2 - Probabilidade Ns estamos prontos para iniciar nosso estudo sobre a teoria da probabilidade.

Algumas das primeiras aplicaes da teoria da probabilidade ocorreram no sculo XVII. Um nobre francs que naquela poca estava interessado em vrios tipos de jogos existentes nos cassinos de Monte Carlo: ele tentou sem sucesso descrever matematicamente a proporo relativa de que certas apostas poderiam ser ganhadoras. Ele conhecia dois dos melhores matemticos de seu tempo, Pascal e Fermat e mencionou suas dificuldades a eles. Esse fato iniciou uma troca de cartas entre esses dois matemticos resultando na correta aplicao da matemtica para medir a freqncia relativa de ocorrncias em simples jogos de azar. Historiadores geralmente atribuem a essa troca de cartas o incio da teoria da probabilidade como ns a conhecemos. Por muitos anos a freqncia relativa foi a definio de probabilidade, era tudo que ambos conheciam e em um certo sentido era tudo que era necessrio. Essa definio continuou aproximadamente como ser descrito. Suponha que um experimento esta para ser realizado (alguma operao na qual o resultado no pode ser previsto antecipadamente); ento existem vrios resultados possveis que podem ocorrer quando o experimento for realizado. Se um evento A ocorre com m desses resultados, ento a probabilidade de A ocorrer a razo de m/n, onde n o total de nmeros de possveis resultados. Ento se um experimento consiste em lanar um dado honesto e A a ocorrncia de um nmero par, m = 3, n = 6 e a probabilidade de A 3/6. Existem muitos problemas para os quais essa definio apropriada, mas uma aproximao heurstica no conducente para um tratamento matemtico da teoria da probabilidade. Os avanos matemticos em teoria da probabilidade ficaram relativamente limitados e existia uma dificuldade de estabelecer uma base firme, at que o matemtico russo A. N. Kolmogorov deu um simples conjunto de trs axiomas ou regras que a probabilidade teria de obedecer. Desde o estabelecimento dessa base axiomtica, grandes passos foram dados na teoria da probabilidade e no nmero de problemas prticos na qual ela se aplica. Nesse capitulo ns iremos ver quais so esses trs axiomas e porque ns podemos razoavelmente adotar e seguir essas regras da probabilidade. Os axiomas no do nenhum valor nico que a probabilidade de um evento deva ter; antes elas expressam regras que fornecem consistncia em nossa arbitraria designao de probabilidade. A definio de probabilidade como uma freqncia relativa j mencionada anteriormente, apenas um caminho para o clculo de probabilidade; ela ser discutida mais amplamente na Sesso 2.3 e como mostrado no satisfaz os axiomas. A definio de freqncia relativa tem construdo dentro dela certos pressupostos sobre resultados de um experimento que no so sempre apropriados. Ento esse arbitrrio caminho de encontrar uma probabilidade no sempre aplicvel. Ser til discutir brevemente a noo de modelo de probabilidade. Um experimento uma operao fsica que, que pode gerar um ou mais possveis resultados. Por exemplo, se ns jogamos um par de dados uma vez, os dois nmeros que ns podemos observar podem ir de um par de uns at um par de seis. Ou se uma particular pessoa vai correr 100 metros o mais rpido que ela puder, o tempo de quando ela iniciou a corrida at que ela finalize a corrida pode ser algo entre de 9 e 30 segundos. Ou se uma pessoa vive de maneira sedentria e adotando alguns vcios, o seu tempo de vida depois que completa 20 anos pode ir de algo entre 0 (zero) anos at 100 anos. Em cada um desses casos, o resultado particular que ns podemos observar no pode ser previsto antecipadamente, mas a coleo total de resultados possveis ns conhecemos (um desses resultados ocorrer quando o experimento for realizado). Quando construmos um modelo de probabilidade para um experimento, ns estaremos preocupados em especificar: (1) qual a coleo de possveis resultados e (2) a freqncia relativa da ocorrncia desses resultados, baseado na analise do experimento. Ns estamos de alguma forma idealizando uma situao fsica, j que estamos restringindo o conjunto dos possveis resultados; porm o tamanho dessa idealizao no afeta a freqncia relativa dos eventos de interesse, ns podemos com proveito usar os resultados de nossos clculos para descries do experimento fsico. O modelo de probabilidade ento consiste em assumir uma coleo de possveis resultados e atribuir freqncias relativas ou probabilidades a esses resultados. Os axiomas so utilizados para assegurar consistncia a essas atribuies de probabilidades. Na segunda metade desse livro, ns iremos estudar problemas e mtodos de inferncia estatstica. A teoria da probabilidade essencialmente de natureza dedutiva; dos fatos conhecidos sobre um experimento algum quer deduzir a probabilidade de ocorrncia de um evento de interesse.

Como veremos, estatstica mais naturalmente indutiva. Observando o que verdade em uns poucos casos, o estatstico est interessado em realizar generalizaes ou inferncia sobre o que pode tambm ser verdade em casos no observados. Estatsticos podem por exemplo, observar os resultados de um experimento uma ou mais vezes e ento perguntar se essas observaes so consistentes com uma ou outro tipo de distribuio de probabilidade. Ou ele pode observar algo que j aconteceu, uma quantidade, como o preo de um estoque, ou a produo de rvores frutferas em anos anteriores e ento perguntar qual ser a quantidade esperada no futuro. Ou nas cincias como gentica ou fsica, uma lei cientifica pode prever o que ser observado quando certo experimento for realizado; observando esse experimento o estatstico est interessado em decidir se essa lei correta. Em cada caso uma inferncia esta para ser realizada, a teoria da probabilidade mostra-se muito til para que os estatsticos coparem diferentes caminhos ou mtodos para realizar essa inferncia. 2.1 Espao Amostral; Eventos Como j foi mencionado a moderna teoria da probabilidade teve origem no estudo de jogos de azar. Ns tambm utilizaremos esse tipo de mecanismo em algumas ilustraes, porque exemplos com jogos simples so fceis de entender e de analisar. Ns iremos contudo, tentar mostrar exemplos de aplicaes que sero de ordem pratica. Ns iremos utilizar a palavra experimento para representar genericamente algum tipo de operao na qual o resultado no pode ser previsto antecipadamente com certeza. Ento lanando uma moeda e observando qual das faces ficar para cima, plantando um certo hibrido de feijo em uma determinada parcela do terreno e observando o seu rendimento, escolhendo um local em Saturno para observar seus anis, todos esses caem dentro de nossa definio de experimento. A teoria dos conjuntos til para definir espao amostral de um experimento, a qual ns vamos definir agora. Definio 2.1.1. O espao amostral para um experimento o conjunto de todos os possveis resultados que podem ser observados. Espaos amostrais no so nicos para um experimento e podem ou no ser simples de descrever. Ns vamos examinar alguns exemplos. Exemplo 2.1.1 Ns rolamos um dado uma vez. Ento o experimento o lanamento do dado. Um espao amostral para esse experimento poder ser S = {1, 2, 3, 4, 5, 6} onde cada um dos inteiros de 1 a 6 usado para representar a face que possui manchas voltadas para cima, quando o dado para de rolar. Exemplo 2.1.2. Suponha que uma cidade possui 500 eleitores cadastrados. Ns selecionamos um desses eleitores aleatoriamente (o experimento); por ser aleatria a escolha, cada um dos 500 eleitores tem a mesma chance de ser selecionado. Se a lista de nomes e endereos dos eleitores registrados avaliada, essa poder claramente ser utilizada como o nosso espao amostral. Ou se essas pessoas tiverem sido numeradas de 1 a 500, ns poderemos equivalentemente usar S = {1, 2, 3, . . ., 500}

Exemplo 2.1.3. Raquel compra um relgio digital que tem um contador de segundos. Ela sincroniza ao meio dia o seu relgio com a estao de rdio local, exatamente uma semana depois e ao meio dia, ela escuta o rdio na mesma estao e observa os dgitos fornecidos pelo contador dos segundos. Um espao amostral para esse experimento simplesmente a lista dos valores dos segundos que podem estar mostrados no display do relgio quando a estao de rdio fornecer as horas. S = {00, 01, 02, . . ., 59}

Freqentemente a realizao de um experimento, naturalmente fornece mais que uma parte de informao que ns queremos observar. Se observarmos duas partes de informao quando o experimento realizado, ns podemos razoavelmente querer um espao amostral que uma coleo de 2-uplas, as duas posies correspondentes para as duas partes de informaes. Ou se ns observarmos trs partes de informaes, ns poderemos querer um espao amostral de 3-uplas. Ou mais genericamente, se ns observarmos r partes de informaes, ns poderemos querer um espao amostral com r-uplas. Em cada um dos trs exemplos dados, uma simples parte de informao foi gerada quando realizamos o experimento; ento cada um desses espaos amostrais tem um 1-upla (ou escalar) como elemento. Os prximos trs exemplos discutem experimentos nos quais mais que uma parte de informao observada. Exemplo 2.1.4. Suponha que nosso experimento consiste em rolar dois dados, um vermelho e outro verde. Um razovel espao amostral para esse experimento poder ser a coleo de todas as possveis 2-uplas (x1, x2) que poder ocorrer onde o nmero da primeira posio de uma das 2-uplas, corresponde ao nmero no dado vermelho e o nmero na segunda posio, corresponde ao nmero fornecido pelo dado verde. Ento ns poderemos usar como nosso espao amostral S=DXD Em que D = {1, 2, 3, 4, 5, 6}; Exemplo 2.1.5. Daniel, Joo e Hugo possuem cada um uma moeda. O experimento consiste em eles lanarem cada um uma moeda totalizando trs moedas lanadas. Um razovel espao amostral para esse experimento o conjunto de 3-uplas, cada um dos quais tem C (cara) ou K (coroa) em todas as posies. A primeira posio na 3-upla corresponde a face voltada para cima da moeda de Daniel, a segunda posio a face da moeda de Joo e a terceira posio a face da moeda de Hugo. Esse espao amostral S pode ser escrito como S=CXCXC Onde C = {C, K}: Exemplo 2.1.6. Se 10 eleitores so selecionados dos 500 registrados na pequena cidade mencionada no exemplo 2.1.2, ns poderemos usar o espao amostral S cujos os elementos so 10-uplas, o primeiro componente de cada uma das 10-uplas representa a primeira pessoa selecionada, o segundo componente a segunda pessoa selecionada e assim por diante. Utilizando a numerao fornecida a cada eleitor anteriormente, ento, . Esse conjunto o produto cartesiano do conjunto de 1 a 500 com ele prprio, 10 vezes, porque ns no selecionamos o mesmo eleitor mais que uma vez. O espao amostral assumido para ser a lista de todos os possveis resultados que podem ser observados quando o experimento realizado. Depois que o experimento realizado, ns iremos observar a ocorrncia de um dos resultados (elemento de S ). Como ns sabemos, existem muitos subconjuntos de S, cada um dos quais contm algum particular elemento de S. Na linguagem da teoria da probabilidade, esses subconjuntos de S so chamados eventos. Garantindo que um particular elemento de S, chamaremos ele de a, ocorreu, ns diremos que um evento (subconjunto) que tem a como elemento ocorreu. Sendo esse conceito completamente bsico para a seqencia dos estudos, ns iremos resumir essa discusso com a definio

Definio 2.1.2. Um evento A um subconjunto de um espao amostral S, A S. Um evento dito que ocorreu se um de seus elementos o resultado observado. O espao amostral usado para o exemplo 2.1.1 era S = {1, 2, 3, 4, 5, 6}. Ento cada um dos conjuntos A = {1}, B = {1, 3, 5}, C = {2, 4, 6}, D = {4, 5, 6}, E = {1, 3, 4, 6} so eventos (esses no so os nicos eventos, desde que eles no so os nicos subconjuntos de S). Esses so todos distintos (diferentes) eventos, porque nenhum deles igual. Se ns estivermos realizando um experimento (rolando um dado) e o resultado for um (1), Ento os eventos A, B e C so ditos que ocorreram desde que cada um deles tem como elemento o nmero 1. Os eventos C e D no ocorreram, desde que 1 C e 1 D. Se o dado tivesse dado o resultado 4 quando ns rolamos ele, ns podemos afirmar que os eventos C, D e E ocorreram j que 4 um elemento de cada um deles. Note que no importa qual resultado ns observamos quando o experimento foi realizado, muitos diferentes eventos ocorreram (como ns veremos, exatamente metade dos possveis eventos ocorrem para algum particular resultado). Resolvendo problemas de probabilidade, ns necessitamos geralmente pegar palavras descrevendo um evento e colocar isso dentro de um subconjunto do espao amostral. Com experincia, esse passo no particularmente difcil, mas freqentemente isso enfadonho quando iniciamos o estudo de probabilidade. Por exemplo, no exemplo 2.1.4 um par de dados lanado uma vez. O espao amostral S o conjunto de 2-uplas . Os eventos: A: A soma dos dois dados 3 B: A soma dos dados 7 C: Os dois dados mostram o mesmo nmero. So os subconjuntos,

. Suponha que no exemplo 2.1.5 Daniel, Joo e Hugo esto jogando um jogo chamado de perde o diferente que consiste em, se apenas duas das moedas lanadas tiverem as faces iguais, aquele que lanou a face que ficar diferente perde o jogo. O espao amostral , onde a primeira posio corresponde a moeda de Daniel; a segunda posio a moeda de Joo e a terceira a moeda de Hugo. Defina os eventos: A : Daniel perde. B: Daniel no perde. C: Joo perde. D: No existe perdedor. Ento escrevendo como subconjuntos, teremos A = {(C,K,K), (K,C,C)}

B = {(C,C,K), (C,K,C), (C,C,C), ((K,K,C), (K,C,K), (K,K,K)} C = {(K,C,K), (C,K,C)} D = (C,C,C), (K,K,K)}. Exemplo 2.1.7. Suponha que nosso experimento consiste em uma corrida de 100 metros entre quatro colegios. Esta claro que existem muitas facetas no experimento nas quais poderamos estar interessados, o nome do vencedor, o colgio campeo, a ordem em que os quatros colgios cruzaram a linha de chegada, o colgio do segundo colocado, ou o tempo gasto na corrida pelo terceiro colocado. A faceta de interesse que indicar qual ser o espao amostral que iremos utilizar. Por exemplo, se ns estivermos interessados apenas no tempo do primeiro colocado em segundos, ns poderemos usar

Ou se ns estivermos interessados nos tempos do primeiro e do segundo colocados, ns poderemos usar . Nesse ultimo caso t1 o tempo do vencedor e t2 o tempo do segundo colocado: ento temos o requerimento t2 > t1. Para esses espaos amostrais poderemos definir o evento A: o tempo do vencedor est entre 9,45 e 9,65 segundos; usando o S1 ns teramos .

E usando S2, ns teramos . Novamente, ento, o espao amostral no nico. Se A o nico evento de interesse, ns poderemos incontestavelmente decidir usar o S1 no lugar do S2 desde que aquele requer apenas a anotao de um nico tempo que o tempo do vencedor (um trabalho a menos).

EXERCCIOS 2.1 1. Especifique um espao amostral para o experimento que consiste em retirar uma bola de uma urna que contm 10 bolas das quais 4 so brancas e 6 so vermelhas. (assuma que as bolas so numeradas de 1 a 10). 2. Especifique um espao amostral para o experimento que consiste em retirar 2 bolas com reposio da urna contendo 10 bolas (A primeira bola retirada devolvida a urna e depois a segunda bola retirada).

3. Especifique um espao amostral para o experimento que consiste em retirar 2 bolas sem reposio da urna contendo 10 bolas (A primeira bola retirada no recolocada mais na urna, e ento uma segunda bola retirada). Assuma que elas so numeradas. 4. Para o espao amostral dado no exerccio 2.1.1, defina os eventos (como subconjuntos) A: Uma bola branca retirada B: Uma bola vermelha retirada. 5. Para o espao amostral dado no exerccio 2.1.2, defina os eventos (como subconjuntos): C: A primeira bola branca D: A segunda bola branca E: As duas bolas so brancas. Verifique se ? 6. Uma companhia de fabrica de cigarros tem cinco tipos diferentes de marca, a, b, c, d e e. Suponha que voc compre duas caixas de cigarros de uma dessas marcas. Qual um bom espao amostral para esse experimento que resultar em uma dupla idiotice cometida pelo uso das duas caixas. 7. Suponha que todos os residentes de uma certa pequena cidade so carecas ou tem cabelos castanhos ou tem cabelos negros. Alm disso, cada um dos residentes tem olhos azuis ou castanhos. Ns selecionamos um residente aleatoriamente. D um espao amostral S para esse experimento e defina, como subconjuntos os seguintes eventos: A: O residente selecionado careca B: O residente selecionado tem olhos azuis C: O residente selecionado tem cabelos castanhos e olhos castanhos. 8. Trs garotas, Maria, Sandy e Tina, entram em um concurso de beleza entre elas. Prmios sero oferecidos para a primeira e segunda colocada. Especifique um espao amostral para o experimento que consiste em escolher as duas vencedoras. Defina em forma de subconjuntos os eventos: A: Maria vence B: Maria ganha o segundo prmio C: Tina e Sandy ganham os prmios. 9. Trs cartas so retiradas aleatoriamente e sem reposio de um baralho que contm 3 cartas vermelhas, 3 azuis, 3 verdes e 3 pretas. Crie um espao amostral para esse experimento e defina os seguintes eventos: A: Todas as cartas so vermelhas B: Uma carta vermelha, uma verde e a outra azul C: Ocorrem trs diferentes cores D: Todas as quatro cores ocorrem. 10. Uma pequena cidade possui trs supermercados (chamaremos eles de 1, 2 e 3). Quatro senhoras residentes nessa cidade escolhem aleatoriamente e independentemente um desses supermercados para efetuar suas compras semanais. Crie um espao amostral para o experimento que consiste em selecionar os supermercados nos quais as senhoras efetuaram suas compras e defina os eventos: A: Todas as senhoras escolheram o supermercado 1

B: Metade das senhoras escolheram o supermercado 1 e a outra metade escolheram o supermercado 2 C: Todos os supermercados foram escolhidos (por pelo menos uma das senhoras). 11. Nove cavalos entraram em uma corrida (numerados de 1 a 9). Prmio em dinheiro ser dado ao vencedor, e apresentao em uma exposio de animais para (O primeiro, segundo e terceiro colocados respectivamente). Crie um razovel espao amostral para esse experimento e em forma de subconjuntos defina os eventos: A: O cavalo nmero 5 ganha a corrida B: O cavalo nmero 5 apresentado na exposio C: O cavalo nmero 5 no recebe nenhum dinheiro. 12. Duas lmpadas so colocadas em um teste, at que ambas falhem. Assuma que cada lmpada ficar acessa no mximo por 1600 horas. Defina um razovel espao amostral para esse experimento e descreva como subconjuntos os seguintes eventos: A: As duas lmpadas falham em menos de 1000 horas B: Nenhuma das duas lmpadas falham em menos de 1000 horas C: O menor tempo de falha entre as duas lmpadas 1000 horas D: O maior tempo de falha entre as duas lmpadas 1000 horas. 13. Um vendedor de jornais todo dia vende-os na mesma esquina; ele todo dia leva apenas 30 jornais para vender. Em um determinado dia o nmero de jornais que ele consegue vender desconhecido. Defina um razovel espao amostral para o experimento que consiste no nmero de vendas naquele dia determinado. Defina os eventos: A: Ele vende menos que cinco jornais B: Ele vende mais que cinco jornais C: Ele vende exatamente cinco jornais 14. Considere o experimento que consiste no nmero de vendas que o jornaleiro ir realizar em dois dias consecutivos (Referindo-se ao exerccio 2.1.13). Crie um razovel espao amostral para o experimento e defina os eventos: A: Ele vende menos que cinco jornais no primeiro dia B: Ele vende menos que cinco jornais no segundo dia C: Ele vende menos de cinco jornais nos dois dias. 15. Uma grande loja varejista de rdios e televises recebe um carregamento de 50 rdios, todos da mesma marca e modelo. Cada um dos rdios pode funcionar bem ou no. Um funcionrio verifica as condies de cada um dos rdios, aceitando-o se estiver bom ou devolvendo-o se estiver com defeito. Qual seria um razovel espao amostral para esse experimento? Defina os eventos: A: Todos os rdios trabalham corretamente B: Nenhum dos rdios trabalha corretamente C: Os dois primeiros rdios testados no trabalham 2.2 Axiomas da Probabilidade Se um meteorologista em sua cidade, diz que a probabilidade de chover nessa cidade amanh de 0,4, sua pretenso a seguinte: se voc souber que em um grande nmero de dias do passado que tinham condies iguais ao dia de hoje, e sabendo que em 40% desses dias, nos dias seguintes a esses, ocorreram chuvas, obviamente em 60% dos dias seguintes no ocorreram chuvas. Sendo assim a probabilidade de que chova amanh mensurada para ser 40% ou 0,4.

corretamente, porm o resto sim.

Dado um experimento que poder resultar em muitos resultados diferentes, a probabilidade usada para medir a chance de ocorrncia desses diferentes resultados ou, mais geralmente, ela usada para medir a probabilidade de ocorrncia de diferentes possveis eventos (subconjuntos do espao amostral). Probabilidades so (concebidos) nmeros reais que so associados com eventos. Ento a funo probabilidade (regras atribudas a probabilidade) um exemplo de uma funo de valor real, como foi mencionado no capitulo 1. Nessa sesso ns iremos estudar os axiomas de Kolmogorov para a funo probabilidade, so regras que a probabilidade deve seguir para assegurar consistncia em suas atribuies. Vamos primeiro discutir as razes por trs dos axiomas antes de os listarmos. Eles surgiram seguindo as propriedades da freqncia relativa. Primeiro, a freqncia relativa de um evento que certamente ocorrer igual a um (1), porque ele dever ocorrer em 100% das vezes: a probabilidade chamada de uma medida limitada por causa dessa requisio, como ns veremos mais adiante. Segundo, a freqncia relativa da ocorrncia de um evento no pode nunca ser negativa: assim ns iremos insistir que a probabilidade nunca deve ser negativa. A nica propriedade que ficou faltando a da aditividade. Essa diz que se dois eventos no poderem ocorrer simultaneamente (porque eles so subconjuntos disjuntos), a probabilidade do evento definido pela unio dos dois igual a soma da probabilidade de cada um dos eventos individualmente. Na linguagem da probabilidade, dois eventos que no podem ocorrer simultaneamente so chamados de mutuamente exclusivos (o subconjunto so chamados disjuntos, os eventos so chamados mutuamente exclusivos). Formalmente, a funo probabilidade uma funo conjunto de valor real definida na classe de todos os subconjuntos do espao amostral S; o valor que associado com um subconjunto A denotado por P(A). A atribuio da probabilidade deve satisfazer as seguintes regras (lembrando que a funo conjunto pode ser chamada de funo probabilidade): 1. 2. 3. P(S) = 1 P(A) 0

para todo .

Esses so os trs requerimentos a pouco discutidos. Se S realmente a lista de todos os possveis resultados para um experimento, algum desses elementos certamente ir ocorrer. A probabilidade deve ser no negativa e a probabilidade da unio de dois eventos mutuamente exclusivos a soma de suas probabilidades. O espao amostral S faz o papel do conjunto universo; alguns dos complementos tomados so em respeito a S. Em trabalhos com probabilidades, lembre, eles so nmeros reais, ento devem seguir as regras para nmeros reais. Muitas conseqncias ou teoremas podem ser derivados da funo probabilidade. Vamos dar uma olhada em alguns deles agora. Recorde que . Ento nossa medida de probabilidade fornecer algum nmero para esse evento. O nmero que deve sempre ser usado para o conjunto vazio zero, como est provado no teorema 2.2.1. Teorema 2.2.1. Prova: P() = 0 para qualquer S. e ento pelo axioma 1. Mas pelo axioma 3. Ento 1 + P() = 1; o que d P() = 0. assim

Uma segunda conseqncia dos axiomas assumidos pelo teorema 2.2.2. existem muitas instancias nas quais ele livra de um grande trabalho em clculos de probabilidades. Teorema 2.2.2. Prova: , onde o complemento de A com relao a S. e ento , do qual

assim , pelo axioma 1. Mas pelo axioma 3. Ento ns estabelecemos que resulta imediatamente o teorema 2.

O axioma 3 nos diz que, se dois eventos A e B no possuem elementos em comum, ento a probabilidade da unio dos dois igual a soma de suas probabilidades individuais. O teorema

2.2.3 fornece um resultado preliminar que usado para estabelecer o teorema 2.2.4, em relao a quando A e B possuem elementos em comum. Teorema 2.2.3. .

Prova: Referindo-se a figura 2.2.1 ns podemos ver que . Ento . Em relao a, , e ns estabelecemos que ; ento

do qual o resultado desejado segue imediatamente. Teorema 2.2.4. .

Prova: referindo-se a figura 2.2.1, ns podemos ver tambm que , e ento Em relao a assim temos que

Figura 2. 2.1

Pelo teorema 2.2.3. ento .

O Axioma 3 pode ser extendido para a unio de algum nmero de eventos mutuamente excludentes. Suponha que ns temos um experimento com um espao amostral simples e os eventos A1, A2, . . ., Ak so mutuamente excludentes (ento ). Ento, claramente, e Ak so mutuamente excludentes, sendo assim

pelo axioma 3. Repetindo esse raciocnio com k 2 e assim por diante, estabeleceremos o seguinte teorema. Teorema 2.2.5. Se A1, A2, . . ., Ak so eventos mutuamente excludentes ento ,

para qualquer k = 2, 3, 4, . . . importante perceber que os axiomas no do apenas uma nica contribuio para a probabilidade de eventos: preferencialmente os axiomas simplesmente clareiam o relacionamento entre as probabilidades que ns nomeamos de forma que ela estar consistente com a nossa noo intuitiva de probabilidade. Por exemplo, se um foguete escolhido para levar um homem a lua, ento o experimento consiste em acionar o foguete e levar o homem a lua pode ser considerado como tendo dois possveis resultados: sucesso e insucesso. Sucesso ser a chegada do homem a lua, e insucesso qualquer outro resultado diferente desse. Ento os axiomas no indicam que a probabilidade do evento {sucesso} deve ser ou ou 0,99 ou algum outro particular valor. Se ns denotamos essa probabilidade por p, isso indica que a e que a probabilidade do evento {insucesso} deve ser 1 p . Alm disso, p no esta especificado. As atuais especificaes do valor de p devem vir de consideraes analticas da realizao do experimento e do mecanismo que o envolve. Para o exemplo do foguete anteriormente mencionado, isso consistir de detalhado exame do desenho do foguete e das condies nas quais ele ser lanado, somado a testes de lanamentos anteriormente realizados, alm da avaliao dos dados envolvidos nesse experimento. Geralmente, consideraes de dados a priori e suas implicaes em relao ao valor de p caem dentro do campo da estatstica, e o tpico na ltima metade desse volume. EXERCCIOS 2.2 1. Dados S = {1, 2, 3}, A = {1}, B = {3}, C = {2}, P(A) = 1/3, P(B) = 1/3, determine a) P(C) b) P(C) c) d) e) f)

2. Sejam S, A, B e C definidos no exerccio 2.2.1, porm agora seja P(A) = , P(B) = 1/5, calcule as probabilidades perguntadas nas letras do primeiro exerccio. 3. Sejam S, A, B e C definidos no exerccio 2.2.1 e sejam P(A) = 1, calcule as probabilidades perguntadas nas letras do primeiro exerccio. 4. Defina S = {a, b}, B = {b}. Atribua trs diferentes probabilidades para os suconjuntos de S. 5. Prove usando os axiomas, que as probabilidades so montonas: . 6. Prove, usando os axiomas, que para todo A. 7. Dado um experimento em que P(A) = , P(B) = e , calcule a) b) c) d) e) f) g) h) 8. Dado um experimento com P(A) = , P(B) = 1/3, , calcule.

a) b) c) d) e) f)

9. 10. 11.

possvel se atribuir as probabilidades P(A) = , , P(B) = , para subconjuntos associados ao mesmo espao amostral ? Se ns sabemos que e , possvel determinar P(A) e P(B)? O espao amostral S para um experimento S = {a, b, c}. possvel que as probabilidades assumam os seguintes valores P({a, b}) = 2/3 P({a, c}) = 1/3 P({b, c}) = 1/3?

Porque sim ou porque no? 12. Um memorando (endereado a duas pessoas) enviado pelo chefe. Assuma que ele ser eventualmente recebido por 0, 1 ou 2 (duas) das pessoas a quem foi enviado, e que a probabilidade de que seja recebido pelo menos por um dos endereados 0,9; enquanto que a probabilidade de que seja recebido por mais de uma pessoa 0,8. Quais so as probabilidades de que sejam recebidos por exatamente a) 0 b) 1 c) 2?

13. Com o fim de um ano fiscal, o livro caixa de uma corporao pode ter um valor menor do que no ano anterior (chamaremos a isso de -1), ele pode ser igual ao ano anterior (chamaremos de 0) ou ele pode ser maior que o ano anterior (chamaremos de 1). Podemos ento olhar para a folha de balano dessa corporao no ltimo ano como sendo um experimento com

S = {-1, 0, 1}.
possvel que as medidas de probabilidade nesse espao amostral sejam

P({-1, 1}) = 0,6 P({0, 1}) = 0,9 P({-1, 0}) = 0,5?

Porque sim ou porque no? 14. Dado um experimento ; calcule a) P(A) b) P(B) c) d) 15. Uma famlia dirige um trailer atravessando o Brasil. Suponha que o nmero de vezes que o pneu fura 0, 1 ou duas vezes. Tambm assuma que a probabilidade de que mais que um pneu fure 0,9; e que a probabilidade de pelo menos um fure 0,2. Calcule a probabilidade de que o nmero de pneus furados tenha sido a) 0 b) 1 c) 2. em que ; )=0,4;

2.3 Espaos Amostrais Finitos

Em muitos casos o espao amostral ser usado em um experimento que ter um nmero finito de elementos. Por nmero finito queremos dizer que ir existir um nmero inteiro que to grande quanto o nmero de elementos de S por outro lado, S finito se ele significativo quando podemos usar o mtodo da listagem para especificar os elementos que pertencem a S. A lista de possveis resultados tem um fim, porm ela pode consumir muito tempo para ser construda. Exemplo 2.3.1. Suponha como no exemplo 2.1.3, que Raquel comprou um relgio digital que tem um contador de segundos, e como antes, ela ajusta ele com a estao de rdio local exatamente ao meio dia e volta a verificar o contador dos segundos sete (7) dias depois. O valor que ela observar deve ser um dos seguintes elementos de

S = {00, 01, 02, . . ., 59),

o qual um espao amostral com 60 distintos elementos e portanto finito. Exemplo 2.3.2. o baralho padro tem 52 cartas com 4 naipes e 13 cartas com valores em cada uma delas. No jogo de bridge cada jogador recebe 13 dessas cartas. Suponha que voc esta jogando bridge e realiza um experimento de observar as 13 cartas que voc recebe em um mo. O espao amostral pra esse experimento ento consiste da lista da possvel coleo de 13 cartas que voc recebe. O nmero de elementos nesse espao amostral muito grande, de fato 635.013.559.600 aproximadamente o debito (em dlares) do governo americano. Esse novamente um espao amostral finito, desde que existe um fim para a lista de seus elementos. (vefa o exemplo 2.4.5 para verificar o nmero de elementos nesse espao amostral). A especificao da funo probabilidade para algum espao amostral com nmero finito de elementos realizada simplesmente por definir a probabilidade de ocorrncia para todos os eventos simples (subconjuntos unitrios) que possuem apenas um elemento pertencente a eles. Claramente, se S tem k distintos elementos, existem exatamente k distintos (e mutuamente excludentes) eventos com um simples elemento. Algum elemento com dois ou mais elementos (subconjuntos de S) deve ser a unio dos eventos com um simples elemento, e imediatamente, do teorema 2.2.5, a probabilidade para cada unio dada pela soma das probabilidades de cada um dos eventos com um simples elemento. Ento a se a regra descrita d a probabilidade de cada um dos eventos com um simples elemento, as probabilidades para todos os outros eventos so tambm especificadas. Obviamente, se A1, A2, . . . , Ak so distintos eventos simples unitrios, onde S tem k elementos, ento assim . Ento realmente apenas necessrio especificar o valor par k 1 dos eventos simples unitrio; a probabilidade para do elemento que faltou deve ser calculada fazendo a soma de todos ser igual a 1. Exemplo 2.3.3. Um dado construdo de maneira que a probabilidade da face que ficar voltada para cima quando ele para de rolar proporcional a i, i = 1, 2, 3, . . . ,6. (se voc pensar sobre isso, ver que no fcil de se construir um dado com essas caractersticas), encontre a probabilidade para cada um dos possveis eventos simples desse experimento. O espao amostral para esse experimento ento

S= {1, 2, 3, 4, 5, 6},
os elementos representando o nmero de pontos na face que ficou para cima quando o dado parou. Existem, naturalmente, seis distintos eventos com elementos simples,

Ai = {i},

i = 1, 2, 3, 4, 5, 6.

Seja p = P(A1). Ento o fato de que probabilidade de ocorrncia ser proporcional ao nmero de pontos na face voltada para cima, podemos afirmar que

P(A2) = 2p,

P(A3) = 3p, . . . P(A6) = 6p.

O requerimento que a soma das probabilidades desses eventos simples deve ser igual a 1, ento temos

P + 2p + 3p + 4p + 5p + 6p = 1,
Resolvendo ficaremos com p = 1/21 ficando assim a funo probabilidade completamente especificada. A funo probabilidade para jogos de azar, so geralmente baseadas na hiptese de que todos os eventos simples tem iguais chances de ocorrer (eventos equiprovveis) isso se um correto espao amostral for usado. Certamente, esse tipo de hiptese foi tacitamente feito nas correspondncia j anteriormente citadas entre Fermat e Pascal. Se S tem k elementos e ele assume que os seus eventos simples possuem iguais probabilidades, a probabilidade comum a cada um deles deve ser 1/k . Obviamente que, se um evento qualquer resulta da unio de eventos simples, ento a probabilidade de algum evento dada pela razo entre o nmero de elementos de A (o nmero de elementos simples que formaram essa unio) e o nmero de elementos do S. Por isso ns usamos a seguinte regra para

A S,

onde n(A) o nmero de elementos em A (veja o exemplo 1.3.2 no capitulo 1). Que a regra que satisfaz os trs axiomas dados na sesso 2.2 e que ser provada no prximo teorema. Teorema 2.3.1. Se S tem k elementos, a regra

Satisfaz os trs axiomas para a funo probabilidade. Prova: Se S tem k elementos, ento n(S) = k.

Assim o axioma 1 satisfeito. Se A algum subconjunto de S, ele contm um nmero no negativo de elementos; que para todo A S. Ento para todo A S e o axioma 2 satisfeito. Se comum e , ento A e B no possuem nenhum elemento em . Ento

que , . Ento para alguns problemas nos quais nos justificamos e assumimos que os eventos simples so equiprovveis, ns agora temos uma regra que nos habilita a calcular a probabilidade de ocorrncia de qualquer evento. Exemplo 2.3.4. Suponha que ns rolemos um dado honesto uma vez. Qual a probabilidade de dar um nmero par? Qual a probabilidade de dar um nmero maior que 4? Nosso espao amostral S = {1, 2, 3, 4, 5, 6}. Desde que o dado honesto, ns assumimos que os eventos simples tem a mesma chance de ocorrer; cada um deles tem a probabilidade igual a 1/6 de ocorrncia. Seja A ser o evento que tem a ocorrncia de nmeros pares e B ser o evento que nos da nmeros maiores que 4.

A = {2, 4, 6}, B = {5, 6}, 3/6, P(B) = 2/6.

n(A) = 3,

n(B) = 2,

n(S) = 6, e ns temos P(A) =

Exemplo 2.3.5. Ns rolamos um par de dados honestos uma vez. Qual a probabilidade de que a soma dos dois nmeros seja 2? e 7? e 11? Nosso espao amostral S = {(x1, x2): x1 = 1, 2, . . ., 6; x2 = 1, 2, . . ., 6}. Desde que o primeiro dado dar um nmero de 1 a 6, e que independentemente o segundo dado pode tambm ter os nmeros de 1 a 6, ns deduzimos que existem 6.6 = 36 elementos pertencentes ao S (ou ns simplesmente listamos todos eles). Ento n(S) = 36. Seja A o evento que a soma 2, B o evento que a soma 7 e C o evento que a soma 11. Ento A = {(1, 1)} B = {(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)} C = {(5, 6), (6, 5)}, E ns vemos que n(A) = 1, n(B) = 6 e n(C) = 2, ento desde que ns assumimos que o dado honesto, P(A) = 1/36, P(B) = 6/36 e P(C) = 2/36. Exemplo 2.3.6. Assuma que quatro pessoas entram em um torneio; o jogo a ser disputado do tipo em que no pode haver empate (como tnis, voleibol etc). As pessoas chamam-se Daniel, Jonas, Hugo e Ramos. O torneio ser por eliminao simples: da seguinte forma, Daniel e Jonas jogam um com o outro (partida 1) e o perdedor ir ser eliminado. Simultaneamente ou subsequentemente, Hugo e Ramos iro jogar um com o outro (partida 2) e o perdedor ser eliminado. Os dois vencedores ento jogam entre si (partida 3); o vencedor dessa partida ser o campeo do torneio. Qual a probabilidade que Ramos seja o campeo? Vamos ento criar um razovel espao amostral para esse experimento. Desde que trs partidas so disputadas e os vencedores das partidas so importantes para encontrar as probabilidades, vamos adotar um espao amostral no qual os elementos so 3-uplas. A primeira posio anota o vencedor da partida 1, a segunda posio anota o vencedor da partida 2 e a terceira posio anota o vencedor da partida 3 (o campeo do torneio). Ento ns iremos usar

S = {(Daniel, Hugo, Daniel), (Daniel, Hugo, Hugo), (Jonas, Hugo, Jonas), (Jonas,
Hugo, Hugo), (Daniel, Ramos, Daniel), (Daniel, Ramos, Ramos), (Jonas, Ramos, Jonas), (Jonas, Ramos, Ramos)}.

Para responder as perguntas sobre quem ir ser o campeo do torneio, ns devemos atribuir valores para a probabilidade de ocorrncia de um evento simples. Se os jogadores possuem todos a mesma qualidade, para cada evento simples ns poderemos atribuir a probabilidade 1/8. Baseado nessa hiptese

P(Ramos ser campeo) = P({(Daniel, Ramos, Ramos), (Jonas, Ramos, Ramos)}) = P({(Daniel, Ramos, Ramos)}) + P({(Jonas, Ramos,
Ramos)}) = 2/8 = . Nenhuma surpresa, com essa hiptese, ns tambm temos que

P(Daniel ser campeo) = P(Jonas ser campeo) = P(Hugo ser campeo) = .

Muitos problemas importantes possuem eventos simples equiprovveis. Como vimos, clculos de probabilidades nesses casos reduzem-se a contar o nmero de elementos em S e o nmero de elementos no evento de interesse. A probabilidade dada pela diviso dessas quantidades. Ento porque contar o nmero de elementos pertencentes a um evento de interesse representa um papel importante em muitos problemas prticos, a prxima sesso ser voltada para as tcnicas de contagem. EXERCCIOS 2.3 1. Para o dado discutido no exemplo 2.3.3 calcule a probabilidade de que a face voltada para cima ser (como o dado lanado uma nica vez) a) Um nmero par b) Maior que 4 c) Entre 2 e 5, inclusive os dois. 2. Uma moeda viciada ser lanada uma vez. A probabilidade de dar cara trs vezes maior do que a probabilidade de dar coroa. Qual a probabilidade para os dois eventos simples? 3. Uma tcnico em TV sempre chamado para consertar TVs produzidas por quatro diferentes fabricantes. Eles sero chamado de M1, M2, M3 e M4: ento a prxima chamada para concerto que ele receber ir requisitar que ele concerte uma TV de um desses fabricantes, de experincias anteriores ele sabe que duas vezes mais provvel que o fabricante M1 o chame do que o fabricante M2 e que uma chamada do M2 trs vezes mais provvel do que uma chamada do M3 e que a chance de uma chamada do M4 igual a uma chamada do M1. Qual a probabilidade de que o prximo concerto requisitado seja do fabricante M1? M2? M3? 4. Se duas moedas honestas so lanadas, qual a probabilidade de que as duas faces sejam diferentes? 5. Se retirarmos uma carta aleatoriamente de um baralho padro com52 cartas, qual a probabilidade de ela seja vermelha? Qual a probabilidade de que o naipe seja de ouro? Qual a probabilidade de que seja um s? Qual a probabilidade de que seja um s de ouro? 6. Cinco tigelas plsticas de diferentes cores, porm com o mesmo alimento para ces so colocadas enfileiradas. Se um co escolhe de forma aleatria uma tigela para comer, qual a probabilidade de que ele escolha a tigela azul? Se um segundo co usado, qual a probabilidade de que escolha a tigela azul? Qual a probabilidade de que ambos escolham a tigela azul?

7. Um para de dados lanado, calcule a probabilidade de que a soma dos dois seja doze? 8. Se uma moeda tem pintado o nmero um no lado da cara e o nmero dois no lado da coroa, se ns jogarmos trs moedas com o mesmo aspecto que essa, qual a probabilidade de que a soma das trs faces voltadas para cima seja 6? 9. Quarenta pessoas esto viajando no mesmo nibus. Dessas 5 so irlandesas vestindo casacos azuis, 2 so irlandeses com casacos verdes, 1 um irlands com casaco preto, 7 so norueguesas com casacos marrons, 2 so noruegueses com casacos azuis, 6 so noruegueses com casacos pretos, 4 so homens alemes com casacos verdes, 3 so mulheres alemes com casacos pretos, 5 so mulheres alemes com casacos azuis e cinco so homens alemes com casacos pretos. Se ns selecionarmos uma pessoa aleatoriamente desse nibus, qual a probabilidade de que a pessoa selecionada seja homem? E qual a probabilidade de esta vestindo um casaco verde? E esta vestindo um casaco marrom? De ser noruegus? De ser alemo? E de ser alemo e esta vestindo um casaco verde? 10. Para o torneio definido no exemplo 2.3.6, mantenha os elementos do espao amostral na ordem exata em que foi descrito. Em vez de assumir que eles so equiprovveis, assuma que as probabilidades para seus eventos simples so respectivamente, 4, 8, 1, 5, 4, 2, 1 e 2, cada um desses nmeros dividido por 27. Calcule a probabilidade para cada um dos participantes de ser o campeo do torneio? 11. Usando as probabilidades fornecidas no exerccio 2.3.10, calcule a probabilidade para cada um dos participantes perder logo no primeiro jogo? 12. Assuma que oito jogadores de igual habilidade entrem no torneio de eliminao simples (igual ao descrito no exemplo 2.3.6), qual a probabilidade para cada um dos participantes de ser o vencedor do torneio? Qual a probabilidade do jogador 1 ganhar seu primeiro jogo e perder o jogo final? (cada jogador jogar no mximo 3 partidas). 2.4 Tcnicas de Contagem Quando assumimos eventos simples equiprovveis, isso feito para espaos amostrais finitos, a probabilidade de ocorrncia de algum evento A dada pela diviso do nmero de elementos pertencentes a A pelo nmero de elementos pertencentes ao espao amostral S. Para cada caso til saber o nmero de elementos pertencentes a cada um dos conjuntos (o evento de interesse e o espao amostral). Ns iremos estudar alguns mtodos apropriados para esse tipo de problema de contagem nessa sesso. O leitor fica avisado que problemas de contagem so fceis de definir, mas podem ser difceis de resolver. Nenhuma grande especializao na resoluo de problemas de contagem requerida para ser obter xito no estudo do material aqui apresentado. Uma tcnica muito simples de contagem que freqentemente til na resoluo de problemas chamada de principio da multiplicao. Esse principio pode ser anunciado como segue. Definio 2.4.1 Se uma primeira operao pode ser realizada de n1 maneiras e um segunda operao pode ser realizada de n2 maneiras, ambas podem ser realizadas juntas (a segunda imediatamente seguinte a primeira) de n1 . n2. Por exemplo, se ns podemos viajar da cidade A para a cidade B por trs estradas diferentes, e podemos viajar da cidade B para a cidade C por quatro estradas diferentes, ns poderemos viajar de A para C atravs de 3 . 4 = 12 maneiras diferentes. Ou se a operao de lanar um dado fornece os possveis resultados de 1 a 6 e a operao de

lanar um segundo dado tambm fornece os possveis resultados de 1 a 6, ento a operao de lanar um par de dados fornece 6 . 6 = 36 possveis resultados. Exemplo 2.4.1. Suponha que um conjunto A tem n1 elementos e um segundo conjunto B tem n2 elementos. Ento o produto cartesiano A X B (veja a definio 1.2.6) tem n1n2 elementos. O produto cartesiano A X A tem n12 elementos e B X B tem n22 elementos. Essa definio pode imediatamente estendida para qualquer nmero de operao. A operao de lanar uma moeda trs vezes d 23 = 8 possveis resultados. A operao de rolar um dado cinco vezes fornece 65 = 7776 possveis resultados. Se o conjunto Ai tem ni elementos, i = 1, 2, . . ., k, o produto cartesiano A1 X A2 X . . .X Ak tem n1n2 . . .nk elementos diferentes. O diagrama da rvore pode ser freqentemente til. Ele essencialmente uma expresso grfica do principio da multiplicao. As operaes que podem ser realizadas so representadas por ns (pequenos crculos) e o nmero de meios de realizaes da operao por ramos (ou linhas). O nmero final de ramos desenhados o nmero total de meios nos quais a operao pode ser realizada. A figura 2.4.1 apresenta o diagrama da rvore para contar o total de possveis resultados quando trs moedas so lanadas, as operaes correspondem as moedas separadamente. Definio 2.4.2. Uma disposio de n smbolos em uma ordem definida chamada de permutao de n smbolos. Ns iremos freqentemente querer conhecer quantas diferentes n-uplas podem ser construdas usando n diferentes smbolos para cada uma delas (quantas permutaes so possveis). O principio da multiplicao ir imediatamente dar-nos a resposta. Ns podemos contar o nmero de n-uplas raciocinando da seguinte maneira. Listando todas as possveis n-uplas, que ns podemos construir. Primeiro ns iremos colocar a posio da n-upla o mais a esquerda possvel dentro da ordem, depois ns devemos colocar a segunda posio o mais a esquerda, depois a terceira posio e assim por diante. Desde que ns pudermos colocar algum dos n elementos dentro da posio mais a esquerda possvel, essa operao poder ser realizada de n maneiras diferentes.

Figura 2.4.1

Depois que ns colocamos um dos n possveis caminhos na ltima posio a esquerda, vamos agora colocar um dos possveis n-1 caminhos na segunda posio mais a esquerda, agora vamos colocar os n-2 remanescentes caminhos na terceira posio mais a esquerda e assim por diante at ficarmos com o ltimo e nico possvel caminho a ser colocado na posio mais a direita que existir.e queremos contar o nmero total de diferentes caminhos possveis, que dado pelo produto do nmero de caminhos em cada uma das posies. Ento o nmero de diferentes n-uplas

n(n-1)(n-2) . . . 2.1
que pode ser escrito n! ( lido como n fatorial). Ento 4! = 4.3.2.1 = 24, e 8! = 8.7.6.5.4.3.2.1 = 40.320, o aumento de n tende a aumentar muito em grandeza o valor de n!. Desde que n(n-1) = n! quando n = 1 essa equao fica 1.0! = 1! e 1! naturalmente 1. Ento ns iremos definir que 0! = 1. Exemplo 2.4.2 Suponha que cinco 5 pessoas estacionem seus carros toda a noite no mesmo lado de uma estrada e todos os carros prximos uns dos outros. De quantas diferentes maneiras podemos estacionar os carros? As diferentes ordens que os carros podem ser estacionados, podem ser representadas por 5-uplas com 5 elementos distintos; ento se ns pudermos contar o nmero de diferentes uplas possveis, ento ns podemos tambm conhecer o nmero possveil de ordens de estacionamento na estrada. O nmero de 5-uplas possveis naturalmente 5! = 5.4.3.2.1 = 120; ento essas cinco pessoas podem estacionar seus carros em ordens diferentes durante quatro meses durante toda a noite. Definio 2.4.3. O nmero de r-uplas que ns podemos construir com (r ), usando n diferentes smbolos, chamado de nmero de permutaes de n coisas com r vezes e denotado por nPr. Como ns podemos calcular o valor de nPr.? Cada r-upla tem exatamente r posies. A posio mais a esquerda poder ser ocupada por algum dos n smbolos: a segunda posio logo a seguir por n 1 dos smbolos remanescentes e assim por diante. Pelas vezes que ns estamos colocando as posies resta a r-sima posio, ns j usamos (r 1) smbolos restando apenas n (r 1) smbolos, que ns poderemos usar na r-sima posio. Ento o total do nmero de r-uplas que ns podemos construir n(n 1) . . . (n r + 1) e ns temos
nPr

= n(n 1)(n 2) . . . ( n- r +1).

Se ns multiplicarmos esse nmero por (n r)! /(n r)!, ns certamente no iremos alterar o valor original, ento temos que

Exemplo 2.4.3. (a) Quinze carros entram em uma corrida. De quantas maneiras diferentes podem ser declarados o campeo, o segundo e o terceiro colocado? Essa resposta simplesmente 15P3 = 15!/12! = 2730 desde que a questo equivalente a perguntar quantas permutaes existem de 15 objetos trs a trs? (b) }Quantas das 3-uplas devem conter o carro de nmero 15 na primeira posio? Essa pergunta pode ser respondida por dois caminhos. Primeiro , ns podemos pensar que existem 14P2 = 14!/12! = 182 maneiras nas quais as duas ltimas posies podero ser listadas, tendo j colocado o carro de nmero 15 na primeira posio nas 3-uplas.

Alternativamente, deve existir obviamente igual nmero de 3-uplas (na totalidade de todas as possibilidades) tendo 15 carros na primeira posio como assim tambm 14 carros na segunda posio, 13 carros na terceira posio e assim por diante. Ento se dividirmos o total nmero de 3-uplas por 15, ns conseguiremos o nmero que contm o carro 15 na primeira posio; isso d 2730/15 = 182, a mesma resposta. Exemplo 2.4.4. (a) quantas palavras com 3 letras podem ser formadas usando as letras w, i, n, t, e, r (sem repetir letras)? (uma palavra um arranjo de letras, lembre que um arranjo qualquer de letras pode ser uma palavra existente na linguagem javanesa, por exemplo) a resposta naturalmente 6P3 = 6!/3! = 120. O nmero de palavras com quatro letras 6P4 = 6!/4! = 360, e assim por diante. (b) Suponha que as letras possam ser repetidas. Para construir palavras com 3 letras usando as letras w, i, n, t, e, r. De quantas maneiras diferentes poderamos formar palavras? A resposta 6.6.6 = 63 = 216, desde que ns agora podemos colocar em cada posio qualquer uma das 6 letras. Para construir palavras com 4 letras teramos como resposta 6.6.6.6 = 1296. (c) Quantas palavras com 3 letras existem com uma ou mais letras repetidas? Quantas palavras com 4 letras existem com uma ou mais repeties de letras? Ns sabemos que existem 216 palavras de trs letras quando usamos repeties, e sabemos que existem 120 palavras com trs letras quando no permitido repeties. Ento existem 216 120 =96 palavras com uma ou mais de uma repetio de letras. Analogamente, existem 1296 360 = 936 palavras de quatro letras com uma ou mais repeties de letras. Definio 2.4.4. O nmero de subconjuntos distintos, de tamanho r, que podem ser construdos de um conjunto com n elementos chamado de nmero de combinaes de n r a r vezes: esse nmero representado por . Para calcular lembre que conjuntos no so ordenados e que r diferentes smbolos

podem ser usados para construir r! diferentes r-uplas. Ento desde que o nmero de diferentes colees (subconjuntos) de tamanho r que podem ser gerados de um conjunto com n elementos, cada um dos quais conduz a r! r-uplas, ento verdade que ; que , . Ento se um conjunto tem, digamos, n = 4 elementos (seja o seguinte conjunto {1, 2, 3, 4}), ele tem subconjuntos de tamanho 1 ({1}, {2}, {3}, {4}) e os subconjuntos com 2 elementos cadas ({1,2}, {1, 3}, {1, 4}, {2, 3}, {2, 4}, {3, 4}). Lembre que a ordem ignorada na contagem do nmero de combinaes que podem ser construdas e que a ordem contada na determinao de permutaes. A parte mais difcil de muitos problemas de contagem decidir quando a ordem importar ou no. Exemplo 2.4.5. (a) quantas mos de cinco cartas diferentes podemos retirar de um baralho com 52 cartas? Desde que no existe diferena se voc recebe uma mo de carta exatamente igual a outra porm em ordem diferente, a resposta

. (b) quantos distintas 13 cartas poderemos retirar de um baralho de 52 cartas?

(c) suponha que 10 garotos querem formar um time de basquetebol (um time de basquete tem 5 jogadores) de quantas maneiras diferentes eles podero formar esse time? . Esse o nmero de diferentes colees de subconjuntos de 5 garotos que podero ser escolhidos entre os 10 existentes. Se diferentes posies (funes) no time so anotadas como sendo diferentes times, ento existem 5!(252) = 30.240 = 10P5 diferentes times. (d) um dos garotos do time de basquetebol chamado de Joo. Quantos daqueles 252 diferentes times possveis inclui Joo como jogador? Se ns queremos contar apenas aqueles times que incluem Joo, ento ns precisamos contar apenas de quantas maneiras podemos selecionar os outros 4 membros do time, j que Joo obrigatoriamente faz parte dele. Isso

. Se voc comparar a letra (c) com a (d) do exemplo 2.4.5, notar que os times que contm Joo como jogador exatamente a metade dos times possveis (o qual igual a r = 5 dividido por n = 10). Esse resultado geralmente verdadeiro. Suponha que ns definimos

S = {1, 2, . . ., n};
Ento ns sabemos imediatamente que o total de subconjuntos de S, que possuem r elementos , . Raciocinando como no exemplo 2.4.5, ns encontramos que o nmero desses subconjuntos que tem um elemento como membro dado pelo nmero de caminhos que podemos selecionar r 1 outros elementos dos n 1 elementos restantes: . ento a proporo do tamanho de r, onde j esta determinado um dos membros .

O nmero

ocorre em muitas aplicaes da matemtica e freqentemente usando uma calculadora. A melhor possivelmente misturando operaes de

chamado de coeficiente binomial. fcil de calcular maneira de fazer o clculo

multiplicao e diviso alternadamente para evitar que a conta fique muito grande (dependendo do tamanho de n e de r). fcil ver que para qualquer n; se um conjunto tem n elementos, ele tem exatamente um subconjunto nenhum elemento (conjunto vazio) e um conjunto contendo n elementos (S). Tambm fcil de ver que e que , como facilmente verificado escrevendo a representao fatorial dos dois; toda a seleo de um subconjunto de tamanho r permite tambm um subconjunto de tamanho n r, assim deve ser igual o nmero de subconjuntos com esses dois tamanhos. Novamente assuma que S tem n elementos e que ns estamos interessados em contar o nmero de subconjuntos de S que contm r elementos (o qual naturalmente ). O nmero desses subconjuntos que tem 1 (ou algum elemento especifico) pertencente a ele ele e e o nmero desses subconjuntos que no tem 1 pertencente a , como facilmente

; ento deve ser verdade que

verificado escrevendo os coeficientes binomias na sua forma fatorial e os adicionando . Essa identidade a base para o que conhecido como o tringulo de Pascal, um simples esquema por onde o valor para um coeficiente binomial pode ser encontrado atravs do conhecimento de que . A figura 2.4.2 da um pequeno exemplo do tringulo de Pascal. Os dois nmeros inteiros na primeira linha so os valores para e ; 1 1

1 2 1 1 3 3 1 1 4 6 4 1 1 5 10 10 5 1 1 6 15 20 15 6 1 Figura 2.4.2 os trs inteiros na segunda linha so os valores para , , e assim por diante. Cada

linha subseqente iniciada e terminada com um 1, e cada nmero dentro a soma dos dois valores imediatamente acima dele. Ns podemos ento encontrar dessa maneira porm com uma maquina de calcular muito mais fcil realizar esse clculo. Como evidente da figura 2.4.2, com n fixado, o valor para inicia com 1 para r = 0, aumenta para um mximo com r = n/2, se n par, ou para n = (n-1)/2, se n impar, e decresce simetricamente voltando para 1. Quando n par, existe um nico mximo para , dado por r = n/2 e quando n impar, os dois termos do meio, com r = (n-1)/2 e r = (n+1)/2, ambos so iguais e ambos so os mximos de .

Vamos agora iniciar o teorema binomial, o qual j deve ser familiar da lgebra vista no ensino secundrio, no mnimo para alguns valores de n. Esse resultado til em um

surpreendente nmero de diferentes problemas, entre eles o nosso estudo, ser til para descrever variveis aleatrias. Essa tambm a razo porque

chamado de

coeficiente binomial. Teorema 2.4.1. ento Se x e y so alguns dois nmeros reais e n um inteiro positivo,

. Esse resultado til para avaliar certos tipos de somas, por exemplo, 24 + (4)(2)3 (3)+ (6)(2)2(3)2 + (4)(2)(3)3 + 34 = .

O teorema binomial tambm til para aproximar o valor de certos nmeros (esse tipo de problema era talvez um dos mais interessantes antes do advento da mquina de calcular, mas as vezes ele ainda til). Por exemplo, do teorema 2.4.1, ns temos . Se x muito pequeno ento x elevado a grandes potencias se torna cada vez menor, especialmente quando os termos na precedente soma alternam em valores, tanto para somar como para diminuir, poder ser visto razoavelmente que podemos usar 1 nx como uma aproximao para (1 x)n. Ento, por exemplo, (0,995)5 poder ser aproximado para 1 5(0,005) = 0,975 e (0,99)10 aproximadamente 1 10(0,01) = 0,9. O teorema binomial tambm til para resolver problemas de contagem. O exemplo 2.4.6 discute dois desses casos. Exemplo 2.4.6. Seja S = {1, 2, . . . , n} e ns queremos saber o nmero de subconjuntos que S possui. Ns sabemos que o nmero de subconjuntos de tamanho r e ento o total de nmeros de subconjuntos de S . Um conjunto com n = 5 elementos tem 25 = 32 subconjuntos, considerando que um conjunto com n = 10 elementos tem 210 = 1024 subconjuntos. O nmero total de subconjuntos aumenta rapidamente com n. Ns podemos facilmente avaliar o nmero de subconjuntos que tem algum particular elemento, digamos, 1, pertencente a ele: existem , r = 1, 2, . . . , n, subconjuntos de tamanho r que tem 1 como elemento, e portanto o nmero total de subconjuntos de S que tem 1 como um elemento .

Ento algum particular elemento pertence exatamente a metade (1/2) de todos os subconjuntos de S. At agora em nossa discusso ns temos assumido que os objetos com os quais estamos trabalhando so todos distinguveis ou diferentes uns dos outros. Se esse no o caso, nossas formas que envolvem ordem (permutaes) tem que ser modificadas apropriadamente. Suponha que ns temos n objetos, n1 dos quais so idnticos, n2 tambm so idnticos, porm diferentes de todos os outros, e assim por diante, at chegar em nk os quais da k-ssima maneira. Note ento que . Suponha que ns queremos saber o nmero de diferentes permutaes, ou arranjos em uma lista que so possveis com esses n objetos. A resposta no um nmero maior que n!, desde que esse itens que so parecidos so indistinguveis e podero ser permutados entre eles sem modificar o arranjo. Ento a resposta deve ser menor que n!. Ns podemos escolher alguma n1 das n posies dentro das quais colocamos o primeiro objeto. Essa operao pode ser realizada de maneiras. Desde que para os objetos do primeiro tipo foram escolhidos suas posies, alguns das remanescentes n n1 posies podem ser escolhidas para o segundo tipo de objeto; essa operao pode ser realizada de maneiras; similarmente, o terceiro tipo de objeto pode ser colocado nas posies de maneiras diferentes. Ento ns podemos ver que o nmero total de permutaes

Por causa do cancelamento que ocorre de um termo para o prximo (e recorde que ). Essa quantidade freqentemente chamada de coeficiente multinomial e denotada por . Que . Exemplo 2.4.7. A palavra estatstica tem 11 letras, das quais 2 so s, 3 so t, 2 so i, 2 so a e 1 e. O nmero de diferentes palavras de 11 letras que podem ser escritas com essas letras ento

consideravelmente menor que 11! = 39.916.800, o nmero de resultados possveis se todas as letras fossem diferentes. EXERCCIOS 2.4 1. De quantas maneiras diferentes trs livros podem ser colocados lado a lado em uma estante? 2. Se um produto vendido por uma maquina de vendas, custando exatamente R$ 1,00, de quantas maneiras diferentes podemos pagar esse produto, se a maquina s aceita moedas de R$ 1,00, ou de R$ 0,50 ou de R$ 0,25 ? 3. Seis pessoas esto para entrar em uma caverna em fila. De quantas maneiras diferentes essa fila pode ser formada? 4. Uma caixa contm, 1 bola de gude vermelha, 1 preta e 1 verde. Eu aleatoriamente retiro uma bola anoto a sua cor. Eu ento reponho a bola na caixa, balano a caixa e retiro aleatoriamente outra bola e anoto a sua cor. A segunda bola ento recolocada na caixa e uma terceira bola aleatoriamente retirada e sua cor anotada. De quantas maneiras diferentes amostras de 3 cores podem ocorrer? 5. Em um formigueiro existem formigas vermelhas e formigas pretas. Em um determinado local desse formigueiro as formigas s conseguem passar uma de cada vez, de quantas maneiras podemos anotar as cores de quatro formigas que iro passar nesse caminho uma atrs da outra (uma formiga preta indistinguvel da outra, assim como tambm as vermelhas)? 6. Uma particular cidade ir distribuir 3 prmios para pessoas que no so naturais do local, mas residem na cidade, se apenas 4 pessoas podem receber esse prmio e um prmio no poder ser dado a mais de uma pessoa, de quantas maneiras diferentes esses prmios podem ser distribudos entre essas 4 pessoas? 7. Se um conjunto tem 3 elementos, quantos subconjuntos ele tem? 8. Podemos definir um conjunto que possui exatamente 9 subconjuntos? 9. Quantas selees de 5 domins podem ser feitas de um jogo padro que contm 28 peas de domins? 10. De quantas maneiras 2 times podem ser escolhidos dentro de uma federao que possui 8 times? E quantos jogos so necessrios se cada time tiver que jogar com todos os outros exatamente uma vez? Quantas partidas so necessrias se cada time tiver que jogar com todos os outros exatamente seis vezes? 11. Quantas comisses de 3 pessoas podem ser escolhidas de um grupos que tem 10 pessoas? 12. Quantas patrulhas com 5 homens podem ser formadas de uma companhia que possui 20 homens? 13. Dado um conjunto com 15 pontos em um plano, quantas linhas so necessrias para conectar todos os possveis pares de pontos? 14. Um grfico completo em 3-D (trs dimenses) dado para que se conecte 3 pontos de todas as maneiras possveis. Se 15 pontos so ligados de todas as maneiras possveis, quanto grficos completos de ordem 3 (trs dimenses) podem ser includos? E de ordem k =4, 5, 6, . . . , 15?

15. Dada uma caixa com 2 lmpadas de 25 W, 3 de 40 W e 4 de 100 W, de quantas maneiras diferentes 3 lmpadas podem ser selecionadas da caixa, assumindo que cada uma das lmpadas diferente uma da outra? 16. Referindo-se as lmpadas do exerccio 2.4.15, quantas dessas selees de trs lmpadas incluem as duas lmpadas de 25 W? 17. Quantas lmpadas selecionadas definidas no exerccio 2.4.15 podem incluir exatamente uma de cada das trs voltagens? 18. Muitos pases usam placas de automveis com trs letras e trs nmeros. (a) Assumindo todas as possveis combinaes que podem ser usadas, quantas diferentes placas podem ser construdas? (b) Se 196 combinaes das trs letras forma palavras no muito agradveis aos ouvidos e portanto, no podero ser usadas, quantas placas ento so possveis construir? (c) Assuma agora que uma placa deve ter seis posies e obrigatoriamente 3 devem ser letras e 3 devem ser nmeros (no necessrio comear com letras e depois vir os nmeros, eles podem vir em qualquer ordem) de quantas maneiras podemos construir placas diferentes? 19. Uma pequena cidade possui 100 eleitores, 60 dos quais contribuem voluntariamente com a escola local. A receita federal ir pegar uma amostra de apenas 10 eleitores dessa cidade. (a) Quantas selees de 10 diferentes eleitores podem ser feitas? (b) Quantas dessas selees incluem 6 ou mais eleitores voluntrios da escola? (c) Quantas dessas selees no incluem 6 ou mais pessoas voluntarias? 20. Se n algum nmero par, mostre que + (dica. Considere a expanso binomial de (1-1)n.) 21. Aproxime o valor de (a) (0,999)10 (b) (0,95)5 (c) (1,99)6 (lembre que 2(0,995) = 1,99. 22. Uma comisso de trs pessoas ser escolhida entre quatro casais. (a) Quantas diferentes comisses podem existir? (b) Quantas comisses includas na letra (a) contm duas mulheres e um homem? (c) Quantas comisses existem de forma que nenhum dois membros da comisso sejam casados um com o outro? 23. Vinte automveis entram em uma corrida. Oito so do fabricante A, sete do fabricante B e o restante do fabricante C. Levando em conta apenas os fabricantes de quantas maneiras diferentes os carros podem cruzar a linha final? 24. (a) De quantas maneiras o arranjo listado no exerccio 2.4.23 tem um dos carros na primeira posio? (b) De quantas maneiras o arranjo listado no exerccio 2.4.23 tem carros do fabricante A nas duas primeiras posies? 25. De quantas maneiras diferentes podemos escrever palavras de 11 letras com as letras da palavra Mississippi? Quantas dessas comeam com M e terminam com i?

26. Conte o nmero de diferentes 4 letras que podem ser feitas usando as letras da palavra Mississippi. 2.5 Alguns problemas particulares de probabilidade Nessa sesso ns iremos ver uns poucos problemas que precisaram da ajuda das tcnicas de contagem e suas aplicaes em problemas de probabilidade. O nmero de elementos de A B ser denotado por n(A). Exemplo 2.5.1. Uma caixa contm 4 bolas vermelhas e 2 brancas. Se retirarmos essas quatro bolas aleatoriamente uma aps a outra, qual a probabilidade de que as duas bolas finais sejam brancas? Qual a probabilidade de que as duas ltimas no sejam ambas brancas? Qual a probabilidade de que as bolas brancas saiam uma imediatamente aps a outra? Por convenincia ns vamos assumir que as bolas brancas so numeradas com os nmero 1 e 2 e que as bolas vermelhas so numeradas de 3 at 6. Ento ns podemos adotar como nosso espao amostral S a coleo 6! = 720 permutaes seis a seis; que

S = {(x1, x2, . . . , x6): xi = 1, 2, 3, . . . , 6, para todo i e xi

xj para i

j}.

Se as bolas so aleatoriamente colocadas em uma lista, ento cada uma dessas 6uplas igualmente provvel de ocorrer e ns podemos usar nossas formulas para eventos equiprovveis para calcular as probabilidades. Defina A como sendo o evento em que a primeira e a ltima bolas so brancas (a coleo de 6-uplas com as bolas 1 ou 2 no inicio e 1 ou 2 no final) e o evento B como sendo aqueles em que as bolas 1 e 2 saem uma junto da outra. Ento o nmero de elementos de A

n(A) = 2.4! = 48
(as bolas brancas podem ser no fim de duas maneiras, para um ou outra dessas maneiras as bolas vermelhas podem ser arranjadas de 4! Maneiras diferentes). Ns tambm calculamos

n(B) = 5.2.4! = 240.

(Existem 5 posies lado a lado para as bolas brancas ocuparem, nominalmente, 12, 23, 34, 45, 56; quando umas dessas posies ocorrer, as bolas brancas podem ocupar o par selecionado de duas maneiras e as vermelhas podem ser permutadas nas posies restantes de 4! Maneiras). Como ns previamente mostramos

n(S) = 6! = 720
e ns temos

Um espao amostral alternativo para esse problema pode ser construdo da seguinte maneira. Se ns pretendemos que as bolas saiam em ordem uma depois da outra, ento todos os possveis resultados do experimento podem ser anotados em duas posies, as posies que as bolas brancas ocupam; todas as outras posies so naturalmente, ocupadas com bolas vermelhas. Todos os possveis pares so equiprovveis se as bolas so retiradas aleatoriamente. Ento

S = {(x1, x2): x1 = 1, 2, . . . , 5 : x2 = 2, 3, . . . , 6 : x1 < x2}

Note que S lista todos os possveis pares de posies que ns podemos selecionar para as bolas brancas e que cada elemento nico. O nmero de elementos pertencentes a S igual ao nmero de subconjuntos de tamanho 2 que um conjunto com 6 elementos tem, que . Se ns definirmos A e B como anteriormente, exatamente 1 desses subconjuntos consiste do maior e um do menor elemento de S e exatamente 5 deles consistem de pares consecutivos. Ento

n(A) = 1,
e como mostramos,

n(B) = 5

Em muitos problemas em que o espao amostral possvel de ser construdo equiprovvel; quando usados corretamente iro dar a resposta para o problema de interesse. Exemplo 2.5.2. Suponha que ns selecionamos um nmero qualquer entre 100 e 999, inclusive. Qual a probabilidade que ele tenha como menor nmero o algarismo 1? Qual a probabilidade que ele tenha exatamente dois algarismos 3? Para espao amostral trabalharemos com

S = {x : x = 100, 101, . . . , 999}.

Ento n(S) = 900 e desde que o nmero escolhido aleatoriamente, ns assumimos que todos os eventos simples so equiprovveis. Defina os eventos:

A : o nmero selecionado tem como menor algarismo o 1. B : o nmero selecionado tem exatamente dois algarismos 3.

Ns iremos encontrar facilmente , ento usar ele para calcular , e finalmente usar o teorema 2.2.2 para calcular . Ns iremos calcular n(B) diretamente. O evento ser a coleo dos nmeros de 3 dgitos que no possuem nenhum algarismo 1. A primeira posio pode ser ocupada por 8 algarismos diferentes (desde que o primeiro algarismo no pode ser 0 (zero) nem o algarismo 1) e cada uma das duas posies sucessivas pode ser ocupada por qualquer um dos 9 algarismos (desde que 1 no pode ocorrer nem na segunda nem na terceira posio). Ento e

. Para calcular n(B), ns podemos raciocinar da seguinte maneira. Se o primeiro algarismo 3, ento um dos algarismos sucessivos deve ser um 3 e os outros qualquer um dos 9 algarismos restantes. Esses dois algarismos sucessivos podem ocorrer de duas maneiras, assim existem 9.2 = 18 nmeros com 3 algarismos tendo um 3 na primeira posio e cada um deles contm exatamente dois 3. Se o primeiro algarismo no um 3, ento essa posio pode ser ocupada por 8 algarismos diferentes (nem 0 nem 3 podem ser usados). As duas ltimas posies devem ambas ter o algarismo 3. Ento n(B) = 18 + 8 = 26 e . Exemplo 2.5.3. Suponha que n pessoas esto em uma sala. Se ns fizermos uma lista de suas datas de nascimento (ms e dia do ms), qual a probabilidade de que exista uma ou mais repeties na lista? (o que a probabilidade de duas ou mais pessoas terem a mesma data de nascimento?). Ns iremos fazer a suposio de que existem apenas 365 dias possveis para cada data de nascimento (ignorando os anos bissextos, quanto fevereiro tem 29 dias) e que cada um desses dias tem a mesma probabilidade de ocorrer para uma data de nascimento individual. (essa pode ser de fato a pior das hipteses que ns podemos adotar relativa a esse problema; pode ser que alguns dias em Maro ou outro ms qualquer seja mais provvel de ocorrer nascimentos, ento a probabilidade de um ou mais dias de nascimento se repetirem maior do que se todos os dias so igualmente provveis). Nosso espao amostral a coleo de todos as possveis nuplas que podem ocorrer os dias de nascimento, numerando os dias do ano seqencialmente de 1 a 365. Ento

S = {(x1, x2, . . . , xn) : xi = 1, 2, . . . , 365 : i = 1, 2, . . . , n}

A primeira posio em cada n-upla da a data de nascimento da primeira pessoa; a segunda posio da a data de nascimento da segunda pessoa e assim por diante. Assumindo que todos os dias do ano so igualmente provveis de ocorrer para cada uma das pessoas, implica que cada uma dessas n-uplas igualmente provvel. Usando as tcnicas de contagem apresentadas na sesso 2.4, ns vemos que

n(S) = 365n
Defina A como sendo o evento onde existe uma ou mais repeties do mesmo dia de nascimento dentro das n-uplas. Ento a coleo de n-uplas que no possui repetio dos dias de nascimento; ns podemos ver facilmente que (com n 365) , o qual nos d

. Novamente do teorema 2.2.2, . A tabela 2.5.1 d os valores da e para vrios valores de n. Ela mostra algo surpreendente tal como que a probabilidade de repetio nas datas passa de para apenas umas poucas 23 pessoas na sala e que para 60 pessoas praticamente certo que haver repetio. n 10 20 21 22 23 24 25 30 40 50 60 0,871 0,589 0,556 0,524 0,493 0,462 0,431 0,294 0,109 0,030 0,006 0,129 0,411 0,444 0,476 0,507 0,538 0,569 0,706 0,891 0,970 0,994

Exemplo 2.5.4. Suponha que Sr Rita afirma ser uma clarividente. Especificamente ela afirma que se for apresentado a ela 8 cartas das quais 4 so

vermelhas e 4 so azuis, ela ir corretamente identificar a cor de no mnimo 6 delas sem precisar virar as cartas. Se ela tem essa habilidade especial qual a probabilidade de que ela identifique corretamente no mnimo 6 das 8 cartas apresentadas a ela? (ela ir identificar 4 cartas como vermelhas e 4 com pretas). Ns arbitrariamente decidimos apresentar a ela primeiro 4 cartas vermelhas uma aps a outra e em seguida apresentar as 4 cartas pretas. O espao amostral para o experimento o conjunto de todas as possveis ordens que ela poder dar para as cartas; que

S = {(x1, x2, . . . , xn) : xi = V ou P, para qualquer i : exatamente 4 xis so V}

Se ela for advinha, ento os eventos simples so equiprovveis. Desde que cada uma das 8-uplas pertencentes a S contm exatamente 4 V e exatamente 4 P, ns podemos calcular n(S) contando de quantas maneiras ns podemos selecionar 4 posies dentro de 8 nas quais as quatro posies so V; ento . Defina

A : ela identifica no mnimo 6 cartas corretamente. B : ela identifica exatamente 6 cartas corretamente. C : ela identifica todas as 8 cartas corretamente.
Desde que ela ir chamar 4 cartas de vermelhas e 4 cartas de preta, no possvel que ela acerte exatamente 7 cartas; ento

e desde que , . Claramente n(C) = 1 assim P(C) = 1/70. Se B ocorreu, ela deve ter identificado exatamente 3 das 4 cartas vermelhas corretamente e exatamente 3 das 4 cartas pretas corretamente. Ela pode ter errado uma entre as vermelhas e uma entre as pretas. Ento o nmero de 8-uplas contendo 1 V nas primeiras 4 posies e P nas ltimas 4 posies

n(B) = 4.4 = 16
e ns temos . Ento

; se ela apenas advinha, existe aproximadamente uma chance de 1 em 4 de que ela consiga realizar o que ela afirma ser capaz. Espaos amostrais equiprovveis devem ser escolhidos com cuidado. Ocasionalmente, o que pode parecer razoavelmente equiprovvel no o . O exemplo 2.5.5 apresenta um caso simples desse tipo. Exemplo 2.5.5. Inadvertidamente, dois tabletes de menta e dois de aspirina foram colocados na mesma caixa, para quem olha os tabletes parecem idnticos, Douglas e Hugo escolheram cada um deles um tablete de dentro da caixa (aleatoriamente, Douglas e depois Hugo). J que existe dois tabletes para cada um deles dentro da caixa, possvel que ambos tenham pego os tabletes de menta ou que ambos tenham pego os tabletes de aspirina ou que cada um tenha pego um tipo diferente de tablete. Ento ns podemos usar o seguinte espao amostral

S = {aa, am, ma, mm},

onde a representa o tablete de aspirina e m o tablete de menta e a seleo de Douglas feita primeiro; baseado no fato de que as selees so aleatrias, ns podemos tambm fazer a hiptese de equiprovveis. Seja D o evento em que Douglas seleciona um tablete de menta, e H ser o evento onde Hugo seleciona um tablete de menta, ento o evento em que ambos selecionam tabletes de menta. Ento D = {ma, mm}, H = {am, mm}, , e com a hiptese de equiprovveis ns temos P(D) = P(H) = , P( = . Tendo visto j a precedente discusso e analise, considere a seguinte prxima alternativa. Assuma que os tabletes so numerados de 1 a 4 com os nmero 1 e 2 representando os tabletes de aspirina. O espao amostral

S = {(x1, x2) ; xi = 1, 2, 3, 4,

i = 1, 2,

x1

x2}

e ento a hiptese de equiprovveis assumida (novamente, a primeira posio corresponde a escolha de Douglas e as segunda posio corresponde a escolha de Hugo). Ento o nmero de elementos de S 4.3 =12 e definindo os eventos D e H da mesma maneira anteriormente mostrada,

n(D) = 2.3 = 6,
e ns temos

n(H) = 3.2 = 6

, Diferente do conseguido anteriormente. Porque diferentes respostas foram obtidas para e qual das duas abordagens parece correta para voc? EXERCCIOS 2.5

1. Cinco bolas brancas e trs vermelhas so colocadas em uma fila aleatoriamente. Qual a probabilidade que as duas ltimas bolas sejam brancas? E de que uma delas seja vermelha e a outra branca? 2. Para a situao mostrada no exerccio 2.5.1, qual a probabilidade de que todas as bolas vermelhas estejam juntas? E qual a probabilidade de que todas as bolas brancas estejam juntas? 3. Um nmero de 5 dgitos selecionado aleatoriamente. Qual a probabilidade de que ele no contenha o algarismo 5? Qual a probabilidade de que ele contenha exatamente um algarismo 5? 4. Para a seleo descrita no exerccio 2.5.3, qual a probabilidade de todos os dgitos sejam iguais? E de que todos os dgitos sejam diferentes? 5. Dez pessoas so candidatas a formar uma chapa de trs pessoas. Se todos os grupos de 3 pessoas tem a mesma probabilidade de vencerem, qual a probabilidade de que uma particular pessoa ir esta participando da chapa vencedora? Qual a probabilidade de que um particular par de pessoas faam parte da chapa vencedora? 6. Duas pessoas so selecionadas aleatoriamente para serem soltas de uma priso com uma populao de 100 presos. Qual a probabilidade de que o prisioneiro mais velho seja um dos dois selecionados? Qual a probabilidade de que o mais novo e o mais velho sejam exatamente o par sorteado? 7. Um particular item estocado em 3 diferentes tamanhos. Uma ordem de retirada recebida pedindo dois itens, porm os tamanhos no so especificados. O carregador olha a ordem e arbitrariamente (ou na sorte) simplesmente seleciona dois itens e os embarca para entrega. (a) Qual a probabilidade de que os dois itens estejam exatamente como desejados pelo comprador? (b) Qual a probabilidade de que nenhum dos dois itens esteja corretos? 8. A, B e C participam de uma corrida. Qual a probabilidade de que A finalize na frente de C, dado que todos esto igualmente preparados (e que no pode haver empate)? Qual a probabilidade que A finalize na frente de B e de C? 9. 5 pessoas so testadas para que distinguir o sabor entre sorvete de baunilha comum e o gosto do sorvete de baunilha francs (cada um recebe uma pequena poro dos dois e so perguntadas quem quem em relao aos sabores). Se todas as 5 pessoas esto adivinhando, qual a probabilidade de que todas identifiquem corretamente os sabores? Se todas esto adivinhando qual a probabilidade de que pelo menos 4 identifiquem corretamente os sabores? 10. Calcule a probabilidade que um grupo de 5 cartas retiradas aleatoriamente de um baralho de 52 cartas contenham (a) Exatamente dois pares (b) 3 cartas do mesmo tipo e 2 de outro tipo (c) Todas as 5 do mesmo naipe (d) 5 cartas em sequencia (iniciando com s, ou dois, ou trs, . . . , dez) 11. n pessoas esto em uma sala. Calcule a probabilidade de que pelo menos 2 tenham o mesmo ms de nascimento. Calcule essa probabilidade para 3, 4, 5, 6 pessoas.

12. Trs pilotos usam 3 avies para vos em dois dias consecutivos, o avio para cada um dos pilotos sorteado em cada dia. (a) Qual a probabilidade de que todos os pilotos peguem o mesmo avio nos dois dias consecutivos? (b) Qual a probabilidade de que cada um dos pilotos peguem avies diferentes nos dois dias consecutivos? 13. Dez homens vo pescar salmo em um barco pesqueiro. Quando o barco retorna, voc v que 3 salmes foram capturados. Assuma que as chances dos pescadores so iguais de pescarem um salmo. (a) Qual a probabilidade de que todos os trs salmes tenham sido pescados por diferentes pescadores? (b) Qual a probabilidade de que todos os trs salmes tenham sido pescados pelo mesmo homem? 14. A uma pessoa so apresentadas 3 cartas vermelhas e 3 brancas em uma seqencia aleatria. Ele sabe que existem 3 de cada cor; ento ele ir identificar 3 cartas com sendo da mesma cor. Se ele estiver adivinhando, qual a probabilidade de que ele identifique corretamente todas as 6 cartas? E de identificar corretamente 5 cartas? E de exatamente 4? 15. No exemplo 2,5,4, qual a probabilidade de que a senhora Rita identifique exatamente 4 cartas corretamente? 2.6 Probabilidade Condicional Existem aplicaes nas quais ns iremos informar que um evento B j ocorreu e ns queremos saber qual a probabilidade do evento A ocorrer, condicionado a informao de que o evento B j aconteceu. Por exemplo, uma fabrica de computadores recebe chips de trs diferentes fornecedores; dado que um lote de chips chegou e que eram do fornecedor, digamos fornecedor 1, (evento B ocorreu), o fabricante poder esta interessado na probabilidade de que a proporo de chips defeituosos seja menor que, digamos, 3% (evento A). Ou dado que uma pessoa selecionada aleatoriamente em uma pesquisa de opinio declarou ser filiada ao PMDB, (evento B), ns podemos estar interessados n probabilidade de que ela vote em um candidato do PMDB nas prximas eleies. Ou garantido que uma pessoa escolhida aleatoriamene tem um histrico familiar de diabetes (evento B), de interesse saber a probabilidade de que ela tambm tenha diabete. Essa probabilidade condicional para A, dado que B ocorreu, ir ser denotada por P(A B) para distinguir da probabilidade incondicional da ocorrncia de A. Como poderemos ento definir P(A B)? Claramente, se o evento B ocorreu, ele ou ocorreu com junto com o evento A (ento A ocorreu) ou ele ocorreu sozinho, sem que o evento A tenha ocorrido (ento o evento ocorreu). Podemos ver que para P(A B) temos

que a freqncia relativa dada pela proporo de vezes que A ocorreu em relao a B para a proporo de vezes que B ocorreu (com ou sem a ocorrncia de A). Percebendo que , o precedente denominador simplesmente P(B) e ns temos a seguinte definio para P(A B).

Definio 2.6.1. ocorreu

A probabilidade condicional da ocorrncia de A, dado que B

em que P(B) > 0. A probabilidade condicional para A pode ser menor, igual ou maior que a probabilidade incondicional para A. Exemplo 2.6.1. Ns rolamos um par de dados uma vez e verificamos que os dois nmeros que ocorreram no so iguais. Calcule a probabilidade de que a soma seja 7 ou que a soma seja 4 ou que a soma seja 12. Defina os eventos:

A : os dois nmeros que ocorrem so diferentes.

Ento ns sabemos que o evento A ocorreu. Vamos tambm definir os seguintes eventos:

. Ento assumindo que os eventos simples so equiprovveis, ns encontramos que

B : a soma 7. C : a soma 4. D : a soma 12.

P(A) = 5/6,

P(B) = 1/6,
,

P(C) = 1/12,

P(D) = 1/36,

e agora ns temos que

Exemplo 2.6.2. Uma fabrica de carros produziu 500.000 veculos de um modelo popular em um determinado ano. Para diminuir os custos, a fbrica s os construiu utilizando quatro cores: vermelho, amarelo, preto e branco. O nmero de carros pintados com essas cores foram 100.000, 150.000, 175.000 e 75.000

respectivamente. Seis meses depois todos os carros estavam vendidos e foi encontrado um srio erro de fabricao que poder acarretar em acidente em 75.000 desses carros, ento os carro foram chamados para um recall (chamados de volta para serem corrigidos os erros). Dos 75.000 que apresentaram defeitos, 10.000 eram vermelhos, 10.000 azuis, 30.000 amarelos e o restante eram verdes. Suponha que um dos carros verdes desse modelo escolhido aleatoriamente (eu comprei ele), qual a probabilidade de que seja necessrio um recall nesse car? Para responder essa questo, ns iremos usar um espao amostral S em que os elementos so 2-uplas. O primeiro elemento de cada 2-upla identifica a cor do carro (v, a, p, b) e o segundo elemento identifica se o carro esta ou no com defeito. (d para defeituoso e n para os no defeituosos). Ento

S = {(v,d), (v,n), (a,d), (a,n), (p,d), (p,n), (b,d), (b,n)}

As informaes dadas ento permite identificar que

E que

Das quais ento possvel especificar a funo probabilidade para S. Agora defina B como sendo o evento um carro verde selecionado e seja A o evento o carro apresenta defeito. Ento , e assim diretamente podemos calcular a probabilidade de recall para qualquer carro de outra cor.

Um dos mais freqentes uso para a probabilidade condicionada para fornecer um fcil procedimento para encontrar a probabilidade da interseco de eventos. Desde que

Ento verdade que , E revertendo a ordem de A e B na probabilidade condicionada, ficamos com . Esse tipo de resultado facilmente expandido por induo. Por exemplo,

O que d imediatamente

E desde que

, .

Ento probabilidades para interseces de eventos podem estar embutidas recursivamente dentro de probabilidades incondicionais e condicionais. Exemplo 2.6.3. Ns selecionamos 2 bolas aleatoriamente e sem reposio de uma urna que contem 4 bolas brancas e 8 pretas. (a) calcule a probabilidade de que ambas sejam brancas. (b) calcule a probabilidade de que a segunda bola seja branca. (a) Defina A : a primeira bola branca B : a segunda bola branca C : ambas as bolas so brancas. Ento e (b) Claramente, e . ,

Ento

. Note que a probabilidade de retirar a segunda bola branca (e a primeira retirada no sendo reposta) 1/3, a mesma probabilidade de que a primeira bola retirada seja branca. Podemos mostrar que isso um caso generalizado. P(B) uma probabilidade incondicional e, como indicado nos clculos anteriores, P(B) uma proporo de duas probabilidades condicionadas e . Exemplo 2.6.4. A caixa 1 contm 4 lmpadas defeituosas e 16 perfeitas. A caixa 2 contm uma lmpada defeituosa e uma perfeita. Ns rolamos um dado uma vez. Se o dado der os nmeros 1 ou 2, ento ns selecionamos uma lmpada aleatoriamente da caixa 1. Qualquer outro resultado do dado, ns selecionamos aleatoriamente uma lmpada da caixa 2. Qual a probabilidade de que a lmpada selecionada seja defeituosa? Defina

A : ns selecionamos uma lmpada da caixa 1 B : a lmpada selecionada defeituosa.

Ento que Desde

ns temos

. Os eventos E1, E2, . . . , En so chamados de partio do espao amostral S se . Ento uma partio divide o espao amostral em pedaos que so mutuamente excludentes. A figura 2.6.1 da um diagrama de Venn com n = 7 eventos na partio. Se A S algum evento e E1, E2, . . . , En uma partio de S, ento E1, E2, . . . , Em tambm partem A; que ,

Figura 2.6.1

Figura 2.6.2 e naturalmente, para todo i j. A figura 2.6.2 mostra esse particionamento do evento A, novamente com n = 7 eventos na partio, sendo assim podemos escrever , chamamos a esse resultado de teorema da probabilidade total. Esse resultado foi usado anteriormente no exemplo 2.6.4 e ser ilustrado mais uma vez no exemplo seguinte. Exemplo 2.6.5. Um fabricante de maquinas de calcular, compra o mesmo circuito integrado de trs diferentes fornecedores, vamos chama-los de I, II e III. De experincias passadas, o fabricante sabe que 1% dos circuitos fornecidos por I so defeituosos, 3% dos fornecidos por II so defeituosos e do fornecedor III, 4% so defeituosos. Numa grande compra onde 30% dos circuitos so fornecidos por I, 50% por II e 20% pelo fornecedor III, ns podemos usar o teorema da

probabilidade total para calcular a probabilidade de que um particular circuito integrado, quando checado no possa definitivamente ser colocado em uma calculadora. Ento seja A o evento em que o chip defeituoso e sejam E1, E2 e E3 os eventos nos quais o chip selecionado foi fabricado pelos fornecedores I, II e III respectivamente, e ns temos ento P(E1) = 0,3, P(E2) = 0,5, P(E3) = 0,2, . Ento assim

P(A) = 0,003 + 0,015 + 0,008 = 0,021

O teorema da probabilidade total pode ser usado para facilmente estabelecer o Teoremas de Bayes chamado depois de Teorema do Reverendo Bayes; o resultado comumente atribudo como sendo publicado pela primeira vez postumamente em 1764. Ele usado extensivamente em mtodos Baysianos de inferncia estatstica, alguns dos quais so discutidos no captulo 11. Teorema 2.6.1. evento A S Sejam E1, E2, . . . , En ser uma partio de S. ento para algum

Prova: Por definio

e desde que

, Percebe-se imediatamente o resultado. Exemplo 2.6.6. Assuma que a probabilidade de que um jri selecionado para julgar um caso criminal chegue a um veredito apropriado seja de 0,95. Ou seja, se um verdadeiro culpado for a julgamento o jri tem uma probabilidade de 0,95 de julgar ele como verdadeiro culpado, e no outro caso, se um inocente for a julgamento o jri tem uma probabilidade de 0,95 de mandar solta-lo como inocente que verdadeiramente. Suponha que a policia do local extremamente criteriosa e competente, e que em 99% dos casos que ela consegue levar a julgamento uma pessoa, a pessoa verdadeiramente culpada. Ns vamos calcular a probabilidade de que um ru levado a julgamento seja verdadeiramente inocente, dado que o jri o considerou inocente e o mandou soltar. Seja G o evento em que o

ru culpado e seja J o evento onde o jri considera o ru culpado. Ento ns temos que e ns queremos calcular . G e formam a partio do espao amostral, assim do teorema de Bayes

Ento existe 1 chance em 6 de que ele verdadeiramente seja inocente j que foi declarado inocente pelo jri e 5 chances em 6 de que ele seja verdadeiramente culpado j que o jri o declarou inocente. Similarmente, a probabilidade de que ele seja inocente j que o jri o considerou culpado de 0,0005 e a probabilidade de que ele seja verdadeiramente culpado quando o jri o condenou de 0,9995. No fcil a primeira vista compreender o teorema de Bayes. Note que ele d a probabilidade de ocorrncia de Ei, um dos eventos da partio, dado que o evento A ocorreu. Vimos isso de uma maneira no muito rigorosa. Alguns desses originais usos foram concernidos como E1, E2, . . . , En os quais representam varias teorias mutuamente excludentes tais como, de que maneira o universo foi criado, ou como o universo chegou no estado atual; os valores de P(Ei) so chamado de probabilidade a priori. O evento A representa algum evento que sabemos que j ocorreu, como o registro histrico de um dado acontecimento ao longo do tempo. O teorema de Bayes ento mostra como calcular a ), a probabilidade condicional da teoria i correta (chamada de probabilidade posteriori), dado que A j ocorreu. Ele bem ajustado para se adaptar a esquemas que usam dados ou experincias para modificar crenas j estabelecidas. Criticas ao procedimento Baysiano geralmente concentram-se na hiptese de que as P(Ei) e tem que ser necessariamente conhecidas. Se elas no o so, naturalmente no possvel empregar o teorema. Exemplo 2.6.7. Vamos assumir a mesma situao do exemplo 2.6.5: 30% dos circuitos integrados so fornecidos pelo fornecedor I, 50% pelo fornecedor II e 20% pelo fornecedor III, e as probabilidades de defeitos desses fornecedores so . Agora suponha que uma caixa sem nenhuma indicao desses circuitos integrados aberta; e sabe-se apenas que todos os circuitos vm do mesmo fornecedor e que esse desconhecido. Sem que seja testado nenhum dos circuitos razovel assumir que a probabilidade de que a caixa venha de cada um dos fornecedores , respectivamente, porque essas so as propores de compra que o fabricante efetua para cada um dos fornecedores. Se um circuito selecionado da caixa e testado, o teorema de Bayes pode ser usado para calcular uma nova probabilidade de que a caixa venha de um determinado fornecedor em particular, dado a informao sobre o resultado do teste do circuito. Se, por exemplo, o circuito testado e verifica-se ser defeituoso, ento o evento A, o circuito defeituoso, ocorreu e ns temos

Por outro lado, se o circuito testado e verifica-se que ele esta perfeito, ento o evento , o circuito perfeito, ocorreu e ns ento teremos

Ento a probabilidade a posteriori que a caixa era do fornecedor I, II ou III so substitudas de seu valor da probabilidade incondicional inicial pela informao de que o circuito testado estava defeituoso para as novas probabilidades condicionadas conseguidas anteriormente. O teorema de Bayes pode ser utilizado mais de uma vez. Se um circuito j foi selecionado, testado e verificado de que defeituoso a probabilidade de que a caixa tenha vindo dos fornecedores I, II e III so (com uma pequena mudana na notao, assim ns podemos aplicar o teorema de Bayes novamente sem confuso) . Se um segundo item selecionado e verifica-se que ele defeituoso, ns temos

Essas so as probabilidades de que a caixa venha de cada um dos trs fornecedores em particular, dado que dois circuitos foram testados e que os dois estavam defeituosos. EXERCCIOS 2.6 1. Uma urna contm 4 bolas numeradas 1, 2, 3 e 4. Duas bolas so retiradas sem reposio. Seja A o evento definido como a soma das duas bolas igual a 5 e Bi o evento em a primeira bola tem o i nela, i = 1, 2, 3 e 4. Calcule a probabilidade , i = 1, 2, 3 e 4, e , i = 1, 2, 3 e 4. 2. Suponha que as duas bolas do exerccio 2.6.1 so retiradas com reposio. Sejam A e Bi serem os mesmos eventos j definidos anteriormente no exerccio 2.6.1, calcule a probabilidade e , i = 1, 2, 3 e 4. 3. Uma moeda honesta rolada 4 vezes. Qual a probabilidade de que o quarto lanamento seja uma cara, dado que o terceiro lanamento foi uma cara? 4. Uma moeda honesta lanada 4 vezes. Qual a probabilidade de que o quarto lanamento seja uma cara, dado que j ocorreram trs caras anteriormente? Dado que 2 caras ocorreram nos quatro lanamentos? 5. A urna 1 contm 2 bolas vermelhas e 4 azuis, a urna 2 contm 10 bolas vermelhas e 2 azuis. Se uma urna escolhida ao acaso e uma bola retirada dessa urna, qual a probabilidade de que a bola retirada seja azul? De que seja vermelha? 6. Suponha que no exerccio 2.6.5, em vez de selecionarmos uma das urnas aleatoriamente, ns rolssemos um dado e selecionssemos a urna 1 se o dado desse o nmero 1 como resultado, se desse algum dos outros nmeros selecionaramos a urna 2. Qual a probabilidade de que a bola selecionada fosse azul? De que fosse vermelha? 7. Cinco cartas so selecionadas aleatoriamente e sem reposio de um baralho com 52 cartas. Qual a probabilidade de que todas sejam vermelhas? Que elas sejam de ouro? 8. Uma urna contm 2 bolas vermelhas, 2 brancas e 2 azuis. Duas bolas so retiradas aleatoriamente sem reposio. Calcule a probabilidade de que a segunda bola retirada seja vermelha 9. Uma urna contm 2 bolas pretas e 5 marrons. Uma bola retirada aleatoriamente. Se a bola retirada marrom, ela reposta e colocamos mais duas outras bolas marrons dentro da urna. Se a bola retirada for preta, ela no recolocada na urna e no colocaremos mais nenhuma bola dentro da urna. Uma segunda bola retirada de dentro da urna. Qual a probabilidade de que seja marrom? 10. O segundo estagio do experimento descrito no exerccio 2.6.9 foi realizado e a segunda bola retirada era marrom. Qual a probabilidade de que a primeira bola selecionada tenha sido marrom?

11. Suponha que um teste medicinal consegue um acerto de 95% no diagnostico de cncer, tanto quando em casos afirmativos como em casos negativos. Se 0,5% da populao atual tem cncer, calcule a probabilidade de que um indivduo em particular ter cncer dado que o teste afirmou que ele tem cncer. 12. Em uma grande escola 1% dos estudantes participam do corpo atltico da escola, 10% desses alunos participantes tem uma nota escolar geral entre 3 e 4, sendo 3 inclusive e o 4 excluido (3 nota < 4), sabe-se tambm que 20% dos estudantes que no participam do corpo atltico tem a mesma faixa de nota geral 3 nota < 4. Qual a proporo de alunos dentro da escola que possuem nota geral na faixa de 3 nota < 4? Suponha que um aluno seja selecionado aleatoriamente dentro da escola, e verifica-se que sua nota geral de 3,12. Qual a probabilidade de que ele participe do corpo atltico? 13. Dois diferentes fornecedores, A e B, abastecem a um fabricante com o mesmo tipo de peas. Todas as peas so guardadas em um grande armazm. De informaes passadas, o fabricante sabe que 5% das peas fornecidas por A, so defeituosas e que 9% das peas fornecidas por B tambm so defeituosas. O fornecedor A entrega quatro vezes mais peas do que o fornecedor B. Suponha que voc entre no armazm escolha uma pea aleatoriamente, e verifique que ela perfeita. Qual a probabilidade de que ela tenha sido entregue pelo fornecedor A? 14. Dois dados honestos so rolados de uma vez. Dado que a soma dos dois foi no mnimo 7, calcule a probabilidade de que a soma tenha sido i, i = 7, 8, 9, 10 ,11 ou 12. 15. Assuma que dentre as famlias com duas crianas, existem iguais nmeros de famlias com (menino, menino), (menino, menina), (menina, menina) e (menina, menino) onde a ordem na 2-upla indica a ordem de nascimento. Ns selecionamos uma famlia com duas crianas aleatoriamente. (a) Qual a probabilidade de que a famlia tenha 2 meninos, dado que ela tem pelo menos um menino? (b) Suponha que voc tenha casado recentemente e que voc j tem uma criana, um menino. Vocs esto esperando o seu segundo filho. Claramente, desde que vocs tero duas crianas, vocs tero no mnimo um menino. A resposta para o item (a) a probabilidade de que seu segundo filho seja um menino? 16. Dezesseis times entram em um torneio de simples eliminao, jogando partidas que no podem terminar empatadas. Ento um total de quatro rodadas necessrio para se determinar o vencedor. Assuma que a probabilidade de que seu time ganhe o primeiro jogo de 0,9 e de que a probabilidade de que ele ganhe os jogos seguintes de 0,8; 0,7 e 0,6 respectivamente. Dado que ele ganhou os trs jogos precedentes antes da final, (a) qual a probabilidade de que ele seja o campeo do torneio? (b) Qual a probabilidade de que seu time seja eliminado na terceira partida? Na segunda partida? E na primeira partida? 17. Toda vigsima quinta pessoa que entrar em um certo brinquedo em um parque de diverso receber um prmio.

(a) Qual a probabilidade de que voc receba um prmio quando voc entrar no parque? (b) Dado que voc esperou e observou que nove das quinze pessoas que entraram antes de voc receberam um prmio, qual a probabilidade de que voc receba um prmio? 18. Assuma que dois circuitos so selecionados de dentro de uma caixa, descrita no exemplo 2.6.7, e ambos esto perfeitos. Calcule a probabilidade de que a caixa venha de cada um dos fornecedores trs fornecedores. 2.7 Eventos Independentes O conceito de eventos independentes muito importante e ser usado freqentemente no material seguinte. Dizer que os eventos A e B so independentes, afirmar que o conhecimento da ocorrncia ou no do evento B, no altera a probabilidade de ocorrncia do evento A; iniciando com uma maior preciso, ns diremos que os eventos A e B so independentes se

Se a probabilidade incondicional da ocorrncia de A igual a e , ento ns no sabemos de mais nada sobre a ocorrncia de A depois de nos dado a informao de que B ocorreu (ou de que B no ocorreu) do que o que j sabamos antes dessa informao. Sendo

Segue que , se A e B so independentes. Ns iremos utilizar essa equao para nossa definio de independncia entre os eventos A e B, dada na seguinte definio Definio 2.7.1. Independncia uma relao simtrica. Se , ento e ; voc tambm pode verificar que se A e B so independentes, ento tambm o so A e , e B, assim como tambm e . Exemplo 2.7.1. Assuma que os nmeros dados na tabela 2.7.1 da as probabilidades de indivduos selecionados aleatoriamente. Canceroso No canceroso Fumante 0,5 0,2 No fumante 0,1 0,2 Seja A o evento de que o individuo selecionado fumante e B seja o evento de que o individuo selecionado seja canceroso, ento Dois eventos A e B so independentes se e somente se .

; E

. Desde que ; Ns vimos que Exemplo 2.7.2. eventos , assim A e B no so independentes. Se 2 dados honestos so rolados uma vez, mostre que os 2 A : A soma dos dois dados 7. B : Os dois dados tem o mesmo nmero. No so independentes. Como visto anteriormente, assim , a qual no ; ,

. Ento os 2 eventos no so independentes.

A definio de independncia e de eventos mutuamente excludentes so freqentemente confundidas. Os dois conceitos no so a mesma coisa, como ns poderemos ver no seguinte teorema. Teorema 2.7.1. Assuma que e . Ento isso implica que A e B so independentes e no so mutuamente excludentes, e A e B mutuamente excludentes implica que A e B no so independentes. Suponha que A e B so independentes. Ento , desde que e . Ento eles no so mutuamente excludentes. Agora suponha que A e B so mutuamente excludentes. Ento e . Mas desde que e , ento eles no so independentes. Prova: A independncia de trs eventos definida a seguir. Definio 2.7.2. A, B e C so independentes se e somente se: 1. 2. 3. 4.

Muitos exemplos podem ser dados para mostrar que as trs primeiras condies satisfeitas, no implica que a quarta condio o ser, e vice versa. O seguinte exemplo satisfaz as trs primeiras condies mas no a quarta. Exemplo 2.7.3. assuma que um dado honesto lanado duas vezes e defina os trs seguintes eventos. A : Cara no primeiro lanamento. B : Cara no segundo lanamento C : Mesma face em ambos os lanamentos. Ento ns podemos facilmente ver que P(A) = P(B) = P(C) = 1/2 e que , assim as equaes 1, 2, e 3 da definio 2.7.2 so satisfeitas; A, B e C so chamados de eventos independentes par a par. Mas desde que , A equao (4) no satisfeita e ento os eventos no so independentes. Os n eventos so inteiramente mutuamente independentes se e somente se para dois eventos quaisquer, e para trs eventos quaisquer, e assim por diante at que Ento para provar a independncia de n eventos ns temos que verificar equaes separadamente. O uso real da independncia de eventos na probabilidade para a rea de interseco entre os eventos. Garantido que n eventos so independentes, a probabilidade de interseco de alguns deles dada pelo produto das probabilidades incondicionais dos eventos envolvidos na interseco. Exemplo 2.7.4. De acordo com uma tabela de mortalidade em 1958, a probabilidade de que uma pessoa com 20 anos naquele ano viver at os 65 anos (ou mais) era de 0,704. Se ns assumirmos que trs amigos de 20 anos, cada, iro alcanar a idade de 65 anos (ou no) independentemente, ns poderemos calcular a probabilidade de algum evento definido como sendo, os trs ou alguns dos trs amigos alcanam ou no a idade de 65 anos (ou mais). Talvez o caminho mais imediato para a soluo seja adotar um espao amostral S com 3-uplas como elementos, as trs posies correspondendo aos 3 amigos; onde cada elemento de cada 3-upla sim y ou no n (para pessoa que vivem 65 anos ou mais o y, e para as que no vivem o n). Ento ns assumimos que a probabilidade de y ocorrer para cada pessoa separadamente 0,704 e a probabilidade de n ocorrer para uma pessoa separadamente 1 0,704 = 0,296; a hiptese de independncia nos leva a calcular a probabilidade de cada uma das 3-uplas de S, multiplicando as probabilidades de cada um dos componentes da 3-uplas. Ento

e assim por diante. Note que varias das 3-uplas esto fornecendo a mesma probabilidade de ocorrncia. A probabilidade de que exatamente dois dos trs estejam vivos nos seus aniversrios de 65 anos

e a probabilidade de que apenas um esteja vivo no seu aniversario de 65 anos O mtodo utilizado para atribuir as probabilidades no exerccio 2.7.4 usado freqentemente em muitas aplicaes. Note que ns podamos ter definido como o espao amostral para cada individuo, y indicando que a pessoa esta viva com a idade de 65 anos e n indicando que ela no esta viva. Nosso espao amostral para os trs indivduos o produto cartesiano de : Alm disso, poderamos muito bem definir a funo probabilidade para cada um dos trs individuais espaos amostrais e ento a funo probabilidade para dada por para todo .A funo probabilidade para os eventos simples pertencentes a S o produto dos valores da funo probabilidade para os eventos simples de . Esse trabalho realizado, naturalmente, porque ns assumimos que o mesmo espao amostral era apropriado para cada um deles, e que cada um deles poderia ou no ultrapassar a idade de 65 anos independentemente. Esse um exemplo de um experimento com ensaios independentes com mesma funo probabilidade. No necessrio que a mesma funo probabilidade seja usada para cada um dos indivduos, como ser mostrado na definio seguinte. O aspecto importante que a multiplicao apropriada para encontrar a probabilidade para cada um dos eventos simples. Definio 2.7.3. Um experimento com espao amostral S consiste de n ensaios independentes se e somente se (a) S o produto cartesiano de n conjuntos

(b) A probabilidade de cada evento simples {( o produto da probabilidade dos apropriados eventos simples definidos em ; que

onde

so as probabilidades para

, respectivamente.

Nota-se imediatamente que um experimento que consiste de n ensaios independentes tem n-uplas como elementos desse espao amostral. Alm disso, as probabilidades de eventos simples so encontradas de uma maneira especial; essa maneira especial de fato dada por um mtodo fcil de se calcular muitas probabilidades. Exemplo 2.7.5. Uma rede varejista de rdio e televiso recebe uma encomenda de cinco rdios de um fabricante. Sabe-se de experincias passadas que 90% dos rdios recebidos desse fabricante funcionam corretamente quando testados na primeira vez; e que 10% deles necessitam de algum reparo depois de algum tempo trabalhando corretamente. Vamos discutir um experimento que consiste em checar quantos dos cinco rdios trabalham corretamente. Ns assumiremos que cada radio esta perfeito (chamaremos de n) ou defeituoso d. Ento um simples experimento que consiste em checar os rdios individualmente poder ter o seguinte espao amostral

Baseado nas informaes histricas dadas, ns podemos assumir que

O experimento que consiste em checar os cinco rdios poder ter o espao amostral . Alm disso, os rdios so individualmente separados como entidades fsicas que so, ento razovel que a ocorrncia ou no de defeitos sero independentes. Ou seja, ns temos um experimento que consiste de ensaios independentes. Ento usando a lista mencionada na definio 2.7.3, ns podemos encontrar a probabilidade dos eventos simples de S simplesmente multiplicando as probabilidades de observaes nos resultados do experimento individualmente. Por exemplo,

e assim por diante. Desde que as probabilidades dos eventos simples sejam conhecidas, naturalmente, ns poderemos calcular as probabilidades de algum outro evento de interesse. Exemplo 2.7.6. Uma prova anunciada de surpresa no inicio de uma aula de uma turma de psicologia. A prova tem 10 questes. As seis primeiras so do tipo verdadeiro ou falso, assim apenas duas escolhas podem ser feitas. As demais

questes so do tipo mltipla escolha, cada uma das questes tem quatro opes (a, b, c, ou d). Suely chega na aula completamente despreparada para a prova, ela no tinha tido tempo de estudar e no sabe nada de nada. Se ns considerarmos o experimento definido como sendo o resultado que Suely conseguir nesse teste, ns podemos definir

Onde c representa a resposta certa e e representa a resposta errada, ento o espao amostral simplesmente . Alm do mais, se ela esta despreparada para todas as questes, ns teremos

porque ela tem igual chance de selecionar alguma das possveis respostas. Igualmente, se ela esta despreparada, quando ela acerta ou erra em alguma questo isso no afeta o resultado de uma outra questo qualquer, assim a probabilidade de um evento simples pertencente a S o produto das probabilidades dos dez nmeros, sendo essa a resposta apropriada para a probabilidade da 10-upla considerada. Por exemplo, a probabilidade de que todas as 10 questes estejam certas , e a probabilidade de que ela erre as 10 questes erre as impares . A probabilidade de que ela acerte todas as questes pares e . Suponha que ela s passe na

matria se ela acerta no mnimo 5 questes da seis primeiras (verdadeira ou falsa) e 3 questes de mltipla escolha. Ento a probabilidade de que ela passe a unio de quatro eventos mutuamente exclusivos

A1 : acertar 5 questes verdadeiro-falso e 3 mltiplas escolhas A2 : acertar 6 questes verdadeiro-falso e 3 mltiplas escolhas A3 : acertar 5 questes verdadeiro-falso e 4 mltiplas escolhas A4 : acertar 6 questes verdadeiro-falso e 4 mltiplas escolhas
Voc pode verificar (use as tcnicas de contagem que voc aprendeu) que

Ento a probabilidade de ela passar

Ela poderia ter uma maior probabilidade de passar se estudasse e estivesse preparada para suas provas. EXERCCIOS 2.7 1. Uma moeda honesta lanada 2 vezes. So os 2 eventos

A: uma cara ocorre no primeiro lanamento B: uma cara ocorre no segundo lanamento
independentes? 2. Uma moeda honesta lanada duas vezes. Seja A o evento uma cara ocorre no primeiro lanamento e seja B o evento onde a mesma face no ocorre nos dois lanamentos. So A e B eventos independentes? 3. Uma urna contem 4 bolas numeradas 1, 2, 3 e 4. Duas bolas so retiradas sem reposio. Seja o evento A a primeira bola 1 e seja o evento B a segunda bola 1. So A e B eventos independentes? 4. No exerccio 2.7.3, se as bolas forem retiradas com reposio, os eventos A e B so independentes? 5. Um par de dados lanado uma vez, seja o evento A o primeiro dado o nmero 1 e seja o evento B o segundo dado 6 e seja C o evento a soma dos dados 7. So os eventos A, B e C independentes? 6. Uma moeda honesta lanada trs vezes. Seja o evento A ocorre cara no primeiro lanamento, seja o evento B pelo menos 2 coroas ocorrem e seja o evento C exatamente uma cara ocorre ou ento ocorre coroa, cara, cara. Mostre que esses trs eventos satisfazem a equao 4 da definio 2.7.2, mas no satisfazem as equaes 1, 2 ou 3. 7. Prove que se A e B so independentes, tambm sero independentes . 8. O problema de que um certo jogador de futebol tenha probabilidade de 0,7 em fazer um gol em uma cobrana de pnalti. Se em uma seqencia de 15 penaltis, calcule a probabilidade que ele faa 14 gols. Que hiptese voc pode usar para seu calculo de probabilidade? 9. Trs jogadores, A, B e C de ping-pong participam de um torneio onde cada um deles jogar uma partida contra o outro (cada jogador jogar apenas duas partidas, o vencedor do torneio o jogador que vencer as duas partidas, se existir um vencedor) assuma que no pode existir empate em uma partida. Vamos assumir as seguintes probabilidades

Assuma independncia entre os eventos, calcule as probabilidades (a) (b) (c)

A o campeo B o campeo

Ningum vence o torneio.

10. No exemplo 2.7.5, assuma que 10 rdios so recebidos. (a) Que espao amostral voc poderia usar para esse experimentos? (b) Qual a probabilidade de que todos eles trabalhem corretamente? (c) Qual a probabilidade de que pelo menos 9 trabalhem corretamente? 11. Uma loja de departamentos tem em exposio para a venda 1000 lmpadas, 10 delas so defeituosas. (a) Se voc compra 20 dessas lmpadas, qual a probabilidade de que nenhuma delas seja defeituosa? (b) Se voc compra 20 dessas lmpadas, qual a probabilidade de que exatamente uma seja defeituosa? 12. Em uma manh um vendedor de livros consegue visitar 16 casas. Se a probabilidade de que ele realize uma venda em uma casa 0,1, qual a probabilidade de que ele realize exatamente uma venda durante a manh? 13. Um estudante esta cursando 4 disciplina em uma faculdade, e que a probabilidade de que ele consiga um mdia final maior que 8,0 0,2; 0,5; 0,1 e 0,7 respectivamente para cada curso. (a) Qual a probabilidade de que ele tire mdia maior que 8,0 em todos os cursos? (b) Qual a probabilidade de que ele tire mdia maior que 8,0 em exatamente 3 desses cursos? Voc pode fazer alguma critica na maneira que voc usou para resolver esse problema? 14. Para cada um desses trs estudantes dado o mesmo problema para que eles resolvam separadamente Joo, Hugo e Raquel. A probabilidade de que cada um deles responda o problema 0,8; 0,7 e 0,6 respectivamente. (a) Qual a probabilidade de que nenhum deles resolva o problema? (b) Qual a probabilidade de que o problema seja resolvido? (por um ou mais de um deles) (c) Garantido que o problema foi resolvido, qual a probabilidade de que tenha sido resolvido apenas por Raquel? 2.8 Espao Amostrais Discretos e Contnuos Em muitos casos os elementos do espao amostral so nmeros reais. por exemplo, se nosso experimento consiste em uma corrida de 100 metros com seis corredores competindo, os elementos de nosso espao amostral poderiam ser o tempo que o vencedor da corrida levou para completar a prova. Ou se ns rolarmos um par de dados uma vez, os elementos de S poderiam ser os possveis valores da soma dos dois dados. Se um estudante faz uma prova de probabilidade os elementos do espao amostral poder ser a nota que ele tira. Ns somos forados a distinguir entre dois tipos diferentes de elementos de um espao amostral com nmeros reais, isso porque eles necessitam de dois mtodos diferentes para que se encontre a probabilidade de eventos associados ao

espao amostral. O primeiro tipo que ns iremos discutir chamado de espao amostral discreto. Definio 2.8.1. Um espao amostral S chamado de discreto se nenhum intervalo de tamanho finito na linha dos reais contiver um nmero infinito de elementos de S Exemplos de espaos amostrais discretos so

Um espao amostral discreto pode conter um nmero finito ou infinito de elementos. Os elementos de um espao amostral discreto so pontos isolados na linha dos reais; existem outros pontos na linha real, entre dois dos elementos de S, porm eles no pertencem a S. Existem, conjuntos de pontos que possuem essa propriedade, porm eles no esto includos em nossa definio de um conjunto discreto, por exemplo os conjuntos que contm seqencias convergentes. Ento o conjunto consiste de pontos isolados na linha dos reais, mas no discreta porque o intervalo de 0 at 1 inclui um infinito nmero desses elementos. possvel que um evento A seja formado por uma unio infinita de eventos mutuamente excludentes (geralmente de varias maneiras), quando trabalhamos com espaos amostrais infinitos. Para evitar possveis ambigidades no clculo de probabilidades para um evento, ns ampliar o axioma 3, dizendo

Esse chamado de axioma da aditividade contvel, declarando que se A a unio de um infinito nmero de eventos mutuamentes excludentes, ento , o valor de P(A) deve ser o limite da soma parcial da srie infinita . Espaos amostrais discretos so bastantes significativos para especificar as probabilidades de eventos simples. Probabilidades para algum outro evento (subconjunto de S) ento so dados pela soma das probabilidades dos eventos simples que unidos o compem. Naturalmente se S tem um infinito nmero de elementos, ns seremos forados a usar algum tipo de lista que especifique as probabilidades dos eventos simples para um , isso porque ns no podemos construir uma tabela infinita listando as probabilidades individuais. Ento deve ser verdade que . Um tipo de clculo de probabilidade para eventos simples que frequentemente ocorre um onde empregado sries geomtricas, ou a derivada da srie. Recorde que ,

e ento se

Ento, se

O qual ns escreveremos como

Subtraindo o primeiro termo dessa srie (o qual 1), ns temos

Agora calculando a derivada dessa srie; que ,

A qual deve ser a mesma da derivada de

Ento ns temos

Igualando a k-sima derivada de 1/(1-r) podemos mostrar que

com a k-sima derivada de

Isso para . Essa srie geomtrica ser muito til em nosso estudo. O seguinte exemplo usa essa srie geomtrica para calcular a probabilidade dos eventos simples.

Exemplo 2.8.1. Uma moeda honesta lanada at que ocorra um cara. Como espao amostral ns usaremos

S = {1, 2, 3, 4, . . . }
O conjunto dos inteiros positivos, onde fornece o nmero de lanamentos necessrios at o que tenha ocorrido a primeira cara (1 significa que a cara ocorreu logo no primeiro lanamento, 2 que a cara s ocorreu no segundo lanamento e assim por diante). Garantido que a moeda honesta, podemos admitir que 1})= , o evento {2} ocorre se e somente se uma coroa tiver ocorrido no primeiro lanamento e a cara tiver ocorrido no segundo lanamento. Assumindo que os resultados dos lanamentos so independentes, podemos calcular , da mesma maneira o evento {3} s ocorre se tiver ocorrido uma coroa no primeiro lanamento e uma coroa no segundo lanamento e uma cara no terceiro lanamento; assim podemos calcular que , O padro parece ser claro. O fato de que a moeda honesta e que os lanamentos so independentes leva para o seguinte raciocnio

Fazer essa afirmao satisfaz ao axioma 1? Recordando a srie geomtrica discutida anteriormente,

E ns podemos ver que o axioma 1 foi satisfeito. Probabilidades de eventos so novamente encontradas somando probabilidades de eventos simples. Ento se A o evento definido como, so necessrios no mximo 4 lanamentos para que ocorra a primeira cara e B o evento a primeira cara ocorre com um nmero par de lanamentos, ns temos

Exemplo 2.8.2. Suponha que ns selecionamos um nmero aleatrio de inteiros positivos. Qual a probabilidade de que ele seja par? O espao amostral para esse experimento

Assim S discreto. Se ns selecionarmos um inteiro aleatoriamente, ento cada evento simples ter a mesma probabilidade. Obviamente, no poderemos calcular a probabilidade para cada evento simples. No importa o quanto seja pequeno o valor dessa probabilidade, a soma das probabilidades dos eventos simples infinita. Suponha que ns afirmemos

Ento

E essa soma diverge, no importa o quo p esteja prximo de zero. Dessa forma pode parecer que no existe nenhum caminho no qual ns possamos descrever satisfatoriamente esse experimento. Essa concluso esta correta porque, depois de uma pequena reflexo, ns podemos admitir que verdadeiramente no existe nenhuma maneira de realizarmos esse experimento. impossvel selecionar um inteiro aleatoriamente do conjunto de inteiros positivos. O experimento em sua prpria realizao no faz nenhum sentido; isso porque ns no podemos descreve-lo. A despeito do que foi dito anteriormente, razovel dar como sendo a probabilidade de selecionarmos um nmero par levando em conta que o total de nmeros seja par. Essa concluso baseia-se no seguinte raciocnio, se ns vamos selecionar aleatoriamente um inteiro do conjunto {1, 2, 3, . . . , M} onde M muito grande, a probabilidade de que um nmero seja par ser M for par e [1/(2M)] se M for impar. Em um ou outro caso a resposta , como M cresce e cresce, ele caminha para ser (para M par ou para M impar ambos so ). O segundo tipo de espao amostral com nmeros reais frequentemente usado chamado de contnuo. Ns iremos defini-lo da seguinte maneira. Definio 2.8.2. Um espao amostral S que tem como elementos todos os pontos em um intervalo, ou todos os pontos na unio de intervalos na linha dos reais chamado contnuo. Conjuntos como

So chamados de contnuos. Um espao amostral contnuo sempre tem um nmero infinito de elementos. Alm disso, se , ento todos os pontos entre x e y tambm pertencem a S. Existem mais pontos em algum intervalo contnuo do que existem inteiros. Ento para um espao amostral contnuo dito que ele

contm um incontvel ou no enumervel nmero de pontos. Consequentemente, ns somos forados a afirmar que a probabilidade de ocorrncia de um ponto individual em S zero; se ns no assim o fizermos, no ser possvel satisfazer o primeiro axioma, P(S) = 1. Ento em espaos amostrais contnuos ns em geral no estaremos aptos a calcular a probabilidade de um evento A atravs da soma das probabilidades dos eventos simples (pontos) que so os subconjuntos de A. O que, ento, devemos fazer para especificar a probabilidade de eventos quando ns temos espaos amostrais contnuos? A medida chamada de tamanho de uma linha usada em geometria um familiar exemplo do que conceitualmente poderamos dizer que similar a funo probabilidade de um espao amostral S. Recorde que o tamanho de uma linha uma lista com nmeros associados a ela (chamada de tamanho de uma linha) atravs de intervalos na linha dos nmeros reais. Recorde tambm que o tamanho de um nico ponto na linha dos reais igual a zero, ento o tamanho do intervalo entre 0 e 1, no obtido atravs da soma dos tamanhos dos pontos individuais entre 0 e 1. Da mesma maneira que a medida tamanho, a funo probabilidade para espaos amostrais contnuos S ir ser uma lista de nmeros associados (chamados de probabilidades) a intervalos que so subconjuntos de S. Em espaos amostrais discretos, finitos ou infinitos, todos os subconjuntos de S so eventos e ns podemos consistentemente calcular a probabilidade de qualquer evento pela soma dos eventos simples. Se S contnuo, existem razes tcnicas que no permitem que todos os subconjuntos de S sejam eventos. Todos os intervalos que so subconjuntos de S, e algumas unies e interseces desses intervalos, so eventos (e ns podemos encontrar a probabilidade deles), assim essas restrines tcnicas realmente no iro limitar ou nossa capacidade de resolver problemas prticos. Existem naturalmente, muitos caminhos de atribuirmos nmeros para intervalos que iro satisfazer os axiomas e podemos ento usar as funes probabilidades. Um das mais simples maneiras de fazer isso simplesmente usar o tamanho dos intervalos. Por exemplo, suponha que nosso espao amostral consiste de todos os pontos no intervalo entre a e b includos, onde a < b; a e b, um ou outro ou ambos, podem ser nmeros negativos ou positivos. Ento ns temos

Seja L(A) representar o tamanho do intervalo A onde e se A a unio de intervalos que no se interceptam e que so subconjuntos de S, temos que L(A) a soma dos tamanhos dos intervalos. Ento a regra

Satisfaz os axiomas para uma funo probabilidade. fcil verificar a verdade dessa afirmao; essa regra dar que , assim o primeiro axioma satisfeito. Porque o tamanho de qualquer intervalo sempre positivo, ns temos

Assim o axioma 2 foi satisfeito. Se so intervalos que no se interceptam e cada um deles um subconjunto de S. ns definimos que

E ento

assim o axioma 3 tambm satisfeito. Desde que o tamanho de um ponto zero, essa regra tambm fornece que P(A) = 0 se A = {x}, , sendo A um evento simples. muito til pensar geometricamente atravs dessa regra para encontrarmos as probabilidades por meio dos intervalos.

, assim o divisor da razo b a. Definimos a funo de uma varivel real

O grfico da funo esta mostrado na figura 2.8.1 com 0 < a < b, como foi dito anteriormente a ou b, ou ambos podem ser negativos. Ento a rea total entre f(x) e o eixo x (b a)[1/(b a)] = 1, que pode ser descrita como a rea total abaixo de f(x) e que 1. Agora seja algum intervalo, como o mostrado na figura 2.8.2, onde a < c < d < b. ento a rea abaixo de f(x) sobre o intervalo A de fato (d c)/(b a) = L(A)/L(S) = P(A). Essa regra que encontra as probabilidades para os intervalos, de acordo com os tamanhos desses intervalos, tambm pode ser pensada como probabilidades encontradas calculando-se a rea sobre o intervalo e abaixo da funo constante f(x) = 1/(b a). (naturalmente so equivalentes, porque a rea abaixo da funo constante 1/(b a) vezes o tamanho do intervalo). A rea total abaixo de f(x) deve ser 1 j que P(S) = (b a)/(b a) = 1.
f(x)

1/(b a)

Figura 2.8.1

f(x)

1/(b a)

Figura 2.8.2 A regra para calcular a P(A) por , tem uma propriedade

interessante. Se duas vezes maior que , ento , isso implica naturalmente em ; o que dizer que o evento B duas vezes mais provvel de acontecer do que o evento A. Isso tambm verdade para os espaos amostrais discretos equiprovveis. Se S equiprovvel (e ento S deve ser finito) e o evento contm duas vezes mais elementos do que o evento , ento verdade para essa regra que . Por essa razo um experimento com um espao amostral contnuo tem funo probabilidade definida por

e frequentemente chamado (de forma descuidade) de resultados igualmente provveis (tambm chamado de lei da probabilidade uniforme). Em casos contnuos isso mais acertadamente chamado de espao amostral com intervalos igualmente provveis, com a probabilidade que encontrada para o intervalo depender apenas de seu tamanho e no de onde ele encontra-se dentro de S. Exemplo 2.8.3. Douglas um menino de 2 anos de idade. Do histrico de sua famlia torna-se plausvel assumir que sua altura quando ele ficar adulto ser algo em torno de 1,75 m e 1,88 m. Fazendo essa hiptese, qual a probabilidade de que ele tenha no mnimo 1,83 m quando estiver adulto? Qual a probabilidade de que quando estiver adulto sua altura esteja entre 1,78 m e 1,80 m? Ns vamos usar como espao amostral

onde pela nossa hiptese essas seriam as alturas mnimas e mximas quando o menino se torna-se adulto. Vamos definir

Ento

e ns temos

Exemplo 2.8.4. Assuma que voc pegou o metr prximo a sua casa na estao Mangueira com destino a estao Rodoviria. Esses trens tm os seguintes horrios de partida 7:00 hs., 7:13 hs., 7:20 hs., 7:25 hs., 7:32 hs., 7:45 hs. e 7:55 hs. Voc tem como hbito pegar o primeiro trem que chegar na estao aps voc nela se encontrar. Para chegar a estao do metr voc pega um nibus que o leva at ela, devido ao trafgo e aos seus caprichos, voc sempre chega ao metr entre 7:15 hs. e 7:45 hs. Em um determinado dia, qual a probabilidade de voc espere menos que 5 minutos na estao? E menos que 10 minutos? Suponha que entre 7:25 hs. e 7:45 hs. os trens so expressos. Qual a probabilidade de que voc pegue um trem expresso em um dia qualquer? Vamos por convenincia, formar nosso espao amostral

Onde os elementos de S so os minutos depois das 7:15 hs. que voc leva at chegar a estao. (veja a figura 2.8.3.) vamos definir os seguintes eventos

A: voc espera menos que 5 minutos B: voc espera menos que 10 minutos C: voc pega um trem expresso.
Ento

f(x)

1/30

10 P(A)

20

30

f(x)

1/30

10 P(B)

20

30

f(x)

1/30

10 P(C)

20

30

Figura 2.8.3 e

ento Como iremos ver no capitulo 3, probabilidades para eventos definidos em espaos amostrais contnuos, so encontradas calculando-se as reas abaixo da funo f(x) acima do intervalo em que a probabilidade esta sendo avaliada. No necessrio naturalmente, que f(x) seja constante para todo valor de . Se ele no constante, ento as probabilidades de eventos (intervalos) de iguais tamanhos no so necessariamente iguais. As circunstancias nas quais controlamos o experimento realizado que ditam o tipo de funo que ser usada para calcular as reas acima dos intervalos. Na realidade, naturalmente, todos os instrumentos de medio tem uma preciso finita, o que a mesma coisa de verdadeiramente no podermos distinguir todos os pontos separados na linha dos nmeros reais. Por exemplo, se ns temos que S o espao amostral para o tempo do vencedor, digamos, de uma corrida de 100 metros rasos entre seis corredores, cada um deles representando uma universidade, ento

Com as medies feitas em segundos, podemos certamente medir o tempo do vencedor. Com toda tecnologia existente hoje em dia, o tempo pode ser medido at em centsimos de segundos ( discutvel se essa medio bastante acurada), ento o tempo do vencedor pode ser, digamos 9,47 segundos ou ento 9,48 segundos, mas nenhum dos tempos possveis entre esses dois nmeros poder ser medido (como sendo o tempo do vencedor). Portanto algum pode sugerir que o espao amostral para esse experimento poderia ser S = {5,00; 5,01; 5,02; 5,03; . . .

14,98; 14,99; 15,00}, usando assim as 1001 possveis posies (cada 1 segundo dividido em 100 partes) que podem ser lidas entre 5 e 15 segundos. Isso de fato pode ser feito, porm consideravelmente fcil idealizar a situao em que todos os pontos do intervalo podem ocorrer e ento usar tcnicas contnuas (probabilidades representadas por reas) para definirmos a funo probabilidade. Ainda mais que, alm da facilidade do uso das tcnicas contnuas, sua aproximao pode ser feita to acurada quanto ns assim desejarmos, isso se comparada com o espao amostral discreto sugerido que limitado pela acuracia dos dispositivos de medio utilizados para contar o tempo. EXERCCIOS 2.8 1. Um dado honesto lanado at que ocorra o nmero 1. Calcule a probabilidade de que: (a) Dez lanamentos sejam necessrios (b) Menos que 4 lanamentos sejam necessrios (c) Um nmero impar de lanamentos sejam necessrios. 2. Um par de dados honestos lanado at que o nmero 7 ocorra (a soma dos dois dados). calcule a probabilidade de que (a) Dois lanamentos sejam necessrios (b) Um nmero para de lanamentos sejam necessrios. 3. Voc atira com um rifle em um alvo at que voc acerte o alvo. Assuma que a probabilidade de acertar o alvo de 0,9 para cada tiro, e que cada tiro independente um do outro. Calcule a probabilidade de que: (a) Mais que dois tiros sejam necessrios (b) O nmero de tiros seja um mltiplo de 3. 4. Hugo faz uma prova escrita para tirar carteira de motorista, ele ir repetir essa prova at que ele passe nela. Assuma que a probabilidade de que ele passe em uma prova de 0,1; e que as provas so independentes uma das outras. Calcule a probabilidade de que: (a) Ele realize mais de 4 tentativas (b) Que ele realize mais de 10 tentativas. 5. Um semforo na rota que voc percorre todo dia volta a ficar verde depois de quatro minutos, fica vermelho por 1 minuto e retorna ao verde novamente (ento ele fica verde durante 3 minutos e vermelho durante 1 minuto e continua assim durante o dia todo), com o vermelho iniciando nas horas fechadas em todas as horas (0:00; 1:00; 2:00; . . . ; 23:00; 24:00.). (a) Se voc chega a um sinal em um instante aleatrio entre 7:55 hs. e 8:05 hs. qual a probabilidade de que voc tenha que parar no sinal? (b) Se voc chegar ao sinal no horrio aleatrio entre 7:54 hs e 8:04 hs. qual a probabilidade de que voc tenha que parar no sinal? 6. A tomada de um relgio eltrico puxada em algum instante aleatoriamente. Qual a probabilidade de que o mostrador dos segundos na segunda casa decimal estivesse entre 4 e 5 segundos? Entre 1 e 2? E entre 1 e 6? 7. Um ponto escolhido aleatoriamente entre 0 e 1 no eixo dos x em um plano cartesiano (x,y). Um crculo centrado na origem (0,0) desenhado no plano, com o raio determinado pelo ponto escolhido. Calcule a probabilidade de que a rea do circulo seja menor que /2.

8. Uma rgua de 30 cm quebrada em dois pedaos em um ponto aleatrio. Qual a probabilidade de que o pedao maior seja no mnimo duas vezes maior do que o pedao menor? 9. O jogo do diferente perde, jogado por 3 pessoas, cada uma delas lana uma moeda simultaneamente, se uma das faces for diferente das outras o jogador que lanou aquela moeda perde o jogo. (a) Qual a probabilidade de que exista um perdedor em uma rodada, assumindo que as trs moedas so honestas? (b) Se no existe um diferente no primeiro lanamento, as moedas so jogadas novamente, at que ocorra um perdedor. Qual a probabilidade de que um nmero par de lanamentos seja necessrio para se determinar um perdedor? 10. Responda o exerccio 2.8.9 assumindo que quatro pessoas esto jogando (aqui trs pessoas devem igualar e uma ser diferente). 11. Responda o exerccio 2.8.9 assumindo que n pessoas esto jogando (n-1 devem igualar). Esse jogo parece ser vivel com um n muito grande? 12. Para um espao amostral contnuo discutido no exemplo 2.8.3, assuma que as probabilidades so dadas para os intervalos pelas reas entre f(x) e o eixo dos x, onde f(x) esta desenhado a seguir. Responda as questes feitas no exemplo, para esse caso.

f(x) 2/5

69

71,5

74

13. Para o espao amostral contnuo discutido no exemplo 2.8.4, assuma que as probabilidades so determinadas para os intervalos pela rea entre f(x) e o eixo dos x, onde f(x) est desenhado na figura seguinte. Responda as questes do exemplo 2.8.4 para esse caso.
f(x) 1/15

15

30

2.9 Sumrio Espao amostral: coleo de todos os possveis resultados de um experimento Evento: um subconjunto do espao amostral Eventos mutuamente excludentes: Probabilidade de um evento: nmero real associado com o evento para representar a freqncia relativa de ocorrncia do evento. Axiomas da probabilidade 1. 2. para qualquer evento 3.

Conseqncias:

Evento Simples: um evento com apenas um elemento Regra para igualmente provveis:

Nmero de permutaes de n, r a r

. Teorema binomial:

Probabilidade condicional:

Partio: Teorema de Bayes:

Eventos independentes: Espao amostral discreto: espao amostral com elementos reais em que nenhum intervalo de tamanho finito contenha um infinito nmero de elementos. Sries geomtricas:

Derivadas das sries geomtricas:

Espao amostral contnuo: possui todos os pontos dentro de um intervalo, ou unies de intervalos dentro da linha dos reais.