Apostila

Cálculo de
Probabilidade
I
Joaquim Neto
Universidade Federal de Juiz de Fora (UFJF)
Instituto de Ciências Exatas (ICE)
Departamento de Estatı́stica
www.ufjf.br/joaquim neto
11 de maio de 2014
”Nosso mundo, nossa vida, nosso destino, são
dominados pela incerteza. Esta é talvez a
única declaração que podemos afirmar sem
incerteza”.
de Finetti
Sumário
1 Métodos de contagem 7
1.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Princı́pio fundamental da contagem . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Arranjos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4 Permutações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.5 Permutações com repetição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6 Combinações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.7 Triângulo de Pascal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.8 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.9 Respostas dos exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2 Introdução à probabilidade 21
2.1 Espaço amostral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.2 Eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3 Definições de probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.4 Teoria dos conjuntos: revisão de conceitos . . . . . . . . . . . . . . . . . . . . . . 25
2.5 Axiomas de probabilidade e espaço de probabilidade . . . . . . . . . . . . . . . . 26
2.6 Principais resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.7 Probabilidade condicional e principais teoremas . . . . . . . . . . . . . . . . . . . 30
2.8 Independência . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.9 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.9.1 Descritores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.9.2 Enunciados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.9.3 Respostas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3 Variáveis aleatórias 49
3.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.2 Variável aleatória discreta e função de probabilidade . . . . . . . . . . . . . . . . 50
3.3 Variável aleatória contı́nua e densidade . . . . . . . . . . . . . . . . . . . . . . . . 51
3.4 Função de distribuição acumulada . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.5 Variável aleatória mista . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.6 Função de uma variável aleatória . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.7 Quantil e mediana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.8 Valor esperado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.9 Valor esperado da função de uma v.a. . . . . . . . . . . . . . . . . . . . . . . . . 64
3.10 Propriedades do valor esperado . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.11 Momento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.12 Variância . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.13 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.13.1 Descritores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.13.2 Enunciados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.13.3 Respostas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
Joaquim Neto www.ufjf.br/joaquim neto página 5 de 110

4 Famı́lias de distribuições 81
4.1 Famı́lias discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.1.1 Distribuição uniforme discreta . . . . . . . . . . . . . . . . . . . . . . . . 81
4.1.2 Distribuição de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.1.3 Distribuição binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.1.4 Distribuição geométrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
4.1.5 Distribuição binomial negativa (Pascal) . . . . . . . . . . . . . . . . . . . 84
4.1.6 Distribuição hipergeométrica . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.1.7 Distribuição de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.2 Famı́lias contı́nuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.2.1 Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.2.2 Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
4.2.3 Função gama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.2.4 Beta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.2.5 Gama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
4.2.6 Exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
4.2.7 Chi-quadrado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.2.8 t de Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.2.9 F de Snedecor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
4.2.10 Gama invertida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.2.11 Relações entre distribuições . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.3 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.3.1 Descritores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.3.2 Enunciados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
4.3.3 Respostas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106

Métodos de contagem
1.1 Introdução
A princı́pio, pode parecer desnecessária a existência de métodos para realizar uma contagem.
Isto de fato é verdade se o número de elementos que queremos contar for pequeno. Entretanto,
se o número de elementos for grande, a contagem pode se tornar uma tarefa árdua.
Exemplo 1.1. Seja A o conjunto de números de 3 algarismos distintos. Assim,
A = {123, 124, 125, ..., 875, 876}.
Observe que é trabalhoso obter todos os elementos deste conjunto e depois contá-los. Corre-se
o risco de haver omissões ou repetições de elementos.
Resultado 1.1. Consideremos os conjuntos A = {a1 , a2 , ..., an } e B = {b1 , b2 , ..., bm }. Podemos
formar n · m pares ordenados (a, b), onde a ∈ A e b ∈ B.
O diagrama de árvore, ilustrado abaixo, pode ser usado para visualizar os pares ordenados.
𝒃𝟏 𝒂𝟏 , 𝒃𝟏
𝒃𝟐 o
𝒂𝟏 , 𝒃𝟐
et
𝒂𝟏 ⋮ ⋮
_n
𝒃𝒎 𝒂𝟏 , 𝒃𝒎
im
𝒃𝟏 𝒂𝟐 , 𝒃𝟏
qu
𝒂𝟐 𝒃𝟐 𝒂𝟐 , 𝒃𝟐
oa
⋮ ⋮
⋮
r/j
𝒃𝒎 𝒂𝟐 , 𝒃𝒎
.b
𝒂𝒏 𝒃𝟏 𝒂𝒏 , 𝒃𝟏
fjf
𝒃𝟐 𝒂𝒏 , 𝒃𝟐
.u
w
⋮ ⋮
w
𝒃𝒎 𝒂𝒏 , 𝒃𝒎
w
Exemplo 1.2. Consideremos 3 cidades: X, Y e Z. Suponhamos 4 rodovias que ligam X à Y

e 5 que ligam Y à Z. Partindo de X e passando por Y , de quantas formas podemos chegar até
Z?
Solução:
𝒃𝟏
o
𝒂𝟏
et
_n
𝒃𝟐
m
𝑿 𝒂𝟐 𝒀 𝒁
i
qu
𝒃𝟑
oa
𝒂𝟑
r/j
𝒃𝟒
.b
𝒂𝟒
fjf
.u
𝒃𝟓
w
w
w
Sejam A = {a1 , a2 , a3 , a4 } o conjunto das rodovias que ligam X à Y e B = {b1 , b2 , b3 , b4 , b5 } o

conjunto das rodovias que ligam Y à Z. Cada modo de viajar de X até Z pode ser associado a
um par (a, b), com a ∈ A e b ∈ B. Logo número de modos de viajar de X até Z é 4 · 5 (número
de pares ordenados).

Definição 1.1. Seja n um número natural (inteiro não negativo). O fatorial de n, indicado
por n!, é definido por:
n! = n · (n − 1) · (n − 2) · · · · · 3 · 2 · 1, para n ≥ 2,
1! = 1 e
0! = 1.
Exemplo 1.3. 3! = 3 · 2 · 1.
4! = 4 · 3 · 2 · 1.
5! = 5 · 4 · 3 · 2 · 1.
1.2 Princı́pio fundamental da contagem

Resultado 1.2 (Primeira parte do princı́pio fundamental da contagem). Consideremos
os conjuntos A1 , A2 , ..., An . O número de n-uplas ordenadas (sequências de n elementos) do
tipo (a1 , a2 , ..., an ) tais que ai ∈ Ai ∀i ∈ {1, 2, ..., n} é
#A1 · #A2 · · · #An .
𝑨𝟏 𝑨𝟐 𝑨𝒏
o
et
_n
im
⋯
qu
oa/j
br
fjf.
.u
w
𝒂𝟏, 𝒂𝟐, ⋯ , 𝒂𝒏
w
w
Exemplo 1.4. Três classes diferentes contém 20, 18 e 25 estudantes e nenhum estudante é
membro de mais de uma das classes. Se uma equipe deve ser composta por um estudante de
cada classe, de quantos modos diferentes os membros desta equipe podem ser escolhidos?
Solução: Sejam A1 , A2 , A3 conjuntos que representam as 3 classes. Cada equipe escolhida
pode ser associada a um vetor (a1 , a2 , a3 ), com ai ∈ Ai .
𝑨𝟏 𝑨𝟐 𝑨𝟑
o
et
_n
im
qu
oa
r/j
.b
fjf
.u
w
𝒂𝟏, 𝒂𝟐, 𝒂𝟑
w
w

Logo, aplicando a primeira parte do princı́pio fundamental da contagem, o número de modos
que esta equipe pode ser escolhida é
#A1 · #A2 · #A3 = 20 · 18 · 25 = 9000.
Resultado 1.3 (Segunda parte do princı́pio fundamental da contagem). Sejam A =

{a1 , a2 , ..., an } e p ≤ n. O número de sequências (vetores) do tipo (b1 , b2 , ..., bp ) tais que bi ∈ A
∀i ∈ {1, ..., p} e bi 6= bj para i 6= j é
n!
= n · (n − 1) · (n − 2) · · · · · (n − p + 1) .
(n − p)! | {z }
p fatores
Em outras palavras, o número de sequências de tamanho p formadas com elementos distintos

2 a 2 de A é n!/(n − p)!.
o
et
_n
im
qu
oa
r/j
.b
fjf
𝒃𝟏 , 𝒃𝟐 , ⋯ , 𝒃𝒑
.u
w
𝒃𝟏 ≠ 𝒃𝟐 ≠ ⋯ ≠ 𝒃𝒑
w
w
Exemplo 1.5. Em um campeonato de futebol participam 20 times. Quantos resultados são

possı́veis para os 3 primeiros lugares?
Solução: Seja A o conjunto dos times que participam do campeonato. Os resultados possı́veis
para os 3 primeiros lugares podem ser associados a sequências-vetores (b1 , b2 , b3 ) de elementos
distintos dois a dois escolhidos em A.
𝑨
o
et
_n
m
i
qu
oa
𝒃𝟐
r/j
𝒃𝟏 𝒃𝟑
.b
fjf
.u
w
w
𝒃𝟏 , 𝒃𝟐 , 𝒃𝟑
w
𝒃𝟏 ≠ 𝒃𝟐 ≠ 𝒃𝟑
Logo, aplicando a segunda parte do princı́pio fundamental da contagem, o número de resultados
possı́veis para os 3 primeiros lugares é
20!
= 20 · 19 · 18 = 6840.
(20 − 3)!

Como veremos no exemplo a seguir, algumas vezes as sequências a serem contadas possuem
tamanhos diferentes, o que impede o uso do princı́pio fundamental da contagem.
Exemplo 1.6. Uma pessoa lança uma moeda sucessivamente até que ocorram duas caras con-
secutivas ou quatro lançamentos sejam feitos, o que ocorrer primeiro. Quantos são os resultados
possı́veis?
Solução: No diagrama abaixo, representamos os resultado “cara” e “coroa” com “K” e “C”,
respectivamente. Como podemos ver, o número de resultados possı́veis é 12.
4° lançamento
o
3° lançamento K
et
2° lançamento C
_n
K
1° lançamento K K
im
C
K C
u
C
K
aq
K
/jo
C
rK C
C K
.b
K
fjf
C
C C
.u
w
K
w
C
w
1.3 Arranjos
Definição 1.2. Um arranjo é uma sequência formada com os elementos de um conjunto. Um
arranjo de elementos distintos é chamado de arranjo sem repetição.
O número de arranjos com p elementos de um conjunto A com n elementos será denotado por
An,p e chamado de arranjo de n tomado p a p. Para o número de arranjos sem repetição,
usaremos a notação ASn,p e diremos arranjo sem repetição de n tomado p a p.
Arranjo Arranjo sem repetição

o
et
A A
_n
m
ui
aq
/jo
br
.
fjf
𝒃𝟏 , 𝒃𝟐 , 𝒃𝟑, … , 𝒃𝒑 𝒃𝟏, 𝒃𝟐, 𝒃𝟑, . . . , 𝒃𝒑

.u
w
𝒃𝟏 ≠ 𝒃𝟐 ≠... ≠ 𝒃𝒑
w
w
Obs: Para formar um arranjo, não é preciso usar todos os elementos do conjunto.
Resultado 1.4. Pelo princı́pio fundamental da contagem, temos que
An,p = np
e
n!
ASn,p = (n−p)! , para p ≤ n.

Exemplo 1.7. As placas dos automóveis são formadas por 3 letras (26 letras no alfabeto)
seguidas de 4 algarismos (números de 0 a 9). Quantas placas podem ser formadas?
Solução: Seja A um conjuntos de sequências de 3 letras e B um conjunto de sequências
de 4 algarismos. Pelo princı́pio fundamental da contagem, temos que #A = A26,3 = 263 e
#B = A10,4 = 104 . Assim, cada placa pode ser associada a um par (a, b) tal que a ∈ A e b ∈ B.
Aplicando novamente o princı́pio fundamental da contagem, o número de placas que podem ser
formadas é
#A · #B = 263 · 104 = 175760000.
Exemplo 1.8. Uma linha ferroviária tem 16 estações. Quantos tipos de bilhetes devem ser
impressos, se cada tipo deve assinalar a estação de partida e a de chegada.
Solução: Seja A o conjunto de estações da linha ferroviária. Cada bilhete pode ser associado
a um par (a1 , a2 ), tal que a1 ∈ A, a2 ∈ A e a1 6= a2 . Logo, pelo princı́pio fundamental da
contagem, o número de bilhetes é
AS16,2 = 16 · 15.
Exemplo 1.9. Os caracteres em código MORSE são formados por sequências de traços (-) e
pontos (.), sendo permitidas repetições. Por exemplo: “- . - - . .”.
a) Quantos caracteres podem ser representados usando 3 sı́mbolos?
b) Quantos caracteres podem ser representados usando no máximo 8 sı́mbolos?
Solução: a) Seja A = {−, .}. Cada caracter de 3 sı́mbolos pode ser associado a um vetor
(a1 , a2 , a3 ), tal que a1 , a2 , a3 ∈ A. Pelo princı́pio fundamental da contagem, temos que o número
de caracteres de 3 sı́mbolos é A2,3 = 23 = 8.
b) O número de caracteres usando p sı́mbolos é A2,p e, consequentemente, o número de
caracteres com no máximo 8 sı́mbolos é a soma do número de caracteres obtidos com p = 1, 2, ..., 8
sı́mbolos, ou seja,
A2,1 + A2,2 + ... + A2,8 = 2 + 22 + ... + 28 = 510.
1.4 Permutações
Definição 1.3. Uma permutação, é uma sequência de elementos distintos formada com todos
os elementos de um determinado conjunto. O número de permutações de um conjunto com n
elementos será denotado por Pn e chamado simplesmente de permutação de n elementos.
A
o
et
_n
im
qu
oa
r/j
.b
fjf
𝒃𝟏, 𝒃𝟐 , . . . , 𝒃𝒏
.u
w
𝒃𝟏 ≠ 𝒃𝟐 ≠... ≠ 𝒃𝒏
w
w

Obs: Para formar uma permutação, todos os elementos do conjunto devem ser utilizados.
Resultado 1.5. Pelo princı́pio fundamental da contagem, temos

Pn = ASn,n = n!
Exemplo 1.10. Quantos anagramas possui a palavra “Joaquim”?

Solução: Seja A o conjunto das letras da palavra “Joaquim”. Como cada anagrama é uma
permutação dos elementos de A, temos que a quantidade procurada é
P7 = 7! = 5040.
1.5 Permutações com repetição

Resultado 1.6. Seja A = {a1 , ..., ar } um conjunto qualquer. Uma sequência com
n1 elementos iguais a a1 ,
n2 elementos iguais a a2 ,
..
.
nr elementos iguais a ar
é uma permutação com repetição dos elementos de A. Sendo n = n1 +n2 +...+nr , o número
total de sequências deste tipo é
n!
Pnn1 ,n2 ,...,nr = .
n1 !n2 !...nr !
o
et
_n
im
qu
oa
r/j
.b
fjf
(∆, ◊ , ◊, ◊, ∆ , , ∆)
.u
w
w
w
Exemplo 1.11. Um bairro é formado por 12 quarteirões dispostos segundo a figura abaixo. Uma
pessoa sai do ponto P e caminha até o ponto Q, sempre usando o caminho mais curto (movendo-
se sempre da esquerda para direita ou de baixo para cima no gráfico). Nestas condições, quantos
caminhos diferentes ela poderá fazer?
Q
o
et
_n
im
qu
oa
r/j
.b
fjf
.u
w
P
w
w

Solução: Usando V para denotar um movimento vertical e H para um movimento hori-
zontal, cada caminho pode ser associado a uma sequência com 3 elementos iguais a V e 4
elementos iguais a H. Por exemplo, a sequência (V, V, V, H, H, H, H) representa 3 movimentos
verticais seguidos de 4 movimentos horizontais. Deste modo, o problema se resume a contagem
de sequências com elementos repetidos. Logo, a quantidade procurada é
7!
P73,4 = = 35.
4!3!
1.6 Combinações
Definição 1.4. Seja A um conjunto qualquer. Um subconjunto de A é chamado de combinação
dos elementos de A. O número de combinações com p elementos de um conjunto com n elementos
é denotado por Cn,p e chamado de combinação de n tomado p a p.
o
et
_n
m
ui
o aq
r/j
.b
fjf
𝒃𝟏, 𝒃𝟐, . . . , 𝒃𝒑
.u
w
𝒃𝟏 ≠ 𝒃𝟐 ≠... ≠ 𝒃𝒑
w
w

n
Obs: Uma outra notação para Cn,p é .
p
É importante notar a diferença entre combinação e arranjo sem repetição. Em uma combi-
nação a ordem dos elementos não importa, ou seja, elementos que diferem apenas pela ordem
são contados como um único elemento. Já em um arranjo, a ordem importa, ou seja, sequências
com os mesmos elementos, mas em ordem diferente são contadas separadamente.
Resultado 1.7. A combinação de n tomado p a p é dada por

n!
Cn,p = .
(n − p)!p!
Exemplo 1.12. Dentre 10 homens e 8 mulheres, quantas comissões de 5 pessoas podem ser
formadas, sendo que em cada uma deve haver 3 homens e 2 mulheres?
Solução: Seja A o conjunto dos subconjuntos de 3 homens e B o conjunto dos subconjuntos
de 2 mulheres. Pelo resultado 1.7, temos que #A = C10,3 = 120 e #B = C8,2 = 28. Além disso,
cada comissão pode ser associada a um par (a, b), com a ∈ A e b ∈ B. Logo, pela primeira parte
do princı́pio fundamental da contagem, o número de comissões é
#A · #B = 120 · 28 = 3360.

1.7 Triângulo de Pascal

n
O triângulo de pascal é uma forma de organizar os resultados de para diferentes
p
valores de n e p, conforme indica a figura abaixo.
o
et
_n
m
ui
aq
o
r/j
.b
fjf
.u
w
w
w
A seguir, veremos alguns resultados relacionados à combinações e, consequentemente, ao

Triângulo de Pascal.
Henrique Neto 29
Resultado 1.8. Para todo n ∈ N, temos que

n
= 1.
0
Prova:

n n! n!
= = = 1.
0 (n − 0)!0! n!
Resultado 1.9. Para todo n ∈ N, temos que

n
= 1.
n
Prova:

n n! n!
= = = 1.
n (n − n)!n! n!
Resultado 1.10 (Relação de Stiefel). Se n, p ∈ N e n > p ≥ 0 então

n n n+1
+ = .
p p+1 p+1

Prova:

n n n! n!
+ = +
p p+1 p! (n − p)! (p + 1)! (n − p − 1)!
n! n!
= +
p! (n − p)! (p + 1) p! (n − p − 1)!

n! 1 1
= +
p! (n − p)! (p + 1) (n − p − 1)!

n! 1 1
= +
p! (n − p) (n − p − 1)! (p + 1) (n − p − 1)!

n! 1 1
= +
p! (n − p − 1)! (n − p) (p + 1)

n! n+1
=
p! (n − p − 1)! (n − p) (p + 1)
n! (n + 1)
=
(n − p) (n − p − 1)! (p + 1) p!

(n + 1)! n+1
= = .
(n − p)! (p + 1)! p+1
Obs: Podemos usar este resultado para fazer o cálculo das combinações do triângulo de
pascal. Note que:

n
Como = 1 ∀n ∈ N, todos os elementos da coluna 0 são iguais a 1.
0

n
Como = 1 ∀n ∈ N, o último elemento de cada linha é igual a 1.
n
Cada elemento do triângulo que não seja da coluna 0 nem o último de cada linha é igual
à soma daquele que está na mesma coluna e linha anterior com o elemento que se situa à
esquerda deste último (Relação de Stifel).
A figura abaixo ilustra passo-a-passo como a relação de Stiefel pode ser usada para construir
o triângulo de Pascal.
o
et
_n
m
ui
aqo
r/j
.b
fjf
.u
w
w
w
Resultado 1.11. Se n, p ∈ N e p ≤ n, então

n n
= .
p n−p
Prova: Henrique Neto
29

n n! n! n
= = = .
n−p (n − p)! [n − (n − p)!] (n − p)!p! p
Obs: Este resultado afirma que os elementos de uma linha do triângulo de Pascal equidis-
tantes dos extremos são iguais. Veja a figura abaixo.

o
et
_n
u im
aq
/jo
br
fjf.
.u
w
w
w
Resultado 1.12. Para todo n ∈ N, temos
Henrique
Neto 29
n n n n
+ + + ... + = 2n .
0 1 2 n

n
Prova: Seja A um conjunto com n elementos. Como é o número de subconjuntos
p

n n n n
com p elementos do conjunto A, temos que + + + ... + é o número
0 1 2 n
total de subconjuntos de A. Pensando de outra forma, para formar um subconjunto, temos duas
opções de escolha para cada elemento de A: ou o elemento está no subconjunto ou não está.
Como A tem n elementos, terá 2n subconjuntos.

1.8 Exercı́cios
Exercı́cio 1.1. Três classes diferentes contém 20, 18 e 25 estudantes e nenhum estudante é
membro de mais de uma das classes. Se uma equipe deve ser composta por um estudante de
cada classe, de quantos modos diferentes os membros desta equipe podem ser escolhidos?
Exercı́cio 1.2. Em um campeonato de futebol participam 20 times. Quantos resultados são

possı́veis para os 3 primeiros lugares?
Exercı́cio 1.3. Um cofre possui um disco marcado com os dı́gitos 0,1,2,3,4,5,6,7,8 e 9. O

segredo do cofre é formado por uma sequência de 3 dı́gitos distintos. Se uma pessoa tentar abrir
o cofre, quantas tentativas deverá fazer (no máximo) para conseguir abri-lo? Suponha que a
pessoa sabe a quantidade de dı́gitos do segredo e que este é formado por dı́gitos distintos.
Exercı́cio 1.4. De quantas formas 6 pessoas podem sentar-se numa fileira de 6 cadeiras se duas
delas, Joaquim e Rafael, se recusam a sentar um ao lado do outro?
Exercı́cio 1.5. Considere 10 cadeiras numeradas de 1 a 10. De quantas maneiras 2 pessoas

podem sentar-se, devendo haver ao menos uma cadeira entre eles?
Exercı́cio 1.6. Quantos anagramas da palavra “estudo” começam e terminam com vogal?
Exercı́cio 1.7. Considere 2 urnas. A primeira com 4 cartas numeradas de 1 a 4 e a segunda

com 3 cartas numeradas de 7 a 9. Duas cartas são extraı́das da primeira urna, sucessivamente
e sem reposição, e em seguida duas cartas são extraı́das da segunda urna, sucessivamente e sem
reposição. Quantos números de 4 algarismos podem ser formados com os números das cartas
na sequência em que foram obtidas?
Exercı́cio 1.8. Com os algarismos 1, 2, 3, 4, 5, 6, 7, 8 e 9, quantos números de 4 algarismos

com pelo menos dois algarismos iguais existem?
Exercı́cio 1.9. De quantas formas 5 meninos e 5 meninas podem ficar em fila, de modo que
meninos e meninas devem ficar em posições alternadas?
Exercı́cio 1.10. Dez pessoas, dentre elas Antônio e Beatriz, devem ficar em fila. De quantas
formas isto pode ser feito de modo que Antônio e Beatriz fiquem sempre juntos?
Exercı́cio 1.11. De quantas formas 4 homens e 5 mulheres podem ficar em fila se
a) os homens devem ficar juntos?
b) E se os homens devem ficar juntos e as mulheres também?
Exercı́cio 1.12. Considere 15 livros em uma estante, dos quais 4 são de probabilidade. De
quantas formas podemos coloca-lo em uma prateleira da estante de modo que os livros de proba-
bilidade fiquem sempre juntos?
Exercı́cio 1.13. Quantos anagramas existem da palavra “AMARILIS”?
Exercı́cio 1.14. Uma urna contém 3 bolas vermelhas e 2 amarelas, que se distinguem apenas
pela cor. Quantas sequências de cores são possı́veis de observar extraindo uma a uma sem
reposição?
Exercı́cio 1.15. Quantos números de 7 algarismos existem nos quais comparecem uma só vez
os algarismos 3, 4 e 5 e quatro vezes o algarismo 9?
Exercı́cio 1.16. Uma moeda é lançada 20 vezes. Quantas sequências de caras e coroas existem
com 10 caras e 10 coroas?

Exercı́cio 1.17. Quantos produtos podemos obter se tomarmos 3 fatores distintos escolhidos
entre 2,3,5,7 e 11?
Exercı́cio 1.18. Um time de futebol de salão deve ser escalado a partir de um conjunto de 10
jogadores, entre eles Joaquim e Caio. Quantos times de 5 jogadores podem ser formados se Ari
e Arnaldo devem ser escalados necessariamente?
Exercı́cio 1.19. Considere 10 homens e 10 mulheres. Quantas comissões de 5 pessoas podemos

formar se em cada uma deve haver 3 homens e 2 mulheres?
Exercı́cio 1.20. Uma urna contém 10 bolas brancas e 6 pretas, todas marcadas com sı́mbolos
distintos. Quantos conjuntos de 7 bolas (retiradas desta urna) podemos formar de modo que pelo
menos 4 bolas do conjunto sejam pretas?
Exercı́cio 1.21. Em uma reunião, cada pessoa cumprimentou todas as outras, havendo ao todo
45 apertos de mão. Quantas pessoas haviam na reunião?
Exercı́cio 1.22. Um quı́mico possui 10 tipos diferentes de substâncias. De quantos modos

possı́veis poderá associar 6 diferentes tipos destas substâncias, sendo que dois tipos (somente)
não podem ser juntados pois produzem mistura explosiva?
Exercı́cio 1.23. Quantas diagonais tem um polı́gono regular de n lados?
Exercı́cio 1.24. Obter o número de maneiras que nove algarismos iguais a 0 e seis algarismos
iguais a 1 podem ser colocados em sequência de modo que dois uns não compareçam juntos.
Exercı́cio 1.25. Quantos subconjuntos de 5 cartas contendo exatamente 3 ases podem ser for-
mados de um baralho de 52 cartas?
Exercı́cio 1.26. A diretoria de uma firma é composta por 7 diretores brasileiros e 4 japoneses.
Quantas comissões podem ser formadas com 3 diretores brasileiros e 3 japoneses?
Exercı́cio 1.27. Em um grupo de 15 pessoas existem 5 médicos, 7 engenheiros e 3 advogados.

Selecionando pessoas neste grupo, quantas comissões de 5 pessoas podemos formar, de modo que
cada comissão seja constituı́da de 2 médicos, 2 engenheiros e 1 advogado?
Exercı́cio 1.28. Um homem possui 8 pares de meias distintos. De quantas formas ele pode
selecionar escolher dois pés de meia (um direito e um esquerdo) de modo que eles sejam de
pares diferentes?
Exercı́cio 1.29. Com os algarismos 1, 2, 3, 4, 5, 6, 7, 8 e 9, quantos números de algarismos

distintos existem entre 500 e 1000?
Exercı́cio 1.30. Com os algarismos 1, 2, 3, 4, 5 e 6, quantos números pares de 3 algarismos

distintos podemos formar?
Exercı́cio 1.31. Quantos números pares de 3 algarismos podemos formar com os algarismos 1,
3, 6, 7, 8 e 9?
Exercı́cio 1.32. Suponhamos que todos os números obtidos a partir da permutação dos alga-
rismos 1,2,4,6 e 8 foram dispostos em ordem crescente. Qual posição ocupa o número 68412?

1.9 Respostas dos exercı́cios
1.1) 20 × 18 × 25 =9000.
1.2) 20 × 19 × 18 =6840.
1.3) 10 × 9 × 8 =720.
1.4) 6! − 2 × 5! =480.
1.5) 90 − 18 =72.
1.6) 3 × 2 × 4 × 3 × 2 × 1 =144.
1.7) 4 × 3 × 3 × 2 =72.
1.8) 94 − 9 × 8 × 7 × 6 =3537.
1.9) 5! × 5! × 2 =28800.
1.10) 2 × 9! =725760.
1.11) a) 4! × 5! × 6 =17280; b) 4! × 5! × 2 =5760.
1.12) 4! × 11! × 12 =11496038400.
8!
1.13) 2!2! =10080.
5!
1.14) 3!2! =10.
1.15) 7!
4! =210.
20!
1.16) 10!10! =184756.
1.17) C5,3 =10.
1.18) C8,3 =56.
1.19) C10,3 × C10,2 =5400.
1.20) C6,4 × C10,3 + C6,5 × C10,2 + C6,6 × C10,1 =2080.
1.21) Cn,2 = 45 ⇒ n =10.
1.22) C10,6 − C8,4 =140.
1.23) Cn,2 − n = n(n−3)
2 .
1.24) C10,6 =210.
1.25) C4,3 × C48,2 =4512.
1.26) C7,3 × C4,3 =140.
1.27) C5,2 × C7,2 × C3,1 =630.
1.28) 8 × 7 + 8 × 7 =112.
1.29) 5 × 8 × 7 =280.
1.30) 3 × 5 × 4 =60.
1.31) 2 × 6 × 6 =72.
1.32) 3 × 4! + 3 × 3! + 2 × 2! + 1 =95.

Introdução à probabilidade
2.1 Espaço amostral

Definição 2.1. Suponhamos um experimento realizado sob certas condições fixas. O espaço amostral
Ω do experimento é um conjunto que contém representações de todos os resultados possı́veis,
onde por “resultado possı́vel”, entende-se resultado elementar e indivisı́vel do experimento. Ω
deve satisfazer as seguintes condições:
A todo resultado possı́vel corresponde um, e somente um, elemento ω ∈ Ω.
Resultados distintos correspondem a elementos distintos em Ω, ou seja, ω ∈ Ω não pode

representar mais de um resultado.
Resultados
𝜴
o
possíveis
et
_n
im
qu
oa
r/j
.b
fjf
.u
w
w
w
Exemplo 2.1. Considere um experimento que consiste em arremessar dois dados e observar os
números obtidos nas faces voltadas para cima. Defina um espaço amostral para este experimento.
Solução: Não é difı́cil encontrar quem defina Ω = {1, 2, 3, 4, 5, 6} como espaço amostral deste
experimento. No entanto, esta definição está incorreta, pois no experimento são arremessados
dois dados e não um. Lembre-se que o espaço amostral deve conter representações de todos os
resultados possı́veis do experimento. Um espaço amostral para este experimento é
Ω = {(1, 1), (1, 2), ..., (1, 6),

(2, 1), (2, 2), ..., (2, 6),
(3, 1), (3, 2), ..., (3, 6),
(4, 1), (4, 2), ..., (4, 6),
(5, 1), (5, 2), ..., (5, 6),
(6, 1), (6, 2), ..., (6, 6)}.
Exemplo 2.2. Considere um experimento que consiste em selecionar ao acaso a altura de um

habitante do estado de Minas Gerais. Quais os resultados possı́veis deste experimento? Supondo
que não exista uma altura máxima, talvez seja razoável assumir Ω = (0, ∞). Evidentemente,

este conjunto contém todos os resultados possı́veis e também resultados impossı́veis, tais como
1 milhão ou 1 bilhão de metros. Outros candidatos para Ω seriam, por exemplo, os intervalos
(0, 3) e [1/10, 3].
Exemplo 2.3. Considere um experimento que consiste em escolher aleatoriamente um ponto

do cı́rculo de raio unitário centrado na origem do sistema cartesiano. Neste caso, temos
Ω = {(x, y) ∈ R2 : x2 + y 2 ≤ 1}.
2.2 Eventos
Quando se realiza um experimento, há certos eventos que ocorrem ou não. Por exemplo, ao
jogar um dado e observar o resultado, alguns eventos são:
observar um número par,
observar o número 2 e
observar um número maior ou igual a 4.
Todo evento associado à um experimento pode ser identificado a um subconjunto do espaço

amostral Ω. Reciprocamente, todo subconjunto A de Ω pode ser associado a um evento. Assim,
podemos associar
o conjunto {2, 4, 6} ao evento observar um número par e
o conjunto {4, 5, 6} ao evento observar um número maior ou igual a 4.
Definição 2.2. Seja Ω o espaço amostral do experimento. Todo subconjunto A ⊂ Ω será cha-
mado evento.
Ω é o evento certo.
∅ é o evento impossı́vel.
Para ω ∈ Ω, o evento {ω} é dito elementar (ou simples).
Eventos com uma atribuição de probabilidade são chamados de eventos aleatórios.
Definição 2.3. O complementar de um evento A, denotado por Ac , é o conjunto formado

pelos elementos de Ω que não pertencem à A. Assim, Ac = {ω ∈ Ω : ω ∈
/ A}.
𝜴 𝜴
o
et
_n
𝑨 𝑨
m
ui
aq
o
r/j
.b
fjf
𝑨𝒄
.u
w
w
w

2.3 Definições de probabilidade
Há várias interpretações da probabilidade. A seguir, veremos as quatro mais importantes.
Definição 2.4. Se Ω é finito, a definição clássica da probabilidade P (A) de um evento A ⊂ Ω

é dada por
#A número de elementos de A
P (A) = = .
#Ω número de elementos de Ω
Obs: Esta definição basea-se no conceito de resultados equiprováveis, ou melhor, no princı́pio

da indiferença. Por exemplo, em um experimento que consiste em lançar um dado e observar
o resultado, podemos usar Ω = {1, 2, ..., 6} e, diante da indiferença entre os resultados, temos
P (i) = 61 , ∀i ∈ Ω.
Exemplo 2.4. Suponhamos um experimento que consiste em retirar uma carta em um baralho.
Usando a definição clássica de probabilidade, qual é a probabilidade de tirar um 7?
Solução: Seja Ω = {A♥, 2♥, ..., J♣, K♣} o espaço amostral e A = {7♣, 7♦, 7♥, 7♠} o
evento de interesse. Assim,
#A 4
P (A) = = .
#Ω 52
Definição 2.5. A definição frequentista baseia-se na freqüência relativa de um número

grande de realizações do experimento. Mais especificamente, definimos a probabilidade P (A)
de um evento A usando o limite da frequência relativa da ocorrência de A em n repetições
independentes1 do experimento, com n tendendo ao infinito, ou seja,

1 número de ocorrências de A em n realizações
P (A) = lim × .
n→∞ n independentes do experimento
Obs: A grande dificuldade da definição frequentista é que os experimentos nunca são realizados
infinitas vezes, logo não há como avaliar a probabilidade de forma estrita.
Número de sucessos / número de realizações
o
1.0
et
●
_n
●
●
0.8
im
●
●
qu
●
●
0.6
●
●
●
●
●
●●●●●●●
●
● ●
●●
●●
●●
●●
●
●●
●
●
●
●
●●
●●
●
●●●
●●
●●●●
●
●●
●●●
●
● ●●●●● ● ● ●
●●
● ●
●●●
● ● ● ● ● ●
● ● ● ●
oa
●
●
●●
●
●●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●●
●
●
●●
●
●
●●
●
●●
●
●
●
●
●●
●●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●●
●●
●
●●
●
●
●
●●
●
●
●●
●
●●
●
●
●●
●
●●
●
●
●●
●
●
●
●●
●
●●
●
●●
●
●
●●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●●
●
●●
●
●●
●
●
●●
●●
●●
●●
●●
●
●●
●
●
●●●
●
●
●●
●
●●
●●
●
●
●●●
●
●●
●●
●
●
●●
●
●●
●
●●
●
●●●
●
●
●●●
● ●
●●
●
●●
●●
●
●
●●
●●
●●
●●
●●
●
●
●●
●●
●
●
●●
●
●
●
●●
●
●
●●
●
●●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●●
●
●
●●
●
●●
●
●
●●
●
●
●●
●●
●
●
●
●●
●
●
●
●●
●
●●
●●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●●
●
●●
●
●●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●●
●●
●
●
●●
●
●●
●
●
●●
●
●
●
●●
●
●
●●
●
●●
●
●●
●
●●
●
●●
●
●●
●●
●
●
●●
●●
●
●●
●●
●
●
●●
●●
●
●
●●
●
●
●●
●
●●
●●
●
●●
●
●●
●●
●
●
●●
●
● ●
●●●
●
●
●●
●
●●
●●
●
●●
●
●●●
●●
●●
●
●●
●
●●
●●
●
●
●●●
●●
●●
●
●
●●●
●
●
●
●●
●
●
●
●●●
●
●●
●●
●
●●
●
●
●●
●
●
●●
●
●●
●
●●
●
●●
●●
●●●
● ●
● ●●● ●●● ●
● ●
●
● ●
●●●
●
●
●●
●
●●
● ●
● ●
●
0.4
●●
●
●●
r/j
●
●
●
●
.b
●
●
0.2
●
fjf
●
.u
w
0 1000 2000 3000 4000 5000

w
Número de realizações
w
Figura 1: Número de arremessos de uma moeda honesta versos proporções de coroas obtidas.
1
Mais adiante vamos formalizar o conceito de independência.

entadas em um contexto
apresentadas fora de um
e uma mudança de quadros.
10 arremesos 100 arremesos
o
Proporções
Proporções
et
cálculo a priori de uma
aq 0.0 0.8
0.8
_n
abilidade através da análise
0.0
m
1 3 5 1 3 5
ui
e ser atribuída também à
Resultados Resultados
o
r/j
200 arremesos 1000 arremesos
.b
Proporções
Proporções
w 0.0 0.8
0.0 0.8
fjf
.u
w
tado no nosso dispositivo

1 3 5 1 3 5
Resultados Resultados
w
, ao acaso, cujo centro

Figura 2: Proporção de resultados em 10, 100, 200 e 1000 arremessos de um dado.
BCD”. Consideramos como
disco está em posição
Definição 2.6. Consideremos um experimento que consiste em escolher um ponto ao acaso em
uma região
aluno deve Ω ⊂ Rp . A é
resolver de geométrica da probabilidade P (A) de um evento A ⊂ Ω é
definição
dada por
volume de A
que represente esse jogo, P (A) = volume de Ω .
Obs: Naturalmente, em espaços unidimensionais (p = 1) o volume é substituı́do por compri-
de pixéis que simula este
mento e em espaços bidimensionais (p = 2), por área.
Exemplo 2.5. O jogo de franc-carreau foi estudado pela primeira vez em 1733 pelo natura-
lista e matemático francês Georges-Louis Leclerc e é apresentado por Badizé et al. (1996) como
uma proposição para introdução às probabilidades. O jogo consiste em lançar uma moeda em
olução umpossíveis
piso de azulejosque sãoquadrada. Os jogadores então apostam se a moeda irá parar com-
de forma
pletamente sobre um único azulejo, posição chamada “franc-carreau”, ou sobrepor algum trecho
geométrica e (junção
do rejunte a resolução
dos azulejos). Em uma região com n azulejos de lado igual a b centı́metros,
qual é a probabilidade de uma moeda de raio r centı́metros parar em posição “franc-carreau”?
ue consisteSolução:
em considerar
D C
adrados EFGH e ABCD,
o
H G
et
_n
representa o conjunto de
im
qu
sso”, enquanto que ABCD r

oa
P
r/j
.b
e ponto P.
fjf
(b-2r)
.u
E F
w
w
e contagem N para iniciar A b B

w
em número suficientemente
dos. Esta simulação é feita

e permitem a diferenciação
Cada localização possı́vel para a moeda pode ser caracterizada pelo seu ponto central. Na
figura acima, o quadrado de vértices A, B, C e D ilustra um azulejo e a circunferência de centro
P e raio r ilustra a moeda. Repare que a moeda estará localizada completamente sobre o azulejo
(posição “franc-carreau”) se, e somente se, seu centro estiver no interior do quadrado de vértices
E, F, G e H. Assim, usando a definição geométrica, a probabilidade procurada é
n(b − 2r)2 (b − 2r)2

= .
nb2 b2
Para explorar um aplicativo deste jogo, acesse

http://www.ufjf.br/joaquim_neto/aplicativos.
Definição 2.7. A definição subjetiva de probabilidade baseia-se em crenças e/ou informações

do observador a respeito do fenômeno em estudo.
Exemplo 2.6. Consideremos o evento A =“chove em Moscou”. Para alguém em Minas Gerais
podemos ter a seguinte avaliação: P (A) = 0, 5. Para alguém de Leningrado, podemos ter P (A) =
0, 8 se chove em Leningrado e P (A) = 0, 3 se não chove em Leningrado. Para alguém de Moscou,
P (A) = 1 se está chovendo em Moscou e P (A) = 0 se não está chovendo em Moscou.
2.4 Teoria dos conjuntos: revisão de conceitos

Definição 2.8. Os conjuntos da sequência (finita ou enumerável) A1 , A2 , ... são disjuntos 2 a 2,
se Ai ∩ Aj = ∅, ∀i 6= j.
𝜴
o
et
𝑨𝟏 𝑨𝟐
_n
m
𝑨𝟒
qui
oa
𝑨𝟑
r/j
𝑨𝟓
.b
fjf
.u
w
w
w
Definição 2.9. O conjunto das partes P(A) de um conjunto A é definido por
P(A) = {B|B ⊂ A}.
Exemplo 2.7. Se A = {3, 5, 7}, então
P(A) = {{3}, {5}, {7}, {3, 5}, {3, 7}, {5, 7}, {3, 5, 7}, ∅}.

2.5 Axiomas de probabilidade e espaço de probabilidade
Não vamos nos preocupar, doravante, com o problema de como definir probabilidade para
cada experimento. Simplesmente, vamos admitir que as probabilidades estão definidas em um
certo conjunto A 2 de eventos, chamados de eventos aleatórios. Vamos supor que a todo A ∈ A
seja associado um número real P (A), chamado de probabilidade de A, de modo que os axiomas
a seguir sejam satisfeitos.
Axioma 1: P (A) ≥ 0, ∀A ∈ A .
Axioma 2: P (Ω) = 1.
Axioma 3: Se A1 , A2 , ... ∈ A são disjuntos 2 a 2, então

∞ ∞
!
[ X
P An = P (An ).
n=1 n=1
Definição 2.10. Um espaço de probabilidade é um trio (Ω, A , P ), onde
Ω é um conjunto não vazio,
A é um conjunto de eventos aleatórios e
P é uma probabilidade em A .
o
et
_n
m
ui
aq
/jo
r
.b
fjf
.u
w
w
w
2.6 Principais resultados

Resultado 2.1 (probabilidade do evento impossı́vel). P (∅) = 0.
Prova: Temos que
P (Ω) = P (Ω ∪ ∅ ∪ ∅ ∪ ...) ⇒
P (Ω) = P (Ω) + P (∅) + P (∅) + ... ⇒
0 = P (∅) + P (∅) + ... ⇒
P (∅) = 0.
2
Geralmente usamos A = P(Ω). Para saber mais sobre condições que A deve satisfazer, consulte James
(1981).

Resultado 2.2. Se A1 , A2 , ..., An ∈ A são eventos aleatórios disjuntos 2 a 2 então
n n
!
[ X
P Ai = P (Ai ).
i=1 i=1
Prova: Fazendo Ai = ∅ ∀i ∈ {n + 1, n + 2, ...}, temos que

n ∞
! !
[ [
P Ai = P Ai = (pelo axioma 3) =
i=1 i=1
∞
X n
X ∞
X
= P (Ai ) = P (Ai ) + P (Ai )
i=1 i=1 i=n+1
Xn X∞
= P (Ai ) + P (∅) = (pelo resultado anterior) =
i=1 i=n+1
Xn X∞ n
X
= P (Ai ) + 0= P (Ai ).
i=1 i=n+1 i=1
Resultado 2.3 (probabilidade do complementar).
P (Ac ) = 1 − P (A), ∀A ∈ A .
Prova: Temos que
Ω = A ∪ Ac ⇒
⇒ P (Ω) = P (A ∪ Ac ) ⇒ (aplicando os axiomas 2 e 3) ⇒
⇒ 1 = P (A) + P (Ac ) ⇒
⇒ P (A) = 1 − P (Ac ).
Resultado 2.4. ∀A, B ∈ A ,

A ⊂ B ⇒ P (A) ≤ P (B).
Prova: Pelo axioma 1, temos que P (B ∩ Ac ) ≥ 0. Assim,
P (B ∩ Ac ) ≥ 0 ⇒
⇒ P (B ∩ Ac ) + P (A) ≥ P (A) ⇒ (pelo axioma 3) ⇒
⇒ P ((B ∩ Ac ) ∪ A) ≥ P (A) ⇒
⇒ P (B) ≥ P (A).
Resultado 2.5.
0 ≤ P (A) ≤ 1, ∀A ∈ A
Prova: Como A ⊂ Ω, aplicando o resultado 2.4, temos que
P (A) ≤ P (Ω) ⇒ (pelo axioma 2) ⇒ P (A) ≤ 1.
Além disso, pelo axioma 1, P (A) ≥ 0. Logo 0 ≤ P (A) ≤ 1.

Resultado 2.6. ∀A, B ∈ A ,
P (A ∩ B c ) = P (A) − P (A ∩ B).
Prova: Temos que

(A ∩ B c ) ∪ (A ∩ B) = A ⇒
⇒ P ((A ∩ B c ) ∪ (A ∩ B)) = P (A) ⇒
⇒ P (A ∩ B c ) + P (A ∩ B) = P (A) ⇒
⇒ P (A ∩ B c ) = P (A) − P (A ∩ B) .
Resultado 2.7 (desigualdade de Boole). Supondo que A1 , A2 , A3 , ... são eventos aleatórios,
∞ ∞
!
[ X
P Ai ≤ P (Ai ).
i=1 i=1
Prova: Consideremos a seguinte sequência de eventos

B 1 = A1
B2 = A2 ∩ Ac1
B3 = A3 ∩ (A1 ∪ A2 )c
..
.
Bi = Ai ∩ (A1 ∪ ... ∪ Ai−1 )c
..
.
Note que esta sequência é de eventos disjuntos 2 a 2. Além disso, temos que Bi ⊂ Ai , o que
implica P (Bi ) ≤ P (Ai ). Deste modo, temos que
∞ ∞
! !
[ [
P Ai = P Bi = (pelo axioma 3) =
i=1 i=1
∞
X ∞
X
= P (Bi ) ≤ P (Ai )
i=1 i=1
Resultado 2.8. Supondo que A1 , A2 , ..., An são eventos aleatórios, temos que
n n
!
[ X
P Ai ≤ P (Ai ),
i=1 i=1
Prova: Análoga à prova do resultado anterior.

Resultado 2.9. Se A e B forem eventos quaisquer, então
P (A ∪ B) = P (A) + P (B) − P (A ∩ B).

o
et
A B
_n
A B A B A B
im
qu
P =P +P -P
oa
r/j
.b
fjf
.u
w
w
w

Prova:
P (A ∪ B) = P ((A ∩ B c ) ∪ B)
= (repare que A ∩ B c e B são disjuntos) =
= P (A ∩ B c ) + P (B)
= P (A) − P (A ∩ B) + P (B).
Resultado 2.10. Se A, B e C forem eventos quaisquer, então
P (A ∪ B ∪ C) = P (A) + P (B) + P (C) − P (A ∩ B) − P (A ∩ C) − P (B ∩ C) + P (A ∩ B ∩ C).
Prova:
P (A ∪ B ∪ C) = (pelo resultado 2.9) = P (A ∪ B) + P (C) − P ((A ∪ B) ∩ C)

= (pelo resultado 2.9) =
= P (A) + P (B) + P (C) − P (A ∩ B) − P ((A ∪ B) ∩ C)
= P (A) + P (B) + P (C) − P (A ∩ B) − P ((A ∩ C) ∪ (B ∩ C))
= (pelo resultado 2.9) =
= P (A) + P (B) + P (C) − P (A ∩ B)
− P (A ∩ C) − P (B ∩ C) + P (A ∩ B ∩ C) .
Resultado 2.11. Supondo uma sequência A1 , A2 , ..., An de eventos aleatórios, temos que
n
X n
X
P (A1 ∪ A2 ∪ ... ∪ An ) = P (Ai ) − P (Ai ∩ Aj )
i=1 i<j=2
Xn
+ P (Ai ∩ Aj ∩ Ar ) + ...
i<j<r=3
n−1
+ (−1) P (A1 ∩ A2 ∩ ... ∩ An ) .
Prova: Por indução finita.

Obs: Os dois últimos resultados são casos particulares deste resultado.
Resultado 2.12. Sejam A, B ∈ A .
Se P (B) = 1 então P (A) = P (A ∩ B).
Prova: Como B ⊂ (A ∪ B), pelo resultado 2.4, P (B) ≤ P (A ∪ B), o que implica 1 ≤
P (A ∪ B) ≤ 1, ou seja, P (A ∪ B) = 1. Pelo resultado 2.9, temos ainda que
P (A ∪ B) = P (A) + P (B) − P (A ∩ B) ⇒
⇒ 1 = P (A) + 1 − P (A ∩ B) ⇒
⇒ P (A ∩ B) = P (A).

2.7 Probabilidade condicional e principais teoremas
Definição 2.11. Seja (Ω, A , P ) um espaço de probabilidade. Se B ∈ A e P (B) > 0, a
probabilidade condicional de A ∈ A dado B é definida por
P (A ∩ B)
P (A|B) = .
P (B)
Obs:
Se P (B) = 0, P (A|B) pode ser arbitrariamente definida. Mas, por independência, é
conveniente fazer P (A|B) = P (A), como veremos adiante.
Decorre da definição que P (A ∩ B) = P (B)P (A|B) e esta igualdade também é válida

quando P (B) = 0 (verifique!).
Exemplo 2.8. Suponhamos que uma fábrica possui 310 máquinas de soldar. Algumas destas
máquinas são elétricas (E), enquanto outras são manuais (M). Por outro lado, temos também
que algumas são novas (N) e outras são usadas (U). A tabela abaixo informa o número de
máquinas de cada categoria.
Elétricas Manuais Totais
Novas 10 60 70
Usadas 200 40 240
Totais 210 100 310
a) Sabendo que uma determinada peça foi soldada usando uma máquina nova, qual é a
probabilidade (clássica) de ter sido soldada por uma máquina elétrica?
b) Sabendo que uma determinada peça foi soldada usando uma máquina elétrica, qual é a
probabilidade (clássica) de ter sido soldada por uma máquina nova?
Solução:
a)
P (E ∩ N ) #(E ∩ N ) 10
P (E | N ) = = = = 0, 1428571.
P (N ) #N 70
b)
P (N ∩ E) #(N ∩ E) 10
P (N | E) = = = = 0, 04761905.
P (E) #E 210
Resultado 2.13. Uma probabilidade condicional dado um evento B qualquer é uma probabili-
dade.
Solução:
Para mostrar que a probabilidade condicional é uma probabilidade, devemos verificar que
P (A | B) ≥ 0, ∀A ∈ A ,
P (Ω | B) = 1 e que
se A1 , A2 , ... ∈ A são disjuntos 2 a 2, então

∞ ∞
!
[ X
P Ai B = P (Ai |B).
i=1 i=1
Vamos verificar então as condições acima.

Como P (A | B) = P P(A∩B)(B) , com P (A ∩ B) ≥ 0 e P (B) > 0, temos que P (A | B) ≥ 0 e a
1ª condição foi satisfeita.
P (Ω∩B) P (B)
Temos também que P (Ω | B) = P (B) = P (B) = 1 e a segunda condição foi satisfeita.
Por fim, temos

∞ ∞
S S
∞
! P Ai ∩B P (Ai ∩ B)
i=1 i=1
[
P Ai B = = = (pelo axioma 3) =
P (B) P (B)
i=1
∞
P
P (Ai ∩ B) ∞ ∞
i=1
X P (Ai ∩ B) X
= = = P (Ai |B).
P (B) P (B)
i=1 i=1
Teorema 2.1 (Teorema da Multiplicação). Seja (Ω, A , P ) um espaço de probabilidade com

A1 , A2 , ..., An ∈ A . Então
P (A1 ∩ A2 ∩ ... ∩ An ) = P (An |A1 ∩ ... ∩ An−1 )

× P (An−1 |A1 ∩ ... ∩ An−2 )
× ...×
× P (A2 |A1 ) P (A1 )
Prova: Por indução finita.
Obs: Especificamente, para n = 2, temos
P (A1 ∩ A2 ) = P (A2 | A1 )P (A1 ) = P (A1 | A2 )P (A2 ).
Definição 2.12. Uma sequência A1 , A2 , ... finita ou enumerável de conjuntos é uma partição
de um conjunto A quando
for uma sequência de conjuntos disjuntos 2 a 2 e

S
Ai = A.
i
o
𝑨𝟐
et
_n
𝑨𝟏
im
qu
𝑨𝟑
oa
r/j
.b
fjf
𝑨𝟓 𝑨𝟒
.u
w
w
w
Teorema 2.2 (Teorema da Probabilidade Total). Seja (Ω, A , P ) um espaço de probabili-

dade. Se a sequência (finita ou enumerável) A1 , A2 , ... ∈ A formar uma partição de Ω, então
X
P (B) = P (B|Ai ) P (Ai ).
i

o
𝑨𝟐
et
_n
𝑨𝟏 𝑩
i m
qu
𝑨𝟑
oa
r/j
.b
fjf
𝑨𝟓 𝑨𝟒
.u
w
w
w
Prova: !
[
P (B) = P (B ∩ Ai ) = (pelo axioma 3) =
i
X X
= P (B ∩ Ai ) = P (B|Ai ) P (Ai ).
i i
Exemplo 2.9. Uma empresa produz circuitos em três fábricas, denotadas por I, II e III. A
fábrica I produz 40% dos circuitos, enquanto a II e a III produzem 30% cada uma. As proba-
bilidades de que um circuito produzido por essas fábricas não funcione são 0, 01, 0, 04 e 0, 03
respectivamente. Escolhido ao acaso um circuito da produção conjunta das três fábricas, qual é
a probabilidade do circuito não funcionar?
Solução: Consideremos os eventos
A1 =”o circuito foi produzido pela fábrica I”,
A2 =”o circuito foi produzido pela fábrica II”,
A3 =”o circuito foi produzido pela fábrica III”e
B =”o circuito não funciona”.
Primeiro repare que os conjuntos A1 , A2 e A3 formam uma partição do espaço amostral.

Assim, aplicando o teorema da probabilidade total, temos que
P (B) = P (B|A1 ) P (A1 ) + P (B|A2 ) P (A2 ) + P (B|A3 ) P (A3 )

= 0, 01 × 0, 4 + 0, 04 × 0, 3 + 0, 03 × 0, 3 = 0, 025.
Teorema 2.3 (Teorema de Bayes). Seja (Ω, A , P ) um espaço de probabilidade. Se a sequência

(finita ou enumerável) A1 , A2 , ..., ∈ A formar uma partição de Ω, então
P (B|Ai ) P (Ai )
P (Ai |B) = P .
P (B|Aj ) P (Aj )
j
o
𝑨𝟐
et
_n
𝑨𝟏 𝑩
im
qu
𝑨𝟑
oa
r/j
.b
fjf
𝑨𝟓 𝑨𝟒
.u
w
w
w

Prova:
P (Ai ∩ B) P (B|Ai ) P (Ai )
P (Ai |B) = =
P (B) P (B)
= (pelo teorema da probabilidade total) =
P (B|Ai ) P (Ai )
=P .
P (B|Aj ) P (Aj )
j
Exemplo 2.10. Um empresa produz circuitos em três fábricas, denotadas por I, II e III. A
fábrica I produz 40% dos circuitos, enquanto a II e a III produzem 30% cada uma. As proba-
bilidades de que um circuito produzido por essas fábricas não funcione são 0, 01, 0, 04 e 0, 03
respectivamente. Um circuito é escolhido ao acaso da produção conjunta das três fábricas. Dado
que o circuito escolhido não funciona, qual é a probabilidade do circuito ter sido produzido pela
fábrica I?
A1 =”o circuito foi produzido pela fábrica I”,

A2 =”o circuito foi produzido pela fábrica II”,
A3 =”o circuito foi produzido pela fábrica III”e
B =”o circuito não funciona”.
Primeiro repare que os conjuntos A1 , A2 e A3 formam uma partição do espaço amostral.

Assim, aplicando o teorema de Bayes, temos que
P (B|A1 ) P (A1 )
P (A1 |B) =
P (B|A1 ) P (A1 ) + P (B|A2 ) P (A2 ) + P (B|A3 ) P (A3 )
0, 01 × 0, 4
= = 0, 16
0, 025
Exemplo 2.11. Uma pessoa vai ao médico reclamando de dores. O médico acredita que o
paciente pode ter uma determinada doença. Ele então examina o paciente cuidadosamente,
observa seus sintomas e prescreve um exame laboratorial.
Seja θ uma quantidade desconhecida que indica se o paciente tem a doença ou não. Se
ele possui a doença então θ = 1, caso contrário θ = 0. O médico assume subjetivamente que
P (θ = 1|H) = 0, 6, onde H representa toda a informação disponı́vel antes de saber o resultado do
exame laboratotial. Para simplificar, iremos omitir H fazendo P (θ = 1) = P (θ = 1 | H) = 0, 6.
Seja X uma variável aleatória associada ao resultado do exame laboratorial, de modo que
X = 1 indica que o exame acusou a doença e X = 0 caso contrário. O exame fornece um
resultado incerto com as seguintes probabilidades
P (X = 1 | θ = 0) = 0, 10 (exame positivo sem a doença) e
P (X = 0 | θ = 1) = 0, 05 (exame positivo com a doença).
Dado que o exame acusou a doença (X = 1), qual é a probabilidade do paciente ter a doença?
Solução: Pelo teorema de Bayes, temos que
P (X = 1 | θ = 1)P (θ = 1)
P (θ = 1 | X = 1) =
P (X = 1 | θ = 1)P (θ = 1) + P (X = 1 | θ = 0)P (θ = 0)
0, 95 × 0, 6
= = 0, 9344262.
0, 95 × 0, 6 + 0, 1 × 0, 4

Exemplo 2.12. O problema de Monty Hall é um problema matemático que surgiu a partir
de um concurso televisivo dos Estados Unidos da América chamado Let’s Make a Deal, exibido
na década de 1970.
O jogo consiste no seguinte: Monty Hall (o apresentador) apresentava 3 portas aos concor-
rentes, sabendo que atrás de uma delas está um carro (prêmio bom) e que as outras têm prêmios
de pouco valor.
1. Na 1ª etapa o concorrente escolhe uma porta (que ainda não é aberta).
2. Em seguida, Monty abre uma das outras duas portas que o concorrente não escolheu,
sabendo que o carro não se encontra nela.
3. Agora, com duas portas apenas para escolher e sabendo que o carro está atrás de uma
delas, o concorrente tem que se decidir se permanece com a porta que escolheu no inı́cio
do jogo e abre-a ou se muda para a outra porta que ainda está fechada para então a abrir.
Qual é a estratégia mais lógica? Ficar com a porta escolhida inicialmente ou mudar de porta?
Com qual das duas portas ainda fechadas o concorrente tem mais probabilidades de ganhar? Por
que?
o
et
_n
m
ui
aq
/jor
.b
fjf
.u
w
w
w
A1 = “Carro está na primeira porta”,
A2 = “Carro está na segunda porta”,
A3 = “Carro está na terceira porta” e
B = “O apresentador abre a terceira porta”.
Naturalmente, iremos assumir P (B | A1 ) = 0, 5, P (B | A2 ) = 1 e P (B | A3 ) = 0. Assim,

pelo teorema da probabilidade total, temos
P (B) = P (B|A1 ) P (A1 ) + P (B|A2 ) P (A2 ) + P (B|A3 ) P (A3 ) =
1 1 1 1 1
= · + 1 · + 0 · = = 0, 5
2 3 3 3 2
Agora, usando o teorema de Bayes, temos
1 1
P (B | A1 )P (A1 ) 2 × 3 1
P (A1 | B) = = 1 = ,
P (B) 2
3
1
P (B | A2 )P (A2 ) 1× 3 2
P (A2 | B) = = 1 = e
P (B) 2
3
1
P (B | A3 )P (A3 ) 0× 3
P (A3 | B) = = 1 = 0.
P (B) 2
Portanto, escolhendo trocar de porta a chance de ganhar o carro é maior.

Exemplo 2.13. Recomenda-se que, a partir dos 40 anos, as mulheres façam mamografias anu-
ais. Nesta idade, 1% das mulheres são portadoras de um tumor assintomático de mama.
Seja θ uma quantidade desconhecida que indica se uma paciente desta faixa etária tem a
doença ou não. Se ela possui a doença então θ = 1, caso contrário θ = 0. Assim, podemos
assumir que
P (θ = 1) = 0, 01 e P (θ = 0) = 0, 99.
Sabe-se que a mamografia indica a doença em 80% das mulheres com câncer de mama, mas
esse mesmo resultado ocorre também com 9,6% das mulheres sem o câncer. Assim, seja X uma
variável aleatória associada ao resultado da mamografia, de modo que se X = 1 o exame acusou
a doença e X = 0 caso contrário. Temos então que
P (X = 1 | θ = 0) = 0, 096
P (X = 0 | θ = 1) = 0, 20
Imagine agora que você encontra uma amiga de 40 e poucos anos aos prantos, desesperada,
porque fez uma mamografia de rotina e o exame acusou a doença. Qual a probabilidade de ela
ter um câncer de mama?
Solução: Temos que
P (X = 1 | θ = 1)P (θ = 1)
P (θ = 1 | X = 1) =
P (X = 1 | θ = 1)P (θ = 1) + P (X = 1 | θ = 0)P (θ = 0)
0, 80 × 0, 01
= = 0, 07763975
0, 80 × 0, 01 + 0, 096 × 0, 99
Logo, a probabilidade dela ter a doença é de aproximadamente 7,8%.
Obs: Ao apresentar este problema a várias pessoas, inclusive estudantes de medicina, observa-
se uma tendência a superestimar a probabilidade a posteriori da doença. Isto revela que o raciocı́-
nio bayesiano não é intuitivo. Parece haver uma tendência geral a ignorar o fato de que a probabi-
lidade a priori de doença é pequena, fenômeno denominado “falácia da probabilidade de base”
pelo psicólogo norte-americano (de origem israelense) Daniel Kahneman, premiado com o No-
bel de Economia em 2002 por estudos sobre o comportamento de investidores. Num sentido
especı́fico: “as pessoas não são racionais”.
2.8 Independência
Definição 2.13 (independência entre dois eventos). Dois eventos aleatórios A e B são
independentes quando
P (A ∩ B) = P (A)P (B).
Obs: Se os eventos A e B são independentes, então
P (A | B) = P (A) e P (B | A) = P (B).
Assim, se dois eventos forem independentes, a ocorrência de um deles não afeta a probabilidade
de ocorrência do outro.
Exemplo 2.14. Consideremos novamente o experimento que consiste em escolher um ponto
aleatoriamente no cı́rculo de raio unitário (centrado na origem do sistema cartesiano de coor-
denadas). Sejam A um evento formado pelos pontos que estão a menos de meia unidade de
distância da origem e B um evento formado pelos pontos que possuem primeira coordenada
maior que a segunda. Mostre que os eventos A e B são independentes.
Solução: Como
1 11 1
P (A ∩ B) = e P (A)P (B) = = ,
8 42 8
temos que P (A ∩ B) = P (A)P (B) e, consequentemente, os eventos são independentes.

Agora, vejamos dois modos de definir independência para 2 ou mais eventos: a independência
2 a 2 e a independência mútua.
Definição 2.14 (independência 2 a 2). Seja {Ai : i ∈ I} uma coleção de eventos aleatórios in-
dexada por um conjunto (de ı́ndices) I. Os eventos desta coleção são ditos independentes 2 a 2
se
P (Ai ∩ Aj ) = P (Ai )P (Aj ) ∀i, j ∈ I tais que i 6= j.
Definição 2.15 (independência mútua). Seja B = {Ai : i ∈ I} uma coleção de eventos

aleatórios indexada por um conjunto (de ı́ndices) I. Os eventos desta coleção são (mutuamente)
independentes se, para toda subfamı́lia finita {Ai1 , Ai2 , ..., Ain } de eventos em B, tivermos
P (Ai1 ∩ Ai2 ∩ ... ∩ Ain ) = P (Ai1 )P (Ai2 )...P (Ain )
As duas definições de independência formuladas acima são parecidas, porém não são equiva-
lentes. O resultado a seguir estabelece que uma coleção de eventos (mutuamente) independentes
é necessariamente uma coleção de eventos independentes 2 a 2. Porém, a recı́proca não é verda-
deira, conforme veremos no exemplo 2.15.
Resultado 2.14. Qualquer coleção B de eventos aleatórios (mutuamente) independentes é uma

coleção de eventos independentes 2 a 2.
Prova: Como B é uma coleção de eventos (mutuamente) independentes, para toda subfamı́lia
finita {Ai1 , Ai2 , ..., Ain } de eventos em B, temos que
P (Ai1 ∩ Ai2 ∩ ... ∩ Ain ) = P (Ai1 )P (Ai2 )...P (Ain ).
Em particular, para todas as subfamı́lias {Ai , Aj } com i 6= j, temos que
P (Ai ∩ Aj ) = P (Ai )P (Aj ).
Logo, B é uma coleção de eventos independentes 2 a 2.
Exemplo 2.15. Suponhamos um experimento que consiste em jogar dois dados. Considere os
eventos:
A = {o primeiro dado mostra um número par},
B = {o segundo dado mostra um número ı́mpar},
C = {ambos os dados mostram números ı́mpares ou ambos mostram números pares}.
a) Os eventos acima são independentes 2 a 2?

b) Os eventos acima são mutuamente independentes?
Solução:
a) Para mostrar que os eventos são independentes 2 a 2, devemos verificar se
P (A ∩ B) = P (A)P (B), P (A ∩ C) = P (A)P (C) e P (B ∩ C) = P (B)P (C).
Primeiro, note que
P (A) = 3×6
6×6 = 0, 5,
P (B) = 6×3
6×6 = 0, 5,
P (C) = 3×3
6×6 + 3×3
6×6 = 0, 5,

P (A ∩ B) = 3×3
6×6 = 0, 25,
P (A ∩ C) = 3×3
6×6 = 0, 25 e
P (B ∩ C) = 3×3
6×6 = 0, 25.
Consequentemente,
P (A ∩ B) = 0, 25 = 0, 5 × 0, 5 = P (A)P (B),
P (A ∩ C) = 0, 25 = 0, 5 × 0, 5 = P (A)P (C) e
P (B ∩ C) = 0, 25 = 0, 5 × 0, 5 = P (B)P (C).
Logo os eventos são independentes 2 a 2.
b) Para mostrar que os eventos são (mutuamente) independentes, devemos verificar se
P (A ∩ B) = P (A)P (B),
P (A ∩ C) = P (A)P (C),
P (B ∩ C) = P (B)P (C) e
P (A ∩ B ∩ C) = P (A)P (B)P (C).
No item (a), verificamos que as 3 primeiras condições são verdadeiras e, portanto, falta
apenas avaliar se P (A ∩ B ∩ C) = P (A)P (B)P (C). Pelo item (a), temos ainda que P (A) =
P (B) = P (C) = 0, 5 e, consequentemente, P (A)P (B)P (C) = 0, 53 = 0, 125. Por outro lado,
A ∩ B ∩ C = ∅ e, consequentemente, P (A ∩ B ∩ C) = P (∅) = 0. Assim,
P (A ∩ B ∩ C) = P (∅) = 0 6= 0, 125 = P (A)P (B)P (C).
Logo, os eventos não são mutuamente independentes.

Resultado 2.15. Se A e B forem acontecimentos independentes, também o serão
a) A e B c ,
b) Ac e B e
c) Ac e B c .
Solução:
a)
P (A ∩ B c ) = P (A) − P (A ∩ B) = P (A) − P (A)P (B) = P (A)(1 − P (B)) = P (A)P (B c ).
b)
P (Ac ∩ B) = P (B) − P (A ∩ B) = P (B) − P (A)P (B) = P (B)(1 − P (A)) = P (B)P (Ac ).
c)
P (Ac ∩ B c ) = P ((A ∪ B)c ) = 1 − P (A ∪ B)
= (pelo resultado 2.9) = 1 − (P (A) + P (B) − P (A ∩ B))
= 1 − P (A) − P (B) + P (A) P (B)
= (colocando − P (B) em evidência) =
= 1 − P (A) − P (B) (1 − P (A))
= (colocando 1 − P (A) em evidência) =
= (1 − P (A)) (1 − P (B)) = P (Ac ) P (B c ) .

2.9
Descritor Descrição Palavra chave 2.9.1
Joaquim Neto
D1 Definir o espaço amostral de um experimento. Espaço amostral
D2 Usar a definição clássica para calcular probabilidades. Definição clássica
D3 Usar a definição geométrica para calcular probabilidades. Definição Geométrica
Descritores
Exercı́cios
D4 Identificar uma sequência de eventos disjuntos 2 a 2. Eventos disjuntos 2 a 2

Calcular probabilidades usando teoria dos conjuntos, axiomas,
D5 resultados e teoremas não relacionados ao conceito de Axiomas, resultados e teoremas
probabilidade condicional.
Usar a definição de probabilidade condicional para calcular
D6 Probabilidade condicional
probabilidades.
D7 Usar o Teorema da Multiplicação para calcular probabilidades. Teorema da Multiplicação
Usar o Teorema da Probabilidade Total para calcular
D8 Teorema da Probabilidade Total
probabilidades.
D9 Usar o Teorema de Bayes para calcular probabilidades. Teorema de Bayes
Provar ou fornecer contra exemplos para proposições de
D10 probabilidade não relacionadas aos conceitos de probabilidade Prova, proposições
condicional ou independência.
D11 Calcular probabilidades usando as definições de independência. Independência
D12 probabilidade relacionadas ao conceito de probabilidade Prova, probabilidade condicional
condicional.
D13 Prova, independência
probabilidade relacionadas aos conceitos de independência.
Tabela 2.1: Descritores dos exercı́cios de introdução à probabilidade (matriz de referência).
página 38 de 110
2.9.2 Enunciados
Exercı́cio 2.1. (D2.2) Óleos de cozinha são produzidos em duas principais variedades: monoin-
saturados e polinsaturados. Duas matérias primas para óleos de cozinha são: milho e canola. A
tabela a seguir mostra o número de garrafas destes óleos em um supermercado.
Tipo de óleo
Canola Milho
Tipo de mono 7 13
insaturação poly 93 77
a) Se uma garrafa de óleo é selecionada aleatoriamente, qual a probabilidade (clássica) de ser

um óleo polinsaturado?
b) Se uma garrafa de óleo é selecionada aleatoriamente, qual a probabilidade (clássica) de ser

monoinsaturado de canola?
Exercı́cio 2.2. (D2.2) Qual é a probabilidade (clássica) de observar quatro números diferentes
ao lançar quatro dados?
Exercı́cio 2.3. (D2.2) Se 12 bolas são colocadas aleatoriamente em 20 caixas, qual é a proba-
bilidade (clássica) de nenhuma caixa receber mais do que uma bola?
Exercı́cio 2.4. (D2.2) Uma caixa contém 24 lampadas, das quais 4 são defeituosas. Se uma
pessoa seleciona 4 lampadas aleatoriamente desta caixa, qual é a probabilidade (clássica) das
quatro lampadas serem defeituosas?
Exercı́cio 2.5. (D2.2) Suponhamos que n pessoas irão se sentar aleatoriamente em n cadeiras
alinhadas em fila (de um teatro). Qual é a probabilidade (clássica) de duas pessoas em particular,
A e B, sentarem uma do lado da outra?
Exercı́cio 2.6. (D2.2) Suponhamos que k pessoas irão se sentar aleatoriamente em n cadeiras
alinhadas em fila (de um teatro). Qual é a probabilidade (clássica) de k pessoas ocuparem cadeiras
adjacentes?
Exercı́cio 2.7. (D2.2) Suponha que um comitê de 12 pessoas será selecionado aleatoriamente
dentre 100 pessoas. Qual é a probabilidade (clássica) de duas pessoas em particular, A e B,
serem selecionadas.
Exercı́cio 2.8. (D2.2) Uma caixa contém 24 lampadas, das quais 4 são defeituosas. Supo-
nhamos que uma pessoa seleciona 10 lampadas aleatoriamente e, em seguida, uma outra pessoa
seleciona as 14 lampadas restantes. Qual é a probabilidade (clássica) das 4 lampadas defeituosas
serem selecionadas pela mesma pessoa?
Exercı́cio 2.9. (D2.2) Um baralho contém 52 cartas e 4 ases. Se as cartas forem embaralhadas
e distribuı́das de maneira aleatória para 4 pessoas, de modo que cada pessoa receba 13 cartas,
qual é a probabilidade (clássica) dos 4 ases ficarem com a mesma pessoa?
Exercı́cio 2.10. (D2.2)
a) Suponha que os três dı́gitos do número 123 sejam escritos em ordem aleatória. Qual é
a probabilidade de que ao menos um dı́gito ocupe seu lugar próprio? b) Suponha que os quatro
dı́gitos do número 1234 sejam escritos em ordem aleatória. Qual é a probabilidade de que ao
menos um dı́gito ocupe seu lugar próprio?
Exercı́cio 2.11. (D2.2) Um fabricante de lâmpadas para faróis automotivos testa as lâmpa-
das sob condições de alta umidade e alta temperatura, usando a intensidade e vida útil como
parâmetros de interesse. A tabela abaixo mostra a performance de 130 lâmpadas.

Vida útil
Satisfatório Insatisfatório
Intensidade Satisfatório 117 3
Insatisfatório 8 2
Qual é a probabilidade de uma lâmpada selecionada aleatoriamente ser insatisfatória sob pelo
menos um dos critérios?
Exercı́cio 2.12. (D2.2) Uma empresa efetuou um estudo sobre fraudes em cartões de crédito,
com resultados resumidos no quadro abaixo.
Tipo de fraude Quantidade

Cartão roubado 243
Cartão falsificado 85
Pedido por telefone 52
Outros 46
Selecionando aleatoriamente um caso de fraude nos casos resumidos acima, qual é a proba-
bilidade da fraude resultar de um cartão falsificado?
Exercı́cio 2.13. (D2.2) Uma mão de poker consiste na combinação de 5 cartas aleatórias de
um baralho comum de 52 cartas. Pesquise sobre o jogo de poker e responda:
a) Quantas mãos de poker são possı́veis?
b) Em uma mão de poker, qual é a probabilidade de se ter uma dupla (duas cartas com o
mesmo valor)?
c) Em uma mão de poker, qual é a probabilidade de se ter duas duplas?
d) Em uma mão de poker, qual é a probabilidade de se ter uma trinca (três cartas com o
mesmo valor)?
e) Em uma mão de poker, qual é a probabilidade de se ter um ”straight”(cinco cartas em
sequência)?
f ) Em uma mão de poker, qual é a probabilidade de se ter um ”flush”(cinco cartas do mesmo
naipe)?
g) Em uma mão de poker, qual é a probabilidade de se ter um ”full house”(uma trinca e uma
dupla)?
h) Em uma mão de poker, qual é a probabilidade de se ter uma quadra (quatro cartas com o
mesmo valor)?
i) Em uma mão de poker, qual é a probabilidade de se ter um ”straight flush”(cinco cartas
em sequência do mesmo naipe)?
j) Em uma mão de poker, qual é a probabilidade de se ter um ”royal straight flush”(10, J, Q,
K e Ás, todos do mesmo naipe)?
Exercı́cio 2.14. (D2.5) Sejam A e B dois eventos. Se P (A) = 0, 3, P (B) = 0, 2 e P (A ∩ B) =

0, 1, então calcule:
a) P (Ac ),
b) P (A ∪ B),
c) P (Ac ∩ B),
d) P (A ∩ B c ),
e) P ((A ∪ B)c ) e
f ) P (Ac ∪ B).

Exercı́cio 2.15. (D2.5) Um empreiteiro apresentou orçamentos separados para a execução da
parte elétrica e da parte de encanamento de um edifı́cio. Ele acha que a probabilidade de ganhar
a concorrência da parte elétrica é de 50%. Caso ele ganhe a parte elétrica, a chance de ganhar
a parte de encanamento é de 3/4, caso contrário esta probabilidade é de 1/3.
a) Qual a probabilidade do empreiteiro ganhar os dois contratos?
b) Qual a probabilidade do empreiteiro ganhar apenas um?
c) Qual a probabilidade do empreiteiro perder a parte elétrica e perder a parte de encanamento?

Exercı́cio 2.16. (D2.5) Um certo tipo de motor elétrico falha se ocorrer uma das seguintes
situações: emperramento dos mancais, queima dos rolamentos ou desgaste das escovas. Suponha
que o emperramento seja duas vezes mais provável do que a queima, esta sendo quatro vezes mais
provável do que o desgaste das escovas. Qual é a probabilidade de que a falha seja devida a cada
uma dessas circunstâncias?
Exercı́cio 2.17. (D2.5) Suponha que A e B sejam eventos tais que P (A) = x, P (B) = y e
P (A ∩ B) = z. Exprima cada uma das seguintes probabilidades em termos de x, y e z.
a) P (Ac ∪ B c ).
b) P (Ac ∩ B).
c) P (Ac ∪ B).
d) P (Ac ∩ B c ).
Exercı́cio 2.18. (D2.5) Suponha que A, B, C sejam eventos tais que P (A) = P (B) = P (C) =
1/4, P (A ∩ B) = P (B ∩ C) = 0 e P (A ∩ C) = 1/8. Calcule a probabilidade de que ao menos um
dos eventos (A, B ou C) ocorra.
Exercı́cio 2.19. (D2.6) Uma caixa contém 4 válvulas defeituosas e 6 perfeitas. Duas válvulas
são extraidas juntas. Sabendo que uma delas é perfeita, qual é a probabilidade da outra válvula
também ser perfeita?
Exercı́cio 2.20. (D2.6 e D2.2) Em um lote de 100 chips semicondutores 20 são defeituosos.
Dois deles são selecionados ao acaso e sem reposição.
a) (D2.2) Qual é a probabilidade do primeiro chip selecionado ser defeituoso?
b) (D2.6 e D2.2) Qual é a probabilidade do segundo chip selecionado ser defeituoso, dado que
o primeiro deles é defeituoso?
c) (D2.6 e D2.2) Como a resposta do item (b) mudaria se os chips selecionados fossem repostos
antes da próxima seleção?
Exercı́cio 2.21. (D2.6 e D2.2) Amostras de uma peça de alumı́nio fundido são classificadas em
duas categorias de acabamento: “excelente” e “bom”. Uma outra classificação divide as peças em
duas categorias de comprimento: “excelente” e “bom”. A tabela abaixo exibe o número de peças
por categoria de um determinado lote:
Comprimento
Excelente Bom
Acabamento Excelente 75 7
da superfı́cie Bom 10 8
Suponhamos que uma peça é selecionada aleatoriamente deste lote.

a) (D2.2) Qual é a probabilidade da peça ter um excelente acabamento na superfı́cie?
b) (D2.2) Qual é a probabilidade da peça ter um excelente comprimento?
c) (D2.6 e D2.2) Se a peça selecionada tiver excelente acabamento na superfı́cie, qual é a pro-
babilidade do comprimento ser excelente?
d) (D2.6 e D2.2) Se a peça selecionada tiver bom comprimento, qual é a probabilidade do aca-
bamento na superfı́cie ser excelente?
Exercı́cio 2.22. (D2.6 e D5) Um equipamento eletrônico é formado por 2 componentes, I e II.
Suponha que
a chance do componente I falhar é 0,20;
a chance de apenas o componente II falhar é 0,15 e
a chance de I e II falharem simultaneamente é 0,15.
a) (D2.5) Calcule a probabilidade de apenas o componente I falhar.

b) (D2.6 e D2.5) Calcule a probabilidade do componente I falhar dado que o componente II
falhou.
Exercı́cio 2.23. (D2.6 e D2.5) Uma montagem eletrônica é formada de dois subsistemas. Su-
pondo que a probabilidade do primeiro sistema falhar é igual a 0.20, que a probabilidade ambos
falharem é 0,15 e que a probabilidade do segundo sitema falhar sozinho é 0,15.
a) (D2.6) Calcule a probabilidade do primeiro sistema ter falhado dado que o segundo sistema
falhou.
b) (D2.5) Calcule a probabilide de ocorrer falha apenas no primeiro sistema.
Exercı́cio 2.24. (D2.6 e D2.5) Suponha que A e B sejam eventos, tais que P (A) = 13 , P (B) =
1 2 c c
5 e P (A | B) + P (B | A) = 3 . Calcule P (A ∪ B ).
Exercı́cio 2.25. (D2.8) Um operador de rádio envia pontos e traços com igual probabilidade,
mas devido a perturbações atmosféricas, os pontos são muitas vezes entendidos pelo receptor
como traços e vice-versa. Seja 51 a probabilidade de um ponto ser recebido como traço e 41 a
probabilidade de um traço ser recebido como ponto. Supondo que o receptor interpreta todos os
pontos aparentes como pontos verdadeiros (o mesmo valendo para os traços), qual é a probabili-
dade de haver um erro na transmissão?
Exercı́cio 2.26. (D2.8) A urna I contém x bolas brancas e y bolas vermelhas. A urna II contém
z bolas brancas e v bolas vermelhas. Uma bola é escolhida ao acaso da urna I e posta na urna
II. Em seguida, uma bola é escolhida ao acaso da urna II. Qual é a probabilidade desta bola ser
branca?
Exercı́cio 2.27. (D2.9) Suponha que temos duas urnas I e II, cada uma com duas gavetas.
A urna I contém uma moeda de ouro em uma gaveta e uma moeda de prata na outra gaveta,
enquanto a urna II contém uma moeda de ouro em cada gaveta. Uma urna é escolhida ao acaso
e, em seguida, uma de suas gavetas é aberta ao acaso. Sabendo que a moeda encontrada nesta
gaveta é de ouro, qual é a probabilidade de que a moeda provenha da urna II?
Exercı́cio 2.28. (D2.9) Um software que detecta fraudes em cartões telefônicos detecta o nú-
mero de áreas metropolitanas onde as chamadas são originadas a cada dia. São obtidos os
seguintes dados:

- 1% dos usuários legı́timos chamam de duas ou mais áreas metropolitanas em um mesmo dia.
- 30% dos usuários fraudulentos chamam de duas ou mais áreas metropolitanas em um mesmo
dia.
- A proporção de usuários fraudulentos é de 0,01%.
Se um mesmo usuário faz chamadas de duas ou mais áreas metropolitanas em um mesmo

dia, qual é a probabilidade de que o usuário seja fraudulento?
Exercı́cio 2.29. (D2.9) Em uma fábrica de parafusos, as máquinas A, B e C produzem 25%,

35% e 40% do total, respectivamente. Da produção de cada máquina, 5%, 4% e 2%, respectiva-
mente, são parafusos defeituosos. Escolhe-se ao acaso um parafuso e verifica-se que é defeituoso.
a) (D2.9) Qual a probabilidade de que o parafuso tenha sido produzido na máquina A?
b) (D2.9) Qual a probabilidade de que o parafuso tenha sido produzido na máquina B?
c) (D2.9) Qual a probabilidade de que o parafuso tenha sido produzido na máquina C?
Exercı́cio 2.30. (D2.9) Uma urna contém 4 bolas brancas e 6 bolas pretas. Duas bolas são
retiradas da urna sucessivamente e sem reposição. Determine a probabilidade da primeira bola
ser branca sabendo que a segunda bola é branca.
Exercı́cio 2.31. (D2.9) Suponha que 80% de todos os estatı́sticos sejam tı́midos, enquanto
apenas 15% de todos os economistas sejam tı́midos. Suponha também que 90% das pessoas em
um congresso sejam economistas e os outros 10% sejam estatı́sticos. Se você estiver no congresso
e conhecer, ao acaso, uma pessoa tı́mida, qual é a probabilidade de que ela seja um estatı́stico?
Exercı́cio 2.32. (D2.9 e D2.8) No design preliminar de produtos são utilizadas avaliações de
clientes. No passado, 95% dos produtos de alto sucesso receberam boas avaliações, 60% dos pro-
dutos de sucesso moderado receberam boas avaliações, e 10% dos produtos de pobre desempenho
receberam boas avaliações. Além disso, 40% dos produtos tiveram alto sucesso, 35% tiveram
sucesso moderado e 25% tiveram desempenho pobre.
a) (D2.8) Qual é a probabilidade de que o produto consiga uma boa avaliação?
b) (D2.9) Se um novo design obtém uma boa avaliação, qual a probabilidade de que ele tenha
alto sucesso?
c) (D2.9) Se um produto não recebe uma boa avaliação, qual é a probabilidade de que ele tenha
alto sucesso?
Exercı́cio 2.33. (D2.9 e D2.8) Um inspetor trabalhando para uma companhia de manufatura
tem uma probabilidade de 99% de identificar corretamente um item com defeito e 0,5% de pro-
babilidade de classificar incorretamente um produto bom como defeituoso. A companhia tem
evidências de que sua linha produz 0,9% de ı́tens defeituosos.
a) (D2.8) Qual é a probabilidade de um item selecionado para inspeção ser classificado como
defeituoso?
b) (D2.9) Se um item selecionado aleatoriamente é classificado como não-defeituoso, qual é a

probabilidade dele ser realmente bom?
Exercı́cio 2.34. (D2.10) Se A, B e C são eventos disjuntos dois a dois, é possı́vel ter P (A) =
0, 3, P (B) = 0, 4 e P (C) = 0, 5? Por que ou por que não?

Exercı́cio 2.35. (D2.10) Prove que
P [(A ∩ B c ) ∪ (B ∩ Ac )] = P (A) + P (B) − 2P (A ∩ B) .
Exercı́cio 2.36. (D2.10) Sejam A e B dois eventos. Prove que
P (A ∩ B) ≤ P (A) ≤ P (A ∪ B) .
Exercı́cio 2.37. (D2.11 e D2.5) Um dado é lançado e, independentemente, uma carta é extraı́da
de um baralho completo (52 cartas).
a) (D2.11) Qual é a probabilidade de obter um número par no dado e uma carta de naipe
vermelho?
b) (D2.5 e D2.11) Qual é a probabilidade de obter um número par no dado ou uma carta de
naipe vermelho?
Exercı́cio 2.38. (D2.11 e D2.5) Suponha que A e B são eventos independentes associados a
um experimento. Se a probabilidade de A ou B ocorrerem for igual a 0,6 e a probabilidade da
ocorrência de A for igual a 0,4, determine a probabilidade da ocorrência de B.
Exercı́cio 2.39. (D2.11 e D2.5) Suponha que a probabilidade de se ganhar um certo jogo é de
1
50 . Se você jogá-lo 50 vezes, independentemente, qual é a probabilidade de ganhar pelo uma vez?
Exercı́cio 2.40. (D2.12) Suponha que P (A | B) > P (A). Prove que P (B | A) > P (B) ou
forneça um contra-exemplo.
Exercı́cio 2.41. (Não classificado ainda) Duas válvulas defeituosas se misturam com duas vál-
vulas perfeitas. As válvulas são selecionadas, uma a uma e sem reposição, até que ambas as
defeituosas sejam encontradas.
a) Qual é a probabilidade de encontrar a última válvula defeituosa no segundo ensaio?
b) Qual é a probabilidade de encontrar a última válvula defeituosa no terceiro ensaio?
c) Qual é a probabilidade de encontrar a última válvula defeituosa no quarto ensaio?
d) Some os números obtidos em (a), (b) e (c) acima. O resultado surprende?
Exercı́cio 2.42. (Não classificado ainda) Vinte peças, 12 das quais são defeituosas e 8 perfeitas,
são inspecionadas uma após a outra. Se estas peças forem extraı́das ao acaso e sem reposição,
qual é probabilidade de que:
a) Qual é probabilidade das duas primeiras peças serem defeituosas?
b) Qual é probabilidade das duas primeiras peças serem perfeitas?
c) Dentre as duas primeiras peças inspecionadas, qual é a probabilidade de uma ser perfeita e a
outra defeituosa?

2.9.3 Respostas
93+77 170 7 7
2.1) a) 7+13+93+77 = 190 = 0, 8947368; b) 7+13+93+77 = 190 = 0, 03684211.
6×5×4×3
2.2) 6×6×6×6 = 0, 277777.
20!
2.3) 8!2012
= 0, 01473140.
2.4)  1  = 9, 410879 × 10− 5.

24 
4
2(n−2)!(n−1) n−1
2.5) n! ou  .

n 
n−2
n−k+1
2.6)  .

n 
k
 

98 
10
2.7)   = 0.01333333.

100 
12
   

20 +
20 
6 10
2.8)   = 0, 1139657.

24 
10
 
13
4 
4
2.9)   = 0, 01056423.

52 
4
2!
2.10) a) 3 × 3! − 3 × 3!1 + 3!1 = 0, 6666667; b) 4 × 3!
4! −6× 2!
4! +4× 1
4! − 1
4! = 0, 625.
1
2.11) 10 .
85
2.12) 243+85+52+46 = 0, 1995305.
2.13)

52
a) = 2598960;
5
  
4 · 
12 ·4·4·4
13·
2 3 1098240
b)   = 2598960 = 0, 422569;

52 
5
   

13 · 
4 ·
4 ·44
2 2 2 123552
c)   = 2598960 = 0, 04753902;

52 
5
  
4 ·
12 ·4·4
13·
3 2 54912
d)   = 2598960 = 0, 02112845;

52 
5
10·4·4·4·4·4−36−4 10200
e)   = 2598960 = 0, 003924647;

52 
5

 
13 −36−4
4·
5 5108
f)   = 2598960 = 0, 001965402;

52 
5
  
4  ·
4
13·12· 
3 2 3744
g)   = 2598960 = 0, 001440576;

52 
5
13·48 624
h)   =
2598960 = 0, 000240096;

52 
5
i) 4·10−4 = 2598960 36
= 1, 385169 · 10−5 ;

52 
5
j)  4  = 2598960 4
= 1, 539077 · 10−6 .

52 
5
2.14) a) 0.7; b) 0.4; c) 0.1; d) 0.2; e) 0.6; f) 0.8.
2.15) a) P (EL∩EN ) = P (EN |EL)P (EL) = 0.75×0.5 = 0.375; b) P (EL∩EN c )+P (EN ∩
ELc ) = P (EN c | EL)P (EL)+P (EN | ELc )P (ELc ) = 0.25×0.5+ 13 ×0.5 = 0.2916667; c) Temos
que P (EN ) = P (EN | EL)P (EL) + P (EN | ELc )P (ELc ) = 0.75 × 0.5 + 13 × 0.5 = 0.5416667.
Além disso, P (EL ∪ EN ) = P (EL) + P (EN ) − P (EL ∩ EN ) = 0.5 + 0.5416667 − 0.375 = 23 .
Portanto, P (ELc ∩ EN c ) = P ((EL ∪ EN )c ) = 1 − P (EL ∪ EN ) = 1 − 32 = 13 .
1 4 8
2.16) 13 , 13 , 13 .
2.17) a) 1 − z; b) y − z; c) 1 − x + z; d) 1 − x − y + z.
2.18) P (A ∪ B ∪ C) = 14 + 14 + 14 − 18 = 0.625.
2.19) 95 .
19
2.20) a) 0, 20; b) 100 = 0, 1919192; c) 0, 20.
2.21) a) 0, 82; b) 0, 85; c) 0, 61; d) 0, 466666.
2.22) a) 0, 05; b) 0, 05;
2.23) a) 0,50; b) 0,05.
11
2.24) 12 = 0, 9166667.
9
2.25) 40 .
x z+1 y z
2.26) ( x+y )( z+v+1 ) + ( x+y )( z+v+1 ).
2
2.27) 3 .
2.28) 0, 00299.
2.29) a) 0,36; b) 0,41; c) 0,23.
2.30) 31 .
2.31) 0, 372093.
2.32) a) 0, 615; b) 0, 618; c) 0, 052.
2.33) a) 0, 99 × 0, 009 + 0, 005 × (1 − 0, 009) = 0, 013865; b) (1−0,005)(1−0,009)
1−0,013865 = 0, 9999087.
2.34) Não é possı́vel, pois P (A ∪ B ∪ C) = P (A) + P (B) + P (C) = 0, 3 + 0, 4 + 0, 5 = 1, 2 > 1.
2.35) −.
2.36) −.
2.37) a) 41 ; b) 34 .
2.38) 0, 2.
49 50

2.39) 1 − 50 .
2.40) −.
2.41) a) 61 ; b) 13 ; c) 12 ; d) O resultado não surpreende, pois os eventos descritos nos itens
anteriores formam uma partição do espaço amostral. Assim, a soma de suas probabilidades deve
ser 1.

33 14 48
2.42) a) 95 ; b) 95 ; c) 95 .

Variáveis aleatórias
3.1 Introdução
Informalmente, uma variável aleatória (v.a.) é uma caracterı́stica numérica do resultado
de um experimento. Matematicamente, uma variável aleatória é uma função com domı́nio Ω e
contradomı́nio R. Porém, nem toda função deste tipo é uma variável aleatória. Para saber sobre
as condições que uma função deve satisfazer para ser uma variável aleatória, consulte James
(1981).
𝛀 ℝ
o
et
_n
𝑿
im
qu
oa
r/j
.b
fjf
.u
w
w
w
Exemplo 3.1. Em um experimento que consiste em lançar uma moeda n vezes, o número de
caras observado é uma caracterı́stica numérica do experimento.
Exemplo 3.2. Suponhamos agora um experimento que consiste em escolher um número ao

acaso em [0, 1]. Podemos definir uma v.a. X que associa o resultado do experimento ao seu
quadrado. Assim,
Ω = [0, 1]
e
X(ω) = ω 2 , ∀ω ∈ Ω.
Exemplo 3.3. Suponhamos um experimento que consiste em escolher um ponto ao acaso no

cı́rculo de raio unitário. Podemos definir uma v.a. X que associa o resultado do experimento à
distância entre o ponto escolhido e a origem. Assim,
Ω = {(x, y) : x2 + y 2 ≤ 1}
e, com ω = (x, y), p

X(ω) = x2 + y 2 .
Notação: Seja x ∈ R e A ⊂ R. Consideremos os seguintes conjuntos:
[X ≤ x] = {ω ∈ Ω : X(ω) ≤ x}
[X = x] = {ω ∈ Ω : X(ω) = x}
[X < x] = {ω ∈ Ω : X(ω) < x}

[X ≥ x] = {ω ∈ Ω : X(ω) ≥ x}
[X > x] = {ω ∈ Ω : X(ω) > x}
[X ∈ A] = {ω ∈ Ω : X(ω) ∈ A}
3.2 Variável aleatória discreta e função de probabilidade

Definição 3.1. Uma variável aleatória X é discreta se toma um número finito ou enumerável
de valores, ou seja, se existe um conjunto finito ou enumerável {x1 , x2 , ...} ⊂ R tal que P ([X ∈
{x1 , x2 , ...}]) = 1.
Se X for uma v.a. discreta, a função
p(x) = P ([X = x])
é chamada de função de probabilidade.
o
et
●
0.20
_n
●
m
p(x)
ui
aq
●
0.10
●
o
r/j
.b
●
●
w 0.00
fjf
●
● ● ●
.u
0 2 4 6 8 10
w
x
w
Exemplo 3.4. Suponhamos um experimento que consiste em arremessar um dado honesto. Seja
X a v.a. associada ao quadrado do número observado na face voltada para cima após o dado
parar. Faça o gráfico da função de probabilidade de X.
Solução: Primeiro, vamos construir uma tabela. Em seguida, podemos usar os dados da
tabela para construir o gráfico.
Resultado x p(x)
1 1 1/6
2 4 1/6
3 9 1/6
4 16 1/6
5 25 1/6
6 36 1/6
0.20
o
et
_n
● ● ● ● ● ●
m
ui
0.10
p(x)
o aq
r/j
.b
fjf
0.00
.u
w
0 5 10 20 30
w
w

Obs: Se X é uma v.a. discreta e A ⊂ R então
P (X ∈ A) = P ([X ∈ A] ∩ [X ∈ {x1 , x2 , ...}])

= P (X ∈ (A ∩ {x1 , x2 , ...}))
 
[
=P [X = xi ]
i:xi ∈A
X
= P ([X = xi ]).
i:xi ∈A
Resultado 3.1. Uma função p(x) é função de probabilidade de alguma variável aleatória discreta
se, e somente se, existir um conjunto finito ou enumerável {x1 , x2 , ...} ⊂ R tal que
p(x) > 0 para x ∈ {x1 , x2 , ...},
p(x) = 0 caso contrário e

P
p(xi ) = 1.
i
Exemplo 3.5. Considere a função de probabilidade
kx2 , para x = 1, 2, 3

p (x) = .
0, caso contrário
Calcule o valor de k.
Solução: Temos que
n
X 1
p (xi ) = 1 ⇒ k12 + k22 + k32 = 1 ⇒ k = .
14
i=1
3.3 Variável aleatória contı́nua e densidade

Definição 3.2. Uma variável aleatória X é contı́nua se existe uma função integrável f (x) ≥ 0
∀x ∈ R, tal que Z
P (X ∈ A) = f (x) dx, para A ⊂ R.
A
Se X for contı́nua, f (x) é chamada de função densidade de probabilidade, ou simples-

mente densidade.
Rb
Obs: Se A é um intervalo, A = (a, b), temos P (X ∈ (a, b)) = f (x) dx
a
o
et
_n
ࡼ ࢇ൏ࢄ൏࢈
m
ui
aq
/jo
ࢌ ࢞
r
.b
fjf
.u
w
ࢇ ࢈
w
w

Resultado 3.2. Se X é uma v.a. contı́nua então P (X = x) = 0, ∀x ∈ R.
Resultado 3.3. Se X é uma v.a. contı́nua então, ∀a, b ∈ R,
P (X ≤ a) = P (X < a),
P (X ≥ a) = P (X > a), e
P (a < X < b) = P (a ≤ X ≤ b)
= P (a < X ≤ b)
= P (a ≤ X < b).
Prova: Veremos apenas a prova da primeira equação, pois as demais possuem provas análogas.
P (X ≤ a) = P ([X < a] ∪ [X = a]) = (pelo axioma 3) =
= P (X < a) + P (X = a)
= P (X < a) + 0
= P (X < a).
3.4 Função de distribuição acumulada

Definição 3.3. A função de distribuição acumulada (f.d.a.) de uma variável aleatória
X, representada por F , é definida por
F (x) = P ([X ≤ x]), x ∈ R.
Obs: A função de distribuição acumulada também é chamada de simplesmente de acumulada

ou função de distribuição.
Exemplo 3.6. Suponhamos um experimento que consiste em arremessar um dado honesto. Seja
X a v.a. associada ao número observado na face voltada para cima após o dado parar. Sejam
p(x) e F (x) a função de probabilidade e a acumulada de X, respectivamente.
a) Calcule p(2).
b) Calcule p(3, 5).
c) Calcule F (2).
d) Calcule F (3, 7).
e) Calcule F (500).
f ) Calcule F (−9).
Solução: Temos que a) p(2) = P ([X = 2]) = 1/6.
b) p(3, 5) = P ([X = 3, 5]) = 0.
c) F (2) = P ([X ≤ 2])
= P ([X = 1]) + P ([X = 2])
= 1/6 + 1/6 = 2/6.
d) F (3, 7) = P ([X ≤ 3, 7])
= P ([X = 1]) + P ([X = 2]) + P ([X = 3])
= 1/6 + 1/6 + 1/6 = 3/6.
e) F (500) = P ([X ≤ 500])
= P ([X = 1]) + P ([X = 2]) + P ([X = 3]
+ P ([X = 4] + P ([X = 5] + P ([X = 6])
= 1.

f ) F (−9) = P ([X ≤ −9])
= P (∅) = 0.
Exemplo 3.7. Suponhamos um experimento que consiste em jogar dois dados. Suponhamos
ainda que os resultados são equiprováveis, ou seja, que cada resultado possı́vel tem a mesma
probabilidade. Seja X uma variável aleatória que associa cada resultado à soma dos números
obtidos em cada dado.
a) Faça o gráfico da função de probabilidade p de X.
b) Faça o gráfico da acumulada F de X.
Solução: Veja abaixo uma tabela com os valores de x, p(x) e F (x).
x p(x) p(x) (decimal) F (x) F (x) (decimal)

2 1/36 0,028 1/36 0,028
3 2/36 0,056 3/36 0,083
4 3/36 0,083 6/36 0,167
5 4/36 0,111 10/36 0,278
6 5/36 0,139 15/36 0,417
7 6/36 0,167 21/36 0,583
8 5/36 0,139 26/36 0,722
9 4/36 0,111 30/36 0,833
10 3/36 0,083 33/36 0,917
11 2/36 0,056 35/36 0,972
12 1/36 0,028 1 1
A partir da tabela, podemos construir os gráficos.
0.04 0.08 0.12 0.16
●
to
●
●
w
e
●
0.8
● ●
_n
●
.u
●
m
● ●
jf.
F(x)
●
i
p(x)
qu
br
0.4
●
oa
● ●
/j oa
●
r/j
●
● ●
qu
.b
●
0.0
●
fjf
im
● ●
.u
_n
w
2 4 6 8 10 12 2 4 6 8 10 12
w
e to
w
x x
Função de probabilidade Acumulada
Exemplo 3.8. Suponhamos um experimento que consiste em escolher um número ao acaso

em Ω = [−1, 1]. Sejam X uma v.a. que associa o número escolhido ao seu quadrado e F a
acumulada de X.
a) Calcule F (0, 25).
b) Determine F .
c) Construa o gráfico de F .
Solução:
a)
F (0, 25) = P ([X ≤ 0, 25]) = P ({ω ∈ Ω : X (ω) ≤ 0, 25})
= P ω ∈ Ω : ω 2 ≤ 0, 25 = P ({ω ∈ Ω : −0, 5 ≤ ω ≤ 0, 5})

= (pela definição geométrica de probabilidade) =

0, 5 − (−0, 5)
= = 0, 5.
1 − (−1)

b) Para x < 0, temos que
F (x) = P ([X ≤ x]) = P ({ω ∈ Ω : X (ω) ≤ x})

= P ω ∈ Ω : ω 2 ≤ x = (como x < 0) = P (∅) = 0.

Para 0 ≤ x ≤ 1,
a) F (x) = P ([X ≤ x]) = P ({ω ∈ Ω : X (ω) ≤ x})

√ √
= P ω ∈ Ω : ω2 ≤ x = P ω ∈ Ω : − x ≤ ω ≤ x

= (pela definição geométrica de probabilidade) =

√ √
x − (− x) √
= = x.
1 − (−1)
Finalmente, se x > 1,
F (x) = P ([X ≤ x]) = P ({ω ∈ Ω : X (ω) ≤ x})

= P ω ∈ Ω : ω2 ≤ x

= (como x > 1) = P (Ω) = 1.
Logo, 
 0,
√
se x < 0
F (x) = x, se 0 ≤ x ≤ 1 .
1 se x > 1

c)
o
et
0.8
_n
m
F(x)
i
qu
0.4
oa
r/j
.b
0.0
fjf
.u
w
−0.2 0.2 0.6 1.0

w
w
Resultado 3.4. Se X é uma v.a. contı́nua então sua acumulada é

Zx
F (x) = f (t) dt, ∀x ∈ R.
−∞
o
et
_n
ࡼ ࢄ൑࢞
m
q ui
ࢌ ࢚
oa
r/j
.b
fjf
.u
w
࢞
w
w

Resultado 3.5. Se X é uma v.a. contı́nua, então
P (a ≤ X ≤ b) = P (a < X < b) = F (b) − F (a), ∀a, b ∈ R.
Prova:
P (a ≤ X ≤ b) = P (a < X ≤ b) = P ([X ≤ b] ∩ [X ≤ a]c )
= P (X ≤ b) − P (X ≤ a)
= F (b) − F (a).
Exemplo 3.9. Seja X uma variável aleatória com densidade
6(x − x2 ), se 0 ≤ x ≤ 1

f (x) = .
0, caso contrário
a) Determine a acumulada F de X.
b) Calcule P (0, 2 < x < 0, 7).
Solução:
a)
Para x ≤ 0,
Zx Zx
F (x) = f (t) dt = 0dt = 0.
−∞ −∞
Para 0 < x < 1,

Zx Zx Zx
2
t − t2 dt

F (x) = f (t) dt = 6 t−t dt = 6
−∞ 0 0
x
t2 3 x2 x3

t
=6 − =6 − = 3x2 − 2x3 .
2 3 0 2 3
Para x ≥ 1,
Z0 Z1 Zx Z1
6 t − t2 dt = 1.

F (x) = f (t) dt + f (t) dt + f (t) dt =
−∞ 0 1 0
b) Usando a acumulada encontrada no item anterior, temos
P (0, 2 < x < 0, 7) = F (0, 7) − F (0, 2)

= 3 × 0, 72 − 2 × 0, 73 − 3 × 0, 22 − 2 × 0, 23

= 0, 68
Resultado 3.6. Uma função f (x) é densidade de alguma variável aleatória contı́nua se, e
somente se,
f (x) ≥ 0, ∀x ∈ R e
R∞
f (x) dx = 1.
−∞

to
e
_n
ஶ
න ࢌ ࢞ ࢊ࢞ ൌ ૚
m
i
ିஶ
qu
oa
ࢌ ࢞
r/j
.b
fjf
.u
w
w
w
Resultado 3.7. Uma função F é uma acumulada se, e somente se, as condições abaixo forem
satisfeitas:
x ≤ y implicar F (x) ≤ F (y), ou seja, F for uma função não decrescente.
lim F (x) = F (a), ou seja, F for contı́nua a direita.

x→a+
lim F (x) = 0.
x→−∞
lim F (x) = 1.
x→∞
Prova: Ver James (1981).
Resultado 3.8. Para os pontos x onde F (x) é derivável, temos que f (x) = F 0 (x).
Prova: Teorema Fundamental do Cálculo
Obs: Este resultado estabelece que a densidade de uma v.a. contı́nua pode ser obtida deri-
vando a acumulada.
Exemplo 3.10. Sejam k ∈ R e X uma v.a. com acumulada

−x
k
F (x) = 2 (1 − e ) , se x > 0 .
0, se x ≤ 0
a) Calcule o valor de k.
b) Determine a densidade f de X.
Solução:
a) Lembre-se que o limite da acumulada quando x tende a infinito é igual a 1. Assim,
lim F (x) = 1
x→∞
⇒ lim k2 (1 − e−x ) = 1

x→∞
⇒ k2 lim (1 − e−x ) = 1
x→∞
⇒ k2 =1
⇒ k = 2.
b) Como a densidade é dada pela derivada da acumulada, temos que
Se x ≤ 0,
f (x) = F 0 (x) = (0)0 = 0.

Se x > 0,
0
f (x) = F 0 (x) = 1 − e−x = e−x .
Logo
0, se x ≤ 0
f (x) = .
e−x , se x > 0
3.5 Variável aleatória mista

Vamos estudar as variáveis aleatórias mistas através de um exemplo:
Exemplo 3.11. A acumulada de uma variável aleatória X é dada por:


 0, se x < 0
 x2 , se 0 ≤ x < 1



2
F (x) = 3 , se 1 ≤ x < 2 .
11
, se 2 ≤ x < 3


 12


1, se x ≥ 3
a) Faça o gráfico de F (x).

b) Calcule P (X = 2).
c) Calcule P (X < 2).
d) Calcule P (X = 1).
e) Calcule P (X > 12 ).
f ) Calcule P (1 < X < 3).
Solução:
a)
o
et
_n
im
qu
oa
r/j
.b
fjf
.u
w
w
w
b) P (X = 2) = 11 2 3 1
12 − 3 = 12 = 4 = 0, 25.
11 3 8 2
c) P (X < 2) = P (X ≤ 2) − P (X = 2) = 12 − 12 = 12 = 3 = 0, 66666.
d) P (X = 1) = 32 − 12 = 67 = 0, 16666.
e) P (X > 12 ) = 1 − P (X ≤ 12 ) = 1 − 41 = 3
4 = 0, 75.
f)
P (1 < X < 3) = P (X < 3) − P (X ≤ 1)
= P (X ≤ 3) − P (X = 3) − P (X ≤ 1)
11 2
= 1 − (1 − ) −
12 3
= 0, 25.

3.6 Função de uma variável aleatória
Se X é uma variável aleatória, então qualquer função de X, digamos g(X), é também uma
variável aleatória. Assim, podemos considerar uma variável Y = g(X), onde g é uma função
com domı́nio e contradomı́nio R.
Para cada subconjunto A de R, consideremos um novo conjunto, denotado por g −1 (A), e
definido por
g −1 (A) = {x ∈ R : g(x) ∈ A}.
𝒀 = 𝒈(𝑿)
o
et
_n
𝛀 ℝ ℝ
m
ui
𝛀 𝒈−𝟏 (𝑨) 𝑨
aq
𝑿 𝒈
r/jo
.b
fjf
.u
w
w
𝑷(𝑿 ∈ 𝒈−𝟏 (𝑨)) = 𝑷(𝒀 ∈ 𝑨)

w
A partir da distribuição de probabilidades da variável X, podemos calcular chances para a

variável Y . Este cálculo pode ser feito com a equação
P (Y ∈ A) = P (g(X) ∈ A)
= P (X ∈ g −1 (A)).
Exemplo 3.12. Seja X uma v.a. com função de probabilidade
x2
pX (x) = 15 , para x = −1, 1, 2, 3
0, caso contrário
Determine a função de probabilidade pY de Y = X 2 .
Solução: A tabela abaixo exibe uma relação entre valores e chances.
x y pX (x)
-1 1 1/15
1 1 1/15
2 4 4/15
3 9 9/15
Resumindo as informações da tabela acima, podemos construir uma tabela que com a distri-
buição de chances de Y , a saber:
y py (y)
1 2/15
4 4/15
9 9/15
Exemplo 3.13. Seja X uma v.a. com densidade

2
fX (x) = 9 (x + 1) , se − 1 ≤ x ≤ 2 .
0, caso contrário
a) Determine a acumulada FY de Y = X 2 .
b) Determine a densidade fY de Y = X 2 .
Solução:
a) Primeiro, observe o gráfico da densidade e o gráfico da função g(x) = x2 .

to
w
w
e
_n
w
.u
im
fjf
qu
br .
oa
/jo
r/j
aq
.b
ui
fjf
m
.u
_n
w
w
et
w
o
Sejam FX (x) e FY (y) as funções de distribuição acumulada de X e Y , respectivamente.
Vamos encontrar FY (y).
Para y ≤ 0, temos
FY (y) = P (Y ≤ y) = P (X 2 ≤ y) = P (∅) = 0.
Para 0 < y ≤ 1, temos
FY (y) = P (Y ≤ y) = P (X ∈ g −1 ([Y ≤ y]))

√ √
= P (− y ≤ X ≤ y)
√
Zy √ !
y
t2

2 2
= (t + 1) dt = +t
√
9 9 2 √
− y
− y
2 y √ y √
= + y− + y
9√ 2 2
4 y
=
9
Para 1 < y ≤ 4, temos
FY (y) = P (Y ≤ y) = P X ∈ g −1 ([Y ≤ y])

√
= P (−1 < X ≤ y)
√
Zy 2 √y !
2 2 t
= (t + 1) dt = +t
9 9 2 −1
−1

2 y √ 1
= + y− +1
9 2 2
√
y+2 y+1
= .
9
Por fim, se y > 4,
FY (y) = P (Y ≤ y) = P X ∈ g −1 ([Y ≤ y])

= P (−1 < X ≤ 2) = 1.
Resumindo, temos

0, se y ≤ 0
 4√y



9 √, se 0 < y ≤ 1
FY (y) = y+2 y+1 .


 9 , se 1 < y ≤ 4
1, se y > 4


b) Agora, para encontrar a densidade de Y , basta derivar a acumulada obtida no item ante-
rior, ou seja, 

 0, se y ≤ 0
 2y−0,5

fY (y) = 9 , se 0 < y ≤ 1 .
1+y −0,5


 9 , se 1 < y ≤ 4
0, se y > 4

Definição 3.4 (Suporte). Sejam X uma v.a. e Y = g(X) uma tranformação de X. Conside-
remos os conjuntos
X = {x : fX (x) > 0} e
Y = {y : y = g(x) para algum x ∈ X }.
O conjunto X é chamado de suporte de X.
Resultado 3.9. Sejam X uma v.a. e Y = g(X) uma tranformação de X.
Se g for uma função crescente em X ,
FX g −1 (y) , se y ∈ Y

FY (y) = .
0, caso contrário
Se g for uma função decrescente em X e X for contı́nua,
1 − FX g −1 (y) , se y ∈ Y

FY (y) = .
0, caso contrário
Exemplo 3.14 (Relação da exponencial com a uniforme). Para exemplificar, vamos es-
tabelecer uma relação entre duas distribuições que serão chamadas mais adiante de distribuição
uniforme e distribuição exponencial. Seja X uma v.a. com densidade

1, se 0 < x < 1
fX (x) = .
0, caso contrário
Determine a densidade fY de Y = g(X) = −ln(X).

Solução: Consideremos os conjuntos X = (0, 1) e Y = (0, ∞). Primeiro, observe que g
é decrescente em X (derive a função g para uma verificação formal deste fato). Além disso,
g −1 (y) = e−y e a acumulada de X é

 0, se x ≤ 0
FX (x) = x, se 0 < x < 1 .
1, se x ≥ 1

Pelo resultado 3.9, a acumulada de Y é dada por
1 − FX g −1 (y) , se y ∈ Y 1 − e−y , se y ∈ (0, ∞)

FY (y) = = .
0, caso contrário 0, caso contrário
Derivando, temos
e−y , se y ∈ (0, ∞)

fY (y) = .
0, caso contrário

Resultado 3.10 (Densidade de uma transformação). Sejam X uma v.a. e Y = g(X) uma
tranformação de X, onde g é uma função estritamente crescente ou estritamente decrescente.
Suponhamos ainda que fX (x) é contı́nua1 em X e que g −1 (y) é derivável em Y. A densidade
de Y é dada por (
fX g −1 (y) dy
d −1
g (y) , se y ∈ Y
fY (y) = . (3.1)
0, caso contrário
Prova: Usando o resultado anterior e a regra da cadeia,
(
fX g −1 (y) dy
d −1
d g (y) , se g for crescente
fY (y) = FY (y) = −1
d −1 ,
dy −fX g (y) dy g (y) , se g for decrescente
que pode ser expressa de forma concisa como (3.1).

x
fX (x) = 2 , se 0 < x < 2 .
0, caso contrário
Determine a densidade fY de Y = X 2 .
Solução: Consideremos os conjuntos X = (0, 2) e Y = (0, 4). Temos que Y = g(X), onde
g(x) = x2 e, como g é uma função estritamente crescente em X , temos que
(
fX g −1 (y) dy
d −1
g (y) , se y ∈ Y
fY (y) =
0, caso contrário
( 1 1
fX y 2 12 y − 2 , se 0 < y < 4
=
0, caso contrário
1
= 4 , se 0 < y < 4 .
0, caso contrário
3.7 Quantil e mediana

Definição 3.5. Seja r um número real tal que 0 < r < 1. O quantil q(r) de uma v.a. contı́nua
X é um número real tal que
P (X ≤ q(r)) = r.
o
et
_n
im
qu
oa
r/j
.b
fjf
.u
w
w
w
Obs:
1
A continuidade de f (x) garante a diferenciabilidade de FX (x)

Se a variável é contı́nua, podemos obter q(r) a partir da densidade com a equação
q(r)
Z
f (x) dx = r.
−∞
Se a variável é contı́nua, podemos obter q(r) a partir da acumulada com a equação

q(r) = F −1 (r).
Definição 3.6. A mediana de uma v.a. contı́nua X é dada por q(0, 5).
Obs: Alguns quantis recebem nomes especiais. Por exemplo:
q 34 é o terceiro quartil.

q 10 4

é o quarto decil.
q 10020

é o vigésimo percentil.
Deste modo, podemos dizer, por exemplo, que o 2º quartil, o 5º decil, o 50º percentil e a
mediana são diferentes denominações de q(0, 5).

3x2 , se 0 < x < 1

f (x) = .
0, caso contrário
Calcule a mediana de X.
Solução: Primeiro, observe que 0 < q(0.5) < 1. Assim,
q(0,5)
R
f (x) dx = 0, 5 ⇒
−∞
q(0,5)
3x2 dx = 0, 5 ⇒
R
⇒
0
⇒ q(0, 5)3 = 0, 5 ⇒
√
⇒ q(0, 5) = 3 0, 5.
3.8 Valor esperado

Definição 3.7. Se X é uma v.a. discreta que assume valores no conjunto {x1 , x2 , ..., xn },
o valor esperado de X é
n
X
E (X) = xi p (xi ) = x1 p (x1 ) + x2 p (x2 ) + ... + xn p (xn ) .
i=1
Seja X uma v.a. contı́nua, o valor esperado de X é

Z∞
E (X) = x · f (x) dx,
−∞
quando a integral está bem definida.

o
et
_n
m
ui
aq
ࢌ ࢞
/jo
br
jf.
f
.u
ࡱ ࢄ
w
w
w
Obs: O valor esperado também é chamado de esperança ou expectativa.
Exemplo 3.17. Uma empresa comercializa um produto que possui um determinado prazo de
validade. Para cada unidade vendida do produto, a empresa recebe R$8,00 reais e tem um custo
de R$2,00. Sabendo que a probabilidade de um produto ser vendido antes de vencer seu prazo
de validade é de 90%, quanto a empresa espera lucrar em uma unidade do produto?
Solução: Seja X o lucro da empresa em uma unidade do produto. Se o produto for vendido,
temos que X assume o valor R$8,00-R$2,00=R$6,00. Caso contrário, X assume o valor -
R$2,00. Assim,
E(X) = R$6, 00 × 0, 9 + (−R$2, 00) × 0, 1 = R$5, 20.
Logo, o lucro esperado em uma unidade do produto é de R$5,20 reais.
Exemplo 3.18. Sejam k ∈ R e X uma v.a. com densidade
x−1

f (x) = k , se 1 < x < 3
.
0, caso contrário
a) Calcule o valor de k.
b) Calcule o valor esperado de X.
Solução:
a)
R∞
f (x) dx = 1 ⇒
−∞
R3 x−1
⇒ k dx =1⇒
1

3
1 x2
⇒ k 2 −x =1⇒
1
⇒ k = 2.
b)
Z∞ Z3
x−1
E (X) = xf (x) dx = x dx
2
−∞ 1
3
!
3 2

1 x x 1 27 9 1 1
= − = − − +
2 3 2 1 2 3 2 3 2
14
= .
6

3.9 Valor esperado da função de uma v.a.
Resultado 3.11. Sejam X e Y = g(X) duas variáveis aleatórias.
Se X é discreta e assume valores em um conjunto {x1 , x2 , ...}, então

X
E (Y ) = g (xi ) pX (xi ).
i
Se X é contı́nua, então
Z∞
E (Y ) = g (x) fX (x) dx.
−∞
3.10 Propriedades do valor esperado

Resultado 3.12. Se a, b ∈ R e X é uma v.a., temos que
a) E(a) = a,
b) E(aX + b) = aE(X) + b e
Prova:
a) E(a) = a × 1 = a.
b) Vamos provar o resultado assumindo que X é discreta. A prova para X contı́nua é análoga
(basta trocar os somatórios por integrais).
n
X n
X
E (aX + b) = (axi + b) P ([(aX + b) = (axi + b)]) = (axi + b) P ([X = xi ])
i=1 i=1
Xn n
X
=a xi p (xi ) + b p (xi ) = aE (X) + b.
i=1
|i=1 {z }
1
Obs: Como consequência imediata do resultado acima, temos que
E(aX) = aE(X), ∀a ∈ R e
E(X − E(X)) = 0.
3.11 Momento
Definição 3.8. O k-ésimo momento da variável aleatória X, é definido por
E(X k ).
Seja a ∈ R. O k-ésimo momento em torno de a da variável aleatória X, é definido

por
E((X − a)k ).
O k-ésimo momento central da variável aleatória X, é definido por
E((X − E(X))k ).

3.12 Variância
Definição 3.9. A variância de uma variável aleatória X é
V ar(X) = E((X − E(X))2 ).
Obs:
Se X é discreta, X
V ar (X) = (xi − E (X))2 p (xi ).
i
Se X é contı́nua,
Z∞
V ar (X) = (x − E (X))2 f (x) dx.
−∞
Exemplo 3.19. Uma empresa comercializa um produto que possui um determinado prazo de
validade. Para cada unidade vendida do produto, a empresa recebe R$9,00 reais e tem um custo
de R$2,00. Nestas condições a probabilidade de um produto ser vendido antes de vencer seu
prazo de validade é de 80%.
a) Quanto a empresa espera lucrar em uma unidade do produto?
b) Qual é a variabilidade do lucro da empresa em uma unidade do produto?
c) Faça uma comparação entre esta empresa e a empresa apresentada no exercı́cio 3.17
(compare a expectativa de lucro por unidade do produto e a variabilidade do lucro/prejuı́zo por
unidade).
Solução:
a) Seja X o lucro da empresa em uma unidade do produto. Se o produto for vendido, temos
que X assume o valor R$9,00-R$2,00=R$7,00. Caso contrário, X assume o valor −R$2, 00.
Assim,
E(X) = R$7, 00 × 0, 8 + (−R$2, 00) × 0, 2 = R$5, 20.
Logo, o lucro esperado em um carro segurado é de R$5,20 reais.
b) A variabilidade do lucro da empresa em uma unidade do produto é dada por
n
X
V ar (X) = (xi − E (X))2 p (xi )
i=1
= (−2 − 5, 20)2 0, 2 + (7 − 5, 20)2 0, 8
= 12, 96.
c) Note que o valor esperado da unidade do produto nesta empresa é igual ao da empresa
apresentada no exemplo 3.17 (R$5, 20). Por outro lado, a variabilidade do lucro em uma unidade
do produto desta empresa é maior (aplicando os passos do item (b) no exemplo 3.17, temos
V ar(X) = 5, 76). Assim, podemos concluir que ambas as empresas possuem a mesma expectativa
de lucro por carro. Porém, a empresa deste exercı́cio possui uma variabilidade de lucro maior,
ou seja, está sujeita a perdas maiores mas, por outro lado, possui a possibilidade de lucrar mais
(mais agressiva).
Resultado 3.13 (Propriedades da variância). Sejam a, b ∈ R e X uma variável aleatória.

As seguintes propriedades são válidas:
a) V ar(a) = 0,
b) V ar(aX + b) = a2 V ar(X).

Prova:
a)
V ar(a) = (a − E(a))2 × 1 = (a − a)2 = 0.
b) Sem perda de generalidade, suponhamos que X é uma v.a. discreta. Assim,
n
X
V ar (aX) = (axi − E (aX))2 p (xi ) =
i=1
n
X
= (axi − aE (X))2 p (xi )
i=1
n
X
=a 2
(xi − E (X))2 p (xi )
i=1
2
= a V ar (X)
Resultado 3.14.
V ar(X) = E(X 2 ) − (E(X))2 .
Prova:
Sem perda de generalidade, suponhamos que X é uma v.a. discreta. Assim,
n
X
V ar (X) = (xi − E (X))2 p (xi )
i=1
n
X
= x2i − 2xi E (X) + (E (X))2 p (xi )
i=1
n
X n
X n
X
= x2i p (xi ) −2E (X) xi p (xi ) + (E (X))2 p (xi )
|i=1 {z } |i=1 {z } |i=1 {z }
E(X 2 ) E(X) 1
= E X 2 − 2 (E (X))2 + (E (X))2

= E X 2 − (E (X))2 .


3.13
3.13.1
Descritor Descrição Palavra chave
Joaquim Neto
3.1 Determinar evento definido por uma variável aleatória discreta. Discreta
Determinar uma função de probabilidade, sem usar uma Função de probabilidade
3.2
acumulada. (sem acumulada)
Calcular o valor de uma função de probabilidade em um conjunto
Função de probabilidade
Descritores
Exercı́cios
3.3 de pontos ou realizar cálculos de probabilidade a partir destes

(sem acumulada)
valores, sem usar uma acumulada.
Função de probabilidade
3.4 Mostrar que uma função é uma função de probabilidade.
(propriedades)
Calcular a constante de proporcionalidade de uma função de Constante de proporcionalidade
3.5
probabilidade. (discreta)
Determinar uma função de probabilidade (ou calcular o valor da Função de probabilidade e
3.6
função em um conjunto de pontos) a partir de uma acumulada. acumulada
Determinar a acumulada de uma variável aleatória discreta ou
3.7 Acumulada (discreta)
calcular o valor da função em um conjunto de pontos.
3.8 Calcular probabilidades a partir de uma densidade. Densidade
Mostrar que uma função é (ou não) uma densidade. Determinar
3.9 Densidade (propriedades)
condições para que uma função seja (ou não) uma densidade.
Constante de proporcionalidade
3.10 Calcular a constante de proporcionalidade de uma densidade.
(contínua)
3.11 Determinar a densidade a partir de uma acumulada. Densidade e acumulada
3.12 Determinar a acumulada a partir de uma densidade. Densidade e acumulada
3.13 Calcular probabilidades a partir de uma acumulada. Acumulada (contínua)
Calcular a constante de proporcionalidade de uma acumulada Constante de proporcionalidade
3.14
contínua. (acumulada contínua)
Calcular quantis (quartil, decil, percentil, mediana) de uma variável
3.15 Quantis (contínua)
aleatória contínua.
Tabela 3.1: Descritores dos exercı́cios de variáveis aleatórias (parte 1) (matriz de referência).
página 67 de 110
Joaquim Neto
3.16 Calcular o valor esperado de uma variável aleatória discreta. Valor esperado (discreta)
3.17 Calcular o valor esperado de uma variável aleatória contínua. Valor esperado (contínua)
3.18 Calcular a variância de uma variável aleatória discreta. Variância (discreta)
3.19 Calcular a variância de uma variável aleatória contínua. Variância (contínua)
Função de variável aleatória
3.20 Determinar acumulada da função de uma variável aleatória.
(acumulada)
Função de variável aleatória
3.21 Determinar densidade da função de uma variável aleatória.
(densidade)
Determinar a função de probabilidade da função de uma variável Função de variável aleatória
3.22
aleatória. (função de probabilidade)
Calcular o valor esperado de uma função não linear de uma variável Função de variável aleatória
3.23
aleatória. (não linear) (valor esperado)
Calcular o valor esperado de uma função linear de uma variável Função de variável aleatória
3.24
aleatória. (linear) (valor esperado)
Tabela 3.2: Descritores dos exercı́cios de variáveis aleatórias (continuação).
página 68 de 110
3.13.2 Enunciados
Exercı́cio 3.1. (D3.3) Seja X uma variável aleatória com função de probabilidade
1 x
2 , para x = 1, 2, ...
p (x) = .
0, caso contrário
a) (D3.3) Calcule P (X ser par).
b) (D3.3) Calcule P (X ≥ 5).
c) (D3.3) Calcule P (X ser divisı́vel por 3).
Exercı́cio 3.2. (D3.4) Considere a função

k
p (x) = x , x = 1, 2, . . . ,
0, caso contrário
Mostre que p não é uma função de probabilidade para todo k ∈ R.

Exercı́cio 3.3. (D3.4, D3.3 e D2.6) Seja 0 < a < 1. Considere a função
(1 − a) ax , se x = 0, 1, 2, ...

p (x) = .
0, caso contrário
a) (D3.4) Mostre que p é uma função de probabilidade.
b) (D3.3 e D2.6) Seja X uma variável aleatória com função de probabilidade p. Mostre que,
para quaisquer dois inteiros positivos s e t,
P (X > s + t | X > s) = P (X ≥ t) .
Exercı́cio 3.4. (D3.5) Seja X uma variável aleatória com função de probabilidade
k (1 − β)x−1 , para x = 1, 2, 3, ...

p (x) = .
0, caso contrário
Determine a constante k em função de β.

Exercı́cio 3.5. (D3.7 e D3.3) Suponha um experimento com espaço amostral Ω = {ω1 , ω2 , ..., ω5 }.
Observe a tabela abaixo.
i 1 2 3 4 5
ωi 0 1 2 3 4
P ({ωi }) 0,1 0,2 0,3 0,3 0,1
Seja X uma variável aleatória definida por

2ωi , ωi ≥ 2
X (ωi ) = .
6ωi − 8, ωi < 2
a) Determine a acumulada de X.
b) Calcule P (X < 0).
Exercı́cio 3.6. (D3.7, D3.3 e D3.2) Numa fábrica existem três máquinas iguais de uma mesma
marca, que trabalham independentemente. A probabilidade de cada máquina falhar num dado
perı́odo de tempo é 0,1. Seja X uma variável aleatória associada ao número de máquinas que
continuam funcionando ao fim deste perı́odo.

a) (D3.2) Determine a função de probabilidade de X.
b) (D3.7) Determine a acumulada de X.
c) (D3.3) Calcule P (2 ≤ X ≤ 3).
Exercı́cio 3.7. (D3.7, D3.4, D3.3 e D2.6) Considere a função:
x2

p (x) = 14 , para x = 1, 2, 3
.
0, caso contrário
a) (D3.4) Mostre que p é uma função de probabilidade.
b) (D3.7) Seja X uma variável aleatória com função de probabilidade p. Determine a acumulada
de X.
c) (D3.3 e D2.6) Seja X uma variável aleatória com função de probabilidade p. Calcule P (X = 1 | X ≤ 2).
Exercı́cio 3.8. (D3.8) Seja X uma variável aleatória contı́nua associada à duração da vida de
uma válvula eletrônica, com densidade
−bx
be , para x ≥ 0
f (x) = .
0, caso contrário
Mostre que P (a ≤ X < a + 1) = 1 − e−b e−ba , para a ∈ R+ .

Exercı́cio 3.9. (D3.8) Seja X uma variável aleatória com densidade
xe−x , para x ≥ 0

f (x) = .
0, caso contrário
Calcule P (X > 2).
Exercı́cio 3.10. (D3.8 e D2.6) Seja X uma variável aleatória contı́nua com densidade
3x2 , para − 1 ≤ x ≤ 0

f (x) = .
0, caso contrário
b

Calcule P X > b X < 2 em função de b, para −1 < b < 0.
Exercı́cio 3.11. (D3.8 e D2.6) Seja X uma variável aleatória associada à duração da vida (em
horas) de certa válvula. Suponha que X tem densidade
100

x2
,
para x > 100
f (x) = .
0, caso contrário
Sabendo que uma válvula está funcionando há 150 horas, qual é a probabilidade de que uma
válvula dure menos de 200 horas?
Exercı́cio 3.12. (D3.9) Sejam f e g funções densidade.
a) (D3.9) Mostre que f + g não é uma densidade.
b) (D3.9) Mostre que βf (x) + (1 − β) g (x) é uma densidade para todo número β tal que 0 <
β < 1.

Exercı́cio 3.13. (D3.11) Seja X uma variável aleatória com acumulada

 0, para x < 0
x
F (x) = , para 0 ≤ x ≤ 5 .
 5
1, para x > 5
Determine a densidade de X.


 0, para x <√0
F (x) = 2
sen−1 ( x) , para 0 ≤ x ≤ 5 .
 π
1, para x > 1

3x
e , para − ∞ < x ≤ 0
F (x) = .
1, para x > 0


 0, para x ≤ 0
1 2
F (x) = x , para 0 < x ≤ 3 .
 9
1, para x > 3
Encontre a densidade de X.
Exercı́cio 3.17. (D3.12) Seja X uma variável aleatória associada à porcentagem de álcool em
certo composto. Suponha que X tem densidade
20x3 (1 − x) , para 0 < x < 1

f (x) = .
0, caso contrário
Determine a acumulada de X.
Exercı́cio 3.18. (D3.12 e D3.9) Considere a função

6x (1 − x) , para 0 ≤ x ≤ 1
f (x) = .
0, caso contrário
a) (D3.9) Mostre que f é uma densidade
b) (D3.12) Seja X uma variável aleatória com densidade f . Determine a acumulada de X.
Exercı́cio 3.19. (D3.12 e D3.10) Seja X uma variável aleatória associada à diferença da medida
das peças produzidas por uma máquina em relação ao padrão especificado pelo mercado. Suponha
que X tem densidade 
 1 + k + x, para − 1 ≤ x < 0
f (x) = 1 + k − x, para 0 ≤ x ≤ 1 .
0, caso contrário

a) (D3.10) Calcule o valor de k.


 0, para x < 0
F (x) = 1 − 34 e−x , para 0 ≤ x < 1 .
1, para x ≥ 1

Calcule P (0 ≤ X < 1).

1
f (x) = 8 x, para 0 ≤ x ≤ 4 .
0, caso contrário
a) (D3.15) Calcule o primeiro quartil de X.
b) (D3.15) Calcule a mediana de X.
Exercı́cio 3.22. (D3.15, D3.10 e D3.8) Seja X uma variável aleatória com densidade
kx2 , para − 1 ≤ x ≤ 1

f (x) = .
0, caso contrário
b) (D3.8) Calcule P |X| > 21 .

c) (D3.15) Determine α tal que F (α) = 14 , onde F é a acumulada de X. Em outras palavras,

calcule o primeiro quartil de X.
Exercı́cio 3.23. (D3.15, D3.12 e D3.10) Uma variável aleatória X tem densidade
k −x
f (x) = 2 e , se x ≥ 0 .
0, caso contrário
c) (D3.15) Calcule a mediana de X.
Exercı́cio 3.24. (D3.15, D3.12 e D3.10) Seja X uma variável aleatória contı́nua com densidade
kx2 , para 0 ≤ x ≤ 1

f (x) = .
0, caso contrário
c) (D3.15) Calcule o valor b tal que a probabilidade de X exceder b seja igual a 0,05.
Exercı́cio 3.25. (D3.17, D3.10 e D3.8) Seja X uma variável aleatória associada ao diâmetro
de um cabo elétrico. Assuma que X tem densidade
k(2x − x2 ), se 0 ≤ x ≤ 1

f (x) = .
0, caso contrário

b) (D3.17) Calcule E(X).
c) (D3.8) Calcule P (0 ≤ X ≤ 1/2).
Exercı́cio 3.26. (D3.17, D3.15, D3.12 e D3.8) Seja X uma variável aleatória associada à
concentração (em ppm) de monóxido de carbono (CO) na atmosfera, numa determinada zona
urbana, no perı́odo das 8h às 10h. Suponha que X tem densidade

0, para x ≤ 0
f (x) = .
3, 4e−3,4x , para x > 0
a) (D3.12) Determine a acumulada de X.
b) (D3.8) Qual é a probabilidade da concentração de CO exceder 2 ppm?
c) (D3.17) Determine o valor esperado da concentração de CO.
d) (D3.15) Determine a mediana da concentração de CO.
Exercı́cio 3.27. (D3.19, D3.17 e D3.8) Seja X uma variável aleatória com densidade
6(x − x2 ), se 0 ≤ x ≤ 1

f (x) = .
0, caso contrário
p
Calcule P (µ − 2σ < x < µ + 2σ), onde µ = E(X) e σ = V ar(X).
Exercı́cio 3.28. (D3.19, D3.17, D3.15, D3.14, D3.13, D3.11 e D2.6) Seja X uma variável
aleatória contı́nua com acumulada

 0, para x < 0
F (x) = ax + b, para 0 ≤ x < π .
1, para x ≥ π

a) (D3.14) Calcule a e b.
b) (D3.11) Determine a densidade de X.
c) (D3.15) Calcule o primeiro quartil de X.

π π

d) (D3.13 e D2.6) Calcule P X < 2 X≥ 4 .
e) (D3.17) Calcule E (X).
f ) (D3.19) Calcule V ar (X).

(
1
(1+x)2
, para x ≥ 0
fX (x) = .
0, para x < 0
Seja Y = max {X, k} , k > 0. Determine a acumulada de Y .
Exercı́cio 3.30. (D3.20, D3.7 e D3.5) Sejam k ∈ R e X uma variável aleatória com função de
probabilidade
kx, x = 1, 2, 3
p (x) = .
0, caso contrário

c) (D3.20) Determine a acumulada de Y = 10X .
3x2 , para 0 < x < 1

f (x) = .
0, caso contrário
Suponha que Y = 1 − X 2 . Determine a densidade de Y .
Exercı́cio 3.32. (D3.21) Sejam X uma variável aleatória contı́nua e Y = aX + b, para a 6= 0.

Prove que a densidade de Y é
(
1 y−b
|a| f a , para − ∞ < y < ∞
fY (y) = .
0, caso contrário
Exercı́cio 3.33. (D3.21, D3.17, D3.15, D3.12 e D3.9) Considere a função
kx−k−1 , para x ≥ 1 e k > 0

f (x) = .
0, caso contrário
a) (D3.9) Mostre que f é uma densidade.
b) (D3.12) Seja X uma variável aleatória com densidade f . Determine a acumulada de X.
c) (D3.17) Seja X uma variável aleatória com densidade f . Calcule o valor esperado de X,
indicando em que condições o valor esperado existe.
d) (D3.15) Seja X uma variável aleatória com densidade f . Calcule a mediana de X, indicando
em que condições a mediana existe.
e) (D3.21) Seja Y = ln X. Determine a densidade de Y .
aleatória associada à proporção de determinada substância quı́mica em um produto. Suponha
que X tem densidade
kx3 + x, para 0 ≤ x ≤ 1

f (x) = .
0, caso contrário
c) (D3.18 e D2.6) Sempre que a proporção da referida substância é inferior a 0,5, o produto é de
qualidade inferior. Qual é a probabilidade de um produto que foi considerado de qualidade
inferior ter a proporção maior que 0,25?
d) (D3.17) Calcule o valor esperado de X.
e) (D3.19) Calcule a variância de X.
f ) (D3.21 e D3.8) Seja Y o valor comercial (em euros) de cada unidade de volume de produto,
em função da proporção da substância, definido como Y = 2X.
i) (D3.21) Determine a densidade de Y .

ii) (D3.21 e D3.8) Qual é a probabilidade de uma unidade de volume daquele produto ser
vendida por mais de 1 euro?
aleatória com densidade
f (x) = ke−|x| , para x ∈ R
c) (D3.17) Calcule o valor esperado de X.
d) (D3.19) Calcule a variância de X.
e) (D3.15) Calcule a mediana de X.
f ) (D3.17 e D3.8) Calcule P (|X − E (X)| < 1).
g) (D3.21) Seja Y = X 2 . Determine a densidade de Y .
Exercı́cio 3.36. (D3.21 e D3.20) Seja X uma variável aleatória com densidade
1
f (x) = 2 x, para 0 < x < 2 .
0, caso contrário
Suponha que Y = X (2 − X).
a) (D3.20) Determine a acumulada de Y .
b) (D3.21) Determine a densidade de Y .
Exercı́cio 3.37. (D3.22, D3.18, D3.16 e D3.2) Seja X uma variável aleatória com função de
probabilidade apresentada na tabela abaixo.
xi 1-2k k-1 k 2k
pX (xi ) q 3q q q
a) (D3.16 e D3.2) Sabendo que E (X) = 13 , determine o valor de q e k.
b) (D3.18) Calcule V ar (X).
c) (D3.22) Seja Y = X 2 . Determine a função de probabilidade de Y .
Exercı́cio 3.38. (D3.22, D3.18, D3.16, D3.7, D3.3 e D2.6) Seja X uma variável aleatória com
função de probabilidade apresentada na tabela abaixo.
xi -2 -1 0 1 2
pX (xi ) 0,1 0,3 0,1 0,2 0,3
a) (D3.16) Calcule E (X).
b) (D3.18) Calcule V ar (X).
c) (D3.7) Determine a acumulada de X.
d) (D3.3 e D2.6) Calcule P (X ≥ 0|X < 2).

e) (D3.22) Seja Y = X 2 . Determine a função de probabilidade de Y .
Exercı́cio 3.39. (D3.24, D3.15, D3.12 e D3.9) Em uma pesquisa concluiu-se que a raridade de
determinada espécie animal era diretamente proporcional à distância observada, em percurso de
amostragem, até que se avistasse um exemplar da espécie. Seja X uma variável aleatória que
representa a distância percorrida até se avistar algum exemplar da espécie. Suponhamos que X
tem densidade
b
kx2
, para 1 ≤ x ≤ b
f (x) = .
0, caso contrário
a) (D3.9) Para quais valores de k e b, f (x) é uma densidade?
c) (D3.15) Calcule a mediana de X.
d) (D3.24) Considere a variável aleatória Y = C0 + C1 X, que caracteriza o custo de amostra-

gem, onde C0 representa o custo fixo e C1 o custo por unidade de percurso. Determine o
custo esperado para a pesquisa em função de C0 , C1 e b.
Exercı́cio 3.40. (D3.24, D3.21, D3.17, D3.15, D3.12, D3.8 e D2.6) O fornecedor de um produto
de laboratório tem uma capacidade de armazenamento de 150 kg. No inı́cio de cada mês é reposto
o estoque até à capacidade máxima de armazenamento. Seja X uma variável aleatória associada
às vendas mensais deste produto em centenas de kg, com densidade

 x, para 0 ≤ x ≤ 1
f (x) = 1, para 1 < x ≤ 1, 5 .
0, caso contrário

a) (D3.12) Determine a acumulada de X.
b) (D3.8 e D2.6) Se no inı́cio do mês já venderam 50 kg do produto, qual a probabilidade de se

venderem mais de 100 kg no fim desse mês?
c) (D3.17) Calcule o valor esperado das vendas deste produto.
d) (D3.15) Calcule a mediana das vendas deste produto.
e) (D3.24, D3.21 e D3.8) Seja Y o lucro da venda deste produto. Considere a seguinte expressão
(simplificada) do lucro em função das vendas Y = 50X − 25.
i) (D3.24) Qual o valor esperado do lucro mensal?

ii) (D3.21 e D3.8) Qual a probabilidade de, em um dado mês, não haver prejuı́zo?

3.13.3 Respostas
3.1) a) 13 ; b) 1
16 ; c) 17 .
3.2) -
3.3) -
3.4) k = β.
3.5)


 0, para x < −8



 0, 1, para − 8 ≤ x < −2
0, 3, para − 2 ≤ x < 4

a) FX (x) = ;

 0, 6, para 4 ≤ x < 6
0, 9, para 6 ≤ x < 8




1, para x ≥ 8

b) P (X < 0) = 0, 3.
3.6)


 0, 001, x = 0
 0, 027, x = 1


a) f (x) = 0, 243, x = 2 ;
0, 729, x = 3




0, caso contrário



 0, x < 0
 0, 001, 0 ≤ x < 1


b) F (x) = 0, 028, 1 ≤ x < 2 ;
0, 271, 2 ≤ x < 3




1, x ≥ 3

c) 0, 972.
3.7)
3
P x2
a) Primeiro, observe que p(x) ≥ 0, ∀x ∈ R. Além disso, 14 = 1;
 x=1

 0, se x < 1
1/14, se 1 ≤ x < 2

b) F (x) = ;

 5/14, se 2 ≤ x < 3
1, se x > 3

c) 0.2.
3.8) -
3.9) 3e−2 .
3
3.10) P X > b X < 2b = −7b

b3 +8
.
1
3.11) 4 .
3.12) - 1
3.13) f (x) = 5 , para 0 < x < 5 .
0, caso contrário
1
(
1
x − x 2 − /2 , para 0 < x < 1
3.14) f (x) = π .
0, caso contrário
3x
3e , para x < 0
3.15) f (x) = .
0, caso contrário
2x
3.16) f (x) = 9 , para 0 ≤ x ≤ 3 .
0, caso contrário

 0, para x ≤ 0
3.17) F (x) = 5x4 − 4x5 , para 0 < x < 1 .
1, para x ≥ 1



 0, para x < 0
3.18) F (x) = 3x2 − 2x3 , para 0 ≤ x ≤ 1 .
1, para x > 1

3.19)
a) k = 0;
0, para x < −1


 x2 +2x+1
, para − 1 ≤ x < 0

b) FX (x) = 2 .
−x2 +2x+1


 2 , para 0 ≤ x < 1
1, para x ≥ 1
3 −1
3.20) 1 − 4 e .
√
3.21) a) 2; b) 8.
1
3.22) a) 23 ; b) 78 ; c) −2− 3 .
(1 − e−x ), se x ≥ 0

3.23) a) k = 2; b) FX (x) = ; c) 0.693147.
0, caso contrário
3.24) 
 0, para x < 0 √
a) k = 3; b) F (x) = x3 , para 0 ≤ x < 1 ; c) b = 3 0, 95.
1, para x ≥ 1

3.25) a) k = 32 ; b) E(X) = 58 ; c) P (0 ≤ X ≤ 1/2) = 16 5
.
3.26)
0, para x < 0
a) F (x) = ;
1 − e−3,4x , para x ≥ 0
b) P (X > 2) = 0, 00111;
c) E (X) = 0, 294;
d) q(0, 5) = 0, 204.
3.27) µ = E(X) = 21 , E(X 2 ) = 10 3
, σ = 0.22, P (µ − 2σ < x < µ + 2σ) = 0.979264.
3.28)
a) b = 0 e a = π1 ;
1
b) f (x) = π , para 0 < x < π ;
0, para x ≤ 0 ou x ≥ π
c) x0.25 = π4 ;
d) P x < π2 X ≥ π4 = 13 ;

e) E (X) = π2 ;
2
f) V ar (X) = π12 .
y
3.29) FY (y) = 1+y , para y ≥ k .
0, caso contrário
3.30)
a) k = 16 ;


 0, x < 1
1/6, 1 ≤ x < 2

b) FX (x) = ;

 1/2, 2 ≤ x < 3
1, x ≥ 3

c) FY (y) = FX((log y) , ∀y ∈ R.
1
3(1−y) 2
3.31) fY (y) = 2 , para 0 < y < 1 .
0, caso contrário
3.32) -
3.33)
0, para x < 1
b) F (x) = ;
1 − x−k , para x ≥ 1
k
c) E (X) = k−1 , para k > 1;

√
d) q(0, 5) = k 2, para k > 0;
0, para y < 0
e) fY (y) = .
ke−ky , para y ≥ 0
3.34)
a) k = 2;

 0, para x < 0
b) F (x) = x4 +x2
, para 0 ≤ x < 1 ;
 2
1, para x ≥ 1
F ( 1 )−F ( 1 )
c) P X > 41 X < 12 = 2F 1 4 = 0, 7875;
(2)
d) E (X) = 0, 733;
e) V ar (X) =(0, 046;
y 3 +2y
f) i) f (y) = 8 ,
para 0 < y < 2
; ii) P (Y > 1) = 27
32 .
0, caso contrário
3.35)
a) k = 12 ;
1 x

b) F (x) = 2 e , para x<0
;
1 − 12 e−x , para x ≥ 0
c) E (X) = 0;
d) V ar (X) = 2;
e) q(0, 5) = 0;
f) 1 − 1e ;
(
0, √para y ≤ 0
g) fY (y) = e−√ y .
2 y , para y > 0
3.36)
 0, para y ≤ 0

1
a) FY (y) = 1 − (1 − y) 2 , para 0 < y < 1 ;

1, para y ≥ 1
1
(
1 , para 0 < y < 1
b) fY (y) = 2(1−y) 2 .
0, caso contrário
3.37)
a) q = 61 e k = 1.
b) 98
yi 0 1 4
c)
pY (yi ) 36 62 16
3.38)
a) E (X) = 0, 3;
b) V ar (X) = 2, 01;


 0, para x < −2



 0, 1, para − 2 ≤ x < −1
0, 4, para − 1 ≤ x < 0

c) F (x) = ;

 0, 5, para 0 ≤ x < 1
0, 7, para 1 ≤ x < 2




1, para x ≥ 2

3
d) 7 ;
y = xi 0 1 4
e) i
pY (yi ) 0,1 0,5 0,4
3.39)
a) Para os valores que satisfazem a equação k = b − 1;


 0, para x < 1
b 1
b) F (x) = 1 − x , para 1 ≤ x < b ;
 b−1
1, para x ≥ b
2b
c) q(0, 5) = b+1 ;

b
d) E (Y ) = C0 + C1 b−1 ln b .
3.40) 
 0, para x < 0
 x2

a) F (x) = 2 , para 0 ≤ x < 1 ;
 x − 12 , para 1 ≤ x < 1, 5

1, para x ≥ 1, 5

b) P X > 1 X > 12 = 47 ;

c) O valor esperado é aproximadamente 95,93 kg;

d) A mediana é 100 kg;
e) i) E (Y ) = 275 7
12 ; ii) P (Y ≥ 0) = 8 .

Famı́lias de distribuições
4.1 Famı́lias discretas

4.1.1 Distribuição uniforme discreta
Definição 4.1. Uma variável X tem distribuição uniforme discreta no conjunto {1, 2, ..., n}
se sua função de probabilidade for:
1

n, se x ∈ {1, 2, ..., n}
p(x) = .
0, caso contrário
Notação: X ∼ U (1, 2, ..., n).
o
0.25
et
_n
im
0.20
p(x)
qu
● ● ● ● ●
oa
0.15
/j
br
fjf.
.u
0 1 2 3 4 5 6
w
w
x
w
Figura 1: Função de probabilidade de uma uniforme discreta em {1, 2, 3, 4, 5}.
Resultado 4.1 (Valor esperado e variância da uniforme discreta). Se X ∼ U ({1, 2, ..., n}),
então
n+1 n2 − 1
E(X) = e V ar(X) = .
2 12
4.1.2 Distribuição de Bernoulli
Definição 4.2. Suponhamos um experimento com resultados que assumem apenas duas clas-
sificações (como sucesso-fracasso, masculino-feminino, cara-coroa, etc). Seja X uma v.a. que
assume apenas os valores 0 e 1, onde o 1 é associado a uma das classificações e o 0 é associado
à outra classificação. Dizemos então que X tem distribuição de Bernoulli com parâmetro
θ ∈ (0; 1), onde θ = P ([X = 1]).
Notação: X ∼ Ber(θ).

o
et
0.8
_n
●
m
p(x)
ui
aq
0.4
/jo
●
br
jf.
0.0
f
.u
−1.0 0.0 1.0 2.0
w
w
x
w
Figura 2: Função de probabilidade de uma v.a. X, tal que X ∼ Ber(0, 3).
Resultado 4.2. Se X ∼ Ber(θ) então sua função de probabilidade é dada por


 θ, se x = 1
p(x) = 1 − θ, se x = 0 .
0, caso contrário

Resultado 4.3 (Valor esperado e variância da Bernoulli). Se X ∼ Ber(θ), então
E(X) = θ e V ar(X) = θ(1 − θ).
4.1.3 Distribuição binomial

Definição 4.3. Suponhamos agora n realizações independentes de um experimento com re-
sultados que assumem apenas duas classificações (como sucesso-fracasso, masculino-feminino,
cara-coroa, etc). Associando uma das classificações ao número 1 (sucesso) e a outra ao número
0 (fracasso), seja X a variável aleatória associada ao número de sucessos (uns) obtidos nas
n realizações do experimento. Se a probabilidade de sucesso em cada uma das realizações é a
mesma e igual à θ, dizemos que X tem distribuição binomial com parâmetros n ∈ {1, 2, ...}
e θ ∈ (0; 1).
Notação: X ∼ Bin(n; θ).
Resultado 4.4. Se X ∼ Bin(n; θ) então sua função de probabilidade é dada por


n
θx (1 − θ)n−x , se x = 0, 1, 2, ..., n

p(x) = x .
0, caso contrário

Para explorar um aplicativo da distribuição binomial, acesse

Exemplo 4.1. Sabe-se que 30% dos animais submetidos a um certo tratamento não sobrevi-
vem. Suponhamos que 10 animais são submetidos a este tratamento. Seja X o número de não
sobreviventes. Construa o gráfico da função de probabilidade de X.
Solução: Como X ∼ Bin(10; 0, 3), sua função de probabilidade é dada por

10
p (x) = 0, 3x (1 − 0, 3)10−x .
x
Com esta função, podemos construir a tabela abaixo.

x p(x)
0 0,028247
1 0,121060
2 0,233474
3 0,266827
4 0,200120
5 0,102919
6 0,036756
7 0,009001
8 0,001446
9 0,000137
10 0,000005
A partir da tabela, podemos construir o gráfico.

●
o
et
●
0.20
_n
●
im
p(x)
qu
●
0.10
/joa ●
br
●
●
jf.
0.00
●
● ● ●
f
.u
0 2 4 6 8 10
w
w
x
w
Exemplo 4.2. Um lote de componentes eletrônicos é recebido por uma firma. Vinte componen-
tes são selecionados, aleatoriamente e com reposição, para teste e o lote é rejeitado se pelo menos
3 forem defeituosos. Sabendo que 5% destes componentes são defeituosos, qual é a probabilidade
da firma rejeitar o lote.
Solução: Seja X uma v.a. associada ao número de componentes defeituosos dentre os
selecionados e p(x) sua função de probabilidade. Como X ∼ Bin(20; 0, 05), temos que

20
p (0) = 0, 050 (1 − 0, 05)20 = 0, 3584859,
0

20
p (1) = 0, 051 (1 − 0, 05)19 = 0, 3773536 e
1

20
p (2) = 0, 052 (1 − 0, 05)18 = 0, 1886768.
2
Sabemos também que o lote é rejeitado se X ≥ 3 e, portanto, a probabilidade de rejeição é
dada por
P ([X ≥ 3]) = 1 − P ([X < 3]) = 1 − P ([X ≤ 2])
= 1 − (P ([X = 0]) + P ([X = 1]) + P ([X = 2]))
= 1 − (p (0) + p (1) + P (2))
= 1 − (0, 3584859 + 0, 3773536 + 0, 1886768)
= 7, 548367%.
Resultado 4.5 (Valor esperado e variância da binomial). Se X ∼ Bin(n; θ), então
E(X) = n · θ e V ar(X) = nθ(1 − θ).

4.1.4 Distribuição geométrica
Suponhamos que um experimento com resultados que assumem apenas duas classificações
(como sucesso-fracasso, masculino-feminino, cara-coroa, etc) é realizado sucessivas vezes. Seja
X a v.a. associada ao número de fracassos até obter o primeiro sucesso. Se a proba-
bilidade de sucesso em cada uma das realizações é constante e igual à θ, dizemos que X tem
distribuição geométrica com parâmetro θ ∈ (0; 1).
Notação: X ∼ Geom(θ).
Resultado 4.6. Se X ∼ Geom(θ), sua função de probabilidade é dada por
(1 − θ)x θ, se x = 0, 1, 2, ...

p (x) = .
0, caso contrário
0.20
o
●
et
_n
●
im
●
0.10
p ( x)
qu
●
●
●
oa
r/j
●
●
.b
●
●
●
●●
0.00
fjf
●●●
●●●●●●●
●●●●●●●●
.u
0 5 10 15 20 25 30
w
w
x
w
Figura 3: Função de probabilidade de uma v.a. X, tal que X ∼ Geom(0, 2).
Exemplo 4.3. A probabilidade de se encontrar um determinado semáforo aberto é igual a 20%.

Qual é a probabilidade de passar pelo semáforo sucessivas vezes e encontrá-lo aberto pela primeira
vez na quinta passagem?
Solução: Sejam X o número de passagens antes de encontrar o semáforo aberto pela pri-
meira vez e p(x) a função de probabilidade de X. Como X ∼ Geom(0, 2), temos
p(4) = (1 − 0, 2)4 0, 2 = 0, 08192.
Resultado 4.7 (Valor esperado e variância da geométrica). Se X ∼ Geom(θ), então

1−θ 1−θ
E(X) = e V ar(X) = .
θ θ2
4.1.5 Distribuição binomial negativa (Pascal)

Suponhamos que um experimento com resultados que assumem apenas duas classificações
(como sucesso-fracasso, masculino-feminino, cara-coroa, etc) é realizado sucessivas vezes. Seja
X a variável aleatória associada ao número de fracassos até observar r sucessos. Se a
probabilidade de sucesso em cada uma das realizações é a mesma e igual à θ, dizemos que X
tem distribuição binomial negativa com parâmetros r ∈ {1, 2, 3, ...} e θ ∈ (0; 1).
Notação: X ∼ BN (r; θ).
Resultado 4.8. Se X ∼ BN (r; θ) então sua função de probabilidade é dada por

x+r−1
θr (1 − θ)x , se x ∈ {0, 1, 2, ...}

p (x) = r−1 .
0, caso contrário


●●●
o
● ●
0.00 0.02 0.04 0.06
et
● ●
●
_n
● ●
m
●
●
p(x)
●
ui
●
aq
● ●
●
/jo
●
● ●
●
br
●
● ●
●
●●
jf.
●●
● ●●●●●
●●●●●●●●●●●
f
.u
0 10 20 30 40
w
w
x
w
Figura 4: Função de probabilidade de uma v.a. X, tal que X ∼ BN (5; 0, 3).
Obs: Note que a distribuição geométrica é um caso particular da distribuição binomial ne-
gativa, para r = 1.
Exemplo 4.4. Em uma linha de produção, a probabilidade de um determinado componente ser

defeituoso é de 10%. Qual é a probabilidade de se produzir 4 componentes defeituosos antes de
20 perfeitos.
Solução: Sejam X uma v.a. associada ao número de componentes defeituosos antes de 20
perfeitos e p(x) a função de probabilidade de X. Como X ∼ BN (20; 0, 9), temos que

x + 20 − 1
p (x) = 0, 920 (1 − 0, 9)x , para x ∈ {0, 1, 2, ...}.
20 − 1
Logo, a probabilidade procurada é dada por

4 + 20 − 1
p (4) = 0, 920 (1 − 0, 9)4 , para x ∈ {0, 1, 2, ...} = 0, 1076561.
20 − 1
Resultado 4.9 (Valor esperado e variância da binomial negativa). Se X ∼ BN (r; θ),

então
rθ rθ
E(X) = e V ar(X) = .
1−θ (1 − θ)2
4.1.6 Distribuição hipergeométrica

Suponhamos que n elementos são selecionados aleatoriamente e sem reposição de uma
população finita com A elementos classificados como sucesso e B elementos classificados como
fracasso. Seja X uma v.a. associada ao número de sucessos selecionados. Neste caso, dizemos
que X tem distribuição hipergeométrica com parâmetros A, B e n.
Notação: X ∼ HG(A; B; n).
Resultado 4.10. Se X ∼ HG(A; B; n), então sua função de probabilidade é dada por
   

  A 
B 
n−x


 x
, se x ∈ {max (0; n − B) , ..., min (n; A)} ∩ N
  
p (x) = A + B .
  



 n
0, caso contrário


Exemplo 4.5. Uma firma compra lâmpadas por lotes de 30 unidades. Suponha que em um
determinado lote há 25 lâmpadas perfeitas. Sete lâmpadas deste lote são selecionadas aleatoria-
mente e sem reposição.
a) Qual é a probabilidade de selecionar menos de 4 lâmpadas perfeitas?
b) Construa o gráfico da função de probabilidade de X.
Solução:
a) Sejam X uma v.a. associada ao número de lâmpadas perfeitas selecionadas e p(x) sua
função de probabilidade. Como X ∼ HG(25, 5, 7), temos que
   

 
25  5 
7−x


 x
, se x ∈ {max (0; 7 − 5) , ..., min (7; 25)} ∩ N
  
p (x) = 25 + 5 .
  



 7
0, caso contrário

Logo, a probabilidade de selecionar menos de 4 lâmpadas perfeitas é dada por
P [X < 4] = p(2) + p(3) = 0, 57962%.
b)
●
0.0 0.1 0.2 0.3 0.4
o
et
_n
im
●
p ( x)
●
qu
oa
r/j
.b
●
fjf
● ● ● ● ● ● ●
.u
w
0 2 4 6 8 10
w
w
x
Função de probabilidade de uma v.a. X, tal que X ∼ HG(25; 5; 7).
Resultado 4.11 (Valor esperado e variância da hipergeométrica). Se X ∼ HG(A; B; n),

então
B nAB A+B−n
E(X) = n e V ar(X) = 2
· .
A+B (A + B) A + B − 1
4.1.7 Distribuição de Poisson

A distribuição de Poisson é utilizada para explicar probabilisticamente o número de ocorrências
em um experimento aleatório com taxa média de ocorrência θ > 0.
Definição 4.4. Uma v.a. X tem distribuição de Poisson com taxa média de ocorrências
θ > 0, se sua função de probabilidade for
exp(−θ)θx
x! , se x = 0, 1, 2, ...
p (x) = .
0, caso contrário
Notação: X ∼ P ois(θ).

0.20
o
● ●
et
_n
●
●
im
0.10
p(x)
qu
●
oa
●
●
r/j
.b
●
●
0.00
●
fjf
● ● ● ● ● ●
.u
0 5 10 15
w
w
x
w
Figura 5: Função de probabilidade de uma v.a. X, tal que X ∼ P ois(4).
Exemplo 4.6. Suponhamos que a chegada de navios a um porto segue uma distribuição de
Poisson, com número médio de chegadas por dia igual a 5.
a) Qual é a probabilidade de exatamente 7 navios chegarem em um dia.
b) Qual é a probabilidade de pelo menos 3 navios chegarem chegarem em um dia.
Solução:
a) Seja X o número de navios que chegam em um dia. Temos que X ∼ P ois(5) e
exp(−5)57
p(7) = = 10, 44%.
7!
b) Temos que
P ([X ≥ 2]) = 1 − P (X < 2) = 1 − P ([X = 0]) − P ([X = 1])
exp(−5)50 exp(−5)51
=1− −
0! 1!
= 1 − 4, 042768% = 95, 95723%.
Resultado 4.12 (Valor esperado e variância da Poisson). Se X ∼ P ois(θ), então

E(X) = θ e V ar(X) = θ.
4.2 Famı́lias contı́nuas

4.2.1 Uniforme
Definição 4.5. Dizemos que uma variável aleatória tem distribuição uniforme no intervalo
(a, b) se tem densidade dada por
1
f (x) = b−a , se a < x < b .
0, caso contrário
Notação: X ∼ U (a; b).
Resultado 4.13. (Valor esperado e variância da uniforme)

Se X ∼ U (a, b), então
b+a (b − a)2
E(X) = e V ar(X) = .
2 12

4.2.2 Normal
Definição 4.6. Dizemos que uma variável aleatória tem distribuição normal, com parâmetros
µ e σ 2 > 0, se tem densidade dada por
!
1
2 −2 1 (x − µ)2
f (x) = 2πσ exp − , com x ∈ R.
2 σ2
A distribuição normal com µ = 0 e σ 2 = 1 é chamada de normal padrão.

Notação: X ∼ N (µ; σ 2 ).
0.4
0.4
0.4
to
to
to
e
e
_n
_n
_n
0.3
0.3
0.3
im
im
ui
qu
qu
w 0.0 0.1 0.2
0.2
w 0.0 0.1 0.2

aq
f(x)
f(x)
f(x)
oa
oa
/jo
r/j
r/j
0.1
r
.b
.b
.b
fjf
fjf
fjf
.u
.u
.u
0.0
w
w
−6 −2 0 2 4 6 −6 −2 0 2 4 6 −6 −2 0 2 4 6
w
x x x
w
w
Densidade de uma N (0; 1). Densidade de uma N (0; 1) em Densidade de uma N (0; 1) em
preto e densidade de uma preto e densidade de uma
N(3;1) em azul. N(0;4) em azul.
Figura 6: Densidades de distrinuições normais.
Obs: Repare que a densidade de uma normal é simétrica em relação a reta vertical que passa
por µ (eixo de simetria da normal). Já o parâmetro σ 2 está relacionado à abertura da
densidade.
Para explorar um aplicativo com a densidade da normal, acesse

0.0 0.2 0.4 0.6 0.8 1.0
0.0 0.2 0.4 0.6 0.8 1.0
0.0 0.2 0.4 0.6 0.8 1.0

w
w
w
w
w
w
.u
.u
.u
fjf
fjf
fjf
.b
.b
.b
F(x)
F(x)
F(x)
r/j
r/j
r/j
oa
oa
oa
q
q
ui
ui
ui
m
m
_n
_n
_n
−6 −2 0 2 4 6 −6 −2 0 2 4 6 −6 −2 0 2 4 6
et
et
et
x x x
o
Acumulada de uma N (0; 1). Acumulada de uma N (0; 1) Acumulada de uma N (0; 1)
em preto e acumulada de uma em preto e acumulada de uma
N(3;1) em azul. N(0;4) em azul.
Figura 7: Acumuladas de distribuições normais.

Para explorar um aplicativo com a acumulada da normal, acesse
Resultado 4.14 (Valor esperado e variância da normal). Se X ∼ N (µ; σ 2 ), então E(X) =

µ e V ar(X) = σ 2 .
Resultado 4.15 (Simetria da normal). A distribuição normal é simétrica em torno de sua
média µ. Em outras palavras, se X ∼ N (µ, σ 2 ) e F é a acumulada de X, temos que
F (µ − k) = 1 − F (µ + k), ∀k ∈ R.
𝑭 𝝁−𝒌 = 1−𝑭 𝝁 + 𝒌
www.ufjf.br/joaquim_neto
𝒇 𝒙
𝝁−𝒌 𝝁 𝝁+𝒌
Resultado 4.16 (Transformação linear de normal é normal). Se uma v.a. X tem distri-
buição normal, então Y = aX + b também tem distribuição normal, ∀a, b ∈ R.
Resultado 4.17. Se X ∼ N (µ; σ 2 ) então, aX + b ∼ N (aµ + b; a2 σ 2 ) para todo a, b ∈ R.
Prova: Pelo resultado 4.16, aX + b tem distribuição normal. Resta mostrar então que
E(aX + b) = aµ + b e V ar(aX + b) = a2 σ 2 . De fato,
E(aX + b) = aE(X) + b = aµ + b e
2 2 2
V ar(aX + b) = a V ar(X) = a σ .
Resultado 4.18 (Relação com a normal padrão). Se X ∼ N (µ, σ 2 ) então X−µ σ ∼ N (0, 1).
Prova:
Primeiro, observe que X−µ
σ = σ1 X − σµ . Ou seja, podemos escrever X−µσ na forma aX + b,
1 µ X−µ
onde a = σ e b = − σ . Assim, pelo resultado 4.16, σ tem distribuição normal. Nos resta
então mostrar que o valor esperado é 0 e a variância é 1. De fato,

X −µ 1 µ
E =E X− = (linearidade do valor esperado)
σ σ σ
1 µ
= E(X) −
σ σ
µ µ
= −
σ σ
=0 e

X −µ 1 µ
V ar = V ar X−
σ σ σ
1 σ2
= 2 V ar(X) = 2
σ σ
= 1.

A acumulada de uma variável com distribuição normal não pode ser expressa na forma
fechada em termos de funções elementares (a integral para obter a acumulada não possui solução
analı́tica). Portanto, as probabilidades para distribuições normais só podem ser encontradas
por aproximações numéricas (computacionais) ou usando uma tabela de valores. Nos próximos
exemplos, veremos como obter estas probabilidades de duas maneiras: usando a tabela da normal
padrão e utilizando o Excel.
Exemplo 4.7 (Cálculo de probabilidade com a normal padrão). Seja X ∼ N (0; 1).
Calcule P (X < 0, 53).
Solução: Procurando 0, 53 na tabela da normal padrão, temos que P (X < 0, 53) = 0, 7019.
Exemplo 4.8 (Cálculo de probabilidade com uma normal qualquer). Seja X ∼ N (3; 4).
Calcule P (X < 2, 5).
Solução:
Usando a tabela:
Neste caso, não podemos procurar 2, 5 na tabela, pois a distribuição em questão não é a nor-
mal padrão. Porém, podemos usar a transformação X−µ σ que, pelo resultado , tem distribuição
N (0; 1). Assim,

X −3 2, 5 − 3
P (X < 2, 5) = P <
2 2

X −3
=P < −0, 25
2
como X−3

= 2 ∼ N (0; 1) , =
basta procurar − 0, 25 na tabela da normal padrão
= 0, 4013.
Usando o Excel:
Para calcular a probabilidade desejada no excel, basta escolher uma célula e digitar
“=DIST.NORM.N(2,5;3;RAÍZ(4);VERDADEIRO)”
Exemplo 4.9 (Cálculo de quantil com a normal padrão). Seja X ∼ N (0; 1). Calcule o
quantil 67% de X.
Solução: Procurando 0, 6700 no interior da tabela da normal padrão, temos que P (X <
0, 44) = 0, 67. Assim, q(0, 67) = 0, 44.
Exemplo 4.10 (Cálculo de quantil com uma normal qualquer). Seja X ∼ N (5; 3).
Calcule o quantil 75% de X (terceiro quartil).
Solução:
Usando a tabela:
Neste caso, não podemos procurar 0, 7500 no interior da tabela, pois a distribuição em questão
não é a normal padrão. Porém, podemos usar a transformação X−µ σ que, pelo resultado 4.18,
tem distribuição N (0; 1). Assim,
P (X ≤ q (0, 75)) = 0, 75 ⇒

X −5 q (0, 75) − 5
P √ ≤ √ = 0, 75
3 3
Procurando 0, 6700 no interior da tabela da normal padrão, temos que P (X < 0, 44) = 0, 67.
Assim, q(0, 67) = 0, 44.
Usando o Excel:
Para calcular a probabilidade desejada no excel, basta escolher uma célula e digitar

“=INV.NORM.N(0,75;5;RAÍZ(3))”
4.2.3 Função gama

Agora, vamos definir uma função que será utilizada nas próximas distribuições de probabi-
lidade.
Definição 4.7 (Função gama). A função gama é definida por
Z ∞
Γ (α) = β α xα−1 exp (−βx) dx.
0
Resultado 4.19. A função gama satisfaz às propriedades

Γ(1) = 1 e
Γ(k) = (k − 1)Γ(k − 1) ∀k > 1.
Γ(n) = (n − 1)!, para todo inteiro positivo n.
Prova: ...
4.2.4 Beta
Definição 4.8. Dizemos que uma v.a. tem distribuição beta de parâmetros α > 0 e β > 0 se
tem densidade dada por
B (α, β)−1 xα−1 (1 − x)β−1 , se 0 < x < 1

f (x) = , onde
0, caso contrário
Γ (α) Γ (β)
B (α, β) =
Γ (α + β)
Notação: X ∼ Be(α, β).
2.0
o
α = 10 e β = 10 α = 10 e β = 10
o
et
et
α = 0.1 e β = 0.1 α = 0.1 e β = 0.1

6
_n
1.5
_n
α = 4 e β = 0.1 α = 4 e β = 0.1
im
α=4eβ=2 α=4eβ=2
im
4
F(x)
qu
1.0
f(x)
qu
oa
oa
0.5
2
r/j
r/j
.b
.b
fjf
fjf
0.0
0
.u
.u
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
w
w
w
w
x x
w
w
Densidades Acumuladas
Figura 8: Densidades e acumuladas de uma Be(α, β), para diferentes valores de α e β.

Resultado 4.20 (Valor esperado e variância da beta). Se X ∼ Be(α, β), então
α αβ
E(X) = e V ar(X) = .
α+β (α + β)2 (α + β + 1)
4.2.5 Gama
Definição 4.9. Dizemos que uma variável aleatória tem distribuição gama com parâmetros
α > 0 e β > 0 se tem densidade dada por
β α α−1
(
f (x) = Γ(α) x exp (−βx) , se x > 0
, onde
0, caso contrário
Z ∞
0
Notação: X ∼ Ga(α, β).

o
o
α=1eβ=2
et
et
0.4
0.8
α=2eβ=2
_n
_n
α=3eβ=2
m
m
α=5eβ=1
F(x)
α=1eβ=2
ui
ui
f(x)
α = 9 e β = 0.5
aq
aq
0.2
0.4
α=2eβ=2
α=3eβ=2
/jo
/jo
α=5eβ=1
br
br
α = 9 e β = 0.5
jf.
jf.
0.0
0.0
f
f
.u
.u
0 5 10 15 20 0 5 10 15 20
w
w
w
x x
w
Figura 9: Densidades e acumuladas de uma Ga(α, β), para diferentes valores de α e β.
Resultado 4.21 (Valor esperado e variância da gama). Se X ∼ Ga(α, β), então

α α
E(X) = e V ar(X) = 2 .
β β

Resultado 4.22 (Propriedade da gama). Se X ∼ Ga(α, β) e a ∈ R então aX ∼ Ga α, βa .
4.2.6 Exponencial
A distribuição exponencial, que definiremos a seguir, pode ser utilizada para modelar modelar
o tempo até a primeira ocorrência de um evento (tempo de vida).

Definição 4.10. Dizemos que uma variável aleatória tem distribuição exponencial com parâ-
metro β > 0, se tem densidade dada por

β exp (−βx) , se x > 0
f (x) = .
0, caso contrário
Notação: X ∼ Exp(β).
Resultado 4.23 (Valor esperado e variância da exponencial). Se X ∼ Exp(β), então
1 1
E(X) = e V ar(X) = 2 .
β β
Exemplo 4.11. Seja X uma variável aleatória associada a duração de vida de um componente
eletrônico, em centenas de horas. Suponha que X tem distribuição exponencial com valor espe-
rado 0,5.
a) Determine a distribuição de X.
b) Calcule a probabilidade de que o componente eletrônico tenha uma duração de vida superior
a 150 horas, sabendo que já funcionou pelo menos durante 100 horas.
Solução: a) Temos
1 1
E(X) = ⇒ 0, 5 = ⇒ β = 2.
β β
Assim, X ∼ Exp(2).
b)
P ([X > 1, 5] ∩ [X > 1]) P ([X > 1, 5])

P (X > 1, 5 | X > 1) = =
P (X > 1) P (X > 1)
∞
R
2 exp (−2x) dx
1,5 − exp (−2x)|∞
1,5
= ∞ =
R − exp (−2x)|∞1
2 exp (−2x) dx
1
exp (−3)
= = 0.3678794.
exp (−2)
O resultado abaixo estabelece uma propriedade importante da exponencial: “a falta de me-

mória”.
Resultado 4.24 (Falta de memória da exponencial). Se s > t ≥ 0 são números reais e
X ∼ Exp(β), então
P (X > s|X > t) = P (X > s − t)
Prova:
P ([X > s] ∩ [X > t])

P (X > s|X > t) =
P (X > t)
P ([X > s])
=
P (X > t)
R∞
β exp (−βx)
s
= ∞
R
β exp (−βx)
t
= exp (−β (s − t))
= P (X > s − t) .

4.2.7 Chi-quadrado
Definição 4.11. Uma v.a. X tem distribuição chi-quadrado (χ2 ) com n > 0 graus de liberdade
se tem densidade f (x) dada por
 n
 ( 21 ) 2 n −1 1

n x
2 exp − x , se x > 0
f (x) = Γ( 2 ) 2 ,
0, caso contrário

onde
n Z ∞ n
1 2 n
−1 1
Γ = x 2 exp − x dx.
2 0 2 2
Notação: X ∼ χ2n .
n=1
o
o
n=1
et
et
n=2
0.8
2.0
n=2
_n
_n
n=3
n=3 n=4
m
m
n=4 n=5
F(x)
ui
ui
f(x)
n=5
aq
aq
0.4
1.0
/jo
/jo
br
br
jf.
jf.
0.0
0.0
f
f
.u
.u
0 2 4 6 8 0 2 4 6 8
w
w
w
x x
w
Figura 10: Densidades e acumuladas de uma χ2n , para diferentes graus de liberdade (n).
Resultado 4.25 (Valor esperado e variância da χ2 ). Se X ∼ χ2n , então
E(X) = n + λ e V ar(X) = 2(n + 2λ).
4.2.8 t de Student
Definição 4.12. Uma v.a. X tem distribuição t de Student (ou simplesmente t) com n > 0
graus de liberdade se tem densidade dada por
− (n+1)
x2 2
Γ n+1 1+

n
p (x) = √2 n
, para x ∈ R
nπ Γ 2
Notação: X ∼ tn .

0.4
w
o
et
n=1
w
0.8
_n
w
n=2
0.3
.u
n=5
fjf
n = 1000
F(x)
qu
0.2
.
f(x)
n=1
br
0.4
oa
n=2
/j
oa
0.1
n=5
r/j
n = 1000
qu
.b
fjf
0.0
0.0
im
.u
_n
−4 −2 0 2 4 6 −4 −2 0 2 4 6
w
w
et
x [
w
o
Figura 11: Densidades e acumuladas de uma tn , para diferentes valores de n.
Resultado 4.26 (Valor esperado e variância da t de Student). Se X ∼ tn , então

n
E(X) = µ para n > 1 e V ar(X) = para n > 2.
n−1
4.2.9 F de Snedecor
Definição 4.13. Uma v.a. X tem distribuição F de Snedecor com n > 0 e m > 0 graus de
liberdade se tem densidade dada por

 Γ( n+m 2 )
n
n 2 (n −1) n
− (n+m)
n m
Γ( 2 )Γ( 2 ) m x 2 1 + m x 2
, se x > 0
p (x) = .
 0, caso contrário
Notação: X ∼ Fn,m .
2.0
o
n1 = 1 e n2 = 1
et
et
n1 = 1 e n2 = 1 n1 = 2 e n2 = 1
2.0
_n
_n
n1 = 2 e n2 = 1
1.5
n1 = 5 e n2 = 2
n1 = 5 e n2 = 2
im
im
n1 = 100 e n2 = 1
n1 = 100 e n2 = 1 n1 = 100 e n2 = 100
F(x)
qu
qu
1.0
f(x)
n1 = 100 e n2 = 100
1.0
oa
oa
0.5
r/j
r/j
.b
.b
fjf
fjf
0.0
0.0
.u
.u
0 1 2 3 4 5 0 1 2 3 4 5
w
w
w
x x
w
Figura 12: Densidades e acumuladas de uma Fn,m , para diferentes valores de n e m.

Resultado 4.27 (Valor esperado e variância da F de Snedecor). Se X ∼ Fn,m , então
m 2m2 (n + m − 2)
E(X) = para m > 2 e V ar(X) = para n > 4.
m−2 n(m − 4)(m − 2)2
4.2.10 Gama invertida

Definição 4.14. Uma variável aleatória tem distribuição Gama Invertida (ou Gama Inversa)
com parâmetros α > 0 e β > 0 se tem densidade dada por
( α
β 1 α+1
exp −β x1 , se x > 0

f (x) = Γ(α) x ,
0, caso contrário
onde Z ∞
0
Notação: X ∼ GI(α, β).
2.0
to
o
α=1eβ=1
et
e
α=2eβ=1
w 0.0 1.0 2.0
_n
_n
α = 1 e β = 0.5
1.5
α=3eβ=1
α=2eβ=1
im
m
α=3eβ=5
α=3eβ=1
i
F(x)
qu
qu
w 0.0 0.5 1.0
f(x)
α=3eβ=5
oa
oa
r/j
r/j
.b
.b
fjf
fjf
.u
.u
0.0 1.0 2.0 3.0 0.0 1.0 2.0 3.0

w
x x
w
Figura 13: Densidades e acumuladas de uma GI(α, β), para diferentes valores de α e β.
4.2.11 Relações entre distribuições

Relação entre as distribuições exponencial e gama:
X ∼ Exp(β) se, e somente se, X ∼ Ga(1, β).
Assim, podemos dizer que a exponencial é um caso particular da gama.
Relação entre a normal e a χ2 :

Sejam X1 , X2 , ..., Xn variáveis aleatórias independentes, de modo que Xi ∼ N (0, 1) ∀i ∈
n
Xi2 .
P
{1, 2, ..., n}. A variável aleatória X =
i=1
Assim, podemos dizer que a soma de normais ao quadrado tem distribuição χ2 .
Relação entre as distribuições gama e χ2 :

n 1
X ∼ χ2n se, e somente se, X ∼ Ga

2, 2 .
Assim, podemos dizer que a chi-quadrado é um caso particular da gama.
Relação entre a distribuição t de Student com a normal e a χ2 :

Se Y ∼ N (0, 1) e Z ∼ χ2n com Y e Z independentes, então
Y
X=q (4.1)
Z
n
tem distribuição t de Student com n graus de liberdade.
Relação entre as distribuições χ2 e F de Snedecor:

Se Y ∼ χ2n e Z ∼ χ2m com Y e Z independentes, então
Y
n
X= Z
m
tem distribuição F com n e m graus de liberdade.

Ou seja, a distribuição F de Snedecor é dada pela razão de duas variáveis aleatórias in-
dependentes com distribuição χ2 central, ambas divididas pelos seus respectivos graus de
liberdade.
Relação entre as distribuições t e F :

Elevando ao quadrado a equação (4.1), temos
X2
T2 = 1
Y
n
Como X 2 ∼ χ21 e Y ∼ χ2n , então T 2 ∼ F1,n . Ou seja, o quadrado de uma v.a. com
distribuição tn tem distribuição F1,n .
Relação entre as distribuições gama e gama invertida:
1
X ∼ Ga(α, β) se, e somente se, X ∼ GI(α, β).

4.3
4.3.1
Joaquim Neto
Descritores
Exercı́cios
4.1 Resolver problemas com distribuição uniforme discreta. Uniforme Discreta

4.2 Resolver problemas com distribuição de Bernoulli. Bernoulli
4.3 Resolver problemas com distribuição binomial. Binomial
4.4 Resolver problemas com distribuição geométrica. Geométrica
4.5 Resolver problemas com distribuição binomial negativa (Pascal). Binomial Negativa
4.6 Resolver problemas com distribuição hipergeométrica. Hipergeométrica
4.7 Resolver problemas com distribuição de Poisson. Poisson
4.8 Resolver problemas com distribuição uniforme contínua. Uniforme Contínua
4.9 Resolver problemas com distribuição normal. Normal
4.10 Resolver problemas com distribuição Beta. Beta
4.11 Resolver problemas com distribuição Gama. Gama
4.12 Resolver problemas com distribuição Exponencial. Exponencial
4.13 Resolver problemas com distribuição Chi-quadrado. Chi-quadrado
4.14 Resolver problemas com distribuição t de Student. t de Student
4.15 Resolver problemas com distribuição F de Snedecor. F de Snedecor
Tabela 4.1: Descritores dos exercı́cios de famı́lias de distribuições (matriz de referência).
página 98 de 110
4.3.2 Enunciados
Exercı́cio 4.1. (D4.3) Seja X uma variável aleatória associada ao número de sucessos em
uma sucessão de 20 experimentos aleatórios independentes que só podem resultar em sucesso ou
fracasso, sendo a probabilidade de sucesso igual a 0,9 em cada um destes experimentos. O custo
de uma experiência que resulte em sucesso é de 5 reais e em fracasso de 10 reais. A experiência
é repetida 20 vezes de forma independente.
a) Identifique a distribuição de X.
b) Calcule P (X > 15).
c) Calcule a probabilidade de haver mais sucessos do que fracassos.
d) Seja C o custo total das 20 experiências.
i) Mostre que C pode ser expresso como C = 200 − 5X.

ii) Calcule E (C).
iii) Calcule P (C < 125).
Exercı́cio 4.2. (D4.3) Em uma experiência laboratorial injetaram uma determinada droga que
inibe a sı́ntese de proteı́nas em n cobaias. A probabilidade de uma cobaia morrer devido à droga
durante a experiência é 0,2. Seja X a variável aleatória associada ao número de cobaias que
morreram durante a experiência.
a) Identifique a distribuição de X.
b) Supondo n = 15, qual é a probabilidade de:
i) Exatamente duas delas morrerem?

ii) Pelo menos oito delas sobreviverem?
c) Determine o número mı́nimo de cobaias utilizadas para que a probabilidade de pelo menos
uma morrer seja superior a 0,95.
Exercı́cio 4.3. (D4.3) Um instrumento de medição de umidade é constituı́do por 3 compo-

nentes de funcionamento independente. Todos os componentes têm a mesma probabilidade de
desregular, igual a 0,1.
a) Seja X a variável aleatória associada ao número de componentes desregulados neste instru-

mento, identifique sua distribuição.
b) Determine a probabilidade de dois ou mais componentes desregularem.
c) Se nenhum dos componentes está desregulado, o instrumento funciona sempre, se um único

componente está desregulado, o instrumento tem probabilidade 0,6 de funcionar e se dois
ou mais componentes estão desregulados, não funciona.
i) Qual é a probabilidade do instrumento funcionar.

ii) Qual é a probabilidade de um componente estar desregulado, sendo que o instrumento
está funcionando.
Exercı́cio 4.4. (D4.3) Seja X uma variável aleatória. Suponha que X ∼ Bin (8; 0, 7), calcule
P (X ≥ 5).

Exercı́cio 4.5. (D4.3) Quinze pessoas portadoras de determinada doença são selecionadas para
se submeter a um tratamento. Sabe-se que este tratamento é eficaz na cura da doença em 80%
dos casos. Suponha que os indivı́duos submetidos ao tratamento curaram-se (ou não) indepen-
dentemente uns dos outros e considere X o número de curados dentre os 15 pacientes submetidos
ao tratamento.
a) Qual é a distribuição de X?
b) Qual é a probabilidade de que os 15 pacientes sejam curados?
c) Qual é a probabilidade de que pelo menos dois não sejam curados?
Exercı́cio 4.6. (D4.3) Um estudante preenche por adivinhação um exame de múltipla escolha
com 5 respostas possı́veis (das quais só uma é correta) para cada uma das 10 questões.
a) Qual é a distribuição do número de respostas certas?
b) Qual é a probabilidade de que o estudante obtenha 9 ou mais respostas certas?
c) Qual é a probabilidade de que acerte pelo menos duas questões?
Exercı́cio 4.7. (D4.3) Sabe-se que 0, 6% dos parafusos produzidos em uma fábrica são defeitu-
osos. Estime a probabilidade de que, em um pacote com 1000 parafusos:
a) haja exatamente 4 parafusos defeituosos;
b) não haja mais do que 4 parafusos defeituosos;
c) haja pelo menos 3 parafusos defeituosos.
Exercı́cio 4.8. (D4.3) Em uma indústria, fabricam-se dispositivos elétricos, que são vendidos
em caixas com 400 unidades. Suponha que cada dispositivo funciona adequadamente com pro-
babilidade 0,98. A companhia deseja garantir aos revendedores que mais de k dispositivos por
caixa funcionam. Qual o maior valor de k tal que pelo menos 93% das caixas satisfaçam essa
garantia?
Exercı́cio 4.9. (D4.3) Suponha que a probabilidade de uma peça, produzida por determinada
máquina, ser defeituosa é 0,2. Se 10 peças produzidas por essa máquina forem escolhidas ao
acaso, qual é a probabilidade de que não mais de uma defeituosa seja encontrada?
Exercı́cio 4.10. (D4.4) Em uma pizzaria com entrega em domicı́lio, 30% dos pedidos por tele-
fone são de mais de uma pizza. Certo dia, o dono decide mandar um brinde ao cliente que fizer
o primeiro pedido com mais de uma pizza. Seja X uma variável aleatória associada ao número
de pedidos recebidos até o ganhador do brinde.
b) Determine o menor número de pedidos necessário para garantir que o brinde saia com pro-
babilidade maior que 0,9.
Exercı́cio 4.11. (D4.5) Um vendedor de porta em porta consegue realizar a venda em 40%
das visitas que faz. Ele planeja efetuar no mı́nimo duas vendas por dia. Seja X uma variável
aleatória associada ao número de visitas feitas sem sucesso (nas quais ele não consegue realizar
a venda) até que a segunda venda seja efetuada. Qual é a distribuição de X?
Exercı́cio 4.12. (D4.6) Um aluno estuda 12 exercı́cios, dos quais o professor vai escolher 6
aleatoriamente para uma prova. O estudante sabe resolver 9 dos 12 problemas. Seja X uma
variável aleatória associada ao número de exercı́cios resolvidos por ele na prova.

b) Calcule a probabilidade de que o aluno resolva ao menos 5 exercı́cios da prova.
Exercı́cio 4.13. (D4.6 e D4.3) De um lote que contém 25 peças, das quais 5 são defeituosas, 4
são escolhidas ao acaso. Seja X uma variável aleatória associada ao número de peças defeituosas
encontradas. Estabeleça a função de probabilidade de X, quando:
a) as peças forem escolhidas com reposição;
b) as peças forem escolhidas sem reposição.
Exercı́cio 4.14. (D4.7) Seja X uma variável aleatória associada ao número de petroleiros que
chegam por dia a uma certa refinaria. Suponha que X ∼ P oisson (2). As atuais instalações
portuárias da refinaria podem atender até 3 petroleiros por dia. Se mais de 3 chegam em um
mesmo dia, os petroleiros em excesso são enviados para outro porto.
a) Qual é a probabilidade de, num dado dia, a refinaria tenha que recusar petroleiros?
b) Qual deverá ser a capacidade mı́nima de atendimento da refinaria para permitir o acolhi-
mento de todos os petroleiros que chegam em cerca de 95% dos dias?
c) Qual é o número esperado de petroleiros que chegam por dia?
d) Qual é o número mais provável de petroleiros chegados num dia?
e) Qual é o número esperado de petroleiros atendidos num dia?
f ) Qual é o número esperado de petroleiros recusados num dia?
Exercı́cio 4.15. (D4.7) Uma empresa de aluguel de automóveis para excursões de longa distân-
cia dispõe de 5 veı́culos. Seja X uma variável aleatória associada à procura semanal de veı́culos.
Suponha que X ∼ P oisson (4).
a) Calcule a probabilidade de, em certa semana, um dos veı́culos não ser alugado.
b) Calcule o valor esperado do número de clientes que, em certa semana, podem não ser aten-
didos, por falta de veı́culos disponı́veis.
Exercı́cio 4.16. (D4.7) Seja X uma variável aleatória associada ao número de ovos postos por
segundo em certo aviário. Suponha que X ∼ P oisson (1).
Mostre que P (X = 0) = P (X = 1) e que para todo k > 1 se tem P (X = k) < P (X = k − 1).
Exercı́cio 4.17. (D4.7) O número de partı́culas emitidas por uma fonte radioativa, num dado
perı́odo de tempo, é uma variável aleatória com distribuição de Poisson. Sabendo que a probabi-
lidade de não ser emitida qualquer partı́cula nesse perı́odo de tempo é 1/3, calcule a probabilidade
de que nesse perı́odo de tempo a fonte emita pelo menos 2 partı́culas.
Exercı́cio 4.18. (D4.7) O número de mensagens eletrônicas recebidas em um dia por uma
pequena empresa de entregas rápidas segue uma distribuição de Poisson com taxa média igual
a 10 mensagens por dia. Calcule a probabilidade de em um dia a empresa não receber mais do
que 7 mensagens.
Exercı́cio 4.19. (D4.7) Seja X o número de erros tipográficos numa página de determinado
livro, uma variável aleatória com distribuição de Poisson de parâmetro 12 .
a) Encontre a probabilidade de que haja três ou mais erros tipográficos nesta página.

b) Calcule esta probabilidade dado que há pelo menos um erro nesta página.
Exercı́cio 4.20. (D4.7 e D4.3) Seja X uma variável aleatória associada ao número de partı́-
culas emitidas, por uma fonte radiotiva em cada perı́odo de 10 segundos. Suponha que X tem
2

distribuição de Poisson com E X = 6. Observada a emissão durante 7 perı́odos consecutivos
de 10 segundos, qual é a probabilidade de, em pelo menos um desses perı́odos, serem emitidas 4
ou mais partı́culas?
Exercı́cio 4.21. (D4.7 e D4.4) Seja X uma variável aleatória associada ao número de acidentes
de trabalho que ocorrem em uma fábrica por semana, com distribuição de Poisson. Sabendo que
a porcentagem de semanas em que ocorre um acidente é um terço da porcentagem de semanas
em que não acontece nenhum.
a) Determine o parâmetro da distribuição de X.
b) A partir de uma determinada data, a direção da fábrica vai registrar o número Y de semanas
decorridas antes de observar uma semana com ao menos um acidente.
i) Qual é a distribuição de Y ?
ii) Obtenha a probabilidade de que a semana com acidente seja a quarta na contagem.
Exercı́cio 4.22. (D4.8) Seja X uma variável aleatória. Suponha que X ∼ U (−2; 8).
a) Determine a densidade de X.
b) Calcule P (0 < X < 7).
c) Determine a acumulada de X.
Exercı́cio 4.23. (D4.8) Se Y tem distribuição uniforme em (0, 5), qual é a probabilidade de
que as raı́zes da equação 4x2 + 4xY + Y + 2 = 0 sejam ambas reais?
Exercı́cio 4.24. (D4.9) Uma empresa agro-quı́mica fabrica mensalmente 90 toneladas de um

dado produto. Seja X uma variável aleatória associada à procura mensal (em toneladas) deste
produto. Suponha que X ∼ N 80; 102 , calcule:

a) Calcule a probabilidade de a procura mensal do produto ficar entre 68 e 90 toneladas.
b) Calcule a probabilidade de a procura em um mês ser excessiva.
c) Calcule a produção necessária para a probabilidade de haver uma procura maior que a quan-
tidade produzida ser 2,5%.
Exercı́cio 4.25. (D4.9) Uma fábrica produz motores cujo tempo de vida é uma variável aleatória
com distribuição normal com média de 10 anos e desvio padrão de 2 anos. A fábrica quer criar
um perı́odo de garantia para os motores de forma que não mais de 3% tenham de ser substituı́dos.
Qual deverá ser o perı́odo de garantia máximo oferecido pela fábrica?
Exercı́cio 4.26. (D4.9) Considere uma variável aleatória contı́nua X cuja densidade é simétrica
em relação a um valor esperado 10 e com um desvio padrão 5. Sendo uma outra variável aleatória
Y definida por Y = βX − α com α, β > 0, determine:
a) α e β de modo que o valor esperado de Y seja nulo e a variância seja unitária.
b) Supondo que X tem distribuição normal, determine a distribuição de Y .

Exercı́cio 4.27. (D4.9) O comprimento (em mm) das peças produzidas por uma máquina é
uma variável aleatória normal com valor esperado µ e variância σ 2 . Uma peça é defeituosa se o
seu comprimento diferir do valor esperado mais do que σ. Sabe-se que 50% das peças produzidas
têm comprimento inferior a 2,5 mm e 47,5% têm comprimento entre 2,5 mm e 3,42 mm.
a) Calcule µ e σ.
b) Determine a probabilidade de que uma peça seja não defeituosa.
Exercı́cio 4.28. (D4.9) Seja X uma variável aleatória associada ao diâmetro de um cabo elé-
trico. Suponha que X ∼ N 0, 8; 0, 022 .
a) Qual é a probabilidade de que o diâmetro ultrapasse 0,81?
b) Suponha que esse cabo seja considerado defeituoso se o diâmetro diferir de sua média em
mais de 0,025. Qual é a probabilidade de se encontrar um cabo defeituoso?
Exercı́cio 4.29. (D4.9) Seja X uma variável aleatória associada ao nı́vel sérico de colesterol
em adultos, em uma população. Suponha que X ∼ N 225, 752 . Calcule:

a) a proporção de pessoas com nı́vel de colesterol entre 200 e 350;
b) o valor acima do qual se encontra o colesterol da parcela de 10% da população que tem os
nı́veis mais elevados.
Exercı́cio 4.30. (D4.9) Em uma fábrica de refrigerantes, uma máquina é usada para encher
garrafas de 600ml. Seja X uma variável aleatória associada ao conteúdo lı́quido (em ml) por
2

garrafa com distribuição N 600, 4 . Calcule:
a) a porcentagem de garrafas produzidas com conteúdo inferior a 592 ml ou superior a 612 ml;
b) o valor do conteúdo excedido por 96% das garrafas fabricadas.
Exercı́cio 4.31. (D4.9) Suponha que o tempo em horas que um estudante precisa para aprender
uma matéria de Geografia é uma variável aleatória X com distribuição normal. Se 84, 13% dos
alunos usam mais de 3 horas e somente 2, 28% levam mais de 9 horas para aprender a matéria,
quais são os parâmetros da distribuição?
Exercı́cio 4.32. (D4.9) Seja X uma variável aleatória associada ao diâmetro, em centı́metros,
das bolinhas de gude em um lote. Suponha que X tenha distribuição normal com valor esperado
igual a 1. Sabendo que um terço das bolinhas tem diâmetro maior que 1,1 cm.
a) Determine o desvio padrão de X.
b) Calcule a proporção de bolinhas cujo diâmetro está entre 0,8 e 1,2 cm.
c) Calcule o valor do diâmetro superado por 80% das bolinhas do lote.
Exercı́cio 4.33. (D4.9) Seja X e Y duas variáveis aleatórias associadas ao sálário mensal, em
reais, de um trabalhador da empresa A e B, respectivamente. Suponha que X ∼ N 1800, 3002
e Y ∼ N 2000, 2002 . Sabendo que a empresa A tem o triplo de funcionários da empresa

B. Se uma pessoa é escolhida aleatoriamente entre os trabalhadores das duas empresas, qual a
probabilidade de que ela receba mais de 2200 reais por mês?
Exercı́cio 4.34. (D4.9 e D4.3) Seja X uma variável aleatória associadaà produção semanal
(em toneladas) de uma plantação de bananas. Suponha que X ∼ N 5; 22 e que a produção é
independente de semana para semana.

a) Em uma semana escolhida ao acaso, qual é a probabilidade de a produção de bananas ser
inferior a 3 ton? E superior a 7 ton?
b) A plantação tem despesas fixas semanais no valor de 2000 reais. O produtor vende as bananas
por 500 R$/ton. Qual é a probabilidade de, em uma dada semana, o valor da venda ser
inferior às despesas fixas?
c) Calcule a probabilidade de, em 8 semanas escolhidas ao acaso, haver no máximo uma em que
a produção foi inferior a 3 ton.
Exercı́cio 4.35. (D4.9 e D4.3) Seja X uma variável aleatória associada ao conteúdo (em ml)
nos frascos de certo xarope. Suponha X ∼ N 200; 22 .
a) Qual é a probabilidade de um frasco escolhido ao acaso ter menos de 195 ml de xarope?
b) Em um lote de 30 frascos, qual é a probabilidade, aproximada, de haver no máximo 5 com

menos de 195 ml?
Exercı́cio 4.36. (D4.9 e D4.3) Seja X uma variável aleatória associada ao comprimento de
2

uma barra de ferro, de modo que X ∼ N 10; 2 . Suponha que a barra é considerada perfeita
se 8 ≤ X ≤ 12 e defeituosa caso contrário.
a) Qual é a probabilidade de uma barra ser perfeita?
b) Em 10 barras escolhidas ao acaso e com reposição na fabricação diária, qual é a probabilidade

de que pelo menos 2 sejam defeituosas?
c) Qual é o desvio padrão do número de barras defeituosas nesta amostra?
Exercı́cio 4.37. (D4.9 e D4.3) O tempo de vida de um laser tem distribuição normal com média
igual a 7000 horas e desvio padrão igual a 600 horas.
a) Qual é a probabilidade de um desses lasers falhar até 5300 horas?
b) Qual é a duração que é excedida por 90% desses lasers?
c) Um produto inclui três lasers e falha se algum deles falhar. Se os tempos de vida dos três
lasers forem independentes, qual é a probabilidade de esse produto durar mais do que 7000
horas?
Exercı́cio 4.38. (D4.9 e D4.7) Seja X uma variável aleatória associada ao número de defeitos
por mês no comboio de uma certa linha férrea que provocam a interrupção da circulação. O
número de defeitos em um dado mês é independente dos outros meses. Por outro lado, considere
Y uma variável aleatória associada ao tempo necessário, em horas, para restabelecer a circulação
ferroviária após a parada e também aqui, os tempos de reparação são independentes. Suponha
que X ∼ P oisson (3, 5) e Y ∼ N (2, 5; 0, 75).
a) Qual é o número esperado de defeitos em um dado mês?
b) Qual é a probabilidade de a interrupção da circulação após um defeito exceder 4,5 horas?
Exercı́cio 4.39. (D4.12) Seja X uma variável aleatória associada a duração de vida de um
componente eletrônico, em centenas de horas. Suponha que X tem distribuição exponencial com
valor esperado 0,5.
a) Determine a acumulada de X.

b) Calcule a probabilidade de que o componente eletrônico tenha uma duração de vida superior
a 150 horas, sabendo que já funcionou pelo menos durante 100 horas.
c) A distribuição do dobro da duração de um componente é ainda uma exponencial? Justifique.
d) De um lote contendo 2/3 dos componentes acima especificados e 1/3 de um outro tipo (mais
caro) de componentes eletrônicos com duração Exp(1) (em centenas de horas), extraiu-
se ao acaso um componente. Calcule o valor esperado e o desvio padrão da duração do
componente selecionado.
Exercı́cio 4.40. (D4.12 e D4.3) Uma fábrica utiliza dois métodos para a produção de lâmpadas:
70% delas são produzidas pelo método A e o resto pelo método B. Seja X e Y duas variáveis
aleatórias associadas à duração em horas dessas
lâmpadas, pelo método A e B, respectivamente.
1 1

Suponha que X ∼ Exp 80 e Y ∼ Exp 100 . Em um grupo de 10 lâmpadas selecionadas ao
acaso, qual a probabilidade de que 6 delas durem pelo menos 90 horas?

4.3.3 Respostas
4.1) a) X ∼ Bin (20; 0, 9);
b) P (X > 15) = 0, 9568;
c) P (X > 10) = 0, 9999928;
d) i) -; ii) 110; iii) P (C < 125) = 0, 9568.
4.2) a) X ∼ Bin (n; 0, 2);
b) i) 0,2309; ii) 0,9958;
c) O número mı́nimo de cobaias utilizadas na experiência deverá ser 14.
4.3) a) X ∼ Bin (3; 0, 1);
b) P (X ≥ 2) = 0, 028;
c) i) 0,8748 ii) 0,1667
4.4) 0,806.
4.5) a) X ∼ Bin (15; 0, 8);
b) P (X = 15) = 0, 0352;
c) P (X ≤ 13) = 0, 8329.
4.6) a) X ∼ Bin (10; 0, 2);
b) P (X ≥ 9) = 4, 2 × 10−6 ;
c) P (X ≥ 2) = 0, 6242.
4.7) a) P (X = 4) = 0, 1339;
b) P (X ≤ 4) = 0, 2843;
c) P (X ≥ 3) = 0, 9386.
4.8) k = 387
4.9) P (X ≤ 1) = 0, 3758096.
4.10) a) X ∼ Geom (0, 3);
b) 7 pedidos.
4.11) a) X ∼ BN (2; 0, 4);
4.12) a) X ∼ HG (9; 3; 6);
b) P (X ≥ 5) = 0,5
4 1 x 4 4−x

, para x = 0, 1, 2, 3 e 4

4.13) a) p (x) = x 5 5 ;
0, caso contrário

   

   5 20 
4−x


 x
, para x = 0, 1, 2, 3 e 4
  
b) p (x) = 25 .
  



 4
0, caso contrário

4.14) a) P (X > 3) = 0, 1429;
b) A capacidade de atendimento deverá ser de 4 petroleiros por dia;
c) E (X) = 2;
d) 1 ou 2;
e) 1,781982;
f) 0,2180175.
4.15) a) P (X = 4) = 0, 1954; b) 0,4103042.
4.16) - .
4.17) X ∼ P oisson − ln 13 ; P (X ≥ 2) = 0, 3004626.

4.18) P (X ≤ 7) = 0, 2202.
4.19) a)0,01438768; b) 0,0365662.
4.20) X ∼ P oisson (2); P (X ≥ 4) = 0, 6601372.
1
4.21) a) X ∼ P oisson 3 ;
1
b) i) X ∼ Geom 1 − e− 3 ; ii) P (X = 3) = 0, 1042823.

1

para − 2 ≤ x ≤ 8
10 ,
4.22) a) f (x) = ;
0, caso contrário
b) P (0 < X< 7) = 0, 7;
 0, para x < −2
(x+2)
c) F (x) = , para − 2 ≤ x ≤ 8 .
 10
1, para x > 8
4.23) P (Y > 2) = 0, 6.
4.24) a) P (68 < X < 90) = 0, 7262751;
b) P (X > 90) = 0, 1586553;
c) 99,6 ton.
4.25) 6,23 anos.
4.26) a) α = 2; β = 15 ;
b) Y ∼ N 10β − α; 25β 2 .
4.27) a) µ = 2, 5; σ = 0, 4694;
b) P (2, 0306 ≤ X ≤ 2, 9694) = 0, 6826895.
4.28) a) P (X > 0, 81) = 0, 3085375;
b) P (X < 0, 775 ou X > 0, 825) = 0, 2112995.
4.29) a) P (200 ≤ X ≤ 350) = 0, 5827683;
b) A parcela de 10% da população que tem os nı́veis mais elevados de colesterol é delimitada
pelo limiar de 321.
4.30) a) P (X < 592ouX > 612) = 2, 41%;
b) 593 ml.
4.31) µ = 5 e σ = 2.
4.32) a) σ = 0, 2321655;
b) P (0, 8 ≤ X ≤ 1, 2) = 0, 6110123;
c) 0,8046046 cm.
4.33) 0,1080722
4.34) a) P (X > 7) = P (X < 3) = 0, 1586553;
b) P (500X < 2000) = 0, 3085375;
c) Seja Y a variável aleatória que representa o número de semanas , em 8 escolhidas ao
acaso, em que a produção foi inferior a 3 ton. Y ∼ Bin (8; p), em que p = P (X < 3). Então,
P (Y ≤ 1) = 0, 6298268.
4.35) a) P (X < 195) = 0, 006209665;
b) P (Y ≤ 5) ≈ 1.
4.36) a) P (8 ≤ X ≤ 12) = 0, 6826895;
b) P (Y ≥ 2) = 0, 8757996;
c) σ = 1, 471817.
4.37) a) P (X ≤ 5300) = 0, 002303266;
b) 6231,069 horas;
c) P (Y = 0) = 0, 125.
4.38) a) E (X) = 3, 5;
b) P (Y > 4, 5) = 0,003830381.
1 − e−2x , para 0 ≤ x < ∞
4.39) a) FX (x) = ;
0, caso contrário
b) P (X > 1, 5 |X > 1 ) = 0, 3678794;
c) Sim, 2X ∼ Exp (1).
4.40) P (W = 6) = 0, 0683262.
Meyer (2000) Degroot and Schervish (2001) Ross (2010) Bussab and Morettin (2005)

Referências Bibliográficas
Badizé, M., Jacques, A., Petitpas, M. and Pichard, J.-F. (1996). Le jeu du franc-carreau - une
activité probabiliste au collège, Rouen: IREM de Rouen .
Bussab, W. d. O. and Morettin, P. A. (2005). Estatı́stica Básica, 5ª ed. edn, Saraiva, São Paulo.
Degroot, M. H. and Schervish, M. J. (2001). Probability and Statistics, 3rd Edition, 3 edn,
Addison Wesley.
James, B. R. (1981). Probabilidade: um curso em cı́vel intermediário, Instituto de Matemática

Pura e Aplicada (Projeto Euclides), Rio de Janeiro.
Meyer, P. L. (2000). Probabilidade: Aplicações à Estatı́stica, 2 ed. edn, LTC.
Ross, S. (2010). Probabilidade: um curso moderno com aplicações., 8 edn, Bookman, São Paulo.

Índice Remissivo
Acumulada, 52 Independência entre dois eventos, 35

Arranjo, 10 Independência mútua, 36
Arranjo sem repetição, 10
Axiomas de probabilidade, 26 Jogo de franc-carreau, 24
Bernoulli, 81 k-ésimo momento, 64

Beta, 91 k-ésimo momento central, 64
Binomial, 82 Mediana, 62
Binomial Negativa, 84
Normal, 88
Combinação, 13 Normal padrão, 88
Conjunto das partes, 25
Conjuntos disjuntos 2 a 2, 25 Partição, 31
Permutação, 11
Definição clássica de probabilidade, 23 Permutação com repetição, 12
Definição frequentista de probabilidade, 23 Poisson, 86
Definição geométrica de probabilidade, 24 Princı́pio fundamental da contagem, 8
Definição subjetiva de probabilidade, 25 Probabilidade condicional, 30
Densidade, 51
Diagrama de árvore, 7 Quantil, 61
Eixo de simetria da normal, 88 Suporte, 60

Espaço amostral, 21
Espaço de probabilidade, 26 Triângulo de pascal, 14
Esperança, 63 Uniforme, 87
Evento, 22 Uniforme discreta, 81
Evento aleatório, 22
Evento certo, 22 Valor esperado, 62
Evento complementar, 22 Variável aleatória, 49
Evento elementar, 22 Variável aleatória contı́nua, 51
Evento impossı́vel, 22 Variável aleatória discreta, 50
Evento simples, 22 Variância, 65
Expectativa, 63
Exponencial, 93
Falácia da probabilidade de base, 35

Fatorial, 8
Função de probabilidade, 50
Função gama, 91
Gama, 92
Gama invertida, 96
Geométrica, 84
Hipergeométrica, 85
Independência 2 a 2, 36
110

Apostila

Enviado por

Dados do documento

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

Apostila

Enviado por

Direitos autorais:

Formatos disponíveis

Cálculo de

Joaquim Neto www.ufjf.br/joaquim neto página 5 de 110

Joaquim Neto www.ufjf.br/joaquim neto página 6 de 110

Exemplo 1.2. Consideremos 3 cidades: X, Y e Z. Suponhamos 4 rodovias que ligam X à Y

Sejam A = {a1 , a2 , a3 , a4 } o conjunto das rodovias que ligam X à Y e B = {b1 , b2 , b3 , b4 , b5 } o

Joaquim Neto www.ufjf.br/joaquim neto página 7 de 110

1.2 Princı́pio fundamental da contagem

#A1 · #A2 · · · #An .

Joaquim Neto www.ufjf.br/joaquim neto página 8 de 110

Resultado 1.3 (Segunda parte do princı́pio fundamental da contagem). Sejam A =

Em outras palavras, o número de sequências de tamanho p formadas com elementos distintos

Exemplo 1.5. Em um campeonato de futebol participam 20 times. Quantos resultados são

Joaquim Neto www.ufjf.br/joaquim neto página 9 de 110

Arranjo Arranjo sem repetição

𝒃𝟏 , 𝒃𝟐 , 𝒃𝟑, … , 𝒃𝒑 𝒃𝟏, 𝒃𝟐, 𝒃𝟑, . . . , 𝒃𝒑

Joaquim Neto www.ufjf.br/joaquim neto página 10 de 110

Joaquim Neto www.ufjf.br/joaquim neto página 11 de 110

Resultado 1.5. Pelo princı́pio fundamental da contagem, temos

Exemplo 1.10. Quantos anagramas possui a palavra “Joaquim”?

1.5 Permutações com repetição

Joaquim Neto www.ufjf.br/joaquim neto página 12 de 110

Resultado 1.7. A combinação de n tomado p a p é dada por

Joaquim Neto www.ufjf.br/joaquim neto página 13 de 110

A seguir, veremos alguns resultados relacionados à combinações e, consequentemente, ao

Resultado 1.9. Para todo n ∈ N, temos que

Resultado 1.10 (Relação de Stiefel). Se n, p ∈ N e n > p ≥ 0 então

Joaquim Neto www.ufjf.br/joaquim neto página 14 de 110

Resultado 1.11. Se n, p ∈ N e p ≤ n, então

Joaquim Neto www.ufjf.br/joaquim neto página 15 de 110

Joaquim Neto www.ufjf.br/joaquim neto página 16 de 110

Exercı́cio 1.2. Em um campeonato de futebol participam 20 times. Quantos resultados são

Exercı́cio 1.3. Um cofre possui um disco marcado com os dı́gitos 0,1,2,3,4,5,6,7,8 e 9. O

Exercı́cio 1.5. Considere 10 cadeiras numeradas de 1 a 10. De quantas maneiras 2 pessoas

Exercı́cio 1.7. Considere 2 urnas. A primeira com 4 cartas numeradas de 1 a 4 e a segunda

Exercı́cio 1.8. Com os algarismos 1, 2, 3, 4, 5, 6, 7, 8 e 9, quantos números de 4 algarismos

Exercı́cio 1.11. De quantas formas 4 homens e 5 mulheres podem ficar em fila se

a) os homens devem ficar juntos?

b) E se os homens devem ficar juntos e as mulheres também?

Exercı́cio 1.13. Quantos anagramas existem da palavra “AMARILIS”?

Joaquim Neto www.ufjf.br/joaquim neto página 17 de 110

Exercı́cio 1.19. Considere 10 homens e 10 mulheres. Quantas comissões de 5 pessoas podemos

Exercı́cio 1.22. Um quı́mico possui 10 tipos diferentes de substâncias. De quantos modos

Exercı́cio 1.23. Quantas diagonais tem um polı́gono regular de n lados?

Exercı́cio 1.27. Em um grupo de 15 pessoas existem 5 médicos, 7 engenheiros e 3 advogados.

Exercı́cio 1.29. Com os algarismos 1, 2, 3, 4, 5, 6, 7, 8 e 9, quantos números de algarismos

Exercı́cio 1.30. Com os algarismos 1, 2, 3, 4, 5 e 6, quantos números pares de 3 algarismos

Joaquim Neto www.ufjf.br/joaquim neto página 18 de 110

Joaquim Neto www.ufjf.br/joaquim neto página 19 de 110

2.1 Espaço amostral

 A todo resultado possı́vel corresponde um, e somente um, elemento ω ∈ Ω.

 Resultados distintos correspondem a elementos distintos em Ω, ou seja, ω ∈ Ω não pode

Ω = {(1, 1), (1, 2), ..., (1, 6),

Exemplo 2.2. Considere um experimento que consiste em selecionar ao acaso a altura de um

Joaquim Neto www.ufjf.br/joaquim neto página 21 de 110

Exemplo 2.3. Considere um experimento que consiste em escolher aleatoriamente um ponto

 observar um número par,

 observar um número maior ou igual a 4.

Todo evento associado à um experimento pode ser identificado a um subconjunto do espaço

 o conjunto {2, 4, 6} ao evento observar um número par e

 o conjunto {4, 5, 6} ao evento observar um número maior ou igual a 4.

 Para ω ∈ Ω, o evento {ω} é dito elementar (ou simples).

 Eventos com uma atribuição de probabilidade são chamados de eventos aleatórios.

Definição 2.3. O complementar de um evento A, denotado por Ac , é o conjunto formado

Joaquim Neto www.ufjf.br/joaquim neto página 22 de 110

A todo resultado possı́vel corresponde um, e somente um, elemento ω ∈ Ω.

Resultados distintos correspondem a elementos distintos em Ω, ou seja, ω ∈ Ω não pode

observar um número par,

observar um número maior ou igual a 4.

o conjunto {2, 4, 6} ao evento observar um número par e

o conjunto {4, 5, 6} ao evento observar um número maior ou igual a 4.

Para ω ∈ Ω, o evento {ω} é dito elementar (ou simples).

Eventos com uma atribuição de probabilidade são chamados de eventos aleatórios.

Axioma 3: Se A1 , A2 , ... ∈ A são disjuntos 2 a 2, então

Ω é um conjunto não vazio,

A é um conjunto de eventos aleatórios e

Decorre da definição que P (A ∩ B) = P (B)P (A|B) e esta igualdade também é válida

se A1 , A2 , ... ∈ A são disjuntos 2 a 2, então

Por fim, temos

for uma sequência de conjuntos disjuntos 2 a 2 e

A1 =”o circuito foi produzido pela fábrica I”,

A2 =”o circuito foi produzido pela fábrica II”,

A3 =”o circuito foi produzido pela fábrica III”e

B =”o circuito não funciona”.

A1 =”o circuito foi produzido pela fábrica I”,

A1 = “Carro está na primeira porta”,

A2 = “Carro está na segunda porta”,

A3 = “Carro está na terceira porta” e

B = “O apresentador abre a terceira porta”.