ÿ B2) +···+ P(A ÿ Bk )
= P(A|B1)P(B1) + P(A|B2)P(B2) +···+ P(A|Bk )P(Bk )

k
= P(A|Bi)P(Bi).
eu=1
Nos exemplos e exercícios a seguir, você verá que às vezes é muito mais fácil calcular
as probabilidades condicionais P(A|Bi) para Bi adequadamente escolhido do que calcular
P(A) diretamente. Nesses casos, a lei da probabilidade total pode ser aplicada
2.10 A Lei da Probabilidade Total e a Regra 71 de Bayes
FIGURA 2.12 S
Decomposição de
evento A Um B2
E B1 Um B3
B1 B3
B2
para determinar P(A). Usando o resultado do Teorema 2.8, é simples derivar o resultado
conhecido como regra de Bayes.
TEOREMA 2.9 Regra de Bayes Suponha que {B1, B2,..., Bk } é uma partição de S (ver Definição 2.11)
tal que P(Bi) > 0, para i = 1, 2,..., k. Então
P(A|Bj)P(Bj)
P(Bj|A) = .
k
P(A|Bi)P(Bi)
eu=1
Prova A prova segue diretamente da definição de probabilidade condicional e da lei da

probabilidade total. Observe que
P(A ÿ Bj) = P(A|Bj)P(Bj)

P(Bj|A) = .
k
P(A)
P(A|Bi)P(Bi)
eu=1
EXEMPLO 2.23 Um fusível eletrônico é produzido por cinco linhas de produção em uma operação de manufatura.
Os fusíveis são caros, bastante confiáveis e são enviados aos fornecedores em lotes de 100 unidades.
Como os testes são destrutivos, a maioria dos compradores de fusíveis testa apenas um pequeno
número de fusíveis antes de decidir aceitar ou rejeitar muitos fusíveis recebidos.
Todas as cinco linhas de produção produzem fusíveis na mesma proporção e normalmente
produzem apenas 2% de fusíveis defeituosos, que são dispersos aleatoriamente na saída.
Infelizmente, a linha de produção 1 sofreu dificuldades mecânicas e produziu 5% de defeitos
durante o mês de março. Esta situação tornou-se conhecida do fabricante após o envio dos
fusíveis. Um cliente recebeu um lote produzido em março e testou três fusíveis.
Um falhou. Qual é a probabilidade de o lote ter sido produzido na linha 1? Qual é a
probabilidade de o lote ter vindo de uma das outras quatro linhas?
Solução Deixe B denotar o evento em que um fusível foi retirado da linha 1 e deixe A denotar o evento
que um fusível estava com defeito. Então segue diretamente que
P(B) = 0,2 e P(A|B) = 3(0,05)(0,95) 2 = 0,135375.

FIGURA 2.13 A 0,0271

Diagrama de árvore 0,1354
para cálculos no
Exemplo 2.23. ÿ A e ÿ
B
B são notações
alternativas para A e B,
0,2000 0,8646
respectivamente. ~A 0,1729
P(B|A) = 0,0271 / (0,0271 + 0,0461) = 0,3700
A 0,0461
0,8000
0,0576
~B
0,9424
~A 0,7539
De forma similar,
2 = 0,057624.
P(B) = 0,8 e P(A|B) = 3(0,02)(0,98)
Observe que essas probabilidades condicionais foram muito fáceis de calcular. Usando a lei
da probabilidade total,
P(A) = P(A|B)P(B) + P(A|B)P(B)
= (0,135375)(0,2) + (0,057624)(0,8) = 0,0731742.
Finalmente,
P(B ÿ UMA) P(A|B)P(B) (0,135375)(0,2)

P(B|A) = = = = 0,37,
P(A) P(A) 0,0731742
e
P(B|A) = 1 ÿ P(B|A) = 1 ÿ 0,37 = 0,63.
A Figura 2.13, obtida usando o applet Regra de Bayes como uma Árvore, ilustra as diversas
etapas no cálculo de P(B|A) .
Exercícios
2.122 Exercício do applet Use a Regra de Bayes do applet como uma árvore para obter os resultados dados na Figura 2.13.
2.123 Exercício com Applet Consulte o Exercício 2.122 e o Exemplo 2.23. Suponha que as linhas 2 a 5 permaneceram as
mesmas, mas a linha 1 foi parcialmente reparada e produziu uma porcentagem menor de defeitos.
Exercícios 73
a Que impacto isso teria em P(A|B)? b Suponha que P(A|
B) diminua para 0,12 e todas as outras probabilidades permaneçam inalteradas. Use o applet Regra de Bayes como
uma árvore para reavaliar P(B|A).
c Como a resposta obtida na parte (b) se compara à obtida no Exercício 2.122?

Você está surpreso com esse resultado?
d Suponha que todas as probabilidades permanecem as mesmas, exceto P(A|B). Use o miniaplicativo e teste e
erro para encontrar o valor de P(A|B) para o qual P(B|A) = 0,3000.
e Se a linha 1 produzir apenas itens defeituosos, mas todas as outras probabilidades permanecerem inalteradas, o que
é P(B|A)?
f Um amigo esperava que a resposta da parte (e) fosse 1. Explique por que, sob as condições da parte
(e), P(B|A) = 1.
2.124 Uma população de eleitores contém 40% de republicanos e 60% de democratas. É relatado que 30% dos republicanos e 70%
dos democratas são a favor de uma questão eleitoral. Descobriu-se que uma pessoa escolhida aleatoriamente nesta
população é favorável à questão em questão. Encontre a probabilidade condicional de que essa pessoa seja um
democrata.
2.125 Um teste diagnóstico para uma doença é tal que detecta (corretamente) a doença em 90% dos indivíduos que realmente têm
a doença. Além disso, se uma pessoa não tiver a doença, o teste reportará que ela não a tem com probabilidade de
0,9. Apenas 1% da população tem a doença em questão. Se uma pessoa for escolhida aleatoriamente na população e
o teste diagnóstico indicar que ela tem a doença, qual é a probabilidade condicional de que ela tenha, de fato, a
doença? Você está surpreso com a resposta? Você consideraria esse teste de diagnóstico confiável?
2.126 Exercício com miniaplicativo Consulte o Exercício 2.125. A probabilidade de o teste detectar a doença, dado que o paciente
tem a doença, é chamada de sensibilidade do teste. A especificidade do teste é a probabilidade de o teste não indicar
nenhuma doença, visto que o paciente está livre de doença. O valor preditivo positivo do teste é a probabilidade de o
paciente ter a doença, visto que o teste indica que a doença está presente. No Exercício 2.125, a doença em questão
era relativamente rara, ocorrendo com probabilidade 0,01, e o teste descrito tem sensibilidade = especificidade = 0,90
e valor preditivo positivo = 0,0833.
a Num esforço para aumentar o valor preditivo positivo do teste, a sensibilidade foi aumentada para 0,95 e a
especificidade permaneceu em 0,90. Qual é o valor preditivo positivo do teste “melhorado”?
b Ainda não satisfeito com o valor preditivo positivo do procedimento, a sensibilidade do teste é aumentada para 0,999.
Qual é o valor preditivo positivo do teste modificado (agora duas vezes) se a especificidade permanecer em 0,90?
c Observe atentamente os vários números que foram usados para calcular o valor preditivo positivo dos testes. Por
que todos os valores preditivos positivos são tão pequenos? [Dica: compare o tamanho do numerador e do
denominador usado na fração que produz o valor do valor preditivo positivo. Porque é que o denominador é tão
(relativamente) grande?] d A proporção de indivíduos com a doença não está sujeita ao nosso
controlo. Se a sensibilidade do teste for 0,90, é possível que o valor preditivo positivo do teste possa ser aumentado
para um valor acima de 0,5? Como? [Dica: Considere melhorar a especificidade do teste.] e Com base nos
resultados dos seus cálculos nas partes anteriores, se a doença em questão for relativamente rara,
como pode o valor preditivo positivo de um teste de diagnóstico ser significativamente aumentado?
2.127 Exercício com Applet Consulte os Exercícios 2.125 e 2.126. Suponha agora que a doença não seja
particularmente raro e ocorre com probabilidade 0,4.
a Se, como no Exercício 2.125, um teste tiver sensibilidade = especificidade = 0,90, qual é o valor preditivo positivo
do teste? b Por que o valor do
valor preditivo positivo do teste é tão superior ao valor obtido no Exercício 2.125? [Dica: compare o tamanho do
numerador e do denominador usado na fração que produz o valor do valor preditivo positivo.]
c Se a especificidade do teste permanecer 0,90, a sensibilidade do teste pode ser ajustada para obter um valor
preditivo positivo acima de 0,87? d Se a
sensibilidade permanecer em 0,90, a especificidade pode ser ajustada para obter um resultado preditivo positivo?
valor acima de 0,95? Como?
e Os criadores de um teste de diagnóstico pretendem que o teste tenha um elevado valor preditivo positivo.
Com base nos cálculos feitos nas partes anteriores deste problema e no Exercício 2.126, o valor da
especificidade é mais ou menos crítico ao desenvolver um teste para uma doença mais rara?
2.128 Um avião está desaparecido e presume-se que tenha igual probabilidade de cair em qualquer uma das três regiões. Se
um avião estiver realmente caído na região i, deixe 1 ÿ ÿi denotar a probabilidade de que o avião seja encontrado
após uma busca na i-ésima região, i = 1, 2, 3. Qual é a probabilidade condicional de que o avião esteja em
uma região 1, dado que a busca na região 1 não teve sucesso? b região 2,
dado que a busca na região 1 não teve sucesso? c região 3, dado que a busca
na região 1 não teve sucesso?
2.129 Observa-se que homens e mulheres reagem de maneira diferente a um determinado conjunto de
circunstâncias. Observou-se que 70% das mulheres reagem positivamente a estas circunstâncias,
enquanto apenas 40% dos homens reagem positivamente. Um grupo de 20 pessoas, 15 mulheres e 5
homens, foi submetido a estas circunstâncias, e os sujeitos foram convidados a descrever as suas
reações num questionário escrito. Uma resposta escolhida aleatoriamente dentre as 20 foi negativa.
Qual é a probabilidade de ser de um homem?
2.130 Um estudo realizado com residentes da Geórgia sugere que aqueles que trabalharam em estaleiros durante a Segunda
Guerra Mundial estavam sujeitos a um risco significativamente maior de cancro do pulmão (Wall Street Journal, 21
de Setembro de 1978).3 Verificou-se que aproximadamente 22% das pessoas que teve câncer de pulmão,
trabalhou em algum momento anterior em um estaleiro. Em contraste, apenas 14% daqueles que não tiveram
cancro do pulmão trabalharam anteriormente num estaleiro. Suponhamos que a proporção de todos os georgianos
que viveram durante a Segunda Guerra Mundial e que contraíram ou irão contrair cancro do pulmão seja de 0,04%.
Encontre a percentagem de georgianos que vivem durante o mesmo período e que irão contrair (ou contraíram)
cancro do pulmão, dado que já trabalharam num estaleiro naval.
2.131 A diferença simétrica entre dois eventos A e B é o conjunto de todos os pontos amostrais que estão em exatamente um
dos conjuntos e é frequentemente denotada por A B. Observe que AB = (A ÿ B) ÿ (A ÿ B).
Prove que P(A B) = P(A) + P(B) ÿ 2P(A ÿ B).
2.132 Use o Teorema 2.8, a lei da probabilidade total, para provar o seguinte:
a Se P(A|B) = P(A|B), então A e B são independentes. b Se P(A|C) >

P(B|C) e P(A|C) > P(B|C), então P(A) > P(B).
2.133 Um aluno responde a uma questão de exame de múltipla escolha que oferece quatro respostas possíveis.
Suponha que a probabilidade de o aluno saber a resposta à pergunta seja 0,8 e a probabilidade de o aluno
adivinhar seja 0,2. Suponha que se o aluno adivinhar, a probabilidade de
3. Fonte: Wall Street Journal, c Dow Jones & Company, Inc. 1981. Todos os direitos reservados em todo o mundo.
2.11 Eventos Numéricos e Variáveis Aleatórias 75
selecionar a resposta correta é 0,25. Se o aluno responder corretamente a uma pergunta, qual é a probabilidade
de o aluno realmente saber a resposta correta?
2.134 Dois métodos, A e B, estão disponíveis para ensinar uma certa habilidade industrial. A taxa de falha é de 20% para A e
10% para B. No entanto, B é mais caro e, portanto, é usado apenas 30% das vezes. (A é usado nos outros 70%.)
Um trabalhador aprendeu a habilidade por um dos métodos, mas não conseguiu aprendê-la corretamente. Qual é
a probabilidade de ela ter sido ensinada pelo método A?
2.135 Dos viajantes que chegam a um aeroporto pequeno, 60% voam em grandes companhias aéreas, 30% voam em aviões
privados e o restante voam em aviões comerciais que não pertencem a uma grande companhia aérea. Dos que
viajam nas principais companhias aéreas, 50% viajam por motivos de negócios, enquanto 60% dos que chegam
em aviões privados e 90% dos que chegam em outros aviões comerciais viajam por motivos de negócios. Suponha
que selecionemos aleatoriamente uma pessoa que chega a este aeroporto. Qual é a probabilidade de a pessoa
a está viajando a negócios? b

está viajando a negócios em um avião particular? c chegou em
avião particular, visto que a pessoa está viajando por motivos de negócios? d está viajando a negócios, visto que
a pessoa está voando em um avião de propriedade comercial?
2.136 Um diretor de pessoal tem duas listas de candidatos a empregos. A lista 1 contém os nomes de cinco mulheres e dois
homens, enquanto a lista 2 contém os nomes de duas mulheres e seis homens. Um nome é selecionado
aleatoriamente da lista 1 e adicionado à lista 2. Um nome é então selecionado aleatoriamente da lista aumentada
2. Dado que o nome selecionado é o de um homem, qual é a probabilidade de o nome de uma mulher ter sido
originalmente selecionado da lista 1?
2.137 Cinco tigelas idênticas são rotuladas como 1, 2, 3, 4 e 5. A tigela i contém i bolas brancas e 5 ÿ i bolas pretas, com i = 1,
2,..., 5. Uma tigela é selecionada aleatoriamente e duas bolas são selecionados aleatoriamente (sem reposição)
do conteúdo da tigela.
a Qual é a probabilidade de ambas as bolas selecionadas serem brancas?

b Dado que ambas as bolas selecionadas são brancas, qual é a probabilidade de a tigela 3 ter sido selecionada?
*2.138 A seguir está uma descrição do jogo de dados. Um jogador lança dois dados e calcula o total de pontos mostrados. Se o
primeiro lançamento do jogador for 7 ou 11, o jogador ganha o jogo. Se o primeiro lançamento for 2, 3 ou 12, o
jogador perde o jogo. Se o jogador lançar qualquer outra coisa (4, 5, 6, 8, 9 ou 10) no primeiro lançamento, esse
valor se torna o ponto do jogador. Se o jogador não ganhar ou perder no primeiro lançamento, ele lança os dados
repetidamente até obter seu ponto ou um 7. Ele ganha se lançar seu ponto antes de lançar um 7 e perde se lançar
um 7 antes de seu ponto. Qual é a probabilidade de o jogador ganhar um jogo de dados? [Dica: Lembre-se do
Exercício 2.119.]
2.11 Eventos Numéricos e Variáveis Aleatórias

Os eventos de maior interesse para o cientista, engenheiro ou empresário são aqueles
identificados por números, chamados de eventos numéricos. O médico pesquisador está
interessado no caso de dez em cada dez pacientes tratados sobreviverem a uma doença; o
empresário está interessado na possibilidade de as vendas no próximo ano atingirem US$ 5
milhões. Deixe Y denotar uma variável a ser medida em um experimento. Como o valor de Y
varia dependendo do resultado do experimento, ela é chamada de variável aleatória.
A cada ponto no espaço amostral atribuiremos um número real denotando o valor. O valor
da variável Y . atribuído a Y variará de um ponto amostral para outro,
FIGURA 2.14
Particionando S em
2
subconjuntos que 3
0
definem os eventos
S = 0, 1, 2, 3 e 4 4 1
mas alguns pontos podem receber o mesmo valor numérico. Assim, definimos uma variável que
é função dos pontos amostrais em S, e {todos os pontos amostrais onde Y = a} é o evento
numérico ao qual foi atribuído o número a. Na verdade, o espaço amostral S pode ser particionado
em subconjuntos de modo que todos os pontos dentro de um subconjunto recebam o mesmo
valor .de Y. Esses subconjuntos são mutuamente exclusivos, uma vez que nenhum ponto recebe
dois valores numéricos diferentes. O particionamento de S é indicado simbolicamente na Figura
2.14 para uma variável aleatória que pode assumir os valores 0, 1, 2, 3 e 4.
DEFINIÇÃO 2.12 Uma variável aleatória é uma função de valor real para a qual o domínio é uma amostra
espaço.
EXEMPLO 2.24 Defina um experimento como lançar duas moedas e observar os resultados. Seja Y igual ao número
de caras obtidas. Identifique os pontos amostrais em S, atribua um valor de Y a cada ponto
amostral e identifique os pontos amostrais associados a cada valor da variável aleatória Y
.
Solução Sejam H e T representando cabeça e cauda, respectivamente; e deixe um par ordenado de símbolos
identificar o resultado da primeira e da segunda moedas. (Assim, HT implica cara na primeira
moeda e coroa na segunda.) Então os quatro pontos amostrais em S são E1: H H, E2: Os
HT , E3: TH e E4: TT . valores de Y atribuídos aos pontos amostrais dependem do
número de caras associadas com cada ponto. Para E1 : H H, foram observadas duas caras, e
a E1 é atribuído o valor Y = 2. Da mesma forma, atribuímos os valores Y = 1 a E2 e E3 e Y = 0
a E4. Resumindo, a variável aleatória Y pode assumir três valores, Y = 0, 1 e 2, que são eventos
definidos por coleções específicas de pontos amostrais:
{S = 0}={E4}, {Y = 1}={E2, E3}, {S = 2}={E1}.
Deixe y denotar um valor observado da variável aleatória Y soma . Então P(Y = y) é o

das probabilidades dos pontos amostrais aos quais é atribuído o valor y.
2.12 Amostragem Aleatória 77
EXEMPLO 2.25 Calcule as probabilidades para cada valor de Y no Exemplo 2.24.
Solução O evento {Y = 0} resulta apenas do ponto amostral E4. Se as moedas estiverem equilibradas, o
os pontos amostrais são igualmente prováveis; por isso,
P(Y = 0) = P(E4) = 1/4.

De forma similar,
P(Y = 1) = P(E2) + P(E3) = 1/2 e P(Y = 2) = P(E1) = 1/4.
Um exame mais detalhado das variáveis aleatórias será realizado nos próximos dois
capítulos.
Exercícios
2.139 Consulte o Exercício 2.112. Deixe a variável aleatória Y representar o número de conjuntos de radar que
detectam uma aeronave específica. Calcule as probabilidades associadas a cada valor de Y .
2.140 Consulte o Exercício 2.120. Deixe a variável aleatória Y representar o número de refrigeradores defeituosos
encontrados após três refrigeradores terem sido testados. Calcule as probabilidades para cada valor
de Y .
2.141 Consulte novamente o Exercício 2.120. Deixe a variável aleatória Y representar o número do teste em que
o último refrigerador com defeito é identificado. Calcule as probabilidades para cada valor de Y .
2.142 Um spinner pode pousar em qualquer uma das quatro posições, A, B, C e D, com igual probabilidade. O
botão giratório é usado duas vezes e a posição é anotada a cada vez. Deixe a variável aleatória Y
denotar o número de posições nas quais o botão giratório não pousou. Calcule as probabilidades para
. Y
cada valor de
2.12 Amostragem Aleatória

Como tópico final neste capítulo, passamos da teoria à aplicação e examinamos a natureza
dos experimentos conduzidos em estatística. Um experimento estatístico envolve a observação
de uma amostra selecionada de um conjunto maior de dados, existentes ou conceituais,
denominado população. As medidas da amostra, vistas como observações dos valores de uma
ou mais variáveis aleatórias, são então utilizadas para fazer uma inferência sobre as
características da população-alvo.
Como essas inferências são feitas? Uma resposta exata a esta questão será adiada para
mais tarde, mas uma observação geral decorre da nossa discussão na Secção 2.2. Lá
aprendemos que a probabilidade da amostra observada desempenha um papel importante na
realização de uma inferência e na avaliação da credibilidade da inferência.
Sem entrar em detalhes, é claro que o método de amostragem afetará a probabilidade de
um resultado amostral específico. Por exemplo, suponha que um filme fictício
a população contém apenas N = 5 elementos, dos quais planejamos obter uma amostra de
tamanho n = 2. Você poderia misturar bem os elementos e selecionar dois de tal forma que todos
os pares de elementos possuam uma probabilidade igual de seleção. Um segundo procedimento
de amostragem pode exigir a seleção de um único elemento, sua substituição na população e, em
seguida, o desenho de um único elemento novamente. Os dois métodos de seleção de amostra
são chamados de amostragem sem e com reposição, respectivamente.
Se todos os N = 5 elementos da população forem distintamente diferentes, a probabilidade de
se obter um par específico, quando se amostra sem reposição, é de 1/10. A probabilidade de
extrair o mesmo par específico, na amostragem com reposição, é 2/25. Você pode verificar
facilmente esses resultados.
O que defendemos é que o método de amostragem, conhecido como desenho de um
experimento, afeta tanto a quantidade de informação em uma amostra quanto a probabilidade de
observar um resultado específico da amostra. Portanto, cada procedimento de amostragem deve
ser claramente descrito se quisermos fazer inferências válidas da amostra para a população.
O estudo do planejamento de experimentos, dos vários tipos de projetos juntamente com suas
propriedades, é um curso em si. Portanto, nesta fase inicial do estudo, introduzimos apenas o
procedimento de amostragem mais simples, a amostragem aleatória simples. A noção de
amostragem aleatória simples será necessária em discussões subsequentes sobre as probabilidades
associadas a variáveis aleatórias e injetará algum realismo na nossa discussão sobre estatística.
Isso ocorre porque a amostragem aleatória simples é frequentemente empregada na prática. Agora
vamos definir o termo amostra aleatória.
DEFINIÇÃO 2.13 Deixe N e n representarem o número de elementos na população e na amostra,

N
respectivamente. Se a amostragem for conduzida de forma que cada uma das
n
amostras tenha igual probabilidade de ser selecionada, a amostragem é considerada
aleatória e o resultado é considerado uma amostra aleatória.
A amostragem aleatória perfeita é difícil de conseguir na prática. Se a população não for muito
grande, podemos escrever cada um dos N números numa ficha de pôquer, misturar todas as fichas
e selecionar uma amostra de n fichas. Os números nas fichas de pôquer especificariam as medidas
que apareceriam na amostra.
Tabelas de números aleatórios foram formadas por computador para agilizar a seleção de
amostras aleatórias. Um exemplo de tal tabela é a Tabela 12, Apêndice 3. Uma tabela de números
aleatórios é um conjunto de inteiros (0, 1, ..., 9) gerados de modo que, no longo prazo, a tabela
conterá todos os dez inteiros em proporções aproximadamente iguais, sem tendências nos padrões
em que os dígitos foram gerados. Assim, se um dígito for selecionado de um ponto aleatório na
tabela, é igualmente provável que seja qualquer um dos dígitos de 0 a 9.
Escolher números da mesa é análogo a tirar fichas de pôquer numeradas da pilha mista,
conforme mencionado anteriormente. Suponha que desejemos que uma amostra aleatória de três
pessoas seja selecionada de uma população de sete pessoas. Poderíamos numerar as pessoas
de 1 a 7, colocar os números nas fichas, misturar bem as fichas e depois tirar três. Analogamente,
poderíamos colocar uma ponta de lápis em um ponto inicial aleatório na Tabela 12, Apêndice 3.
Suponha que a ponta caia na 15ª linha da coluna 9 e decidamos usar o dígito mais à direita do
grupo de cinco, que é um 5 em este caso. Este processo é como desenhar a ficha numerada 5.
Podemos agora prosseguir em qualquer direção para
2.13 Resumo 79
obtenha os números restantes na amostra. Se decidirmos prosseguir na página, o próximo número

(imediatamente abaixo do 5) é 2. Portanto, nossa segunda pessoa amostrada seria o número 2.
Continuando, chegamos a 8, mas existem apenas sete elementos na população . Assim, o 8 é ignorado
e continuamos descendo a coluna.
Mais dois 5s aparecem, mas ambos devem ser ignorados porque a pessoa 5 já foi selecionada. (A
ficha de número 5 foi removida da pilha.) Finalmente, chegamos a 1 e nossa amostra de três é
completada com pessoas de número 5, 2 e 1.
Qualquer ponto de partida pode ser usado em uma tabela de números aleatórios e podemos
prosseguir em qualquer direção a partir do ponto de partida. Entretanto, se mais de uma amostra for
usada em qualquer problema, cada uma deverá ter um ponto de partida único.
Em muitas situações a população é conceitual, como numa observação feita durante um
experimento de laboratório. Aqui, a população é concebida como o número infinito de medições que
seriam obtidas se o experimento fosse repetido indefinidamente. Se desejarmos uma amostra de n =
10 medições desta população, repetimos o experimento dez vezes e esperamos que os resultados
representem, com um grau razoável de aproximação, uma amostra aleatória.
Embora o objetivo principal desta discussão tenha sido esclarecer o significado de uma amostra
aleatória, gostaríamos de mencionar que algumas técnicas de amostragem são apenas parcialmente
aleatórias. Por exemplo, se quisermos determinar a preferência de voto da nação numa eleição
presidencial, provavelmente não escolheremos uma amostra aleatória da população de eleitores. Por
puro acaso, todos os eleitores que aparecem na amostra podem ser provenientes de uma única cidade
– digamos, São Francisco – que pode não ser de todo representativa da população de todos os
eleitores nos Estados Unidos. Preferiríamos uma selecção aleatória de eleitores de distritos políticos
mais pequenos, talvez estados, atribuindo um número específico a cada estado. As informações das
subamostras selecionadas aleatoriamente, extraídas dos respectivos estados, seriam combinadas para
formar uma previsão relativa a toda a população de eleitores do país. Em geral, queremos selecionar
uma amostra de modo a obter uma determinada quantidade de informação a um custo mínimo.
2.13 Resumo
Este capítulo se preocupou em fornecer um modelo para a repetição de um experimento e,
conseqüentemente, um modelo para as distribuições de frequência populacional do Capítulo 1. A
aquisição de uma distribuição de probabilidade é o primeiro passo na formação de uma teoria para
modelar a realidade e desenvolver a maquinaria para fazer inferências.
Um experimento foi definido como o processo de fazer uma observação. Os conceitos de evento,
evento simples, espaço amostral e axiomas de probabilidade forneceram um modelo probabilístico
para calcular a probabilidade de um evento. Os eventos numéricos e a definição de uma variável
aleatória foram introduzidos na Seção 2.11.
Inerente ao modelo está a abordagem de ponto de amostragem para calcular a probabilidade de
um evento (Seção 2.5). Regras de contagem úteis na aplicação do método de pontos amostrais foram
discutidas na Seção 2.6. O conceito de probabilidade condicional, as operações da álgebra de
conjuntos e as leis da probabilidade preparam o terreno para o método de composição de eventos para
calcular a probabilidade de um evento (Seção 2.9).
Qual é o valor da teoria da probabilidade? Ele fornece a teoria e as ferramentas para calcular as
probabilidades de eventos numéricos e, portanto, a probabilidade
distribuições para as variáveis aleatórias que serão discutidas no Capítulo 3. Os eventos numéricos de
interesse para nós aparecem em uma amostra, e desejaremos calcular a probabilidade de uma amostra
observada para fazer uma inferência sobre a população-alvo.
A probabilidade fornece a base e as ferramentas para a inferência estatística, o objetivo da estatística.
Referências e leituras adicionais

Cramer, H. 1973. Os elementos da teoria da probabilidade e algumas de suas aplicações, 2ª ed.
Huntington, NY: Krieger.
Feller, W. 1968. Uma introdução à teoria da probabilidade e suas aplicações, 3ª ed., vol. 1. Nova York:
Wiley.
———. 1971. Uma introdução à teoria da probabilidade e suas aplicações, 2ª ed., vol. 2. Nova York:
Wiley.
Meyer, PL 1970. Probabilidade Introdutória e Aplicações Estatísticas, 2ª ed.
Reading, Massachusetts: Addison-Wesley.
Parzen, E. 1992. Teoria Moderna da Probabilidade e suas Aplicações. Nova Iorque:
Wiley-Interciência.
Riordan, J. 2002. Introdução à Análise Combinatória. Mineola, NY: Dover
Publicações.
Exercícios Suplementares
2.143 Mostre que o Teorema 2.7 vale para probabilidades condicionais . Ou seja, se P(B) > 0, então
P(A|B) = 1 ÿ P(A|B).
2.144 Seja S contendo quatro pontos amostrais, E1, E2, E3 e E4.
a Liste todos os eventos possíveis em S (inclua o evento nulo).

n n
b No Exercício 2.68(d), você mostrou isso. Use este = 2npara fornecer o número total de eventos em S.
resultado
eu=1 eu
c Sejam A e B os eventos {E1, E2, E3} e {E2, E4}, respectivamente. Forneça os pontos de amostra nos
seguintes eventos: A ÿ B, A ÿ B, A ÿ B e A ÿ B.
2.145 Um paciente que recebe um exame físico anual deve ter 18 verificações ou testes realizados. A sequência em
que os testes são realizados é importante porque o tempo perdido entre os testes varia dependendo da
sequência. Se um especialista em eficiência estudasse as sequências para encontrar aquela que exigisse
o período de tempo mínimo, quantas sequências seriam incluídas em seu estudo se todas as sequências
possíveis fossem admissíveis?
2.146 Cinco cartas são retiradas de um baralho padrão de 52 cartas. Qual é a probabilidade de que todas as 5 cartas
sejam do mesmo naipe?
2.147 Consulte o Exercício 2.146. Um jogador recebeu cinco cartas: dois ases, um rei, um cinco e um 9. Ele descarta
o 5 e o 9 e recebe mais duas cartas. Qual é a probabilidade de ele terminar com full house?
Exercícios Suplementares 81
2.148 Uma caixa contém três componentes do fornecedor A, quatro do fornecedor B e cinco do fornecedor C. Se quatro dos
componentes forem selecionados aleatoriamente para teste, qual é a probabilidade de que cada fornecedor
tenha pelo menos um componente testado?
2.149 Um grande grupo de pessoas deve ser examinado quanto a dois sintomas comuns de uma determinada doença.
Pensa-se que 20% das pessoas apresentam apenas o sintoma A , 30% apresentam apenas o sintoma B , 10%
apresentam ambos os sintomas e o restante não apresenta nenhum dos sintomas. Para uma pessoa escolhida
aleatoriamente deste grupo, encontre estas probabilidades:
a A pessoa não apresenta nenhum dos

sintomas. b A pessoa apresenta pelo menos um
sintoma. c A pessoa apresenta ambos os sintomas, visto que apresenta o sintoma B.
2.150 Consulte o Exercício 2.149. Deixe a variável aleatória Y representar o número de sintomas possuídos por uma pessoa
escolhida aleatoriamente no grupo. Calcule as probabilidades associadas a cada valor de Y
.
*2.151 Modelo A para a World Series Duas equipes A e B jogam uma série de jogos até que uma equipe ganhe quatro jogos.
Assumimos que os jogos são jogados de forma independente e que a probabilidade de A ganhar qualquer jogo
é p. Qual é a probabilidade de a série durar exatamente cinco jogos?
2.152 Sabemos o seguinte sobre um método colorimétrico usado para testar nitratos na água do lago. Se as amostras de
água contiverem nitratos, uma solução deixada cair na água fará com que a amostra fique vermelha em 95%
das vezes. Quando usada em amostras de água sem nitratos, a solução faz com que a água fique vermelha em
10% das vezes (porque às vezes estão presentes outros produtos químicos além dos nitratos e eles também
reagem ao agente). Experiências anteriores em laboratório indicam que os nitratos estão contidos em 30% das
amostras de água que são enviadas ao laboratório para teste. Se uma amostra de água for selecionada
aleatoriamente
a dentre os enviados ao laboratório, qual a probabilidade de ele ficar vermelho quando testado? b e fica
vermelho quando testado, qual é a probabilidade de que realmente contenha nitratos?
2.153 Os históricos de casos médicos indicam que doenças diferentes podem produzir sintomas idênticos. Suponha que
um conjunto particular de sintomas, denotado por H, ocorra apenas quando ocorre qualquer uma das três
doenças, I1, I2 ou I3 . Suponha que a ocorrência simultânea de mais de uma dessas doenças seja impossível e
que
P(I1) = 0,01, P(I2) = 0,005, P(I3) = 0,02.
Sabe-se que as probabilidades de desenvolver o conjunto de sintomas H, dada cada uma destas doenças, são
P(H|I1) = 0,90, P(H|I2) = 0,95, P(H|I3) = 0,75.
Supondo que uma pessoa doente apresente os sintomas H, qual é a probabilidade de a pessoa ter a doença I1?
2.154 a Uma gaveta contém n = 5 pares de meias diferentes e distinguíveis (um total de dez meias).
Se uma pessoa (talvez no escuro) selecionar aleatoriamente quatro meias, qual é a probabilidade de não
haver nenhum par correspondente na amostra?
*b Uma gaveta contém n pares de meias diferentes e distinguíveis (um total de 2n meias). Uma pessoa seleciona
aleatoriamente 2r das meias, onde 2r < n. Em termos de n e r, qual é a probabilidade de não haver nenhum
par correspondente na amostra?
2.155 Um grupo de homens possui as três características de ser casado (A), ter diploma universitário (B) e ser cidadão de
um estado específico (C), de acordo com as frações fornecidas no diagrama de Venn anexo. Ou seja, 5% dos
homens possuem as três características, enquanto
20% têm ensino superior, mas não são casados e não são cidadãos do estado especificado.
Um homem é escolhido aleatoriamente deste grupo.
.10 .15
0,05
.10 C
0,20
.10
0,25
B A
Encontre a probabilidade de que ele
a é casado.
b tem diploma universitário e é casado.
c não é do estado especificado, mas é casado e possui diploma universitário.
d não é casado ou não possui ensino superior, visto ser natural do estado indicado.
2.156 A tabela anexa lista mortes acidentais por idade e certos tipos específicos para os Estados Unidos
Estados em 2002.
a Uma pessoa selecionada aleatoriamente nos Estados Unidos teve uma morte acidental
em 2002. Encontre a probabilidade de que
eu tinha mais de 15 anos.

ii a causa da morte foi um acidente automobilístico.
iii a causa da morte foi acidente automobilístico, visto que a pessoa tinha entre 15 anos
e 24 anos.
iv a causa da morte foi acidente de afogamento, visto que não se tratava de veículo automotor
acidente e a pessoa tinha 34 anos ou menos.
b A partir desses números você pode determinar a probabilidade de uma pessoa selecionada aleatoriamente entre
a população dos EUA sofreu um acidente fatal com veículo motorizado em 2002?
Tipo de acidente
Idade Todos os tipos de veículos motorizados Afogamento em quedas
Menos de 5 anos 2.707 819 44 568

5–14 2.979 1.772 37 375
15–24 14.113 10.560 237 646
25–34 11.769 6.884 303 419
35–44 15.413 6.927 608 480
45–54 12.278 5.361 871 354
55–64 7.505 3.506 949 217
65–74 7.698 3.038 1.660 179
75 e mais 23.438 4.487 8.613 244
Total 97.900 43.354 13.322 3.482
Fonte: Compilado do Relatório Nacional de Estatísticas Vitais 50, no. 15, 2002.
2.157 Um estudo realizado com moradores de uma região mostrou que 20% eram fumantes. A probabilidade de morte por
câncer de pulmão, dado que a pessoa fumava, era dez vezes maior que a probabilidade de morte por câncer de
pulmão, dado que a pessoa não fumava. Se a probabilidade de morte por câncer de pulmão na região for 0,006,
qual é a probabilidade de morte por câncer de pulmão, visto que a pessoa é fumante?
2.158 Uma tigela contém w bolas brancas e b bolas pretas. Uma bola é selecionada aleatoriamente da tigela, sua cor é
anotada e ela é devolvida à tigela junto com n bolas adicionais da mesma cor.
Outra bola é selecionada aleatoriamente da tigela (agora contendo w + b + n bolas) e observa-se que a bola é
preta. Mostre que a probabilidade (condicional) de que a primeira bola selecionada seja branca é w + b + n
Em
.
2.159 Parece óbvio que P(ÿ) = 0. Mostre que este resultado segue dos axiomas da Definição 2.6.
2.160 Uma máquina para produzir um novo componente eletrônico experimental gera defeitos de tempos em tempos de
maneira aleatória. O engenheiro supervisor de uma máquina específica notou que os defeitos parecem estar
agrupados (portanto, aparecem de maneira não aleatória), sugerindo assim um mau funcionamento em alguma
parte da máquina. Um teste para não aleatoriedade é baseado no número de execuções de defeituosos e não
defeituosos (uma execução é uma sequência ininterrupta de defeituosos ou não defeituosos). Quanto menor o
número de execuções, maior será a quantidade de evidências indicando não aleatoriedade. Dos 12 componentes
retirados da máquina, os 10 primeiros não estavam com defeito e os 2 últimos estavam com defeito
(NNNNNNNNNNDD). Suponha aleatoriedade. Qual é a probabilidade de observar
a esta disposição (resultando em duas execuções), dado que 10 dos 12 componentes não estão defeituosos
positivo?
b duas corridas?
2.161 Consulte o Exercício 2.160. Qual é a probabilidade de que o número de execuções, R, seja menor ou
igual a 3?
2.162 Suponha que existam nove vagas de estacionamento próximas uma da outra em um estacionamento. Nove carros
precisam ser estacionados por um atendente. Três dos carros são carros esportivos caros, três são carros
nacionais grandes e três são compactos importados. Supondo que o atendente estacione os carros aleatoriamente,
qual é a probabilidade de os três carros esportivos caros estarem estacionados um ao lado do outro?
2.163 Os relés utilizados na construção de circuitos elétricos funcionam adequadamente com probabilidade 0,9. Supondo
que os circuitos operem de forma independente, qual dos seguintes projetos de circuito produz a maior
probabilidade de que a corrente flua quando os relés são ativados?
1 3 1 3
A B A B
2 4 2 4
A B
2.164 Consulte o Exercício 2.163 e considere o circuito A. Se sabemos que a corrente está fluindo, qual é a probabilidade de
que as chaves 1 e 4 estejam funcionando corretamente?
2.165 Consulte o Exercício 2.163 e considere o circuito B. Se sabemos que a corrente está fluindo, qual é a probabilidade de
que as chaves 1 e 4 estejam funcionando corretamente?
2.166 Oito pneus de marcas diferentes são classificados de 1 a 8 (do melhor ao pior) de acordo com o desempenho em
quilometragem. Se quatro desses pneus forem escolhidos aleatoriamente por um cliente, encontre a probabilidade
de que o melhor pneu entre os selecionados pelo cliente esteja na verdade classificado em terceiro lugar entre
os oito originais.
2.167 Consulte o Exercício 2.166. Deixe Y denotar a classificação de qualidade real do melhor pneu selecionado pelo cliente. No
Exercício 2.166, você calculou P(Y = 3). Dê os valores possíveis de Y e as probabilidades associadas a todos esses
valores.
2.168 Assim como nos Exercícios 2.166 e 2.167, oito pneus de marcas diferentes são classificados de 1 a 8 (do melhor para o
pior) de acordo com o desempenho em quilometragem.
a Se quatro desses pneus forem escolhidos aleatoriamente por um cliente, qual é a probabilidade de que o melhor pneu
selecionado seja classificado em 3 e o pior seja classificado em 7?
b Na parte (a) você calculou a probabilidade de que o melhor pneu selecionado seja classificado em 3 e o pior seja
classificado em 7. Se for esse o caso, o intervalo das classificações, R = maior classificação - menor classificação
= 7 - 3 = 4 • O que é P(R = 4)?
c Forneça todos os valores possíveis para R e as probabilidades associadas a todos esses valores.
*2.169 Três bebedores de cerveja (digamos I, II e III) devem classificar quatro marcas diferentes de cerveja (digamos A, B, C e D) em
um teste às cegas. Cada bebedor classifica as quatro cervejas como 1 (para a cerveja que ele mais gostou), 2 (para a
próxima melhor), 3 ou 4.
a Descreva cuidadosamente um espaço amostral para este experimento (observe que precisamos especificar a
classificação de todas as quatro cervejas para todos os três bebedores). Quantos pontos amostrais existem neste
espaço amostral?
b Suponha que os bebedores não possam discriminar entre as cervejas, de modo que cada atribuição de classificação
às cervejas seja igualmente provável. Depois que todas as cervejas são classificadas pelos três bebedores, as
classificações de cada marca de cerveja são somadas. Qual é a probabilidade de alguma cerveja receber uma
classificação total de 4 ou menos?
2.170 Três nomes devem ser selecionados de uma lista de sete nomes para uma pesquisa de opinião pública. Encontre a
probabilidade de o primeiro nome da lista ser selecionado para a pesquisa.
2.171 Uma reportagem do serviço de notícias AP, impressa no Gainesville Sun em 20 de maio de 1979, afirma o seguinte em relação
aos destroços do Skylab atingindo alguém no chão: “As chances são de 1 em 150 de que um pedaço do Skylab atinja
alguém. Mas 4 mil milhões de pessoas... vivem na zona onde podem cair pedaços. Portanto, as probabilidades de
qualquer pessoa ser atingida são de uma em 150 vezes 4 mil milhões – ou uma em 600 mil milhões.” Você vê alguma
imprecisão nesse raciocínio?
2.172 Sejam A e B dois eventos quaisquer. Quais das seguintes afirmações, em geral, são falsas?
a P(A|B) + P(A|B) = 1. b P(A|B) + P(A|
B) = 1. c P(A|B) + P(A|B) = 1 .
2.173 À medida que os itens chegam ao final de uma linha de produção, um inspetor escolhe quais itens passarão por uma
inspeção completa. Dez por cento de todos os itens produzidos são defeituosos. Sessenta por cento de todos os
itens defeituosos passam por uma inspeção completa e 20% de todos os itens bons passam por uma inspeção
completa. Dado que um item é completamente inspecionado, qual é a probabilidade de ele estar com defeito?
2.174 Muitas escolas públicas estão implementando uma regra de “não passar, não jogar” para os atletas. Nesse sistema, o aluno
que for reprovado em um curso será desqualificado para participar de atividades extracurriculares no próximo período
de avaliação. Suponha que a probabilidade seja 0,15 de que um atleta que não tenha sido desqualificado
anteriormente seja desqualificado no próximo semestre. Para atletas que foram desclassificados anteriormente, a
probabilidade de desqualificação no próximo semestre é de 0,5. Se 30% dos atletas foram desclassificados em
períodos anteriores, qual é a probabilidade de um atleta selecionado aleatoriamente ser desclassificado no próximo
período de classificação?
2.175 Três eventos, A, B e C, são considerados mutuamente independentes se
P(A ÿ B) = P(A) × P(B), P(B ÿ C) = P(B) × P(C), P(A ÿ B ÿ

P(A ÿ C) = P(A) × P(C), C) = P(A) × P(B) × P(C).
Suponha que uma moeda equilibrada seja lançada duas vezes de forma independente. Defina os seguintes eventos:
A: A cabeça aparece no primeiro lançamento.

B: A cabeça aparece no segundo lançamento.
C: Ambos os lançamentos produzem o mesmo resultado.
A, B e C são mutuamente independentes?
2.176 Consulte o Exercício 2.175 e suponha que os eventos A, B e C sejam mutuamente independentes.
a Mostre que (A ÿ B) e C são independentes. b Mostre

que A e (B ÿ C) são independentes.
2.177 Consulte o Exercício 2.90(b), onde um amigo afirmou que se há 1 chance em 50 de lesão em um único salto, então há
100% de chance de lesão se um paraquedista saltar 50 vezes. Suponha que os resultados de saltos repetidos
sejam mutuamente independentes.
aQual é a probabilidade de que 50 saltos sejam completados sem lesão? b Qual é a

probabilidade de ocorrer pelo menos uma lesão em 50 saltos? c Qual é o número máximo
de saltos, n, que o paraquedista pode realizar se a probabilidade for de pelo menos 0,60 de que todos os n saltos
sejam completados sem lesões?
*2.178 Suponha que a probabilidade de exposição à gripe durante uma epidemia seja 0,6. A experiência mostra que um soro
tem 80% de sucesso na prevenção de uma pessoa vacinada contrair a gripe, se exposta a ela. Uma pessoa não
vacinada enfrenta uma probabilidade de 0,90 de contrair a gripe se for exposta a ela. Duas pessoas, uma vacinada
e outra não, desempenham uma tarefa altamente especializada numa empresa. Suponha que eles não estejam
no mesmo local, não estejam em contato com as mesmas pessoas e não possam se expor à gripe. Qual é a
probabilidade de pelo menos um pegar gripe?
*2.179 Dois jogadores apostam $1 cada em lançamentos sucessivos de uma moeda. Cada um tem um banco de $ 6. Qual é a
probabilidade de que
e eles empatam depois de seis lançamentos da moeda?

b um jogador – digamos, Jones – ganha todo o dinheiro no décimo lançamento da moeda?
*2.180 Suponha que as ruas de uma cidade estejam dispostas em uma grade com ruas seguindo de norte a sul e de leste a
oeste. Considere o seguinte esquema para patrulhar uma área de 16 quarteirões por 16 quarteirões. Um policial
começa a caminhar no cruzamento no centro da área. Na esquina de cada quarteirão, o oficial escolhe
aleatoriamente ir para o norte, sul, leste ou oeste. Qual é a probabilidade de o oficial
a alcançar o limite da área de patrulha depois de caminhar os primeiros 8 quarteirões? b

retornar ao ponto de partida depois de caminhar exatamente 4 quarteirões?
*2.181 Suponha que n bolas indistinguíveis sejam dispostas em N caixas distinguíveis de modo que cada arranjo distinguível
seja igualmente provável. Se n ÿ N, mostre que a probabilidade de nenhuma caixa ficar vazia é dada por
nÿ1
Nÿ1
.
N+nÿ1
Nÿ1

Dennis D. Wackerly William Mendenhall Richard L. Scheaffer Mathematical Statistics With Applications

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

Dennis D. Wackerly William Mendenhall Richard L. Scheaffer Mathematical Statistics With Applications

Enviado por

Direitos autorais:

Formatos disponíveis

Machine Translated by Google

2.2 Probabilidade e Inferência

2.3 Uma Revisão da Notação de Conjunto

2.4 Um modelo probabilístico para um experimento: o caso discreto

2.5 Calculando a probabilidade de um evento: o método do ponto de amostra

2.6 Ferramentas para contagem de pontos

de amostra 2.7 Probabilidade condicional e independência de eventos

2.8 Duas Leis da Probabilidade

2.9 Calculando a probabilidade de um evento: o método de composição de eventos

2.10 A Lei da Probabilidade Total e a Regra de Bayes

2.11 Eventos Numéricos e Variáveis Aleatórias

2.12 Amostragem Aleatória

Referências e leituras adicionais

2.2 Probabilidade e Inferência 21

2.2 Probabilidade e Inferência

FIGURA 2.1 Relativo

2.3 Uma Revisão da Notação de Conjunto 23

2.3 Uma Revisão da Notação de Conjunto

UMA = {a1, a2, a3}.

Seja S o conjunto de todos os elementos em consideração; isto é, S é o conjunto universal. Para

dois conjuntos A e B, onde A é o conjunto de pontos no círculo à esquerda e B é o conjunto de pontos no

Na próxima seção prosseguiremos com uma discussão elementar da teoria das

a Ambos os eventos ocorrem.

b Pelo menos um ocorre.

c Nenhum dos dois ocorre.

eram estudantes de graduação, moravam fora do campus, ou ambos.

b alunos de graduação que moram no campus. c

estudantes de pós-graduação que moram no campus.

a Defina os seguintes subconjuntos de S:

R: O número do segundo dado é par.

2.4 Um modelo probabilístico para um

2.4 Um modelo probabilístico para um experimento: o caso discreto 27

DEFINIÇÃO 2.1 Um experimento é o processo pelo qual uma observação é feita.

Exemplos de experimentos incluem lançamento de moedas e dados, medição da pontuação de QI de um

R: Exatamente 110 bactérias estão presentes.

Alguns eventos associados a um único lançamento de um dado equilibrado são estes:

R: Observe um número ímpar.

Podemos ver facilmente que o espaço amostral S associado ao experimento de lançamento

S = {E0, E1, E2,...}

2.4 Um modelo probabilístico para um experimento: o caso discreto 29

eventos E1, E3 ou E5 ocorrem. Por isso,

A = {E1, E3, E5} ou A = E1 ÿ E3 ÿ E5.

B = {E1, E2, E3, E4} ou B = E1 ÿ E2 ÿ E3 ÿ E4.

Pela Definição 2.5, qualquer evento em um espaço amostral discreto S é um subconjunto de S. No

B = {E201, E202, E203,...},

Ao analisar o conceito de frequência relativa de probabilidade, vemos que três con-

1. A frequência relativa de ocorrência de qualquer evento deve ser maior ou igual

Estas três condições formam a base da seguinte definição de probabilidade.

P(A1 ÿ A2 ÿ A3 ÿ···) = Bem).

P(A1 ÿ A2 ÿ A3 ÿ···ÿ An) = Bem).

P(S) = P(E1 ÿ E2 ÿ···ÿ E6) = P(E1) + P(E2) +···+ P(E6) =

2.4 Um modelo probabilístico para um experimento: o caso discreto 31

P(A) = P(E1 ÿ E3 ÿ E5) = P(E1) + P(E3) + P(E5) = 1/2.

a Liste o espaço amostral para este experimento.

E1 = {D1, D2}, E5 = {D2, G1}, E8 = {G1, G2}, E10 = {G2, G3}.

Assim, existem dez pontos amostrais em S, e S= {E1,E2,...,E10}.

e Como A = E8 ÿ E9 ÿ E10, o Axioma 3 implica que

P(A) = P(E8) + P(E9) + P(E10) = 3/10.

a Liste o espaço amostral para este experimento. b

a Se P(E1) = P(E2) = 0,15, P(E3) = 0,4 e P(E4) = 2P(E5), encontre as probabilidades de

a Liste o espaço amostral para este experimento. b

Muito provavelmente .24

Um pouco provável .24