Universidade Estadual de Campinas

Modulo III - D6
Analise Combinatoria, Probabilidade
Nocoes de Estatstica
Tema 2 - Espacos de Probabilidade
Prof. Laura L. R. Rifo
- Novembro, 2010 -
Sumario
1 Experimentos aleatorios 1
1.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Experimento composto . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Aplicacoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
Amostragem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
Amostragem como experimento . . . . . . . . . . . . . . . . . . . . . . . 3
Dados, moedas, baralhos e urnas . . . . . . . . . . . . . . . . . . . . . . 4
Conabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
Genetica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2 Espaco amostral e eventos 7
2.1 Espaco amostral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.3 Criando novos eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
A partir de mais de dois eventos . . . . . . . . . . . . . . . . . . . . . . 9
3 Variaveis aleatorias 11
3.1 Eventos induzidos por uma variavel aleatoria . . . . . . . . . . . . . . . 11
3.2 Aplicacoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Lancamentos de uma moeda . . . . . . . . . . . . . . . . . . . . . . . . . 13
Lancamentos de um dado . . . . . . . . . . . . . . . . . . . . . . . . . . 14
Experimentos compostos . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
ii Sumario
4 Medida de probabilidade 17
4.1 Probabilidade como grau de informacao . . . . . . . . . . . . . . . . . . 17
4.2 Diversas interpreta coes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.3 Denicao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.4 Algumas desigualdades . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
Desigualdade de Boole . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
Desigualdade de Bonferroni . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.5 Distribuicao de uma variavel aleatoria . . . . . . . . . . . . . . . . . . . 20
4.6 Distribuicao uniforme discreta . . . . . . . . . . . . . . . . . . . . . . . . 21
4.7 Distribuicoes discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.8 Formula de inclusao-exclusao . . . . . . . . . . . . . . . . . . . . . . . . 22
4.9 Moedas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Total de caras em n lancamentos uniformes . . . . . . . . . . . . . . . . 23
4.10 Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.11 Distribuicao do maximo e do mnimo de variaveis uniformes . . . . . . . 25
5 Probabilidade condicional 27
5.1 Denicao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.2 Regra do produto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
5.3 Lei da probabilidade total . . . . . . . . . . . . . . . . . . . . . . . . . . 28
5.4 Regra de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
6 Independencia 33
6.1 De dois eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
6.2 De uma colecao de eventos . . . . . . . . . . . . . . . . . . . . . . . . . . 34
6.3 De variaveis aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
6.4 Ensaios de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Sumario iii
A Demonstracoes 39
A.1 Uniao de uma colecao de eventos . . . . . . . . . . . . . . . . . . . . . . 39
A.2 Intersecao de uma colecao de eventos . . . . . . . . . . . . . . . . . . . . 39
A.3 Desigualdade de Boole . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
Captulo 1
Experimentos aleat orios
1.1 Introducao
A teoria de probabilidades se baseia na nocao de experimento aleatorio, ou seja, um
experimento cujo resultado nao e conhecido com certeza.
Esta nocao e bastante ampla: tudo o que nao conhecemos pode ser considerado um
experimento aleatorio, um experimento ou observacao que sera feita, ou que ja aconteceu
ou que esta acontecendo no momento.
A observacao sobre se havera chuva amanha ou nao, ou o resultado do proximo jogo de
nosso time pode ser considerado um experimento aleatorio. O n umero de especies ma-
rinhas abaixo de uma certa profundidade ou o nvel de poluicao em um certo ponto de
nossa cidade neste momento tambem pode ser considerado um experimento aleatorio,
ja que nao dispomos de instrumentos de medicao extremamente precisos. A data ou
lugar do surgimento de seres humanos ou o n umero de troncos ling usticos existentes na
America do Sul em 1500, mesmo ja tendo ocorrido, podem ser considerados experimentos
aleatorios, e de fato, sao objeto de in umeros estudos antropologicos e arqueologicos.
Uma denicao completa de um experimento aleatorio requer uma deni cao precisa do
que e que esta sendo observado no experimento, ou seja, uma denicao do que e de fato
um resultado possvel.
Os exemplos anteriores sao chamados experimentos simples.
2 Experimentos aleatorios
1.2 Experimento composto
Suponha que temos um experimento simples. A repeticao um certo n umero de vezes
deste experimento simples pode ser visto como um novo experimento, chamado experi-
mento composto.
Inversamente, em muitos casos, podemos idealizar um experimento dado como uma
seq uencia de subexperimentos simples.
Por exemplo, consideremos um experimento simples com apenas dois possveis resulta-
dos, como a observacao da face obtida no lancamento de uma moeda. Repeti coes suces-
sivas deste tipo de experimento sao chamadas ensaios de Bernoulli, em homenagem ao
matematico Jacob Bernoulli (em ingles).
Se cada experimento simples tiver k possveis resultados, como a observa cao da face
obtida no lancamento de um dado de k faces, repeticoes deste experimento sao chamadas
ensaios multinomiais.
As repeticoes podem ser feitas de maneira independente ou com alguma forma de de-
pendencia entre si. Intuitivamente, as repeti coes sao independentes se o resultado de
qualquer uma delas nao entregar informa cao sobre o resultado das demais repeticoes.
Maos `a obra.
Exerccios
1. Considere o experimento de lancar n moedas diferentes e observar o resultado de
cada moeda, adotando 1 para cara e 0 para coroa.
(a) Estabele ca um modelo probabilstico para este experimento.
(b) Descreva o experimento como um experimento composto com repeticoes inde-
pendentes de um experimento simples, identicando o experimento simples.
(c) Descreva o experimento como uma amostragem com reposicao de uma popu-
lacao, identicando a populacao e o tamanho da amostra.
(d) Descreva o experimento como n ensaios de Bernoulli.
2. Refaca a questao anterior, considerando o experimento de lan car n dados diferen-
tes, cada um com k faces numeradas de 1 a k, observando o resultado de cada
dado. No item (d), troque ensaios de Bernoulli por ensaios multinomiais.
Aplicacoes 3
3. Considere o experimento de lancar um dado comum de 6 faces e entao lancar uma
moeda o n umero de vezes obtido no dado, observando a seq uencia de resultados da
moeda (1 para cara e 0 para coroa). Descreva o experimento como um experimento
composto, como etapas sucessivas de experimentos simples, identicando estes
experimentos simples. O applet Die-Coin simula este experimento para um dado,
com diversos pesos para cada face, e uma moeda com probabilidade p [0, 1] de
obter cara em um lancamento.
4. Considere o experimento de extrair n cartas de um baralho comum.
(a) Descreva o experimento como um experimento composto, com etapas depen-
dentes.
(b) Descreva o experimento como uma amostragem sem reposicao de uma popu-
lacao, identicando a populacao e o tamanho da amostra.
1.3 Aplicacoes
Amostragem
Na grande maioria dos estudos estatsticos, desejamos estudar uma popula cao de inte-
resse: pessoas com uma certa caracterstica (de uma certa cidade, ou com uma certa
doen ca ou com uma certa faixa etaria, etc.), itens produzidos por uma fabrica, produtos
agropecuarios de uma certa regiao, por exemplo.
Em geral, queremos analisar diversas caractersticas (numericas ou nao) desta populacao:
sexo, peso e pressao sang unea de uma pessoa, tempo de vida util do item produzido,
quantidade de fertilizante, salinidade do solo e produtividade de uma plantacao de soja,
e assim por diante.
Analisar a popula cao inteira pode ser custoso ou mesmo impossvel: no exemplo dos
itens deveramos testar TODA a producao para analisar a vida util, e claramente isto
nao faz sentido.
Desta forma, recorremos a uma amostra da popula cao, observando as caractersticas de
interesse em cada elemento da amostra, chamado unidade amostral.
Amostragem como experimento
Uma amostragem pode ser realizada basicamente de duas formas: com ou sem reposi cao.
Na primeira, cada unidade amostral e devolvida `a populacao antes de extrair a proxima,
4 Experimentos aleatorios
de modo que um unico objeto pode aparecer diversas vezes na amostra. Na segunda
forma, sem reposi cao, as unidades amostrais nao sao devolvidas `a popula cao durante a
amostragem.
Podemos imaginar o processo de amostragem como um experimento composto, baseado
na repeti cao do experimento simples de extrair um unico objeto da popula cao e observar
as caractersticas de interesse.
Em uma amostragem com reposicao, as repeti coes podem ser consideradas indepen-
dentes, enquanto que em uma amostragem sem reposicao, o experimento consiste em
etapas dependentes entre si.
Dados, moedas, baralhos e urnas
Os experimentos classicos de observar a face obtida no lancamento de uma moeda ou
um dado, e na extracao de uma carta de um baralho ou de uma bolinha de uma urna,
por exemplo, permitem construir modelos matematicos simples para fenomenos reais
mais complexos.
No applet Coin Sample e possvel simular uma seq uencia de n lancamentos de uma
moeda com probabilidade p de obter cara em cada lan camento individual.
No applet Dice Sample temos um experimento analogo com dado de seis faces; clicando
no dado, e possvel alterar as probabilidades de cada face, de acordo com seis modelos
possveis.
Um baralho comum pode ser representado como o espa co produto
= {As, 2, 3, 4, 5, 6, 7, 8, 9, 10, J, Q, K} {, , , }.
O applet Card simula uma extra cao de n cartas de um baralho comum.
O software Probabilidade com urnas, do projeto Matematica Multimdia [11], simula ex-
tracoes de bolinhas de uma urna, com ou sem reposicao, e apresenta o modelo conhecido
como urna de Polya.
Estes softwares estao disponveis para serem utilizados por professores e alunos.
Conabilidade
No modelo usual de estudos em conabilidade, um sistema consiste em n componentes,
cada um deles ou funcionando bem ou com defeito.
Aplicacoes 5
O status de cada componente e desconhecido, e portanto dene um experimento alea-
torio.
O funcionamento do sistema como um todo depende do status dos componentes e de
como eles estao conectados entre si. Por exemplo, um sistema em serie funciona se e
somente se todos os componentes estiverem funcionando, enquanto que um sistema em
paralelo funciona se e somente se pelo menos um componente estiver funcionando.
Figura 1.1: Diagrama de dois sistemas com n componentes: o de cima, em serie, o de
baixo, em paralelo.
Mais geralmente, um sistema k-de-n funciona se ao menos k componentes estiverem
funcionando.
O modelo denido acima e um modelo estatico. Podemos estender a deni cao para um
modelo dinamico: inicialmente todas as componentes estao funcionando, mas em um
instante desconhecido (e portanto aleatorio) uma componente qualquer pode falhar. O
sistema como um todo tambem pode ter um instante de falha aleatorio que depende dos
tempos de falha das componentes e da estrutura do sistema, exigindo uma modelagem
matematica mais elaborada.
Para pensar: Considere o modelo de conabilidade k-de-n. Quais valores de k represen-
tam um sistema em serie? E um sistema em paralelo?
Genetica
Em sistemas de reprodu cao sexuada, o material genetico dos descendentes e uma com-
binacao desconhecida (e portanto aleatoria) do material genetico dos pais. Em parti-
cular, o nascimento de um crian ca pode ser considerado um experimento aleatorio com
relacao a resultados como cor dos olhos, do cabelo e outras caractersticas possveis. Em
medicina molecular, temos interesse por exemplo na transmissao de doencas geneticas.
Consideremos um modelo muito simples de uma caracterstica hereditaria com dois
possveis estados, como por exemplo uma planta de ervilha cuja vagem pode ser verde
6 Experimentos aleatorios
ou amarela. Dado que uma planta recebe dois genes para a caracterstica, os possveis
genotipos sao: vv, dois genes verdes; va, um gene verde e outro amarelo, e aa, um gene
amarelo de cada pai.
Os genotipos vv e aa sao chamados homozigotos, e o genotipo va, heterozigoto. Em
muitos casos, um dos estados herdados e dominante e o outro recessivo. Se, por exemplo,
o verde for um estado dominante para a cor da vagem, entao uma planta com genotipo
vv ou va tera vagens verdes, e uma com genotipo aa tera vagens amarelas.
Figura 1.2: Diagrama de duas situa coes de possveis genotipos: para os lhos, `a esquerda,
e para os pais, `a direita.
Conhecer os genes dos pais nao nos permite armar certamente qual sera o genotipo do
lho, ou inversamente, conhecendo o genotipo do lho, existem diversas possibilidades
para os genotipos dos pais (que, alias, sao analisadas em testes de paternidade). Desta
forma, podemos considerar o genotipo desconhecido como um experimento aleatorio.
Captulo 2
Espaco amostral e eventos
2.1 Espaco amostral
O espa co amostral de um experimento aleatorio e um conjunto contendo todos os
possveis resultados do experimento. Um elemento e chamado evento elementar.
Para experimentos simples, o espaco amostral pode ser exatamente o conjunto de todos
os resultados possveis, mas em modelos matematicos mais complexos, o espaco amostral
poderia conter mais elementos se for conveniente.
Por exemplo, se o experimento for lancar um dado e observar a face obtida, o espaco
amostral pode ser denido como = {1, 2, 3, 4, 5, 6}, mas se o experimento for medir
o peso de seu gato de estimacao, poderamos denir como espaco amostral o intervalo
= (0, ), mesmo que a maioria de seus elementos seja praticamente impossvel.
Se o resultado de um experimento entregar informacao sobre diversas variaveis, entao
o espaco amostral contem as seq uencias de valores que poderiam ser observadas. Por
exemplo, se um experimento consiste em medir o peso, o comprimento do pelo e a
cor do seu gato de estima cao entao o espaco amostral e formado por vetores com tres
componentes indicando cada uma destas caractersticas. Assim, um evento elementar
poderia ser o vetor (4kg, pelo medio, laranja e branco com manchas pretas).
Neste caso, se tivermos informacao sobre n variaveis entregue pelo experimento, podemos
considerar o espaco amostral como o produto cartesiano
1

2

n
, onde
i
e
o espaco amostral relacionado `a i-esima variavel.
Analogamente, se tivermos n repeti coes de um mesmo experimento, com espaco amostral
, entao
n
e o espaco amostral natural para o experimento composto, ou seja, para o
experimento que consiste em n repeti coes do experimento original.
8 Espaco amostral e eventos
Por exemplo, se considerarmos o experimento de lan car uma moeda 7 vezes, entao o
espaco amostral consiste em todas as seq uencias de caras e coroas, com 7 componentes.
Por outro lado, podemos ver este conjunto como o produto cartesiano do espaco amostral
mais simples,
i
, consistindo de apenas dois elementos, cara e coroa. Denotando cara
por C e coroa por K, temos
= {CCCCCCC, CCCCCCK, CCCCCKC, . . . , KKKKKKK}
= {C, K} {C, K} {C, K} = {C, K}
7
.
Ou seja, este conjunto tem 2
7
elementos.
Vemos neste exemplo que a forma de descrever um espa co amostral pode nos ajudar na
contagem de seus elementos.
2.2 Eventos
Chamamos evento qualquer conjunto observavel de possveis resultados do experimento,
ou seja, qualquer subconjunto observavel do espa co amostral .
Cada vez que o experimento e realizado, diremos que um evento A ocorre se o resultado
observado for um elemento de A, e diremos que nao ocorre se o resultado observado nao
for um elemento de A.
Em particular, sao eventos o proprio espaco amostral , que por deni cao e o evento
que sempre ocorre, e o conjunto vazio , que por deni cao e o evento que nunca ocorre.
No exemplo dos 7 lan camentos de uma moeda, um possvel evento e obter uma unica
cara, denido pelo conjunto
A = {CKKKKKK, KCKKKKK, KKCKKKK, KKKCKKK,
KKKKCKK, KKKKKCK, KKKKKKC}.
Denotaremos por F o conjunto de todos os possveis eventos associados ao experimento
aleatorio.
Maos `a obra.
Exerccios
1. Um experimento consiste em lancar um dado comum de 6 faces, ate aparecer face
3 ou 5. Seja A o evento em que a ultima face do experimento e 5 e nao 3. Dena
o espaco amostral e descreva o evento A como subconjunto de .
Criando novos eventos 9
2. Um experimento consiste em lancar dois dados comuns de 6 faces, ate que a soma
obtida seja 5 ou 7. Seja A o evento em que a soma e 5 e nao 7 no ultimo lancamento.
Suponha que sao registrados os pares obtidos em cada lancamento. Dena o espaco
amostral e descreva o evento A como subconjunto de .
3. No exerccio anterior, suponha que apenas o ultimo par e registrado. Dena o
espaco amostral e descreva o evento A como subconjunto de .
2.3 Criando novos eventos
As propriedades e operacoes entre conjuntos, vistas na primeira parte do curso, permitem
descrever e contruir novos eventos a partir de eventos dados.
Dizemos que um evento ocorre em uma realizacao do experimento se for observado um
evento elementar pertencente ao evento.
Assim, por exemplo, dado um evento A, o evento A
C
e o evento que ocorre se e somente
se A nao ocorrer, ja que A
C
se e somente se / A.
Do mesmo modo, dados os eventos A e B, o evento A B e o evento que ocorre se
pelo menos um dos eventos A ou B ocorrer, e A B e o evento que ocorre se ambos os
eventos A e B ocorrerem.
Diremos que dois eventos A e B sao mutuamente exclusivos se eles nao puderem ocorrer
simultaneamente, ou seja, se A B for o evento que nunca ocorre .
Figura 2.1: Diagrama de dois eventos mutuamente exclusivos.
A partir de mais de dois eventos
Esta denicao continua valida para a uniao e a interse cao de mais de dois eventos. Dados
os eventos A
1
, A
2
, . . . , A
n
, A
i
e o evento que ocorre se pelo menos um dos eventos
10 Espaco amostral e eventos
ocorrer, e A
i
e o evento que ocorre se todos os eventos ocorrerem. Formalmente,

n
i=1
A
i
se e somente se A
i
, para algum i {1, 2, . . . , n},

n
i=1
A
i
se e somente se A
i
, para todo i {1, 2, . . . , n}.
Consideremos uma colecao enumeravel de eventos A = {A
1
, A
2
, . . . } de um experimento
aleatorio.
A uniao desta colecao A e o evento que ocorre se e somente se pelo menos um evento
da colecao ocorrer. Veja a prova A.1.
Analogamente, a intersecao desta colecao Ae o evento que ocorre se e somente se todos
os eventos da cole cao ocorrerem. Veja a prova A.2.
Por exemplo, se os A
i
s forem os intervalos [0,1], [0,1/2], [0,1/3], etc, entao, A = [0, 1]
e A = {0}.
Maos `a obra.
Exerccios
Nos exerccios seguintes, assuma que A e B sao eventos.
1. Mostre que A B se e somente se a ocorrencia do evento A implica a ocorrencia
do evento B.
2. Mostre que A\ B e o evento que ocorre se e somente se A ocorre e B nao ocorre.
3. Mostre que (AB
C
) (A
C
B) e o evento que ocorre se e somente se exatamente
um entre A e B ocorrer. Este evento e chamado a diferenca simetrica entre A e
B, e e denotado por AB.
4. Mostre que (A B) (A B)
C
e o evento que ocorre se e somente se ou ambos
ou nenhum dos eventos A ou B ocorrerem.
5. Mostre em um diagrama de Euler-Venn todos os 16 eventos que podem ser cons-
trudos a partir de A e B.
6. Considere o experimento de dois lancamentos de um dado comum de 6 faces.
Sejam o espaco amostral, A o evento de que o resultado do primeiro lan camento
e igual a 1, e B o evento de que a soma dos dois resultados obtidos e igual a 7.
Descreva todos os elementos de: , A, B, A B, A B, A\ B, A
C
B
C
.
Captulo 3
Variaveis aleatorias
Consideremos um experimento aleatorio com espa co amostral .
Em muitos casos, estamos interessados em caractersticas numericas associadas a um
resultado .
Uma funcao real denida em , X : R, e chamada variavel aleatoria. Denotaremos
estas funcoes usualmente por letras mai usculas da segunda metade do alfabeto.
Uma variavel aleatoria em si pode tambem ser considerada um experimento aleatorio,
ja que seu valor (desconhecido) depende do resultado (desconhecido) do experimento.
Inversamente, se os resultados de um experimento forem valores numericos, entao o
resultado pode ser considerado uma variavel aleatoria.
Exemplo: Considere o experimento de lan car um dado e observar a face obtida. O
espaco amostral e um subconjunto real, = {1, 2, 3, 4, 5, 6}. Portanto a fun cao X que
indica a face observada e uma variavel aleatoria, como na Figura 3.1.
Exemplo: Considere o experimento de lancar uma moeda 2 vezes e observar a seq uencia
das faces obtidas. A fun cao real X que indica o n umero de caras de uma seq uencia
observada e uma variavel aleatoria.
Quando o experimento e realizado e observamos o resultado , a variavel aleatoria
assume o valor X() = x. Denotaremos por o conjunto dos possveis valores assumidos
por X.
3.1 Eventos induzidos por uma variavel aleatoria
Denotemos por A o conjunto de eventos em e por B o conjunto de eventos em R.
12 Variaveis aleatorias
Figura 3.1: Diagrama de uma funcao (variavel aleatoria) X entre os conjuntos e R.
Dado um evento B B, denotaremos por (X B) o conjunto imagem inversa de B, ou
seja,
(X B) = { : X() B}
e o conjunto de resultados do experimento que tem a caracterstica X com valor em B.
Dois casos particulares importantes desta nota cao sao os eventos em
(X = x) = { : X() = x},
o conjunto de resultados do experimento com caracterstica X exatamente igual a x, e
(X x) = { : X() x},
o conjunto de resultados do experimento com caracterstica X menor ou igual a x.
Exemplo. No exemplo dos 2 lancamentos de uma moeda, o evento (X = 1) e o conjunto
de seq uencias em que apresentam uma unica cara,
(X = 1) = {CK, KC},
onde C denota cara e K coroa. O evento (X 1) e o conjunto de seq uencias em que
apresentam no maximo uma cara,
(X 1) = {KK, CK, KC}.
Maos `a obra.
Exerccios
Assuma que X e uma variavel aleatoria e que A e B sao eventos em R. As seguintes
armacoes trabalham com o conjunto imagem inversa e sua preservacao por operacoes
de conjuntos. Prove os resultados.
Aplicacoes 13
1. (X A B) = (X A) (X B)
2. (X A B) = (X A) (X B)
3. (X A\ B) = (X A) \ (X B)
4. Se A e B sao disjuntos entao (X A) e (X B) tambem sao.
5. 1
AB
= 1
A
1
B
= min{1
A
, 1
B
}
6. 1
AB
= 1 (1 1
A
)(1 1
B
) = max{1
A
, 1
B
}
7. 1
A\B
= 1
A
(1 1
B
)
8. 1
A
C = 1 1
A
9. A B se e somente se 1
A
1
B
.
3.2 Aplicac oes
Os exemplos que veremos geralmente tratarao de problemas com moedas e dados, por sua
relativa simplicidade matematica. No entanto, nao devemos esquecer que estes modelos
podem ser vistos como uma primeira resolu cao para problemas reais mais complexos.
Lancamentos de uma moeda
Um experimento basico com moedas e o de n lancamentos sucessivos de uma moeda,
obtendo como resultado do experimento uma seq uencia X = (X
1
, X
2
, . . . , X
n
) de zeros
e uns, onde 0 denota coroa e 1 denota cara, por exemplo. Esta nota cao e util, ja que
permite obter algumas caractersticas do experimento de maneira rapida. Por exemplo,
se quisermos o total de caras obtidas nos n lancamentos, digamos S, basta observar que
S = X
1
+X
2
+ +X
n
, e se quisermos o total de coroas, basta obter n S.
O applet Coin Sample realiza este experimento, permitindo ver um padrao nas respostas
obtidas. Por exemplo, selecione n = 6 lancamentos com p = 0, 5, o que indica que voce
lancara 6 vezes uma moeda balanceada (com mesma chance de obter cara ou coroa em
um lan camento qualquer). Rode o programa vinte vezes, e veja quantas vezes ocorreu o
evento (S = 2). Depois selecione outros valores de p e veja o que ocorre com a freq uencia
deste evento ao repetir o experimento varias vezes.
Um experimento deste tipo, com repeticao de experimentos, cada um tendo apenas dois
possveis resultados, e chamado uma seq uencia de ensaios de Bernoulli.
14 Variaveis aleatorias
Lancamentos de um dado
Uma generaliza cao natural e considerar n lancamentos de um dado de k lados (que
pode ser visto como uma moeda com k faces). Este tipo de experimento e chamado uma
seq uencia de ensaios multinomiais. O caso especial de k = 6 corresponde a um dado
comum de 6 faces.
O applet Dice Sample realiza este experimento com um dado de 6 faces, permitindo ver
algum padrao nas respostas obtidas. Por exemplo, selecione n = 2 e rode o programa
diversas vezes. O que ocorre com a freq uencia do evento A =o resultado do primeiro
lancamento e par?
O experimento Jogo dos Divisores, construdo pelo projeto Matematica Multimdia [11],
dene fun coes numericas a partir das faces obtidas no lan camento de um dado comum.
Experimentos compostos
Consideremos agora o experimento em dois estagios dado-moeda: lan camos um dado
e depois lan camos uma moeda o total de vezes que foi obtido no dado. Registramos a
seq uencia X de resultados da moeda. Seja N a variavel aleatoria que denota o valor
obtido no dado e S o total de caras obtidas nos lan camentos da moeda.
Figura 3.2: Experimento de lancar um dado e uma moeda.
Determine o espaco amostral e #. Expresse N e S como fun coes denidas em .
Liste os elementos do evento (S = 5).
Resposta:
= {1, 0, 11, 10, 01, 00, 111, 110, 101, 011, 100, 010, 001, 000, 1111, . . . , 000000} tem
# = 2 + 2
2
+ 2
3
+ 2
4
+ 2
5
+ 2
6
= 126
Aplicacoes 15
elementos. A variavel aleatoria N e a funcao
N(1) = N(0) = 1
N(11) = N(10) = N(01) = N(00) = 2
N(111) = N(110) = N(101) = N(011) = = N(000) = 3
N(1111) = N(1110) = N(1101) = N(1011) = = N(0000) = 4
.
.
.
N(111111) = N(111110) = = N(000000) = 6
e S e
S(0) = S(00) = S(000) = S(0000) = S(00000) = S(000000) = 0
S(1) = S(10) = S(01) = S(100) = S(010) = = S(000001) = 1
S(11) = S(110) = S(101) = S(011) = = S(000011) = 2
S(111) = S(1110) = S(1101) = S(1011) = = S(000111) = 3
.
.
.
S(111111) = 6
O evento (S = 5) e descrito como o conjunto
(S = 5) = {11111, 111110, 111101, 111011, 110111, 101111, 011111}.
Maos `a obra.
Exerccios
1. Considere o experimento de lancar uma moeda n = 4 vezes, observando a sequencia
de resultados, e seja Y o n umero de caras obtidas.
(a) Descreva o espaco amostral , listando todos os seus elementos.
(b) Descreva o evento (Y = k), para todo k possvel.
(c) Quantos elementos tem o evento (Y = k)?
2. Considere o experimento anterior no caso geral de n lancamentos. Quantos ele-
mentos tem o espa co amostral? Quantos elementos tem o evento (Y = k), para
cada k = 0, 1, . . . , n?
16 Variaveis aleatorias
3. Considere o experimento de n = 2 lancamentos de um dado comum de 6 faces.
Sejam Y a variavel aleatoria que indica a soma obtida nos dois lancamentos, U a
variavel aleatoria que indica o menor resultado e V o maior resultado obtidos nos
dois lancamentos. Expresse cada uma destas variaveis aleatorias como uma fun cao
do espa co amostral e determine o conjunto de possveis valores. Determine o
conjunto de possveis valores de (U, V ).
4. No contexto do exerccio anterior, denote por X
1
o resultado do primeiro lanca-
mento e por X
2
, o resultado do segundo. Descreva os elementos dos seguintes
eventos como subconjuntos do espa co amostral :
(a) (X
1
< 3, X
2
> 4);
(b) (Y = 7);
(c) (U = 2);
(d) (V = 5);
(e) (U = V 1).
5. Suponha que 3 dados comuns de 6 faces sao lancados e que o resultado de cada
um (X
1
, X
2
, X
3
) e registrado. Uma pessoa paga $1 para lancar os dados e recebe
$1 por cada 6 que aparecer no lancamento. Seja W o lucro dessa pessoa em
uma realizacao do experimento. Descreva o espaco amostral do experimento e
expresse W como funcao denida em .
Captulo 4
Medida de probabilidade
4.1 Probabilidade como grau de informacao
Dependendo do grau de informacao do observador, e possvel ter diversos graus de
precisao sobre os possveis resultados de um experimento aleatorio. Um antropologo,
mesmo nao sabendo exatamente, deve ter uma ideia mais precisa a respeito do n umero de
troncos ling usticos na America do Sul em 1500 do que alguem que nao tem informa cao
especializada a respeito.
Este grau de informacao pode ser quanticado no que deniremos como fun cao de pro-
babilidade. Da discussao anterior, na maioria dos casos reais, observadores diferentes
terao informa coes diferentes a respeito do fenomeno estudado, e portanto funcoes de
probabilidade diferentes. Em alguns casos teoricos, no entanto, e possvel que haja con-
senso entre diversos observadores, levando assim a uma mesma funcao de probabilidade
para o problema estudado.
Qualquer que seja o caso, a probabilidade de um resultado reete um grau de certeza a
respeito da ocorrencia desse resultado.
4.2 Diversas interpreta coes
Historicamente, encontramos basicamente duas interpretacoes para o conceito de pro-
babilidade.
A mais antiga e a chamada interpreta cao freq uentista, baseada na suposi cao de que o
experimento pode ser repetido indenidamente sob as mesmas condicoes. Neste caso, a
18 Medida de probabilidade
probabilidade de um evento e proporcional ao limite da freq uencia observada do evento
nas repeticoes.
A segunda e a chamada interpreta cao subjetivista, baseada no conhecimento ou grau
de informa cao do observador a respeito dos possveis resultados do experimento. Se o
experimento nao for repetvel (como e o caso da maioria das situa coes na pratica), a
interpretacao frequentista ca sem sentido, e utilizamos naturalmente toda nossa in-
formacao para atribuir probabilidade a um evento de interesse.
A interpretacao freq uentista pode ser vista como um caso particular da subjetivista, ja
que um observador poderia achar razoavel atribuir para um evento uma probabilidade
igual ao limite da freq uencia se o experimento pudesse ser repetido.
Independentemente da interpreta cao, uma deni cao completa de uma probabilidade
requer uma denicao precisa do espaco amostral e do conjunto de eventos possveis.
O processo de atribuir uma fun cao de probabilidade aos resultados de um experimento
aleatorio e o que chamamos de modelagem probabilstica ou estocastica.
O vdeo BrasilxArgentina mostra uma aplicacao da teoria subjetivista em teoria de
decisao.
4.3 Denicao
Consideremos um experimento aleatorio com espa co amostral e conjunto de eventos
F.
Uma medida de probabilidade P em e uma fun cao real com domnio F, P : F R,
satisfazendo as seguintes propriedades:
P1 P(A) 0 para todo evento A F.
P2 P() = 1.
P3 Dada uma cole cao contavel de eventos {A
1
, A
2
, . . . }, disjuntos dois a dois, entao
P(
i
A
i
) =

i
P(A
i
).
Estas propriedades sao chamadas axiomas de Kolmogorov, em homenagem ao matemati-
co russo Andrei Kolmogorov. A terceira propriedade e conhecida como a propriedade de
aditividade contavel, e arma que a probabilidade de uma colecao nita ou enumeravel
de eventos mutuamente exclusivos e igual `a soma de suas probabilidades.
Algumas desigualdades 19
As propriedades P1 e P2 sao uma conven cao na qual decidimos medir a probabilidade
de um evento como um n umero entre 0 e 1; mas a propriedade P3 e fundamental, e
analoga `as demais forma de medir o tamanho de um conjunto: via cardinalidade de
conjuntos nitos, comprimento de intervalos reais, area de subconjuntos emR
2
, e volume
de subconjuntos em R
3
, por exemplo.
Maos `a obra.
Exerccios
Suponha que temos um experimento aleatorio com espa co amostral e uma medida
de probabilidade P. Nos seguintes exerccios, A e B sao eventos. Prove os seguintes
resultados usando os axiomas de Kolmogorov.
1. Regra do complementar. P(A
C
) = 1 P(A).
2. P() = 0.
3. Regra da diferen ca. P(B \ A) = P(B) P(A B).
4. Se A B entao P(B \ A) = P(B) P(A).
5. A probabilidade e uma funcao crescente relativa `a ordem parcial dos conjuntos.
Se A B entao P(A) P(B). Em particular, P(A) 1 para todo evento A.
6. Suponha que A B.
(a) Se P(B) = 0 entao P(A) = 0.
(b) Se P(A) = 1 entao P(B) = 1.
7. Se P(A) = 0 entao P(A B) = P(B).
8. Se P(A) = 1 entao P(A B) = P(B).
4.4 Algumas desigualdades
Para os seguintes resultados, suponha que {A
i
: i I} e uma cole cao enumeravel de
eventos em .
20 Medida de probabilidade
Desigualdade de Boole
P(
iI
A
i
)

iI
P(A
i
).
Veja a prova A.3.
Desigualdade de Bonferroni
P(
iI
A
i
) 1

iI
(1 P(A
i
)).
A prova e feita aplicando a desigualdade de Boole `a cole cao {A
C
i
: i I}.
Maos `a obra.
Exerccios
1. Suponha que {A
i
: i I} e uma colecao enumeravel de eventos com P(A
i
) = 0,
para i I. Use a desigualdade de Boole para mostrar que P(
i
A
i
) = 0.
Um evento A com P(A) = 0 e dito um evento nulo. Desta forma, a uniao enu-
meravel de eventos nulos e um evento nulo.
2. Suponha que {A
i
: i I} e uma colecao enumeravel de eventos com P(A
i
) = 1,
para todo i I. Use a desigualdade de Bonferroni para mostrar que P(
i
A
i
) = 0.
Um evento A com P(A) = 1 e dito um evento quase certo. Desta forma, a
intersecao enumeravel de eventos quase certos e um evento quase certo.
4.5 Distribuicao de uma variavel aleatoria
A terna (, F, P) denida na secao anterior e chamada espaco de probabilidade e e o
que devemos denir para modelar um experimento aleatorio.
Suponha que X e uma variavel aleatoria denida em , onde (, F, P) dene um espaco
de probabilidade.
Entao a fun cao P
X
denida por
P
X
(B) = P(X B) = P({ : X() B})
e uma medida de probabilidade em R. Este resultado sai diretamente das propriedades
da imagem inversa ja estudadas.
Distribuicao uniforme discreta 21
A funcao P
X
e chamada distribui cao de probabilidade de X.
Desta forma, uma variavel aleatoria dene um novo espaco de probabilidade em R,
(R, B, P
X
).
4.6 Distribuicao uniforme discreta
Suponhamos que e um conjunto nito e nao-vazio. A distribui cao uniforme em e
denida como
P(A) =
#A
#
, A ,
e e particularmente importante em experimentos amostrais e combinatorios, como os
denidos anteriormente.
Basicamente, se tivermos um espaco amostral nito, a distribui cao uniforme atribui aos
eventos de uma probabilidade proporcional ao seu n umero de elementos. Daqui a
importancia de construir formas ecientes de contagem.
Observemos que, neste caso, a probabilidade de cada resultado elementar e a mesma.
4.7 Distribuic oes discretas
Se for um conjunto discreto e nao-vazio, podemos denir uma probabilidade em A
denindo a probabilidade de todos os eventos elementares, P({}), para , que
denotaremos simplesmente por P().
De fato, neste caso, temos que
P(A) =

A
P().
Generalizando esta ideia, se tivermos um parti cao enumeravel de , {A
i
, i I}, entao
podemos escrever
P(B) =

iI
P(B A
i
).
Esta igualdade e conhecida como Lei da Probabilidade Total, e e util quando as proba-
bilidades das interse coes sao conhecidas.
Estas particoes usualmente aparecem quando lidamos com variaveis aleatorias discretas,
que denem uma particao natural com os eventos da forma (X = x). Se X assumir
22 Medida de probabilidade
Figura 4.1: Lei da Probabilidade Total.
valores apenas em um conjunto enumeravel R, entao
P(A) =

x
P(A (X = x)) =:

x
P(A, X = x).
4.8 F ormula de inclusao-exclusao
A formula de inclusao-exclusao vista para a medida de contagem se aplica tambem a
medidas de probabilidade, e a demonstracao e muito similar.
Dados tres eventos A, B, C, temos que
P(A B) = P(A) +P(B) P(A B),
e
P(ABC) = P(A)+P(B)+P(C)P(AB)P(AC)P(BC)+P(ABC).
Em geral, dados A
1
, A
2
, . . . , A
n
, temos que
P(A
i
) =
n

i=1
P(A
i
)

1i<jn
P(A
i
A
j
) + + (1)
n1
P(A
1
A
2
A
n
).
Maos `a obra.
Exerccios
Nos seguintes exerccios, assuma que A, B, C sao eventos de um espaco amostral .
1. Prove a formula de inclusao-exclusao.
2. Suponha que P(A) = 1/3, P(B) = 1/4, P(A B) = 1/10. Expresse cada um dos
seguintes eventos em linguagem de experimentos e determine sua probabilidade:
A\ B, A B, A
C
B
C
, A
C
B
C
, A B
C
.
Moedas 23
3. Suponha que P(A) = 0.3, P(B) = 0.2, P(C) = 0.4, P(AB) = 0.04, P(AC) =
0.1, P(BC) = 0.1, P(ABC) = 0.01. Expresse cada um dos seguintes eventos
em notacao de conjuntos e determine sua probabilidade:
(a) pelo menos um dos tres eventos ocorre;
(b) nenhum dos tres eventos ocorre;
(c) exatamente um dos tres eventos ocorre;
(d) exatamente dois dos tres eventos ocorrem.
4.9 Moedas
Consideremos o experimento de lancamento de uma moeda n vezes, observando a
seq uencia de resultados obtidos X = (X
1
, . . . X
n
), onde 1 denota cara e 0 denota coroa.
Figura 4.2: Resultado X do experimento 6 lan camentos de uma moeda.
No experimento Coin, selecione n = 2 moedas e rode o experimento 50 vezes, atua-
lizando a tabela depois de cada rodada. Determine a freq uencia dos eventos A =o
primeiro lancamento e cara e B =os dois lan camentos sao cara.
Total de caras em n lancamentos uniformes
Denamos a variavel aleatoria Y como o total de caras obtidas em n lancamentos de
uma moeda. Observemos que o espaco amostral do experimento e = {0, 1}
n
.
Se assumirmos que a probabilidade de obter cara em cada lancamento e a mesma de
obter coroa, entao cada resultado elementar tem a mesma probabilidade de ocorrer,
ou seja, X tem distribuicao uniforme em . Como temos 2
n
resultados, cada um tem
probabilidade 1/2
n
= (1/2)
n
.
O evento (Y = k) consiste em todos os valores de X com exatamente k caras. Pelo ja
visto, temos um total de

n
k

possibilidades de ordenar as k caras em n lancamentos.

Portanto,
P(Y = k) =

n
k

1
2

n
,
24 Medida de probabilidade
para todo k {0, 1, . . . , n}.
O vdeo Noite de forro mostra uma aplicacao destas distribuicoes.
Maos `a obra.
Exerccios
1. Considere o experimento de lancar uma moeda balanceada 3 vezes. Seja A o
evento o primeiro lan camento e cara e B, o evento exatamente dois lan camentos
resultam em cara. Para cada um dos eventos seguintes, liste seus elementos e
determine sua probabilidade: A, B, A B, A B, A
C
B
C
, A
C
B
C
, A B
C
.
2. Considere o experimento de lan car uma moeda balanceada 4 vezes, e denote por
Y o total de caras observadas. Liste os elementos do evento (Y = k), para cada k
possvel, e determine a probabilidade do evento.
4.10 Dados
Considere o experimento de lan car n vezes um dado de k faces, com faces numeradas
de 1 a k, registrando a seq uencia de resultados X = (X
1
, X
2
, . . . , X
n
). O caso k = 6
corresponde ao dado comum.
Figura 4.3: Resultado X do experimento 6 lancamentos de um dado.
Se assumirmos que cada face tem a mesma probabilidade de ser observada em cada
lancamento, entao todos os k
n
valores possveis de X tem a mesma probabilidade, 1/k
n
.
No experimento Dice, selecione n = 2 dados e rode o experimento 50 vezes, atualizando
a tabela depois de cada rodada. Determine a freq uencia dos eventos A =o primeiro
lancamento e menor que 3 e B =a soma dos dois lancamentos e 6.
Distribuicao do maximo e do mnimo de variaveis uniformes 25
4.11 Distribuicao do maximo e do mnimo de variaveis uni-
formes
Considere o experimento de lancar n vezes um dado de k faces igualmente provaveis, e
denamos as variaveis aleatorias U igual ao mnimo valor obtido nos n lancamentos e
V igual ao maximo valor.
Claramente, U e V podem assumir qualquer valor entre 1 e k. Obteremos a distribuicao
de U para n = 2 e k = 6. As provas do caso geral e da distribuicao de V sao analogas.
Observemos que (U = 6) ocorre somente se ambos os lancamentos forem 6. Como temos
um total de 6
2
= 36 possibilidades, entao P(U = 6) = 1/36. Para os demais casos, a
Tabela 4.1 mostra todos os possveis resultados dos dois lan camentos e o valor de U em
cada caso.
(D
1
, D
2
) 1 2 3 4 5 6
1 1 1 1 1 1 1
2 1 2 2 2 2 2
3 1 2 3 3 3 3
4 1 2 3 4 4 4
5 1 2 3 4 5 5
6 1 2 3 4 5 6
Tabela 4.1: Possveis resultados do mnimo de dois lan camentos de um dado.
Sendo assim, para determinar a probabilidade do evento (U = k) basta contar o total
de resultados cujo mnimo e igual a k.
O software Explorando o Jogo do Maximo trabalha com a simula cao de V para dois
dados.
26 Medida de probabilidade
Captulo 5
Probabilidade condicional
5.1 Denicao
Como antes, consideremos o esquema basico de um experimento aleatorio, um espaco
amostral , um conjunto de eventos F e uma medida de probabilidade P.
Assumamos que um evento B tenha ocorrido. Usualmente, esta informacao altera a
probabilidade atribuda a outros eventos. De fato, um outro evento A pode ocorrer se e
somente se AB pode ocorrer. Assim, a probabilidade de A, assumindo que B ocorreu,
deve ser proporcional a P(A B).
Em particular, P() deve ser proporcional a P( B) = P(B).
Dado um evento B com P(B) > 0, denimos a probabilidade condicional dado B como
a funcao que a cada evento A F atribui o valor P(A|B) igual a
P(A|B) =
P(A B)
P(B)
.
A fun cao P(A|B) e uma medida de probabilidade e tem, portanto, todas as propriedades
vistas no captulo anterior.
Os experimentos Jogo da trilha e Jogo das amebas mostram uma aplicacao de probabil-
idades condicionais para mais de dois eventos.
Maos `a obra.
Exerccios
Prove as seguintes arma coes, assumindo que A, B sao eventos com P(B) > 0.
28 Probabilidade condicional
1. A funcao P(A|B) e uma medida de probabilidade.
2. Se B A entao P(A|B) = 1.
3. Se A B entao P(A|B) = P(A)/P(B).
4. Se A e B forem disjuntos entao P(A|B) = 0.
5. Suponha que A tambem tem probabilidade positiva.
(a) P(A|B) > P(A) se e so se P(B|A) > P(B) se e so se P(AB) > P(A)P(B).
Neste caso, dizemos que A e B sao eventos positivamente correlacionados.
(b) P(A|B) < P(A) se e so se P(B|A) < P(B) se e so se P(AB) < P(A)P(B).
Neste caso, dizemos que A e B sao eventos negativamente correlacionados.
(c) P(A|B) = P(A) se e so se P(B|A) = P(B) se e so se P(AB) = P(A)P(B).
Neste caso, dizemos que A e B sao eventos nao correlacionados ou indepen-
dentes: intuitivamente, a ocorrencia de um dos eventos nao altera a proba-
bilidade do outro evento.
6. A e B tem a mesma correlacao que A
C
e B
C
.
5.2 Regra do produto
Eventualmente, podemos quanticar probabilidades condicionais de maneira simples e
usa-las para determinar a probabilidade de um evento.
Dados os eventos A e B,
P(A B) = P(A)P(A|B),
e, mais geralmente, dados os eventos A
1
, A
2
, . . . , A
n
,
P(A
1
A
2
A
n
) = P(A
1
)P(A
2
|A
1
) . . . P(A
n
|A
1
A
2
A
n1
).
Esta e chamada a regra do produto, e e particularmente util para experimentos que
consistem de etapas dependentes, com A
i
um evento relacionado `a etapa i.
5.3 Lei da probabilidade total
Com a regra do produto, podemos reescrever a Lei da Probabilidade Total como
P(B) =

iI
P(A
i
)P(B|A
i
),
Lei da probabilidade total 29
onde {A
i
: i I} e uma particao de .
Este resultado e util quando conhecemos as probabilidades dos eventos da parti cao,
P(A
i
), e as probabilidades condicionais, P(B|A
i
), e com isso podemos determinar P(B)
por partes.
Maos `a obra.
Exerccios
1. Suponha que A, B sao eventos com P(A) = 1/3, P(B) = 1/4, P(A B) = 1/10.
Determine: P(A|B), P(B|A), P(A
C
|B), P(B
C
|A), P(A
C
|B
C
).
2. Suponha que A, B, C sao eventos com P(A|C) = 1/2, P(B|C) = 1/3, P(A
B|C) = 1/4. Determine: P(A\ B|C), P(A B|C), P(A
C
B
C
|C).
3. Suponha que A, B sao eventos com P(A) = 1/2, P(B) = 1/3, P(A B) =
3/4. Determine: P(A B), P(A B), P(B|A), P(A
C
B); A e B sao positiva,
negativamente correlacionados ou nao correlacionados?
4. Uma empresa tem 200 funcionarios: 120 mulheres e 80 homens. Das 120 fun-
cionarias, 30 sao gerentes, enquanto que 20 dos 80 funcionarios sao gerentes. Se-
lecionando um funcionario, determine a probabilidade de que:
(a) seja mulher;
(b) seja gerente;
(c) seja gerente, dado que e mulher;
(d) seja mulher, dado que e gerente.
As caractersticas mulher e gerente sao correlacionadas? como?
5. Considere o experimento de lan car 2 dados e observar o resultado obtido X =
(X
1
, X
2
) em cada dado. Assuma que os dados sao equilibrados e que os lan camen-
tos nao favorecem nenhuma face. Dena Y como a soma dos resultados. Para cada
par de eventos a seguir, determine a probabilidade de cada evento, a probabilidade
condicional de um evento dado o outro, e que tipo de correlacao eles apresentam.
(a) {X
1
= 3}, {Y = 5};
(b) {X
1
= 3}, {Y = 7};
(c) {X
1
= 2}, {Y = 5};
30 Probabilidade condicional
(d) {X
1
= 3}, {X
1
= 2}.
6. Simule o exerccio anterior no applet Dice, selecionando n = 2.
7. Considere novamente o exerccio anterior, e dena U como o resultado mnimo e
V como o resultado maximo. Determine:
(a) P(U = u|V = 4), para os valores possveis de u;
(b) P(Y = y|V = 4), para os valores possveis de y;
(c) P(V = v|Y = 8), para os valores possveis de v;
(d) P(U = u|Y = 8), para os valores possveis de u;
(e) P(X
1
= x
1
, X
2
= x
2
|Y = 8), para os valores possveis de (x
1
, x
2
).
5.4 Regra de Bayes
Seja {A
i
: i I} uma particao de e B um evento. Da regra do produto, dado j I,
podemos escrever P(A
j
|B) como
P(A
j
B) = P(A
j
)P(B|A
j
).
Pela Lei da Probabilidade Total obtemos entao
P(A
j
|B) =
P(A
j
B)
P(B)
=
P(A
j
)P(B|A
j
)

iI
P(A
i
)P(B|A
i
)
,
conhecida como a Regra de Bayes.
Este resultado nos permite atualizar a probabilidade dos eventos A
i
, apos saber ou
supor que B ocorreu.

E comumente utilizada para atualizar a probabilidade dos diversos
modelos considerados para uma populacao apos obter informa cao de uma amostra da
mesma.
Os vdeos Teste de gravidez e Crime da rua do Gasometro apresentam duas situa coes
em que a regra de Bayes pode ser aplicada.
Maos `a obra.
Exerccios
1. Considere o experimento dado-moeda de lancar um dado e depois uma moeda o
n umero de vezes que aparece no dado. Seja N o resultado do dado e C o evento de
que todos os lan camentos da moeda resultam em cara. Determine: P(C), P(N =
Regra de Bayes 31
n|C) para n {1, 2, 3, 4, 5, 6}, compare estes resultados com P(N = n) para
n {1, 2, 3, 4, 5, 6}, dizendo como os eventos C e (N = n)estao correlacionados.
2. Simule o exerccio anterior no applet Die-Coin, comparando as freq uencias obser-
vadas com as probabilidades calculadas no item anterior.
3. Uma bolsa contem 12 moedas indistinguveis: 5 moedas equilibradas, 4 moedas
viesadas com probabilidade de cara igual a 1/3, e 3 moedas com duas caras. Uma
moeda e selecionada e lan cada. Qual e a probabilidade de obter cara? Se o
resultado fosse cara, qual e a probabilidade condicional de cada tipo de moeda?
4. Considere o experimento moeda-dado, no qual uma moeda e lan cada. Se o re-
sultado for coroa, lancamos um dado balanceado; se for cara, lan camos um dado
as-seis (as faces 1 e 6 tem probabilidade 1/4 cada uma, e as demais, 1/8 cada).
Seja H o evento de obter cara, e seja Y o resultado obtido no dado. Assumindo
que a moeda e balanceada, determine:
(a) P(Y = y) para y {1, 2, 3, 4, 5, 6};
(b) P(H|Y = y) para y {1, 2, 3, 4, 5, 6};
(c) compare as probabilidades do item anterior com P(H), indicando o tipo de
correlacao entre os eventos H e (Y = y).
(d) Simule o exerccio anterior no applet Coin-Die, comparando as freq uencias
observadas com as probabilidades calculadas no item anterior.
5. Uma fabrica tem 3 linhas de montagem para produzir chips de memoria. A linha
1 produz 50% dos chips, com uma taxa de defeituosos de 4%; a linha 2 produz
30% dos chips, com uma taxa de defeituosos de 5%; a linha 3 produz 20% dos
chips, com uma taxa de defeituosos de 1%. Ao selecionar um chip, determine a
probabilidade de que o chip seja defeituoso. Determine a probabilidade condicional
de cada linha se o chip for defeituoso.
6. Em uma populacao, composta igualmente por homens e mulheres, 10% dos homens
sao daltonicos, enquanto que apenas 1% das mulheres o sao. Determine a pro-
por cao de daltonicos na populacao, e a propor cao de daltonicos que sao homens.
32 Probabilidade condicional
Captulo 6
Independencia
6.1 De dois eventos
Como antes, suponhamos que temos um experimento aleatorio com espa co amostral ,
conjunto de eventos F e medida de probabilidade P.
Independencia e um dos conceitos fundamentais em teoria de probabilidade, e utilizado
como suposicao para uma ampla gama de modelos.
Dados dois eventos A, B, dizemos que eles sao independentes se
P(A B) = P(A)P(B).
Se ambos os eventos tiverem probabilidade positiva, entao independencia e equivalente
a
P(A|B) = P(A) e P(B|A) = P(B).
Desta forma, ca evidenciado que dois eventos sao independentes se ao assumir que um
deles ocorre, a probabilidade do outro ocorrer nao e alterada.
Maos `a obra.
Exerccios
1. Suponha que A, B sao eventos disjuntos, ambos com probabilidade positiva. Mos-
tre que P(A B) = 0, mas que P(A)P(B) > 0. Portanto, A e B nao sao
independentes, mais ainda, eles sao negativamente correlacionados (se um dele
ocorrer, o outro nao pode ocorrer).
2. Suponha que A, B sao eventos independentes. Mostre que tambem sao indepen-
dentes: A
C
e B, B e A
C
, A
C
e B
C
.
34 Independencia
6.2 De uma colecao de eventos
Consideremos uma colecao A = {A
i
: i I} de eventos. Dizemos que eles sao indepen-
dentes se para qualquer subcolecao nita {A
1
, A
2
, . . . , A
k
} A,
P(
k

i=1
A
i
) =
k

i=1
P(A
i
).
Esta denicao de independencia e muito mais geral do que uma simples independencia
dois a dois; todas as cole c oes nitas de A
i
s devem ser independentes, dois a dois, tres
a tres, etc. Os exerccios dao exemplos desta diferenca.
Maos `a obra.
Exerccios
1. Descreva todas as condicoes para que A, B, C sejam eventos independentes.
2. Suponha que A, B, C sao eventos independentes. Mostre que os eventos AB
C
e
C tambem sao independentes.
3. Suponha que {A
1
, A
2
, . . . , A
n
} e uma cole cao nita de eventos independentes.
Mostre que
P(
n

i=1
A
i
) = 1
n

i=1
(1 p(A
i
)).
4. Suponha que A, B, C sao eventos independentes com P(A) = 0.3, P(B) = 0.5,
P(C) = 0.8. Expresse cada um dos seguintes eventos em nota cao de conjuntos e
determine sua probabilidade:
(a) todos os tres eventos ocorrem;
(b) nenhum dos tres eventos ocorre;
(c) ao menos um dos tres eventos ocorre;
(d) exatamente um dos tres eventos ocorre;
(e) exatamente dois dos tres eventos ocorrem.
5. Suponha que A, B, C sao eventos independentes com P(A) = 1/2, P(B) = 1/3,
P(C) = 1/4. Determine a probabilidade dos seguintes eventos: (A B) C,
A B
C
C, (A
C
B
C
) C
C
.
De variaveis aleatorias 35
6.3 De variaveis aleat orias
Suponha que X
1
e X
2
sao variaveis aleatorias. Intuitivamente, duas variaveis aleatorias
sao independentes se o conhecimento do valor de uma delas nao altera a distribuicao de
probabilidade da outra variavel.
Formalmente, X
1
e X
2
sao variaveis aleatorias independentes se as cole coes de eventos
{(X
1
B) : B B} e {(X
2
B) : B B}
forem independentes, ou equivalentemente, se para cada escolha B
1
, B
2
B, tivermos
que
P(X
1
B
1
, X
2
B
2
) = P(X
1
B
1
)P(X
2
B
2
).
Generalizando a denicao anterior, dizemos que uma seq uencia de variaveis aleatorias
X
1
, X
2
, . . . e independente se qualquer subcole cao nita delas for independente.
Suponhamos que temos um experimento basico no qual observamos a variavel X
0
. Por
denicao, o resultado do experimento que consiste em repeti coes independentes do exper-
imento basico e uma seq uencia de variaveis aleatorias independentes X = (X
1
, X
2
, . . . ),
cada uma com a mesma distribui cao de probabilidade que X
0
.
6.4 Ensaios de Bernoulli
Um seq uencia de ensaios de Bernoulli e uma seq uencia X = (X
1
, X
2
, . . . ) de variaveis
independentes identicamente distribudas, onde cada variavel pode assumir apenas os
valores 0 ou 1. Da terminologia de teoria da conabilidade, usualmente chamamos o
resultado 1 de sucesso e o 0 de fracasso.
Um exemplo usual e o de sucessivos lancamentos de uma moeda nao necessariamente
balanceada, ou de repeticoes de um experimento basico no qual temos interesse em saber
se um evento A ocorre ou nao.
Este processo tem um unico parametro p = P(X
i
= 1) que determina completamente o
modelo probabilstico.
Para este modelo, temos
P(X
1
= x
1
, X
2
= x
2
, . . . , X
n
= x
n
) = p
x
1
+x
2
++xn
(1 p)
n(x
1
+x
2
++xn)
,
para x
i
{0, 1}, i {1, 2, . . . , n}.
36 Independencia
Observemos que esta seq uencia de variaveis e permutavel, ou seja, se permutarmos a
seq uencia (x
1
, x
2
, . . . , x
n
), a probabilidade nao muda.
Maos `a obra.
Exerccios
1. Seja X = (X
1
, X
2
, . . . ) uma seq uencia de ensaios de Bernoulli. Mostre que
P(X
1
= x
1
, X
2
= x
2
, . . . , X
n
= x
n
) = p
x
1
+x
2
++xn
(1 p)
n(x
1
+x
2
++xn)
,
para x
i
{0, 1}, i {1, 2, . . . , n}.
2. Seja Y o total de sucessos nas n primeiras tentativas. Mostre que
P(Y = k) =

n
k

p
k
(1 p)
nk
,
para k {0, 1, . . . , n}. A distribuicao de Y e chamada distribui cao binomial com
parametros n e p.
3. Considere o experimento de lan car 2 dados balanceados de seis faces e observar
a seq uencia obtida. Seja A o evento de obter 3 no primeiro dado, B o evento de
obter 4 no segundo dado e C o de que a soma seja 7.
(a) Mostre que os eventos A, B, C sao independentes dois a dois.
(b) Mostre que A B implica C e que portanto eles sao dependentes.
4. No applet Dice Sample, selecione n = 2 e rode o experimento 500 vezes. Para
cada par de eventos no exerccio anterior, determine o produto das freq uencias
observadas e a freq uencia observada da intersecao. Compare os resultados com o
valor teorico.
5. Considere o experimento de lan car um dado balanceado e observar a face obtida,
e os eventos A = {1, 2, 3, 4} e B = C = {4, 5, 6}. Mostre que P(A B C) =
P(A)P(B)P(C), mas que B e C sao dependentes.
6. Um dado balanceado e lan cado 4 vezes. Determine a probabilidade de que: 6 nao
ocorra; 6 ocorra pelo menos uma vez; a soma dos dois primeiros resultados seja 5
e a soma dos dois ultimos resultados seja 7.
7. Uma moeda com probabilidade de cara igual a 1/3 e lan cada 5 vezes. Seja X o
resultado dos lan camentos (em 0s e 1s) e Y o total de caras. Determine:
Ensaios de Bernoulli 37
(a) P(X = x) para cada x {0, 1}
5
;
(b) P(Y = k) para cada k {0, 1, 2, 3, 4, 5};
(c) P(1 Y 3).
38 Independencia
Apendice A
Demonstrac oes
A.1 Uniao de uma colecao de eventos
Dada uma colecao enumeravel de eventos A = {A
1
, A
2
, . . . }, a uniao A e o evento que
ocorre se e somente se pelo menos um evento da colecao ocorrer.
De fato, consideremos uma realizacao do experimento, con resultado observado .
Entao, A ocorre se e somente se A. Isto signica que A
i
, para algum i I,
que e equivalente a armar que A
i
ocorre, para algum i I.
A.2 Intersecao de uma colecao de eventos
Dada uma colecao enumeravel de eventos A = {A
1
, A
2
, . . . }, a interse cao A e o evento
que ocorre se e somente se todos os eventos da colecao ocorrerem.
De fato, consideremos o evento complementar (
i
A
i
)
C
=
i
A
C
i
. Pela arma cao anterior,

i
A
C
i
ocorre se e somente se pelo menos um evento A
C
i
ocorrer, ou seja, se pelo menos
um evento A
i
nao ocorrer.
Assim
i
A
i
= (
i
A
C
i
)
C
ocorre se e somente se nenhum dos eventos A
C
i
ocorrer, ou seja,
se todos os eventos A
i
ocorrerem.
A.3 Desigualdade de Boole
Suponha que {A
i
: i I} e uma cole cao enumeravel de eventos em .
40 Demonstracoes
Consideremos inicialmente o caso em que I e um conjunto nito, ou seja, podemos
considerar I = {1, 2, . . . n}.
Denamos os eventos B
1
= A
1
e B
i
= A
i
\ (A
1
A
i1
) para i {2, . . . , n}, como
feito no Tema 1.
Portanto, os conjuntos B
1
, B
2
, . . . , B
n
sao disjuntos dois a dois e tem a mesma uniao
que A. Desta forma P(A
i
) = P(B
i
).
Pelo axioma de aditividade, P(B
i
) =

PB
i
.
Finalmente, como B
i
A
i
e P e uma funcao crescente, temos que
P (
i
A
i
) = P (
i
B
i
) =

i
P(B
i
)

i
P(A
i
),
como queramos provar.
O caso nao nito e demonstrado usando o Princpio de Inducao Finita e o argumento
anterior para os conjuntos
n
i=1
A
i
e A
n+1
.
Voltar 4.4.
Referencias Bibliogracas
[1] Carvalho, P.C.P., de Carvalho, J.B.P., Fernandez, P., Morgado, A.C.O. (2004)
Analise Combinatoria e Probabilidade. Editora SBM.
[2] Feller, P. (1976) Introdu cao ` a Teoria de Probabilidades e suas Aplicacoes. Editora
Edgard Bl ucher.
[3] Gnedenko, B. (2008) A Teoria da Probabilidade. Editora Ciencia Moderna.
[4] Halmos, P. (2001) Teoria Ingenua dos Conjuntos. Editora Ciencia Moderna.
[5] James, B. (1996) Probabilidade: um curso em nvel intermediario. Colecao Projeto
Euclides.
[6] Meyer, P. (2000) Probabilidade: aplicacoes `a estatstica. Editora LTC.
[7] Revista do Professor de Matematica. SBM.
[8] Ross, S. (2010) Probabilidade: um curso moderno com aplicacoes. Editora Bookman
Co.
Paginas da internet
Em portugues
[9] ALEA, Accao Local de Estatstica Aplicada, Portugal.
[10] Mais - Recursos Educacionais em Matematica, Brasil.
[11] Matematica Multimdia, Unicamp.
Em ingles
[12] Historia da Matematica, Universidade de St. Andrews, Escocia.
[13] Laboratorio de Probabilidade e Estatstica, Universidade do Alabama, EUA.