PROBABILIDADE

Conceito e História de Probabilidade

Ramo da Matemática que visa a formulação de modelos teóricos,
abstractos, para o tratamento matemático da ocorrência (ou não
ocorrência) de fenómenos aleatórios; em termos sucintos, pode
caracterizar-se como a Matemática do acaso, da incerteza.

O importante e fascinante assunto das probabilidades teve as suas

origens no seculo XVII através de esforços de matemáticos como Fermat
e Pascal.É certo que o italiano Jerónimo Cardano (1501-1576) escreveu
um trabalho notável sobre probabilidades -"Libar de ludo aleal", isto
é,«Livros sobre jogos de azar»-mas que só apareceu impresso em 1663.O
a rranque definitivo ía dar-se, de facto com Fermat e Pascal. Laplace
(1749-1827) enunciou pela primeira vez a definição clássica de
probabilidade.Foi, porém,com Gauss (1777-1855) que as aplicações do
cálculo de probabilidade são voltadas decisivamente para a ciência:
Gauss cria, para o efeito, a teoria dos erros de observação (Theoria
combinationis observatorium erroriluns minimis obnoxia, 1809),
estabelecendo o método dos menores enquadrados e justificando o
emprego na teoria dos erros da lei que designou por "normal" hoje
conhecida também por lei de Gauss ou lei de Laplace-Gauss.

Não foi, entretanto, senão no século XX que se desenvolveu uma teoria

matemática rigorosa, baseada em axiomas, definições e teoremas.
Kolmogorov propôs uma axiomática completa e consistente do cálculo
de probabilidades.

Laplace Gauss Cardano Pascal Fermat Kolmogorov

A probabilidade é o ramo da matemática que estuda os fenómenoS

aleatórios, ou fenômenos nãodeterminísticos, isto é, aqueles fenômenos
em que o “acaso” representa um papel preponderante.

A palavra probabilidade deriva do Latim probare (provar ou testar).

Informalmente, provável é uma das muitas palavras utilizadas para
eventos incertos ou conhecidos, sendo também substituída por algumas
palavras como “sorte”, “risco”, “azar”, “incerteza”, “duvidoso”,
dependendo do contexto.

1
As probabilidades são utilizadas para exprimir a chance de ocorrência
de determinado evento.

Encontramos na natureza dois tipos de fenómenos: determinísticos e

aleatórios.

Os fenómenos determinísticos são aqueles em que os resultados são

sempre os mesmos, (são previsíveis) qualquer que seja o número de
ocorrência dos mesmos.

Exemplo: Se tomarmos um determinado sólido, sabemos que a uma

certa temperatura haverá a passagem para o estado líquido. Esse
exemplo caracteriza um fenómeno determinístico.

Os fenómenos aleatórios são aqueles em que os resultados são

imprevisíveis, mesmo que haja um grande número de repetições do
mesmo fenómeno.

Exemplo: se considerarmos a produção agrícola de uma determinada

espécie, as produções de cada planta serão diferentes e não previsíveis,
mesmo que as condições de temperatura, pressão, humidade, solo
sejam as mesmas para todas as plantas.

Experiência Aleatória Espaço Amostral e Acontecimentos

Chama-se experiência aleatória a todo e qualquer processo que se

pode repetir em circunstâncias idênticas, mas em relação à qual não se
pode predizer, com exactidão, o seu resultado antes da conclusão da
mesma.

Exemplo

No lançamento de uma moeda, os resultados possíveis são “cara” ou

“coroa”.

Em cada lançamento não é possível prever o resultado que se irá obter,

embora ele seja determinado por causas bem definidas.

Podemos considerar como experimentos aleatórios os fenómenos

produzidos pelo homem.

Exemplos:

a) Lançamento de uma moeda;

b) Lançamento de um dado;

c) Determinação da vida útil de um componente eletrônico;

2
d) Previsão do tempo.

A cada experimento aleatório está associado o resultado do mesmo, que

não é previsível, chamado evento aleatório.

As Experiências Aleatórias caracterizam-se por:

 Podem repetir-se um grande números de vezes nas mesmas

condições ou pelo menos em condições semelhantes;
 A sua realização dá um resultado entre um conjunto de
resultados possíveis w1, w2, ….wn
 Cada um dos dados resultado da experiencia é imprevisível
mas é possível considerar “estabilidade na frequência da sua
ocorrência”

 Não se pode adiantar um resultado particular, mas pode-se

descrever todos os resultados possíveis.
Se repetidos muitas vezes apresentarão uma regularidade em termos
de frequência de resultados.

Espaço Amostral

É o conjunto de todos os resultados possíveis de um experimento

aleatório. É simbolizada por S ou .

Exemplo:
a) lançamento de uma moeda: Ω1= {ca,co}.
b) lançamento de um dado: Ω2= {1, 2, 3, 4, 5, 6}.
c) Retirada de uma carta de um baralho:
Ω3= {As, ..2.., 3.., 4.., 5.., 6.., 7.., 8.., 9.., 10.., J.., Q.., K.. };
d) Contagem diária das peças defeituosas produzidas por uma máquina,
para controle do processo: Ω4= {0,1, 2, 3, 4, 5, 6,……,n}.

Acontecimentos

Acontecimento, A ou evento é um subconjunto do espaço amostral 

A .

É simbolizado por qualquer letra maiúscula do alfabeto.

Um acontecimento pode ser constituído por zero ou por um ou por mais

resultados elementares de  ,.
Um acontecimento diz-se ser um acontecimento certo se contem todos
os elementos de .
Um acontecimento diz-se ser um acontecimento impossível se não

3
contem nenhum elemento de .
Exemplo:

Consideramos um espaço amostral S referente ao lançamento de um

dado honesto.

Determinar:
a) Sair número par;
b) Sair número maior ou igual a cinco
c) Sair número múltiplo de 3
d) Sair número 6
ESPACO AMOSTRAL: Ω={1, 2, 3, 4, 5, 6}

EVENTOS:
a) A={2,4,6}
b) B={5,6}
c) C={3,6}
d) D={6}

Tipo de Eventos

Considere o experimento aleatório: lançamento de um dado comum e

observação do número voltado para cima.

Evento elementar- é o evento constituído por um só elemento do

espaço amostral.

Exemplo: Evento C saída de um múltiplo de 5.

C = {5}

Evento certo – É o evento constituído por todos os elementos do

espaço amostral. É o próprio espaço amostral.

Exemplo: Evento A saida de um número menor que 8.

A = { 1, 2, 3, 4, 5, 6 }

Evento impossível é o evento que não inclui nenhum elemento do

espaço amostral (Ø).

Exemplo: Evento B saída um número maior 10.

B = {}= Ø).

Eventos Complementares – Dado um acontecimento A, o seu

complementar (em S) é o conjunto cujos elementos são exactamente os
elementos de S que não estão em A e designa-se por Ac ou A.

4
Exemplo: Evento A saída de número par
A = { 2, 4, 6 }
Evento Ac saída de número impar
Ac = { 1, 3, 5 }

Operações com Eventos

Como S e qualquer evento de S são conjuntos, todas as operações entre
conjuntos podem ser aqui aplicadas.

Assim A e B sendo dois eventos de S, então:

a) Evento União

A união A e B, escrita como (A U B), é o conjunto dos elementos que

pertencem a A ou B.

Representa a ocorrência de pelo menos um dos eventos A, ou de B.

Exemplo: Dados dois eventos A e B de um mesmo espaço amostral:

(Lançamento de um dado) Ω = {1, 2, 3, 4, 5, 6}

A - Saída de um número ímpar. A = { 1, 3, 5 }

B - Saída de um número par primo B = { 2 }

(A U B) = { 1, 3, 5 }∪{ 2 }= { 1, 2, 3, 5 }

b) Evento Intersecção

A Intersecção A e B, escrita como (A  B), é o conjunto dos elementos

que pertencem a A e B.
Representa a ocorrência simultânea dos eventos A e B.

Exemplo:
A - Saída de um número par. A = { 2, 4, 6 }
B - Saída de um múltiplo de 4. B = { 4 }
(A  B) = { 2, 4, 6 }{4 }= { 4 }

Evento Complementar A negação do evento A, denotado por A, é

chamado de evento complementar de A.
A e A são complementares se sua intersecção é vazia e sua união é o
espaço amostral, isto é,
AA O
 e AA 
Exemplo:
A - Saída de um número par. A = { 2, 4, 6 }
B - Saída de um número ímpar. B = { 1, 3, 5 }

5
(A  B) = { 2, 4, 6 }{1, 3, 5 }= { }=
(A U B) = { 2, 4, 6 }∪ { 1, 3, 5 }= { 1, 2, 3,4, 5, 6 }

Evento Diferença

A diferença entre A e B, escrita como (A\B) ou (A - B), é o conjunto

constituído de todos elementos de A que não pertencem B. o evento
(A\B) ocorre quando ocorre o evento A mas não ocorre o evento B.

Exemplo:

Sejam os eventos A = {1, 2, 3, 4} e B = {3, 4, 5, 6}. Determinar A – B e

B–A

 A - B = {1, 2} e B – A = {5, 6}.

Propriedades das operações entre Eventos

a) Idempotentes
A  A=A
AUA=A

b) Comutativa
(A  B) = (A  B)
(A U B) =(A U B)

c) Associativa
(A  B)  C= A  (B  C)
(A U B) UC =A U (B UC)

d) Distributiva
A U (B  C)=( A U B)  (A U C)
A  (BUC) =(A B) (A C)

e) Identidades
A  Ω =A
AUΩ=Ω
A =
AU=Ω

f) Complementares
Ωc = 
c = Ω
A  Ac = 
A U Ac = Ω

g) Leis de Morgan

6
 (A U B)c = Ac ∩ Bc
(A ∩ B)c = Ac U Bc

Conceitos de probabilidade

A probabilidade é um número entre 0 e 1, sendo que a soma das

probabilidades de todos os resultados possíveis deve ser 1.

Existem três formas de se definir probabilidade. A definição clássica, a

definição frequência e a definição axiomática.

Definição clássica de probabilidade (Lei de Laplace)

Seja S um espaço amostral finito e equiprovável e A um determinado

evento ou seja um subconjunto de S. A probabilidade P(A) de ocorrência
do evento A será calculada pela forma:

A Númerodecasosfavoráveis
P( A)  
S Númerodecasospossíveis

Onde, A é número de elementos de A e S é o número de elementos de S

As probabilidades podem ser expressas de diversas maneiras, inclusive

decimais, fracções e percentagens. Por exemplo, a chance de ocorrência
de um determinado evento pode ser expressa como 0,20; 1/5; ou 20%.

Exemplo:
1-Dois dados honestos são lançados simultaneamente. Construa o
espaço amostral e defina as probabilidades com relação aos seguintes
eventos:

a) a soma de pontos ser um número par;

b)ocorrer número igual de pontos em ambos os dados;
c)a soma das duas faces deve ser igual a 7;
d) a soma de pontos ser menor ou igual a 8.

Solução: O espaço amostral relativo ao jogo de dois dados é:

S= {(1;1), (1;2), (1;3),(1;4), (1;5),(1;6), …………. (6;1), (6;2), (6;3), (6;4), (6;5), (6;6)}= 36

1 2 3 4 5 6
1 (1,1) (1,2) (1,3) (1,4) (1,5) (1,6)
2 (2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
3 (3,1) (3,2) (3,3) (3,4) (3,5) (3,6)
4 (4,1) (4,2) (4,3) (4,4) (4,5) (4,6)
5 (5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
6 (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
7
a) A = {(1;1), (1;3), (1;5), (2;2), (2;4), (2;6), (3;1), (3;3), (3;5), (4;2), (4;4),
(4;6), (5;1), (5;3), (5;5), (6;2), (6;4), (6;6)}= 18

A 18 1
P( A)     0,5  50 %
S 36 2

b) B ={números
iguais} = {(1;1), (2;2), (3;3), (4;4), (5;5), (6;6)}:
B 6 1
P( B)     0,1667  16,67%
S 36 6

c) C = {soma igual a 7}= { (1;6), (2;5), (3;4),(4;3),(5;2), (6;1)}:

C 6 1
P(C )     0,1667  16,67 %
S 36 6

d) D = {número  8} = {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6), (2,1), (2,2),

(2,3), (2,4), (2,5), (2,6), (3,1), (3,2), (3,3),(3,4), (3,5),(4,1), (4,2), (4,3),
(4,4),(5,1), (5,2), (5,3),(6,1), (6,2)}.  D=26.
D 26
P ( D)    0,7222  72,22 %
S 36

2-Um cartão é retirado aleatoriamente de um conjunto de 50 cartões

numerados de 1 a 50. Determine a probabilidade do cartão retirado ser
um número primo.

Solução: O espaço amostral é:

S= {1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,,.…..47,48,49,50}= 50

A=sair número primo = {2, 3, 5, 7, 11, 13, 17, 19, 23, 29, 31, 37, 41,
43,47}=15

Temos, portanto, 15 chances de escolher um número primo num total

de 50 possibilidades.

Então, a probabilidade pedida será igual a:

A 15 3
P( A)     0,3  30 %
S 50 10

3- Numa loja trabalham 5 homens e 3 mulheres. Um deles será

sorteado com uma viagem ao Japão. Qual a probabilidade de um
homem ser sorteado?

Solução: Espaço amostral = todas as possibilidades:

8
S ={ 5 homens + 3 mulheres}=8 pessoas,.
A=Pessoa do sexo masculino A = { 5 homens}=5

A 5
P( A)    0,625  62,5%
S 8

Resposta: A chance de ser sorteado uma pessoa do sexo masculino é de

62,5%.

Definição frequencista

• Repetir um experimento sob as mesmas circunstâncias.

• A probabilidade de ocorrência de um evento A seria:

– P(A) = lim = M
n ∞ N onde M é o número de ocorrência do evento
N é o número total de experimentos.

Definição axiomática de probabilidade

Seja E um experimento aleatório com um espaço amostral associado a

S. A cada evento A  S associa-se um número real, representado por
P(A) e denominado “probabilidade de A”, que satisfaz as seguintes
axiomas:

(i) 0  P(A)  1; A  S
(ii) P(S) = 1;
(iii) P(AUB) = P(A) + P(B) se A e B forem eventos mutuamente
exclusivos.
(iv) Se A1, A2, ..., An, ..., forem, dois a dois, eventos mutuamente
n n
excludentes, então: P(  Ai)   P( Ai)
i1 i1

Propriedades

1. P() = 0
2. se A  S então P(A)= 1- P(Ac)
3. se A  B  S então P(A) ≤ P(B)
4. Se A,B  S então P(A U B) =P(A)+P(B) – P(A∩B)
5. Se A,B,C  S então P(A U B U C) =P(A) +P(B)+ P(C) – P(A∩B)- P(B∩C)-
P(A∩C) + P(A∩B∩C)

Eventos mutuamente exclusivos.

Dois ou mais eventos são ditos mutuamente exclusivos se a ocorrência
de um deles exclui a dos outros. Então se A e B são eventos
mutuamente exclusivos, P(A∩B)=0.
9
Ou seja eventos mutuamente exclusivos são aqueles cuja ocorrência de
um elimina a possibilidade de ocorrência do outro. Neste caso a
probabilidade de ocorrência de um ou outro evento é expressa por:
P(A U B) = P(A) + P(B)

Assim, no lançamento de uma moeda, o evento “tirar cara” e o evento

“tirar coroa” são mutuamente exclusivos, já que, ao se realizar um
deles, o outro não se realiza.

Exemplo: Considere o experimento: jogar um dado e observar o

resultado.

a) A - Saída de um número par.

B - Saída de um número ímpar.

Solução: Espaço amostral = todas as possibilidades:

S = {1, 2, 3, 4, 5, 6}
Sejam os eventos:
A = Saída de um número par= { 2, 4, 6 }
B =Saída de um número ímpar={ 1, 3, 5 }
A e B são considerados mutuamente exclusivos, pois (A ∩ B)=Φ, ou seja,
P(A∩B)=0.

b) Qual a probabilidade de se tirar o nº 3 ou o nº 4?

Os dois eventos são mutuamente exclusivos pois o evento “sair nº 3” e o

evento “sair nº 4” não podem ocorrer ao mesmo tempo.

Solução: Espaço amostral = todas as possibilidades:

S = {1, 2, 3, 4, 5, 6}=6

A 1
A=Sair número 3 A = { 3 }=1 P( A)    0,1667  16,67 %
S 6
B 1
B=Sair número 4 B = { 4 }=1 P( B)    0,1667  16,67 %
S 6

1 1 2
P(A U B) =P(A) +P(B)  P( A  B)     0,3333  33,33 %
6 6 6

2-Retirando-se uma carta do baralho, qual a probabilidade que a carta

seja de ouros ou de espadas?

10
Solução: Espaço amostral = todas as possibilidades:

S= {As, ..2.., 3.., 4.., 5.., 6.., 7.., 8.., 9.., 10.., J.., Q.., K.. }=52

Uma carta de ouros e uma carta de espadas não podem ocorrer ao

mesmo tempo. Os eventos são, portanto, mutuamente exclusivos.
A 13 1
A= retirada de uma carta de ouros=13  P( A)     0,25  25 %
S 52 4
B 13 1
B= retirada de uma carta de espadas=13  P( B)     0,25  25 %
S 52 4
Então:
1 1 2
P(A U B) =P(A) +P(B)  P( A  B)     0,5  50 %
4 4 4

EVENTOS INDEPENDENTES
Sejam A e B dois eventos de um espaço amostra S. A e B são ditos
independentes se a probabilidade de um deles ocorrer não afectar a
probabilidade do outro ocorrer, isto é, se: P(AB) = P(A).P(B)

Exemplo:

Uma urna possui cinco bolas vermelhas e duas bolas brancas. Calcule
as probabilidades de:

a) Em duas retiradas, com reposição da primeira bola retirada, sair uma

bola vermelha e depois uma bola branca.

Solução:Espaço amostral = todas as possibilidades: S=7

Com a reposição da primeira bola retirada, os eventos ficam

independentes.

V 5
V=primeira bola retirada é vermelha= 5  P(V ) 

S 7
B 2
B=segunda bola retirada é branca=2  P( B)  
S 7

Neste caso, a probabilidade buscada poderá ser calculada como:

P(VB) = P(V).P(B) = 5/7 . 2/7 = 10/49 = 0,2041 = 20,41%

b) Em duas retiradas, sem reposição da primeira bola retirada, sair uma

bola vermelha (V) e depois uma bola branca (B).

Solução:
P(V B) = P(V) . P(B/V)
P(V) = 5/7 (5 bolas vermelhas de um total de 7).
Supondo que saiu bola vermelha na primeira retirada, ficaram 6
11
bolas na urna. Logo:
P(B/V) = 2/6 = 1/3
Da lei das probabilidades compostas, vem finalmente que:
P(V  B) = 5/7 . 1/3 = 5/21 = 0,2380 = 23,8%

2-No lançamento de dois dados qual a probabilidade de obtermos 3 no

primeiro dado e 5 no segundo dado?
Solução: O espaço amostral relativo ao jogo de dois dados é:
S= {(1;1), (1;2), (1;3),(1;4), (1;5),(1;6), …………. (6;1), (6;2), (6;3), (6;4), (6;5), (6;6)}= 36

A =sair nº 3 no primeiro dado= {(3;1),(3;2), (3;3), (3;4),(3;5),(3;6)}=6

A 6 1
Então P( A)     0,1667  16,67%
S 36 6

B ={números iguais} = {(1;5), (2;5),(3;5), (4;5), (5;5), (6;5)}=6

B 6 1
Então P( B)     0,1667  16,67%
S 36 6

a probabilidade desejada é P(A∩B)=?

Como os eventos A e B podem ocorrer simultaneamente, ou seja, existe

intersecção entre eles (A ∩ B)= {(3;5)}. Os eventos são, portanto,
independentes.

Aplicando a formula de dois eventos independentes temos que:

P(A∩B)=P(A)*P(B),
6 6 36 1
P( A  B)  *    0,1667  16,67 %
36 36 36 * 36 36
ou seja, o evento intersecção= (A ∩ B)= {(3;5)}=1, então P(A∩B)=1/36.

Probabilidade Condicional
Definição
Sejam A e B dois eventos de um espaço amostral S, associado a um
experimento E, onde P(A) > 0. A probabilidade de B ocorrer
condicionada a A ter ocorrido, será representada por P(B/A), e lida
como: “probabilidade de B ocorrer dado que A ocorreu” ou
“probabilidade de B condicionada a A”, e calculada por: P(B/A) =
P(AB) / P(A)

12
 P( A  B)
P ( B | A) 
P ( A)
Assim:
P( A  B)  P( A) * P( B | A)

Ou porque a intersecção é comutativa

P( A  B)  P(B) * P( A | B)

Exemplo:

1- No primeiro ano de uma faculdade, 25% dos estudantes são

reprovados em Matemática, 15% são reprovados em Estatística e 10%
são reprovados em ambas.
Um estudante é selecionado ao acaso, nesta faculdade. Calcule a
probabilidade de que:
a) Ele seja reprovado em Matemática, sabendo-se que foi reprovado
em Estatística.

Solução:
A =estudantes reprovados em Matemática  P(A) = 25% =0,25
B= estudantes reprovados em Estatística  P(B)=15% =0,15
P(A∩B)=10%=

A probabilidade desejada é P(A\B)=? Então aplicando a formula temos:

P( A  B) 0,10
P( A \ B)    0,6667  66 ,67 %
P( B) 0,15

2-A probabilidade de um voo regular partir no horário é 83%, a

probabilidade deste voo chegar no horário é 82%, a probabilidade de
que parta e chegue no horário é de 78%.Qual a probabilidade de:

a) O vôo chegar no horário tendo saído no horário?

b) O vôo ter saído horário no horário dado que chegou no horário?

Solução: dados
A = vôo partiar no horário P(A) = 83% =0,83
B= vôo chegar no horário P(B)=82% =0,82
A∩B= vôo partir e chegar no horário  P(A∩B) =78%=0,78
a) O vôo chegar no horário tendo saído no horário?

13
 P( A  B ) 0,78
P ( B \ A)    0,9398  93,98 %
P ( A) 0,83
b) O vôo ter saído horário no horário dado que chegou no horário?

P( A  B ) 0,78
P( A \ B)    0,9512  95,12 %
P( B) 0,82

Teorema da probabilidade total

Teorema de Bayer
Definição [Partição do espaço amostral]. Uma colecção de eventos
B1,…., Bk formam uma partição do espaço amostral se eles não têm
intersecção entre si e sua união é igual ao espaço amostral.
k

B )  
i
 para i ≠ j e i 1

Teorema da probabilidade total Se B1,……., Bk , formam uma

partição do espaço amostral Ω, então qualquer evento A em Ω, satifaz:

k
P( A)  P( B1 ) P( A / B1 )  ..............(PBk ) P( A / BK )   P( Bi ) P( A / Bi )
i 1

Teorema de Bayer Se B1,………,Bk , formam uma partição do espaço

amostral Ω, e A é qualquer evento em Ω, então:
P( Bi ) P( A / Bi )
P( Bi / A)  k

 P( B ) P( A / B )
i 1
i i

Exemplo: Uma montadora trabalha com 2 fornecedores (B1 e B2) de

uma determinada peça. As chances de que uma peça proveniente dos
fornecedores B1 e B2 esteja fora das especificações são 10% e 5%
respectivamente. A montadora recebe 30% das peças do fornecedor B1
e 70% de B2. Se uma peça do estoque inteiro é escolhido ao acaso:

(a) Calcule a probabilidade de que ela esteja fora das especificações.

(b) Se uma peça escolhida ao acaso está fora das especificações, qual é
a probabilidade que venha do fornecedor B1?

Solução:

14
Sejam os eventos:
B1: “ peça seleccionada seja do fornecedor B1”
B2:” peça seleccionada seja do fornecedor B2”
A:” peça seleccionada esteja fora das especificações”

Do enunciado do problema temos:P(B1)=0,30; P(B2)=0,70; P(A|B1)=0,10

e
P(A|B2)=0,05.

a) P(A) =?

P(A)= P(B1)P(A|B1)+P(B2)P(A|B2)=(0,30)(0,10)+(0,70)(0,05)=0,065

b) P(B1|A)=?

Pelo teorema de Bayer temos:

P( B1 ) P( A / B1 ) 0.3 * 0.1 0.03

P( B1 / A)     0.46  46 %
P( B1 ) P( A / B1 )  P( B2 ) P( A / B2 ) 0.3 * 0.1  0.7 * 0.05 0.065

TÉCNICA DE CONTAGEM
Existem casos que é complexo calcular o número de casos possíveis e o
número de casos favoráveis, por isso temos que aplicar regras
matemáticas, tais como análise combinatória.

Aplicando factorial, permutações ou combinações

Factorial
Factorial n, representado por n! é definido por:

n!=n(n-1)(n-2)…….1

Exemplo:

5! =5*4*3*2*1=120 Convêm definir que 0!=1

Quantos números de 4 algarismos podemos formar utilizando, uma

única vez, os numerais 3, 4, 5 e 6 ?
n=4
4!=4*3*2*1=24

Permutações

15
Uma permutação de n objectos diferentes tomados r de cada vez é um
arranjo de r dos n objectos, levando-se em consideração a ordem de sua
disposição.

O número de permutações de n objectos, tomados r de cada vez é

representado por: nPr; P(n,r) ou P n,r e é dado por:

nPr = n(n-1)(n-2)…….(n-r+1) = n!
(n  r )!
Exemplo:

O número de permutações das letras a,b,c, tomados duas de cada vez

então:
n!
Pn , r 
n  r !
3!
Logo, P3,2 = = 6 ou
(3 – 2)!

P3,2 = 3*2 =6 então temos as seguintes permutações

ab, ba, ac, ca, bc, cb,

Para eleição do corpo dirigente de uma empresa candidatam-se oito

pessoas. De quantas maneiras poderão ser escolhidos presidente e vice-
presidente?

n=8
r=2
n! 8! 8 * 7 * 6!
Pn,r     56
(n  r )! (8  2)! 6!

Combinações
Uma combinação de n objectos diferentes, tomados r de cada vez, é
uma escolha de r dos n objectos, não se levando em consideração a
ordem de sua disposição.

O numero de combinações de n objectos, tomados r de cada vez, é

representado por nCr, C(n,r) , Cn,r Cr ou (r) e dado por:

16
 n!
C rn 
r!(n  r )!

Exemplo:
1-O número de combinação das letras a,b,c, tomados duas de cada vez
3!
é: C 23  =3 são ab, ac, bc
2!(3  2)!

ab é a mesma combinação que ba mas não a mesma permutação

2- Numa obra havia três vagas para pedreiro, cinco candidatos se

apresentaram para preencher as vagas. De quantas formas o
encarregado de obras pode escolher os três de que precisa?

Solução:

n=5
r=3

n! 5! 5 * 4 * 3! 20 20
C rn       10
r!(n  r )! 3!(5  3)! 3!*2! 2 *1 2

3-Quantas comissões constituídas de 3 pessoas podem ser formadas

com 6 pessoas?

Solução:

n=6
r=3

n! 6! 6 * 5 * 4 * 3! 120 120
C rn       20
r!(n  r )! 3!(6  3)! 3!*3! 3 * 2 *1 6

Portanto, numa comissão não importa a ordem na qual os membros

forem escolhidos e sim quais membros foram selecionados.

VARIÁVEL ALEATÓRIA
Variável aleatória (v.a) é uma função que atribui um valor numérico a
cada resultado de um experimento aleatório.

É a função que associa um número real a cada elemento do espaço

amostral.

17
Exemplo: No lançamento de três moedas ao ar, os resultados possíveis
são:

S = {(ca,ca,ca), (co,ca,ca), (ca,co,ca), (ca,ca,co), (co,co,co), (co,co,ca), (co,ca,co),

(ca,co,co)}

A Variável aleatória diz respeito à característica do experimento que

queremos estudar.
Suponha que: Característica = número de caras nos 3 lançamentos da
moeda.

Quais os valores assumidos pela variável aleatória?

X: número de caras obtidas nas três moedas

x = 0 - Corresponde ao evento{ (coroa, coroa, coroa) } nenhuma cara

x = 1 - Corresponde ao evento { (coroa, coroa, cara); (coroa, cara, coroa) e (cara, coroa,
coroa) }- uma cara
x = 2 - Corresponde ao evento{ (coroa, cara, cara), (cara, coroa, cara) e (cara, cara,
coroa) } - duas caras
x = 3 - Corresponde ao evento{ (cara, cara, cara) }

TIPOS DE VARIÁVEIS ALEATÓRIAS

Variável aleatória discreta - Seja x uma variável aleatória. Se o
número de valores possíveis de X for finito (ou infinito), numerável,
denominaremos x de variável aleatória discreta

Exemplo

- O número de telemóveis com defeito numa produção de100 telemóveis.

- O número de passageiros que fazem o check-in num balcão numa
determinada hora

Variável aleatória continua - Seja x uma variável aleatória. Se o contra

domínio de x é um intervalo ou uma colecção de intervalos,
denominaremos x de variável aleatória continua.

Exemplo

-Observação do tempo entre avarias de uma máquina em

funcionamento numa fábrica;
- Distância percorrida por um automóvel com 1 litro de gasolina.

18
FUNÇÃO DE PROBABILIDADE
FUNÇÃO DE PROBABILIDADE – é a função que atribui a cada valor de
Xi da v.a discreta X a sua probabilidade de ocorrência e pode ser
representada pela tabela:

Xi X1 X2 ………………….. Xn
P(X=Xi) P(X=X1) P(X=X2) …………………….. P(X=Xn)

Uma função de probabilidade deve satisfazer:

n
0  P(X=Xi)  1 e  P( X  X )  1
i 1
i

Distribuição de Probabilidade
Uma distribuição de probabilidade de uma variável aleatória X é uma
relação dos distintos valores Xi de X juntamente com as probabilidades
associadas. A notação utilizada é a seguinte:

Ao conjunto { Xi,P(Xi) } damos o nome de Distribuição de

Probabilidade da variável aleatória X.

Exemplo: Determine a distribuição de probabilidade da variável

aleatória X: ”Número de caras em dois lances de uma moeda
equilibrada”.

S={(Cara,Cara), (Cara, Coroa), (Coroa,Cara), (Coroa,Coroa)}

x = 0 - Corresponde ao evento{ (coroa, coroa) } nenhuma cara

x = 1 - Corresponde ao evento { (coroa, cara); (cara, coroa) }- uma cara
x = 2 - Corresponde ao evento{ (cara, cara)} - duas caras

x f(x)
0 0,25
1 0,50
2 0,25
Total 1,00

19
Valor esperado de uma variável aleatória
discreta
Valor esperado ou Esperança Matemática Seja X uma variável
aleatória discreta que pode assumir os valores X1, X2, ... , Xn , com
probabilidades P(X1), P(X2), ..., P(Xn), respectivamente. Então, o valor
esperado de X é dada por
n
E ( X )   xi .P( xi )
i 1

Exemplo: Os valores abaixo representam a distribuição de probabilidade da

procura diária de certo produto:

x 1 2 3 4 5 6
p 0,15 0,3 0,2 0,2 0,1 0,05
Quantos produtos pode- se esperar que sejam encontrados por dia?
Solução: Para calcular o valor esperado dos produtos, basta usar a fórmula:
n
E(x) = 
i 1
P( x i ) * x i , cuja resposta é:

E(x) = 1 0,15 + 20,3 + 3 0,2 + 4 0,2 + 5  0,1 + 60,05

E(x) = 0,15 +0,6 + 0,6 + 0,8 + 0,5 +0,3= 2,95 produtos

x P(xi) Xi*P(xi)
1 0,15 0,15
2 0,3 0,6
3 0,2 0,6
4 0,2 0,8
5 0,1 0,5
6 0,05 0,3
Total 1 2,95

Variância:
Variância: Seja X uma variável aleatória discreta com expectância
finita. Então, a variância de X é dada por:

Var( X )   (X i  E( X )) 2 * P( xi ) ,
Exemplo: com os dados do exemplo anterior determine a variância
20
 x P(xi) Xi*P(xi) Xi-E(xi) (Xi-E(xi))^2 (Xi-E(xi))^2*P(xi)
1 0,15 0,15 -1,95 3,8025 0,5704
2 0,3 0,6 -0,95 0,9025 0,2708
3 0,2 0,6 0,05 0,0025 0,0005
4 0,2 0,8 1,05 1,1025 0,2205
5 0,1 0,5 2,05 4,2025 0,4203
6 0,05 0,3 3,05 9,3025 0,4651
Total 1 2,95 1,95

Var( X )   (X i  E( X ))2 * P( xi )  1,95

Desvio Padrão:
O desvio padrão de X é dado por;

 x  Var (X )
Exemplo: com os dados do exemplo anterior determine o desvio
padrão
Se Var(x) = 1,95 então o desvio padrão é:

 x  1,95  1,3964
Distribuição de Probabilidade

Distribuição de Bernoulli
Prova de Bernoulli é uma experiencia aleatória que tem apenas dois
resultados possíveis.

S= sucesso F= fracasso

Seja X a v.a. que assume dois valores: 1 quando o resultado da prova de

Bernoulli é sucesso, e o valor 0 quando o resultado é fracasso. Então a
função de probabilidade de o X é dada por:

Xi 0 1
P(X=Xi) 1-P P

21
Ou P(X) = { 0
PX(1-P)1-X , X= 0,1

Uma v.a discreta com função de probabilidade assim definida diz-se que
tem distribuição de Bernoulli de parâmetro P e é simbolizada por: X ~
Bernoulli(p)

0  P 1

q= 1-p,

Valor esperado = ⎨⎪⎩

E(X)= p
Var (X)= P(1-P)=Pq

 x  Var(X )
Exemplo: Suponha que um circuito é testado e que ele seja rejeitado
com probabilidade 0,10. Seja X =“o número de circuitos rejeitados
nuum teste”.
a) Determine a distribuição de X.
b) Determine a esperança matemática
c) Determine a variância
d)Determine o desvio padrão

Solução:

Como se trata de um único teste, a variável X é Bernoulli com p =0,1=

10%, assim a distribuição.
Xi 0 1
P(X=Xi) 1-0,1 0,1
b) Determine a esperança matemática

E(X)= p=0,1

c) Determine a variância

Var (X)= P(1-P)=Pq= 0,1* 0,9=0,09

d)Determine o desvio padrão

  p * q  0,1* 0,9  0,09  0,3

22
DISTRIBUIÇÃO BINOMIAL
A distribuição Binomial é o modelo probabilístico adequado para casos
em que se consideram repetidas provas de Bernoulli, isto é sucessões
de experimentos aleatórios independentes, em cada um dos quais se
observa a ocorrência (“sucesso”) ou não (“fracasso”) de um determinado
acontecimento, de probabilidade p, constante de observação para
observação.

Seja X o número de sucessos obtidos em n provas de Bernoulli. Então X

tem distribuição Binomial de parâmetros n e p e a sua função de
probabilidade é dada por:

P(X=x) = Cn,,x .px.qn-x , onde x= 0,1,2,3,......n

p: probabilidade de sucesso
q: probabilidade de fracasso
q= 1-p,

é simbolizada por X~B(n,p )

Valor esperado

E(X)=n.p

Var(X)=n.p.(1-p)=n.p.q

σ = n.p.(1 - p)
Exemplo: Os registros de uma pequena Empresa indicam que 40% das
faturas por ela emitidas são pagas após o vencimento. De 14 faturas
expedidas, determine a probabilidade de:

a) Nenhuma ser paga com atraso.

b) No máximo 2 serem pagas com atraso.
c) Determine a esperança matemática
d) Determine a variância
e) Determine o desvio padrão

Solução:

Identificar os parâmetros “n”, número de observações,

“x”, número de sucessos, que para este exercício o sucesso é o atraso
das faturas,
“p”, a probabilidade de atrasar a fatura.

23
 p = 40% ou p = 0,40 (probabilidade de uma fatura ser paga com
atraso)
n = 14 (número de observações)

Para o cálculo das probabilidades empregamos a fórmula binomial

abaixo:

P(x) = Cn,x * p * (1  p) n  x

a) x = 0 (nenhuma fatura é paga com atraso)

 14 
P x  0    0,40 0 1  0,40 14  0 = 1  1  (0,60)14 = 0,0008
 0 
14 !
P(x=0) = * 0,400 * 0,6014
0!* 14  0!

14!
P( x  0)  * 1 * 0,0008 1
1!*14!

P(x=0) = 1  1  0,0008 = 0,0008

b) No máximo 2 serem pagas com atraso significa que podemos ter

nenhuma, uma ou 2 pagas com atraso. Neste caso a probabilidade é:

P(x  2) = P(x = 0) + P(x = 1) + P(x = 2).

P(x = 0) = 0,0008 resolvido na alinea a)

 14 
P( x  1)    0,40 1 1  0,40 14  1
 1 

14 !
P( x  1)  * 0,401 * 0,6013
1!* 14  1!
14*13!
P( x  1)  * 0,40 * 0,0013
1 *13!

P(x=1)=14  0,40  0,0013 = 0,0073

 14 
P( x  2)    0,40 2 1  0,40 14  2
 2 

14!
P( x  2)  * 0,16 * 0,6012 = 7  13 = 91
2*!14  2!

24
 14*13*12!
P( x  1)  * 0,16 * 0,0022
2!*12!

14 *13
P( x  1)  * 0,16 * 0,0022
2

182
P( x  1)  * 0,0003
2
P(x=2)= 91  0,0003 = 0,0317

Então a probabilidade de no máximo 2 serem pagas com atraso é :

P(x  2) = 0,0008 + 0,0073 + 0,0317 = 0,0398

c) Determine a esperança matemática

E(X)=n.p

Se n=14 e p=0,4 então

E(X)=14.0,4=5,6

d) Determine a variância

Var(X)=n.p.(1-p)=n.p.q

Se n=14 e p=0,4 q= 1-0,4=0,6 então

Var(X)=14*0,4*0,6=3,36

e) Determine o desvio padrão

  n * p * q  14 * 0,4 * 0,6  3,36

  1,83

DISTRIBUIÇÃO DE POISSON
Se X tem distribuição de Poisson de parâmetro µ então a função de
probabilidade de X é dada por:

e    x e   X
P( X  X i )   X=0,1,2,3,…………..
X! X!

25
Sendo X número de ocorrências num intervalo de amplitude t.

é simbolizada por X~PO(µ )

A média e a variância desta distribuição são iguais ao parâmetro µ

E(X)= µ=λ

Var(X)= µ= λ

OBS: Muitas vezes, no uso da binomial, acontece que n é muito grande

e p é muito pequeno. Podemos então fazer uma aproximação de
binomial pela distribuição de Poisson, fazendo:

  np
Exemplo: O número médio de consultas que uma pessoa recebe em
resposta a um anúncio num jornal, colocando um carro à venda é 4,4.
Quais são as probabilidades de que, em resposta a tal anúncio, uma
pessoa receba:
a) Apenas duas consultas;
b) Exactamente três consulta
c) nenhuma consulta
d) Determine a esperança matemática
e) Determine a variância
f) Qual o desvio padrão desta distribuição?

Solução:

Temos que λ=4,4, e=2,71828 então

 x * e 
P ( X  xi) 
X!

a) Apenas duas consultas;

4,4 2 19,36 19,36
P( X  2)  4, 4
   0,11885
2!*2,71828 2 * 81,45 162 ,9

b) Exactamente três consultas;

4,4 3 85,184 85,184

P( X  3)  4, 4
   0,1743
3!*2,71828 6 * 81,45 488 ,7

c) nenhuma consulta

26
 4,4 0 1 1
P( X  0)  4, 4
   0,01228
0!*2,71828 1 * 81,45 81,45

d) Determine a esperança matemática

E(X)= µ=λ=4,4

e) Determine a variância

Var(X)= µ= λ=4,4

f) Qual o desvio padrão desta distribuição?

Desvio padrão=   4,4  2,0976

27