Probabilidade 0

Universidade Federal Fluminense
Instituto de Matemtica e Estatstica
Probabilidade
Ana Maria Lima de Farias

Departamento de Estatstica
Contedo
1 Probabilidade: conceitos bsicos
1.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2
Experimento aleatrio, espao amostral e evento . . . . . . . . . . . . . . . . . .
1.2.1
Experimento aleatrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.2
Espao amostral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.3
Eventos aleatrios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Operaes com eventos aleatrios . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.1
Interseo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.2
Excluso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.3
Unio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.4
Complementao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.5
Diferena . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.6
Propriedades das operaes . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3
2 Probabilidade: axiomas e propriedades
14
2.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14
2.2
Definio axiomtica de probabilidade . . . . . . . . . . . . . . . . . . . . . . . .
14
2.3
Espaos amostrais finitos e equiprovveis . . . . . . . . . . . . . . . . . . . . . .
18
CONTEDO
3 Probabilidade condicional e independncia de eventos
3.1
3.2
29
Probabilidade condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
29
3.1.1
Regra da multiplicao . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
35
Independncia de eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
41
4 Teorema da Probabilidade Total e Teorema de Bayes
45
4.1
Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
45
4.2
Os teoremas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
55
5 Exerccios propostos
59
ii
Captulo 1
Probabilidade: conceitos bsicos
1.1
Introduo
No nosso cotidiano, lidamos sempre com situaes em que est presente a incerteza do
resultado, embora, muitas vezes, os resultados possveis j sejam conhecidos. Por exemplo:
o sexo de um embrio pode ser masculino ou feminino, mas s saberemos o resultado exato
quando o beb nascer. Se estivermos interessados na face voltada para cima ao jogarmos
um dado, os resultados possveis sero 1, 2, 3, 4, 5, 6. Mas s saberemos o resultado quando
o experimento se completar, ou seja, quando o dado atingir a superfcie sobre a qual foi
lanado. conveniente, ento, dispormos de uma medida que exprima a incerteza presente
em cada um desses acontecimentos. Tal medida a probabilidade.
No estudo das distribuies de frequncias, vimos como essas so importantes para
entendermos a variabilidade de um fenmeno aleatrio. Por exemplo, quando sorteamos
uma amostra de empresas para analisar a distribuio do nmero de empregados, sabemos que uma outra amostra fornecer resultados diferentes. No entanto, se sortearmos um
grande nmero de amostras, esperamos que surja um determinado padro que ir refletir
a verdadeira distribuio da populao de todas as empresas. Atravs de um modelo terico, construdo com base em suposies adequadas, podemos reproduzir a distribuio de
frequncias quando o fenmeno for observado diretamente. Esses modelos so chamados
modelos probabilsticos e sero estudados na segunda parte deste curso. A probabilidade
a ferramenta bsica na construo de tais modelos e ser estudada nesta primeira parte.
CAPTULO 1. PROBABILIDADE: CONCEITOS BSICOS
1.2
Experimento aleatrio, espao amostral e evento
Consideremos o lanamento de um dado, a fim de estudarmos a proporo de ocorrncias

das suas faces. O primeiro fato a observar que existem apenas 6 resultados possveis, as
faces 1, 2, 3, 4, 5, 6. O segundo fato uma suposio sobre o dado: em geral, razovel
supor que ele seja equilibrado. Assim, cada face deve ocorrer o mesmo nmero de vezes e,
portanto, essa proporo deve ser 16 . Nessas condies, nosso modelo probabilstico para o
lanamento de um dado pode ser expresso da seguinte forma:
Face
1
Frequncia terica 16
1
6
1
6
1
6
1
6
1
6
Total
1
Suponhamos que uma mulher esteja grvida de trigmeos. Sabemos que cada beb
pode ser do sexo masculino (M) ou feminino (F). Ento, as possibilidades para o sexo das
trs crianas so: MMM, MMF, MFM, FMM, FFM, FMF, MFF, FFF. Uma suposio razovel
que todos esses resultados sejam igualmente provveis, o que equivale a dizer que cada
beb tem igual chance de ser do sexo masculino ou feminino. Ento cada resultado tem uma
chance de 18 de acontecer. Assim, o modelo probabilstico para esse experimento seria
Sexo
MMM
1
Freq. terica
8
MMF
MFM
FMM
FFM
FMF
MFF
FFF
1
8
1
8
1
8
1
8
1
8
1
8
1
8
Total
1
Por outro lado, se s estivermos interessados no nmero de meninas, esse mesmo

experimento nos conduzir ao seguinte modelo probabilstico:
Meninas
Freq. terica
1
8
3
8
3
8
1
8
Total
1
Nesses exemplos, vimos que a especificao de um modelo probabilstico para um fenmeno casual depende da especificao dos resultados possveis e das respectivas probabilidades. Vamos, ento, estabelecer algumas definies antes de passarmos definio
propriamente dita de probabilidade.
1.2.1
Experimento aleatrio
Um experimento aleatrio um processo que acusa variabilidade em seus resultados, isto ,

mesmo repetindo-se o experimento sob as mesmas condies, os resultados sero diferentes.

Em contraposio aos experimentos aleatrios, temos os experimentos determinsticos, que,
repetidos sob as mesmas condies, conduzem a resultados idnticos. Neste curso, estaremos
interessados apenas nos experimentos aleatrios.
1.2.2
Espao amostral
O espao amostral de um experimento aleatrio o conjunto de todos os resultados possveis

do mesmo. Iremos denotar tal conjunto pela letra grega mega maiscula, . Quando o
espao amostral for finito ou infinito enumervel, ser chamado de espao amostral discreto.
Caso contrrio, isto , quando for no enumervel, iremos cham-lo de espao amostral
contnuo.
1.2.3
Eventos aleatrios
Os subconjuntos de so chamados de eventos aleatrios e os elementos de so chamados de eventos elementares. Os eventos, sendo conjuntos, sero representados por letras
maisculas do nosso alfabeto, enquanto os elementos de um evento sero representados por
letras minsculas.
EXEMPLO 1.1 Lanamento de uma moeda
O lanamento de uma moeda um experimento aleatrio, uma vez que, em cada lanamento,
mantidas as mesmas condies, no podemos prever qual das duas faces (cara ou coroa) cair
para cima. Por outro lado, se colocarmos uma panela com gua para ferver e anotarmos a
temperatura de ebulio da gua, o resultado ser sempre 100o C. Logo, este um experimento
determinstico.
EXEMPLO 1.2 Lanamento de um dado
Consideremos o experimento aleatrio lanamento de um dado. O espao amostral

= {1, 2, 3, 4, 5, 6} , sendo, portanto, um espao discreto. Os eventos elementares so {1} ,
{2} , {3} , {4} , {5} , {6}. Outros eventos so: face par= {2, 4, 6} , face mpar = {1, 3, 5} ,
face mpar menor que 5 = {1, 3}, etc.
EXEMPLO 1.3 Lanamento de duas moedas

Consideremos o lanamento simultneo de duas moedas. Vamos representar por K a ocorrncia de cara e por C a ocorrncia de coroa. Um espao amostral para esse experimento
= {K K , K C , C K , CC } , que tambm um espao discreto. Os eventos simples so {K K } ,
{K C } , {C K } , {CC } e um outro evento cara no primeiro lanamento = {K C , K K } . Para
esse mesmo experimento, se estivermos interessados apenas no nmero de caras, o espao
amostral poder ser definido como = {0, 1, 2} .
EXEMPLO 1.4 Medio do nvel de rudo
Considere o experimento que consiste em medir, diariamente e durante um ms, em decibis, o
nvel de rudo na vizinhana da obra de construo do metr em Ipanema. O espao amostral
associado a este experimento formado pelos nmeros reais positivos, sendo, portanto, um
espao amostral contnuo. Um evento: observar nveis superiores a 80 decibis, representado
pelo intervalo (80, ) , que corresponde a situaes de muito barulho.
EXEMPLO 1.5 Bolas em uma urna
Uma urna contm 4 bolas, das quais 2 so brancas (numeradas de 1 a 2) e 2 so pretas
(numeradas de 3 a 4). Duas bolas so retiradas dessa urna, sem reposio. Defina um
espao amostral apropriado para esse experimento e os seguintes eventos:
A:
B:
C:
a primeira bola branca;

a segunda bola branca;
ambas as bolas so brancas;
Soluo
Considerando a numerao das bolas, o espao amostral pode ser definido como:
= {(i, j) : i = 1, 2, 3, 4; j = 1, 2, 3, 4; i 6= j}
= {(1, 2), (1, 3), (1, 4), (2, 1), (2, 3), (2, 4), (3, 1), (3, 2), (3, 4), (4, 1), (4, 2), (4, 3)}
Os eventos so:
A = {(i, j) : i = 1, 2; j = 1, 2, 3, 4; i 6= j}
= {(1, 2), (1, 3), (1, 4), (2, 1), (2, 3), (2, 4)}
B = {(i, j) : i = 1, 2, 3, 4; j = 1, 2; i 6= j}
= {(2, 1), (3, 1), (4, 1), (1, 2), (3, 2), (4, 2)}
C = {(i, j) : i = 1, 2; j = 1, 2; i 6= j}
= {(1, 2), (2, 1)}

EXEMPLO 1.6 Cartas de um baralho
Trs cartas so retiradas, sem reposio, de um baralho que tem trs cartas de cada uma
das seguintes cores: azul, vermelha, preta e branca. D um espao amostral para esse
experimento e, em seguida, liste os eventos:
A:
B:
C:
D:
todas as cartas selecionadas so vermelhas;

uma carta vermelha, uma carta azul e uma carta preta so selecionadas;
trs diferentes cores ocorrem;
todas as quatro cores ocorrem.
Soluo
Vamos denotar por A, V , P e B as cores azul, vermelha, preta e branca, respectivamente.
Ento,
= {(x1 , x2 , x3 ) : xi = A, V , P, B; i = 1, 2, 3}
Os eventos so:
A = {(V , V , V )}
B = {(V , A, P), (V , P, A), (A, V , P), (A, P, V ), (P, V , A), (P, A, V )}
(V , A, P), (V , P, A), (A, V , P), (A, P, V ), (P, V , A), (P, A, V ),
(V , A, B), (V , B, A), (A, V , B), (A, B, V ), (B, V , A), (B, A, V ),

C =
(V , B, P), (V , P, B), (B, V , P), (B, P, V ), (P, V , B), (P, B, V ),
(B, A, P), (B, P, A), (A, B, P), (A, P, B), (P, B, A), (P, A, B)
Como temos quatro cores diferentes e apenas trs extraes, no possvel obter todas
as cores. Logo,
D =
1.3
1.3.1
Operaes com eventos aleatrios

Interseo
O evento interseo de dois eventos A e B o que equivale ocorrncia simultnea de A e

B (ver Figura 1.1). Seguindo a notao da teoria de conjuntos, a interseo de dois eventos
ser representada por A B.
Figura 1.1 Interseo de dois eventos: A B

Note que
x AB
xA
xB
(1.1)
EXEMPLO 1.7 Lanamento de dois dados - continuao

Consideremos o experimento lanamento de dois dados os eventos A =soma das faces
um nmero par e B = soma das faces um nmero maior que 9. Calcule A B.
Soluo
O espao amostral desse experimento, que tem 36 elementos,
= {(1, 1), (1, 2), . . . , (1, 6), (2, 1), . . . , (2, 6), . . . , (6, 6)}
Para que um elemento pertena interseo A B, ele tem de pertencer, simultaneamente, aos eventos A e B. O evento B
B = {(4, 6), (5, 5), (5, 6), (6, 4), (6, 5), (6, 6)}
Dos seus elementos, os nicos que pertencem ao evento A, isto , aqueles que tm soma
das faces par, so os elementos (4, 6) , (5, 5) , (6, 4) e (6, 6). Logo, AB = {(4, 6) , (5, 5) , (6, 4) , (6, 6)} .
Note que no precisamos listar o evento A, que tem 18 elementos!
1.3.2
Excluso
Dois eventos, A e B, so mutuamente exclusivos quando no podem ocorrer simultaneamente,

isto , quando a ocorrncia de um impossibilita a ocorrncia do outro. Isso significa dizer que
os eventos A e B no tm elementos em comum. Ento, esses dois eventos sero mutuamente
exclusivos quando sua interseo for o conjunto vazio, ou seja, A B = (ver Figura 1.2).
EXEMPLO 1.8 Lanamento de dois dados
Figura 1.2 Eventos mutuamente exclusivos: A B =
Consideremos, novamente, o experimento lanamento de dois dadosSejam

os eventos A =
soma das faces mpar e B = duas faces iguais. Ento, A e B so mutuamente exclusivos,
porque a soma de dois nmeros iguais sempre um nmero par.
1.3.3
Unio
A unio de dois eventos A e B o evento que corresponde ocorrncia de pelo menos

um deles. Note que isso significa que pode ocorrer apenas A, ou apenas B, ou A e B
simultaneamente. Esse evento ser representado por A B; (ver Figura 1.3).
Figura 1.3 Unio de dois eventos: A B

Observe que
x AB
xA
ou
xB
(1.2)
EXEMPLO 1.9 Lanamento de duas moedas
Consideremos o experimento lanamento de duas moedas, em que o espao amostral =

{K K , K C , C K , CC }. Sejam os eventos A = ocorrncia de exatamente 1 cara e B = duas
faces iguais. Ento A = {K C , C K } e B = {CC , K K } ; logo, A B = e A B = . Seja C o
evento pelo menos uma carae, ento, C = {K C , C K , K K } e BC = e BC = {K K } =
6 .
1.3.4
Complementao
O complementar de um evento A, denotado por A ou Ac , a negao de A. Ento, o complementar de A formado pelos elementos que no pertencem a A (ver Figura 1.4).
Figura 1.4 Complementar do evento A = A

Observe que
xA
e tambm que
x
/ A
(1.3)
AA=
(1.4)

Consideremos o experimetno lanamento de um dado e seja A = face par. Ento, A o
evento face mpar. Note que A = {2, 4, 6} e A = {1, 3, 5} e = A A.
1.3.5
Diferena
A diferena entre dois eventos A e B, representada por A \ B, o evento formado pelos

elementos do espao amostral que pertencem a A, mas no pertencem a B (ver Figura 1.5).
Perceba que podemos pensar em A \ B como o complementar de B relativo ao evento A.
Note que
x A\B
e tambm que
xA
x
/ B
x AB
A = (A \ B) (A B)
(1.5)
(1.6)
Alm disso, A \ B 6= B \ A, conforme ilustrado na Figura 1.6.

De maneira anloga, B \ A o complementar de A relativo ao evento B.
Figura 1.5 Diferena A \ B
Figura 1.6 Diferena B \ A

Consideremos, novamente, o lanamento de dois dados e os eventos A = soma das faces
par e B = soma das faces maior que 9. Vamos considerar as duas diferenas, A \ B e
B \ A. Temos

(1, 1) , (1, 3) , (1, 5) , (2, 2) , (2, 4) , (2, 6) , (3, 1) , (3, 3) , (3, 5) ,
A =
(4, 2) , (4, 4) , (4, 6), (5, 1) , (5, 3) , (5, 5), (6, 2) , (6, 4), (6, 6)
B = {(4, 6), (5, 5), (5, 6), (6, 4), (6, 5), (6, 6)}
Logo,

A\B =
(1, 1) , (1, 3) , (1, 5) , (2, 2) , (2, 4) , (2, 6) , (3, 1) , (3, 3) , (3, 5) ,

(4, 2) , (4, 4) , (5, 1) , (5, 3) , (6, 2)
B\A = {(5, 6) , (6, 5)}
1.3.6
Propriedades das operaes
Sejam A, B, C eventos de um espao amostral . Ento, valem as seguintes propriedades.

1. Identidade
A =
A =
(1.7)
A = A
A = A
(1.8)
Note que o equivalente do conjunto universal da teoria de conjuntos.

2. Complementar
3. Involuo
=
=
(1.9)
AA =
AA =
(1.10)
A = (Ac )c = A
4. Idempotncia
AA = A
AA = A
(1.11)
AB = BA
AB = BA
(1.12)
(A B) C = A (B C )
(A B) C = A (B C )
(1.13)
A (B C ) = (A B) (A C )
A (B C ) = (A B) (A C )
(1.14)
5. Comutatividade
6. Associatividade
7. Distributividade
10

A ilustrao da primeira propriedade est na Figura 1.7. Na linha superior, ilustramos
o lado esquerdo da igualdade A (B C ): no diagrama esquerda, temos o evento
A e, no diagrama do centro, o evento B C . Para assinalar a interseo desses dois
eventos, basta considerar as partes que esto sombreadas em ambos os diagramas, o
que resulta no diagrama direita, onde temos o evento A (B C ). Na linha inferior,
ilustramos o lado direito da igualdade (A B) (A C ): no diagrama esquerda,
temos o evento A B e, no diagrama do centro, o evento A C . Para determinar a
unio desses dois eventos, basta considerar todas as partes que esto sombreadas
em algum dos diagramas, o que resulta no diagrama direita, onde temos o evento
(A B) (A C ) . Analisando os diagramas direita nas duas linhas da figura, vemos
que A (B C ) = (A B) (A C ).
Figura 1.7 Ilustrao da propriedade distributiva: A (B C ) = (A B) (A C )
A ilustrao da segunda propriedade est na Figura 1.8. Na linha superior, ilustramos o

lado esquerdo da igualdade A(B C ): no diagrama esquerda, temos o evento A e, no
diagrama do centro, o evento B C . Para determinar a unio desses dois eventos, basta
tomar todas as partes que esto sombreadas em algum dos diagramas, o que resulta no
diagrama direita, onde temos o evento A(B C ) . Na linha inferior, ilustramos o lado
direito da igualdade (A B) (A C ): no diagrama esquerda, temos o evento A B e,
no diagrama do centro, o evento AC . Para determinar a interseo desses dois eventos,
basta considerar todas as partes que esto sombreadas em ambos os diagramas e isso
resulta no diagrama direita, onde temos o evento (A B) (A C ) . Analisando os
11

diagramas direita nas duas linhas da figura, vemos que A(B C ) = (A B)(A C ).
Figura 1.8 Ilustrao da propriedade distributiva: A (B C ) = (A B) (A C )
8. Absoro
A (A B) = A
A (A B) = A
(1.15)
AB = AB
AB = AB
(1.16)
9. Leis de De Morgan
Na primeira linha da Figura 1.9, ilustra-se a primeira propriedade A B = A B.

Observe que, no diagrama esquerda, temos o evento A B. J nos dois diagramas
centrais, temos, respectivamente, A e B; e no diagrama direita, A B, que igual ao
diagrama esquerda, ou seja, A B = A B.
Na segunda linha da Figura 1.9, ilustra-se a segunda propriedade A B = A B: no
diagrama esquerda temos A B; nos dois diagramas centrais, respectivamente, A
e B; e no diagrama direita, A B, que igual ao diagrama esquerda, ou seja,
A B = A B.
12
Figura 1.9 Ilustrao das leis de De Morgan
13
Captulo 2
Probabilidade: axiomas e propriedades
2.1
Introduo
Considere, mais uma vez, o experimento aleatrio que consiste no lanamento de um dado
equilibrado. Como j visto, o espao amostral desse experimento = {1, 2, 3, 4, 5, 6}, e
alguns eventos de interesse so A =sair face 2, B =sair face par, etc. A questo que se
coloca, agora, como atribuir probabilidade a esses eventos. Ou seja, queremos determinar
um nmero que expresse a verossimilhana de cada um desses eventos.
Uma soluo seria lanar o dado um grande nmero de vezes e observar a proporo
dos lanamentos que resultam no evento A. Se denotarmos por n(A) o nmero de vezes que
ocorreu o evento A em n lanamentos, a definio de probabilidade com base na frequncia
relativa
n(A)
P(A) = lim
n n
Essa definio tem alguns problemas, a saber: quo grande deve ser n? quem garante
que a razo n(A)
converge e converge sempre para o mesmo nmero cada vez que repetimos
n
o experimento? Temos que buscar, ento, uma nova forma de definir probabilidade.
2.2
Definio axiomtica de probabilidade
A abordagem que adotaremos ser a utilizao da definio axiomtica da probabilidade.

Isto , vamos estabelecer algumas propriedades mnimas que se espera sejam satisfeitas pela
CAPTULO 2. PROBABILIDADE: AXIOMAS E PROPRIEDADES

probabilidade de qualquer evento. Tais propriedades so os axiomas da probabilidade.1 .
A ttulo de motivao, vamos usar o experimento do lanamento de um dado, bem como
a definio frequentista vista acima. A primeira observao que podemos fazer a seguinte:
dado um experimento aleatrio, desejamos atribuir probabilidade aos eventos do respectivo
espao amostral, ou seja, para cada evento, queremos determinar um nmero que indique
a probabilidade desse evento. Assim, probabilidade uma funo definida no conjunto de
todos os eventos de um espao amostral . Vamos denotar tal funo por P.
Uma primeira propriedade bastante intuitiva que a probabilidade de qualquer evento
deve ser um nmero no negativo, ou seja, para qualquer evento A, P(A) 0.
Para apresentar a segunda propriedade, considere o seguinte evento associado ao
experimento do lanamento de um dado: C =face menor que 7. bastante intuitivo ver
que, ao lanarmos um dado, sempre obteremos uma face menor que 7, ou seja, a proporo de
vezes que obteremos o evento C ser sempre 1, no importa quantas vezes lancemos o dado.
Note, tambm, que C = . Assim, a segunda propriedade que vamos exigir da probabilidade
que P() = 1.
A terceira propriedade envolve a unio de eventos mutuamente exclusivos. Vimos que,
se A B = , ento n(A B) = n(A) + n(B) e, assim, a definio frequentista da probabilidade
nos daria que P(A B) = P(A) + P(B). Esse o terceiro e ltimo axioma que precisamos
para definir probabilidade.
DEFINIO Definio axiomtica de probabilidade

Seja um espao amostral associado a um experimento aleatrio. Probabilidade uma funo, denotada por P, que associa a cada evento A de
um nmero real P(A), que satisfaz os seguintes axiomas:
I. Axioma 1: P(A) 0
II. Axioma 2: P() = 1
III. Axioma 3: A B = P(A B) = P(A) + P(B)
Vamos, agora, apresentar propriedades da probabilidade que resultam dos Axiomas I a

III.
Axioma: (1) Premissa imediatamente evidente que se admite como universalmente verdadeira sem exigncia
de demonstrao. (2) Proposio que se admite como verdadeira porque dela se podem deduzir as proposies
de uma teoria ou de um sistema lgico ou matemtico. (dicionrio Aurlio)
1
15

1. P() = 0
Demonstrao
Temos que = e como = , podemos aplicar o Axioma III para obter que
P() = P() + P(), de onde segue que P() = 0.

2. P(A) = 1 P(A)
Demonstrao
Temos que = A A e como A A = , podemos aplicar o Axioma III para obter que
P() = P(A)+P(A) e o Axioma II nos d que 1 = P(A)+P(A), de onde segue o resultado.

3. P(A \ B) = P(A B) = P(A) P(A B)
Demonstrao
Veja a Figura 2.1 para visualizar melhor esse resultado. um erro comum pensar que
P(A \ B) = P(A) P(B), o que pode resultar em uma probabilidade negativa. O evento
A \ B a parte sombreada mais escura; a parte sombreada mais clara corresponde a
A B e o evento A a unio dessas duas partes, ou seja,
A = (A \ B) (A B)
de onde segue o resultado pela aplicao do Axioma III, j que as partes sombreadas
no tm interseo.
Figura 2.1 Diferena de dois eventos A \ B = A B.

Volte Figura 2.1 para ver que o evento B \ A = B A corresponde parte no
sombreada do evento B e que P(B \ A) = P(B A) = P(B) P(A B)
16

4. Para dois eventos A e B quaisquer,
P(A B) = P(A) + P(B) P(A B).
Demonstrao
Note que esse resultado generaliza o Axioma III para dois eventos quaisquer, ou seja,
no estamos exigindo que A e B sejam mutuamente exclusivos. Veja a Figura 2.2:
Figura 2.2 Unio de dois eventos quaisquer A B

Toda a parte sombreada representa a unio dos dois eventos, que pode ser decomposta
nas duas partes com diferentes sombreamentos, isto , A B = (A \ B) B. Como
(A \ B) B = , o Axioma III nos d que
P(A B) = P(A \ B) + P(B)
P(A B) = P(A) P(A B) + P(B)
como consequncia da Propriedade 3.
Note que, se somssemos P(A) + P(B) estaramos contando duas vezes a probabilidade
da interseo, da o resultado.

5. Se B A, ento P(B) P(A).
Demonstrao
Veja a Figura 2.3; note que
B A A = B (A \ B)
P(A) = P(B) + P(A \ B) P(A) P(B)
uma vez que P(A \ B) 0.
17
Figura 2.3 B A
6. P(A) 1 para qualquer evento A .
Demonstrao
Esse resultado consequncia imediata da propriedade anterior, uma vez que A
P(A) P() = 1
Eis um resumo dos axiomas e propriedades da probabilidade:

Axiomas
P(A) 0
P() = 1
A B = P(A B) = P(A) + P(B)
Propriedades
P() = 0
P(A) = 1 P(A)
P(A \ B) = P(A B) = P(A) P(A B)
P(A B) = P(A) + P(B) P(A B)
A B P(A) P(B)
P(A) 1
2.3
Espaos amostrais finitos e equiprovveis
Vamos considerar, agora, uma situao especial, em que o espao amostral finito e
todos os seus eventos elementares so igualmente provveis. Esse contexto leva definio
clssica de probabilidade, que foi a primeira definio formal de probabilidade, explicitada
por Girolamo Cardano (1501-1576).
18

Sejam E1 , E2 , EN os eventos elementares de . Ento,
= E1 E2 EN
e esses eventos elementares so mutuamente exclusivos dois a dois. Pode-se provar, por
induo, que
P() = 1 = P(E1 E2 EN ) = P(E1 ) + P(E2 ) + + P(EN )
Como estamos supondo que todos eles so igualmente provveis, resulta
P(Ei ) =
1
1
=
N
n()
Mas, qualquer evento A pode ser escrito como unio de eventos elementares. Logo,
P(A) =
n(A)
n(
DEFINIO Definio clssica de probabilidade

Seja um espao amostral finito, cujos eventos elementares so todos
igualmente provveis, isto , podemos escrever
= E1 E2 EN
onde
P(Ei ) =
1
1
=
N
n()
Ento, para qualquer evento A ,

P(A) =
n(A)
n()
No lanamento de um dado, qual a probabilidade de se obter face maior que 4?

Soluo
19

Note que esse um espao amostral finito em que os eventos elementares so igualmente provveis, pois estamos supondo que o dado seja honesto. J sabemos que n() = 6
2
1
e que o evento de interesse A = {5, 6). Logo, P(A) = = .
6
3

EXEMPLO 2.2 Carta de um baralho
Considere um baralho usual composto de 52 cartas divididas em 4 naipes: ouros, copas, paus
e espadas, cada naipe com 13 cartas. As cartas dos 2 primeiros naipes so vermelhas e as
dos dois ltimos, pretas. Em cada naipe, as cartas podem ser s, 2, 3, 4, 5, 6, 7, 8, 9, 10,
Valete, Dama e Rei. Essas trs ltimas so figuras que representam a realeza. Retira-se,
ao acaso, uma carta desse baralho. Qual a probabilidade de que seja
(a) uma figura?
(b) uma carta preta?
(c) uma figura ou uma carta preta?
Soluo
Temos um espao amostral finito em que os eventos elementares so igualmente provveis, pois estamos retirando a carta aleatoriamente. Como h 52 cartas ao todo, n() = 52.
Vamos denotar por F o evento carta retirada uma figura e por P o evento carta retirada
preta.
(a) Em cada um dos 4 naipes h trs figuras. Logo, o nmero total de figuras 4 3, ou
seja, n(F ) = 12. Logo,
3
12
=
.
P(F ) =
52
13
(b) Metade das cartas de cor preta. Logo,
P(P) =
26
1
= .
52
2
P(F P) = P(F ) + P(P) P(F P) =
12 26
6
32
8
+
=
=
52 52 52
52
13

20

EXEMPLO 2.3 Escolha de um nmero
Um nmero escolhido entre os 20 primeiros inteiros, de 1 a 20. Qual a probabilidade de

que o nmero escolhido seja
(a) par?
(b) primo?
(c) quadrado perfeito?
Soluo
Temos um espao amostral finito com eventos elementares equiprovveis, pois estamos
escolhendo o nmero aleatoriamente.
(a) Vamos denotar por P o evento nmero par. Logo,
P = {2, 4, 6, 8, 10, 12, 14, 16, 18, 20} P(P) =
10
1
=
20
2
(b) Seja R o evento nmero primo

R = {1, 3, 5, 7, 11, 13, 17, 19} P(R) =
8
2
=
20
5
(c) Se Q o evento quadrado perfeito, ento,

Q = {1, 4, 9, 16} P(Q) =
4
1
=
20
5

EXEMPLO 2.4 Bolas em uma urna
Uma urna contm 6 bolas pretas, 2 bolas brancas e 8 bolas verdes. Uma bola escolhid,a
ao acaso, desta urna. Qual a probabilidade de que essa bola
(a) no seja verde?
(b) seja branca?
21

(c) no seja nem branca nem verde?
Soluo
Temos um total de 6 + 2 + 8 = 16 bolas. Logo, n() = 16. Vamos denotar por P, B, V
os eventos bola preta, branca e verde, respectivamente.
(a) Queremos a probabilidade de V , ou seja, do complementar de V .
P(V ) = 1 P(V ) = 1
(b)
P(B) =
8
8
1
=
=
16
16
2
n(B)
2
1
=
= .
n()
16
8
(c) Se a bola no branca nem verde, ela tem de ser preta. Observe que estamos pedindo
P(B V ). Pela lei de De Morgan e pela Propriedade 2 e Axioma III, temos
P(B V ) = P(B V ) = 1 P(B V )
= 1 [P(B) + P(V )] = 1
=
2
8
6
=
16 16
16
3
= P(P)
8


Consideremos, novamente, o lanamento de dois dados e vamos definir os seguintes eventos:
A = soma das faces par, B = soma das faces maior que 9, C = soma das faces mpar
menor que 9. Agora vamos calcular a probabilidade de tais eventos.
Soluo
A visualizao do espao amostral desse experimento pode ser vista na tabela a seguir,
onde, para cada par possvel de resultados, apresentamos tambm a soma das faces:
Dado 2
Dado
1
1
2
3
4
5
6
1
(1, 1)
(2, 1)
(3, 1)
(4, 1)
(5, 1)
(6, 1)
2
3
4
5
6
7
2
(1, 2)
(2, 2)
(3, 2)
(4, 2)
(5, 2)
(6, 2)
3
4
5
6
7
8
3
(1, 3)
(2, 3)
(3, 3)
(4, 3)
(5, 3)
(6, 3)
4
5
6
7
8
9
(1, 4)
(2, 4)
(3, 4)
(4, 4)
(5, 4)
(6, 4)
5
6
7
8
9
10
5
(1, 5)
(2, 5)
(3, 5)
(4, 5)
(5, 5)
(6, 5)
6
7
8
9
10
11
6
(1, 6)
(2, 6)
(3, 6)
(4, 6)
(5, 6)
(6, 6)
7
8
9
10
11
12
22

Podemos ver que :
(1, 1) , (1, 2) , (1, 3) , (1, 4) , (1, 5) , (1, 6) ,
(2, 1) , (2, 2) , (2, 3) , (2, 4) , (2, 5) , (2, 6) ,
(3, 1) , (3, 2) , (3, 3) , (3, 4) , (3, 5) , (3, 6) ,

=
(4,
1) , (4, 2) , (4, 3) , (4, 4) , (4, 5) , (4, 6) ,
(5, 1) , (5, 2) , (5, 3) , (5, 4) , (5, 5) , (5, 6) ,
(6, 1) , (6, 2) , (6, 3) , (6, 4) , (6, 5) , (6, 6)
(1, 1) , (1, 3) , (1, 5) , (2, 2) , (2, 4) , (2, 6) ,

(3, 1) , (3, 3) , (3, 5) , (4, 2) , (4, 4) , (4, 6) ,
A=
(5, 1) , (5, 3) , (5, 5) , (6, 2) , (6, 4) , (6, 6)
n() = 36
n(A) = 18
B = {(4, 6) , (5, 5) , (5, 6) , (6, 4) , (6, 5) , (6, 6)} n(B) = 6

(1, 2) , (1, 4) , (1, 6) , (2, 1) , (2, 3) , (2, 5) ,
C=
n(C ) = 12
(3, 2) , (3, 4) , (4, 1) , (4, 3) , (5, 2) , (6, 1) ,
Logo,
P (A) =
18
1
=
36
2
P (B) =
6
1
=
36
6
P (C ) =
12
1
=
36
3

EXEMPLO 2.6 Bolas de uma urna

Em uma urna ,h 4 bolas brancas e 3 verdes. Duas bolas so retiradas dessa urna, seqencialmente e sem reposio. Qual a probabilidade de obtermos
(a) 2 bolas brancas?
(b) 2 bolas verdes?
(c) 2 bolas de cores diferentes?
Soluo
Vamos indicar por B1 , B2 , B3 e B4 as quatro bolas brancas e por V1 , V2 e V3 as trs
bolas verdes. O espao amostral para este experimento
= {(C1 , C2 );
C1 , C2 = B1 , B2 , B3 , B4 , V1 , V2 , V3 ;
C1 6= C2 }
A primeira bola pode ser qualquer uma, logo, h 7 bolas possveis. Como a extrao sem
reposio, para a segunda bola, s h 6 possibilidades. Assim, o nmero total de pares
7 6 = 42, ou seja, n() = 42.
23

(a) Para os pares do evento A = 2 bolas brancas, a primeira bola pode ser qualquer uma
das brancas, e a segunda, qualquer uma das brancas restantes. Logo,
n(A) = 4 3 P(A) =
12
2
=
42
7
(b) Analogamente, se B = 2 bolas verdes,

n(B) = 3 2 P(B) =
1
6
=
42
7
(c) O evento C = bolas de cores diferentes o complementar do evento D = bolas de

cores iguais. Por sua vez, D = A B, e assim, como A e B so mutuamente exclusivos,
temos
3
3
4
2 1
P(D) = P(A) + P(B) = + = P(C ) = 1 P(D) = 1 =
7 7
7
7
7

EXEMPLO 2.7 Extrao de bolas de uma urna
interessante notar o seguinte fato sobre a extrao das bolas: em vez de fazermos extraes
sequenciais, podemos retirar 2 bolas simultaneamente. Em ambos os casos, as extraes so
sem reposio, ou seja, a mesma bola no pode sair duas vezes. O que muda, ento?
Soluo
Nas extraes simultneas, no podemos diferenciar a ordem das bolas: por exemplo,
os pares V1 V2 e V2 V1 so os mesmos. Dessa forma, a cardinalidade do espao amostral fica
reduzida por 2, que 2!, nmero de maneiras de organizar as 2 bolas. Se fossem 3 bolas,
ficaria reduzido por 3! = 6. Para ajudar na compreenso dessa diferena, vamos listar o
24

espao amostral nos dois casos, bem como os eventos que estudamos.
Evento
2 bolas
brancas
2 bolas
verdes
Branca
e verde
Verde
e
branca
Extraes sequenciais
B1 B2 , B1 B3 , B1 B4 ,
B2 B1 , B2 B3 , B2 B4 ,
B3 B1 , B3 B2 , B3 B4 ,
B4 B1 , B4 B2 , B4 B3 ,
V1 V2 , V 1 V3 ,
V2 V1 , V 2 V3 ,
V3 V1 , V 3 V2 ,
B1 V1 , B1 V2 , B1 V3 ,
B2 V1 , B2 V2 , B2 V3 ,
B3 V1 , B3 V2 , B3 V3 ,
B4 V1 , B4 V2 , B4 V3 ,
V1 B1 , V 1 B2 , V 1 B3 , V 1 B4 ,
V2 B1 , V 2 B2 , V 2 B3 , V 2 B4 ,
V3 B1 , V 3 B2 , V 3 B3 , V 3 B4
Evento
2 bolas
brancas
Extraes simultneas
B1 B2 , B1 B3 , B1 B4 ,
B2 B3 , B2 B4 ,
B3 B4 ,
2 bolas
verdes
V1 V2 , V 1 V3 ,
V2 V3 ,
Uma
branca
e uma
verde
B 1 V1 , B 1 V2 , B 1 V3 ,
B 2 V1 , B 2 V2 , B 2 V3 ,
B 3 V1 , B 3 V2 , B 3 V3 ,
B 4 V1 , B 4 V2 , B 4 V3
Note que as probabilidades so as mesmas em ambos os casos:
Extraes sequenciais
P(2 verdes)
6
= 71
42
Extraes simultneas
3
21
1
7
P(2 brancas)
12
= 27
42
6
21
2
7
P(cores diferentes)
24
= 47
42
12
21
4
7

EXEMPLO 2.8 Ou exclusivo
Prove que:

P

A B A B = P(A) + P(B) 2 P(A B)
Observe que a afirmao trata da probabilidade da ocorrncia de exatamente um dos eventos

A ou B.
Soluo
Pela Propriedade 3, temos que
P AB
= P(A) P (A B)
P AB
= P(B) P (A B)
25

Somando essas igualdades termo a termo, obtm-se que:

P A B + P A B = P(A) P (A B) + P(B) P (A B)
Como A B e A B so mutuamente exclusivos, a soma de suas probabilidades a probabilidade da sua unio, ou seja,

P AB +P AB =P AB AB
Logo,

P

A B A B = P(A) + P(B) 2 P (A B)

EXEMPLO 2.9 Questes certas em uma prova prova
Em uma prova, caram dois problemas. Sabe-se que 132 alunos acertaram o primeiro, 86
erraram o segundo, 120 acertaram os dois e 54 acertaram apenas um. Sorteando-se, ao
acaso, um desses alunos, qual a probabilidade de que o sorteado:
(a) no tenha acertado qualquer um dos dois problemas?
(b) tenha acertado apenas o segundo problema?
Soluo
Vamos denotar por P1 e P2 os eventos acertar problema 1 e acertar problema 2
respectivamente. Os dados do problema nos do que:
n(P1 P2 )
n(P1 )
n(P 2 )

n P1 P 2 (P 1 P2 )
Usando o resultado do exemplo anterior,

n P1 P 2 (P 1 P2 )
54
n(P2 )
=
=
=
=
120
132
86
54
(acertar os 2)
(acertar o primeiro)
(errar o segundo)
(acertar apenas um)
tem-se que:
= n(P1 ) + n(P2 ) 2n(P1 P2 )
= 132 + n(P2 ) 2 120
= 162
Logo, o nmero total de alunos

n() = n(P2 P 2 ) = n(P2 ) + n(P 2 ) = 162 + 86 = 248
26

(a) Pela lei de De Morgan, tem-se que:

P P 1 P 2 = P P1 P2 = 1 P (P1 P2 ) =
= 1 [P(P1 ) + P(P2 ) P(P1 P2 )] =
132 162 120
= 1
+
248 248 248
74
37
=
=
248
124
(b) Pela Propriedade 3, tem-se que:

162 120
42
21
P P2 P 1 = P(P2 ) P(P1 P2 ) =
=
=
248
248
124

EXEMPLO 2.10 Atribuio de probabilidade
Dado que = {1, 0, 1} , verifique se possvel definir uma medida de probabilidade em
tal que
P ({1, 1}) = 0, 6
P ({0, 1}) = 0, 9
P ({1, 0}) = 0, 5
Justifique sua resposta.
Soluo
Note que o evento {1, 1} = {1}{1}. Logo, as probabilidades dadas se transformam
no seguinte sistema de 3 equaes com 3 incgnitas:
P (1) + P(1) = 0, 6
P(0) + P(1) = 0, 9
P(1) + P(0) = 0, 5
Da primeira equao, obtemos P(1) = 0, 6 P(1). Substituindo na segunda, obtemos o
seguinte sistema de 2 equaes e 2 incgnitas:
P(0) + 0, 6 P(1) = 0, 9
P(1) + P(0) = 0, 5
27

ou
P(0) P(1) = 0, 3
P(0) + P(1) = 0, 5
Somando termo a termo, resulta
2 P(0) = 0, 8 P(0) = 0, 4
Substituindo, obtemos
P(1) = 0, 5 P(0) = 0, 5 0, 4 P(1) = 0, 1
Substituindo novamente, obtemos
P(1) = 0, 6 P(1) = 0, 6 0, 1 = 0, 5
Como todos os valores obtidos esto no intervalo (0, 1), a atribuio dada vlida.

28
Captulo 3
Probabilidade condicional e
independncia de eventos
3.1
Probabilidade condicional
Consideremos o lanamento de um dado equilibrado e o evento A = sair face 2. J vimos

que o espao amostral desse experimento = {1, 2, 3, 4, 5, 6} e, se no tivermos qualquer
informao alm de o dado ser equilibrado, P(A) = 16 .
Suponhamos, agora, que o dado tenha sido lanado e a seguinte informao fornecida:
saiu face par. Qual a probabilidade de ter sado face 2?
Note a diferena: agora ns temos uma informao parcial sobre o experimento e devemos us-la para reavaliar a nossa estimativa. Mais precisamente, sabemos que ocorreu o
evento B = face par. Com essa informao, podemos nos concentrar no evento B = {2, 4, 6} ,
uma vez que as faces 1, 3, 5 ficam descartadas em funo da informao dada. Dentro dessas
trs possibilidades, a probabilidade do evento A passa a ser 13 .
Calculamos, assim, a probabilidade do evento A, sabendo que ocorreu o evento B. Essa
probabilidade ser denotada P (A | B) (l-se probabilidade de A dado B).
Consideremos, agora, o lanamento de dois dados equilibrados e os eventos A = soma
das faces par e B = soma das faces maior ou igual a 9. Se sabemos que ocorreu B,
qual a probabilidade de ter ocorrido A?
Queremos calcular P(A|B). Temos que

(1, 1) , (1, 3) , (1, 5) , (2, 2) , (2, 4) , (2, 6) , (3, 1) , (3, 3) , (3, 5) ,
A=
(4, 2) , (4, 4) , (4, 6) , (5, 1) , (5, 3) , (5, 5) , (6, 2) , (6, 4) , (6, 6)
CAPTULO 3. PROBABILIDADE CONDICIONAL E INDEPENDNCIA DE EVENTOS

B = {(3, 6) , (4, 5) , (4, 6) , (5, 4) , (5, 5) , (5, 6) , (6, 3) , (6, 4) , (6, 5) , (6, 6)}
Se ocorreu B, a nica chance de ter ocorrido A que tenha ocorrido o evento
A B = {(4, 6) , (5, 5) , (6, 4) , (6, 6)}
e, nesse caso, a probabilidade
4
,
10
ou seja,
4
=
P(A|B) =
10
4
36
10
36
P(A B)
P(B)
Esses dois exemplos ilustram o fato geral que est representado na Figura 3.1. Se
sabemos que aconteceu o evento B, esse evento passa a ser o novo espao amostral e,
nesse novo espao amostral, a nica parte de A presente A B a parte sombreada mais
clara.
Figura 3.1 Probabilidade condicional P(A|B).

Com esses exemplos, ilustramos uma situao bastante comum, em que temos de calcular a probabilidade de um evento tendo uma informao parcial. Esse o conceito de
probabilidade condicional.
DEFINIO Probabilidade condicional

A probabilidade condicional do evento A, dada a ocorrncia do evento
B,
P (A B)
P(A|B) =
P (B)
Note que, nessa definio, temos que supor que o evento B um evento possvel, j
que ele ocorreu. Logo, bvio que P(B) > 0.
30

EXEMPLO 3.1 Gnero e esporte
Um grupo de 100 alunos foi classificado quanto ao sexo e atividade de lazer preferida,
obtendo-se a distribuio dada na tabela a seguir.
Sexo
Atividade de lazer
Cinema Praia Esporte Total
Masculino
10
12
13
35
Feminino
15
41
9
65
Total
25
53
22
100
1. Qual a probabilidade de que uma pessoa, escolhida ao acaso nesse grupo, seja do
sexo masculino?
2. Se a pessoa escolhida preferir a praia como atividade de lazer, qual ser a probabilidade
de ser um homem?
Soluo
Vamos definir os seguintes eventos: M = masculino; F = feminino; C = cinema;
P = praia; E = esporte.
1. O problema pede P(M). Como h 35 homens dentre as 100 pessoas,
P(M) =
35
= 0, 35
100
2. O problema pede P(M|P). Por definio,

P(M|P) =
P(M P)
=
P(P)
12
100
53
100
12
0, 2264
53
Note que a probabilidade do evento aluno do sexo masculino se modifica quando

sabemos que a pessoa prefere ir praia como atividade de lazer.

EXEMPLO 3.2 Aposentadoria
De um total de 500 empregados de uma empresa, 200 possuem plano pessoal de aposentadoria complementar, 400 contam com o plano de aposentadoria complementar oferecido
pela empresa e 200 empregados possuem ambos os planos. Sorteia-se, aleatoriamente, um
empregado dessa empresa.
31

(a) Qual a probabilidade de que ele tenha algum plano de aposentadoria complementar?
(b) Qual a probabilidade de que ele no possua qualquer plano de aposentadoria complementar?
(c) Se o empregado conta com o plano de aposentadoria complementar oferecido pela empresa, qual a probabilidade de que ele tenha plano pessoal de aposentadoria complementar?
(d) Se o empregado tem plano pessoal de aposentadoria complementar, qual a probabilidade de que ele conte com o plano de aposentadoria complementar da empresa?
Soluo
Vamos denotar por E o evento empregado tem o plano aposentadoria complementar
da empresa e por P o evento empregado possui plano pessoal de aposentadoria complementar. O problema diz que
P(P) =
2
200
=
500
5
P(E) =
400
4
=
500
5
P(P E) =
200
2
=
500
5
Note que essas informaes podem ser dispostas em forma de tabela, como podemos
ver a seguir:
Plano pessoal
Sim
No
Plano da Sim 200
200
Empresa No
0
100
Total
200
300
Total
400
100
500
Os nmeros em negrito so as informaes dadas no problema. O restante calculado

observando-se os totais de linha e de coluna.
(a) O problema pede
P(P E) = P(P) + P(E) P(P E) =
2 4 2
4
+ =
5 5 5
5
(b) O problema pede

P(P E) = P(P E) = 1 P(P E) = 1
4
1
=
5
5
32

(c) O problema pede
P(P E)
=
P(E)
2
5
4
5
P(P E)
P(E|P) =
=
P(P)
2
5
2
5
=1
P(P|E) =
(d) O problema pede
1
2

EXEMPLO 3.3 Campanha publicitria
A probabilidade de que uma nova campanha publicitria fique pronta antes do prazo
estipulado pela diretoria foi estimada em 0,60. A probabilidade de que a diretoria aprove
essa campanha de 0,50. A probabilidade de que ambos os objetivos sejam atingidos 0,30.
(a) Qual a probabilidade de que pelo menos um dos objetivos seja atingido?
(b) Qual a probabilidade de que nenhum objetivo seja atingido?
(c) Se a campanha ficar pronta antes do prazo estipulado, qual a probabilidade de ela ser
a provada pela diretoria?
Soluo
Vamos definir os eventos P = campanha pronta antes do prazo e A = diretoria aprova
campanha. O problema fornece as seguintes informaes:
P(P) = 0, 6
P(A) = 0, 5
P(A P) = 0, 3
(a) P(A P) = P(A) + P(P) P(A P) = 0, 6 + 0, 5 0, 3 = 0, 8

(b) P(A P) = P(A P) = 1 P(A P) = 0, 2
(c) P(A|P) =
P(A P)
0, 3
=
= 0, 5.
P(P)
0, 6

interessante notar que a probabilidade condicional apresentada acima realmente

define uma lei de probabilidade, ou seja, a funo que associa o nmero P(A|B) a cada
evento A de satisfaz os axiomas de probabilidade. De fato:
33

Axioma 1:
P(A|B) =
pois P(A B) 0 e P(B) > 0.
Axioma 2:
P(|B) =
P(A B)
0
P(B)
P(B)
P( B)
=
=1
P(B)
P(B)
P(B)
= 1, toda a probabilidade condicional est concentrada
P(B)
em B, o que justifica considerarmos B como o novo espao amostral para essa nova lei de
probabilidade.
Na verdade, como P(B|B) =
Axioma 3:
Sejam A1 e A2 dois eventos mutuamente exclusivos (veja a Figura 3.2). Usando a propriedade distributiva, temos
P(A1 A2 |B) =
P[(A1 A2 ) B]
P[(A1 B) (A2 B)]
=
P(B)
P(B)
Figura 3.2 P(A1 A2 |B) = P(A1 |B) + P(A2 |B).

Mas, como A1 e A2 so mutuamente exclusivos, resulta que (A1 B) e (A2 B) tambm
o so esses dois eventos correspondem parte sombreada mais clara da figura. Logo,
P[(A1 B) (A2 B)]
=
P(B)
P(A1 B) + P(A2 B)
=
=
P(B)
P(A1 B) P(A2 B)
=
+
=
P(B)
P(B)
= P(A1 |B) + P(A2 |B)
P(A1 A2 |B) =
34

Sendo a probabilidade condicional uma lei de probabilidade, todas as propriedades vistas anteriormente, que eram consequncia dos axiomas, valem tambm para a probabilidade
condicional. A propriedade que usaremos com maior frequncia P(A|B) = 1 P(A|B).
Observe que a definio de probabilidade condicional est vinculada ao evento B ao
qual estamos condicionando. Ou seja, se condicionarmos a outro evento C , estaremos definindo uma outra funo de probabilidade a funo de probabilidade condicional em C .
3.1.1
Regra da multiplicao
A definio de probabilidade condicional leva a um resultado importante, conhecido como

regra da multiplicao.
Regra da multiplicao para dois eventos
Sejam A e B eventos de um espao amostral . Ento,
P(B) P(A|B)
P(A B) =
P(A) P(B|A)
Esse resultado nos permite calcular a probabilidade da interseo de dois eventos e

muito til para modelar experimentos que tm carter sequencial, isto , que so executados
em etapas, uma seguida da outra. Em tais situaes, pode ser til desenhar um diagrama
de rvore para ilustrar os eventos em questo. Vamos ver alguns exemplos.
EXEMPLO 3.4 Radar
Se um avio est presente em determinada rea, um radar detecta sua presena com
probabilidade 0,99. No entanto, se o avio no est presente, o radar detecta erradamente
a presena de um avio com probabilidade 0,02. A probabilidade de um avio estar presente
nessa rea de 0,05. Qual a probabilidade de um falso alarme? Qual a probabilidade
de o radar deixar de detectar um avio? (Note que esses so os dois erros possveis nessa
situao.)
Soluo
35

Vamos definir os eventos a seguir.
A = avio presente
D = radar detecta presena de avio
Os eventos complementares so:
A = avio no est presente
D = radar no detecta avio
O problema nos fornece as seguintes informaes:

Pr (D|A) = 0, 99
Pr D|A = 0, 02
Pr(A) = 0, 05
Pela lei do evento complementar, temos que

Pr D|A = 0, 98
Pr D|A = 0, 01
Pr(A) = 0, 95
Na Figura 3.3, este experimento ilustrado atravs de um diagrama de rvore. Cada n na

rvore corresponde ocorrncia de um evento condicionada ocorrncia de todos os eventos
representados pelos ns anteriores no caminho correspondente. Assim, a parte superior da
rvore corresponde ocorrncia do evento radar detecta avio, condicionada ocorrncia
do evento avio presente. J a parte inferior corresponde ocorrncia do evento radar
no detecta avio, condicionada ocorrncia do evento avio no est presente.
Figura 3.3 Problema do radar

O problema pede
Pr(D A)
Pr(D A)
falso alarme
36

Pela regra da multiplicao, temos:

P(D A) = P A P D|A = 0, 95 0, 02 = 0, 019

P(D A) = P (A) P D|A = 0, 05 0, 01 = 0, 0005
Note que a probabilidade de um erro a soma dessas probabilidades.

EXEMPLO 3.5 Extrao de 2 cartas
Considere que duas cartas de um baralho (13 cartas de cada um dos naipes copas, paus,
ouros, espadas) sejam extradas, sem reposio, uma depois da outra. Qual a probabilidade
de
(a) nenhuma das duas ser de copas?
(b) pelo menos uma carta ser de copas?
Soluo
Para solucionar esse problema, devemos notar que as cartas no baralho so igualmente
provveis, antes e depois da primeira extrao. Vamos definir os seguintes eventos:
C1 =
C2 =
copas na primeira extrao

copas na segunda extrao
Na Figura 3.4, temos o diagrama de rvore que representa esse experimento.

A parte superior da rvore corresponde ocorrncia de copas na primeira extrao
evento C1 e a parte inferior no-ocorrncia de copas na primeira extrao evento C 1 .
Na primeira extrao, temos 13 cartas de copas e 39 que no so de copas. Logo,
13
52
39
P(C 1 ) =
52
P(C1 ) =
Na segunda extrao, dado que na primeira saiu copas, temos 12 cartas de copas e 39
cartas que no so de copas em um baralho com 51. O evento representado pelo caminho
superior da rvore C1 C2 e sua probabilidade
P(C1 C2 ) = P(C1 ) P(C2 |C1 ) =
13 12
52 51
37
Figura 3.4 Extrao de 2 cartas de um baralho

Continuando com a parte superior, vemos que
P(C1 C 2 ) = P(C1 ) P(C 2 |C1 ) =
13 39
52 51
Note que, pela lei do complementar, P(C2 |C1 ) + P(C 2 |C1 ) = 1.

Na parte inferior, temos:
39 13
52 51
39 38
P(C 1 C 2 ) = P(C 1 ) P(C 2 |C 1 ) =
52 51
P(C 1 C2 ) = P(C 1 ) P(C2 |C 1 ) =
Novamente, pela lei do complementar, P(C2 |C 1 ) + P(C 2 |C 1 ) = 1.

A partir desse diagrama de rvore podemos calcular qualquer probabilidade desejada.
Por exemplo, o evento nenhuma carta de copas o evento C 1 C 2 , e o evento pelo menos
uma carta de copas, o complementar do evento nenhuma carta de copas.

EXEMPLO 3.6 Trs cartas de um baralho
Suponhamos agora a extrao de trs cartas sem reposio e o evento nenhuma carta
de copas. Como podemos generalizar a regra da multiplicao para esse caso?
Soluo
38

Como antes, vamos definir os eventos Ci = carta de copas na isima extrao, i =
1, 2, 3. Veja a Figura 3.5, que ilustra o espao amostral desse experimento.
11/50
C3
12/51
C2
13/52
C1
C3
39/50
12/50
C3
C2
39/51
C3
38/50
12/50
C3
C1
39/52
13/51
C2
C2
38/51
C3
38/50
13/50
C3
C3
37/50
Figura 3.5 Extrao de 3 cartas de um baralho

Como antes, quando caminhamos ao longo de cada galho no diagrama de rvores, cada
n representa a ocorrncia de um evento condicional ocorrncia dos eventos anteriores.
Por exemplo, vamos considerar o galho superior: o primeiro n corresponde ao evento C1 ;
o segundo, ao evento C2 , condicionado ocorrncia de C1 ; e o terceiro e ltimo, ao evento
C3 , condicionado ocorrncia de C1 C2 . Quando multiplicamos as probabilidades desses 3
eventos, obtemos a seguinte probabilidade da interseo:
P(C1 C2 C3 ) = P(C1 ) P(C2 |C1 ) P(C3 |C1 C2 ) =
13 12 11
52 51 50
39

Analogamente, a probabilidade de no sair qualquer carta de copas nas 3 estraes
P(C 1 C 2 C 3 ) = P(C 1 ) P(C 2 |C 1 ) P(C 3 |C 1 C 2 ) =
39 38 37
52 51 50

Estes exemplos ilustram a regra geral da multiplicao.
Regra geral da multiplicao
Seja A1 , A2 , . . . , An uma sequncia de eventos de um espao amostral .

Ento,
P (A1 A2 An ) = P (A1 ) P (A2 |A1 ) P (An |A1 A2 An1 )
EXEMPLO 3.7 Transporte pblico e bandejo
Em uma pesquisa realizada com um grupo de alunos da UFF, constatou-se que 10%
dos estudantes no utilizam transporte pblico para ir s aulas e que 65% dos estudantes
que utilizam o transporte pblico fazem refeies no bandejo do campus. Selecionando-se,
aleatoriamente, um estudante desse grupo, calcule a probabilidade de que ele use transporte
pblico e faa refeies no bandejo.
Soluo
Vamos definir os seguintes eventos: T = aluno utiliza transporte pblico e B = aluno
come no bandejo. O problema nos fornece
P(T ) = 0, 10
O problema pede
P(B|T ) = 0, 65
P(T B) = P(T ) P(B|T ) = 0, 9 0, 65 = 0, 585

EXEMPLO 3.8 Bolas de uma urna

40

Uma urna contm seis bolas pretas e cinco bolas amarelas. Extraem-se, sequencialmente, trs bolas dessa urna, sem reposio. Qual a probabilidade de que as trs bolas
sejam da mesma cor?
Soluo
Vamos definir os eventos Pi = bola preta na extrao ie Ai = bola amarela na
extrao i, i = 1, 2, 3.
Seja M = 3 bolas de mesma cor. Ento,
P(M) = P(P1 P2 P3 ) + P(A1 A2 A3 )
= P(P1 ) P(P2 |P1 ) P(P3 |P1 P2 ) + P(A1 ) P(A2 |A1 ) P(A3 |A1 A2 )
5
4
5
4
3
6
=
11 10 9 11 10 9
4
2
2
=
+
=
33 33
11

3.2
Independncia de eventos
Considere novamente um baralho usual, com 52 cartas, 13 de cada naipe, do qual ser
retirada uma carta. Vamos definir os seguintes eventos:
C =
R =
V =
J vimos que P(C ) =
13
52
= 41 ; P(R) =
4
52
carta de copas
carta um rei
carta vermelha
=
1
13
e P(V ) =
26
52
= 12 .
Vamos agora calcular as seguintes probabilidades condicionais: P(R|C ) e P(V |C ). No

primeiro caso, estamos calculando a probabilidade de sair um rei, dado que a carta de
copas. No segundo caso, estamos calculando a probabilidade de sair uma carta vermelha,
dado que saiu uma carta de copas.
P(R|C ) =
P(R C )
=
P(C )
P(V |C ) =
P(V C )
P(C )
=
= 1 6= P(V )
P(C )
P(C )
1
52
1
4
4
1
=
= P(R)
52
13
41

No primeiro caso, saber que a carta de copas no acrescentou informao til para
avaliarmos a probabilidade de sair rei, ou seja, saber ou no que saiu copas no altera a
probabilidade de sair rei.
J no segundo caso, saber que saiu carta de copas faz com que mudemos a probabilidade
de sair carta vermelha. Como podemos ver, se sabemos que saiu carta de copas, ento a
carta tem de ser vermelha.
Esses exemplos ilustram um conceito importante. No primeiro caso, dizemos que os
eventos R e C so independentes e, no segundo caso, que os eventos V e C so dependentes. No primeiro caso, o conhecimento da ocorrncia de C no ajuda para reavaliarmos a
probabilidade de C . J, no segundo caso, o conhecimento da ocorrncia de C faz com que
mudemos nossa estimativa da probabilidade de V .
DEFINIO Eventos independentes

Sejam A e B eventos de um espao amostral . Ento, A e B so independentes se
P(A|B) = P(A)
Essa definio tem algumas implicaes importantes.

A e B so independentes P(A B) = P(A) P(B).
Demonstrao
A, B independentes P(A|B) = P(A)
P(A B)
= P(A) P(A B) = P(A) P(B)
P(B)
P(A B) = P(A) P(B) = A e B so independentes.

Demonstrao
P(A B) = P(A) P(B) P(A|B) =
P(A B)
P(A) P(B)
=
= P(A) A, B independentes.
P(B)
P(B)
Provamos, ento, que A e B so independentes P(A B) = P(A) P(B). Esse resultado

nos permite estabelecer uma outra definio equivalente para a independncia de dois
eventos.
42
DEFINIO Eventos independentes

Sejam A e B eventos de um espao amostral . Ento, A e B so
independentes se
P(A B) = P(A) P(B)
Se A e B so independentes, ento B e A tambm o so (comutatividade).

Demonstrao
A, B independentes P(B|A) =
P(A) P(B)
P(B A)
=
= P(B) B, A independentes.
P(A)
P(A)
Se A e B so independentes A, B so independentes.
Demonstrao
P(AB) = P(B)P(AB) = P(B)P(A) P(B) = P(B)[1P(A)] = P(B) P(A) A, B independentes.
A e B independentes A, B independentes.
Demonstrao
P(A B) =
=
=
=
=
=
=
=
P(A B)
1 P(A B)
1 P(A) P(B) + P(A B)
1 P(A) P(B) + P(A) P(B)
[1 P(A)] P(B)[1 P(A)]
P(A) P(B) P(A)
P(A)[1 P(B)]
P(A) P(B) A, B independentes.
Se A e B so eventos possveis e independentes A B 6= .

Demonstrao
Por hiptese, temos que P(A) > 0 e P(B) > 0. Pela hiptese de independncia, P(A
B) = P(A) P(B) > 0 A B 6= .
Logo, se A e B so eventos possveis e independentes, ento A e B no so mutuamente
exclusivos.
43

Se A e B so eventos possveis tais que A B = A, B no so independentes.
Demonstrao
P(A|B) =
P(A B
= 0 6= P(A) A, B no so independentes.
P(B)
Logo, se A e B so eventos possveis e mutuamente exclusivos, ento A e B no so

independentes.
EXEMPLO 3.9 Previdncia, continuao
No Exemplo 3.2, analisamos os dados que sero apresentados na tabela a seguir,

referentes participao de funcionrios de uma empresa em planos de aposentadoria complementar:
Plano pessoal
Sim
No
Plano da Sim 200
200
Empresa No
0
100
Total
200
300
Total
400
100
500
Naquele exemplo, estudamos os eventos E = empregado tem o plano de aposentadoria complementar da empresa e P = empregado possui plano pessoal de aposentadoria
complementar. Vamos ver se esses eventos so independentes.
Soluo
Temos
2
4
P(E) =
5
5
2
P(P E) =
6
=
P(P) P(E)
5
P(P) =
Logo, os eventos P e E no so independentes. Outra forma de ver isso

P(E|P) =
200
4
= 1 6= P(E) =
200
5

44
Captulo 4
Teorema da Probabilidade Total e
Teorema de Bayes
Neste captulo, voc estudar dois importantes teoremas da teoria das probabilidades e
ver suas aplicaes em diversas situaes envolvendo tomadas de deciso. Esses teoremas,
conhecidos como Teorema da Probabilidade Total e Teorema de Bayes, resultam diretamente
da definio de probabilidade condicional e das propriedades j vistas da probabilidade.
Sua apresentao ser feita, inicialmente, atravs de exemplos, para que voc compreenda
bem o contexto de sua aplicao. Em seguida, ser apresentada a formulao geral desses
teoremas.
4.1
Exemplos
EXEMPLO 4.1 Produo de duas mquinas
Em uma linha de produo de certa fbrica, determinada pea produzida em duas

mquinas. A mquina 1, mais antiga, responsvel por 35% da produo, e os 65% restantes vm da mquina 2. A partir dos dados passados e das informaes do fabricante das
mquinas, estima-se em 5% a proporo de peas defeituosas produzidas pela mquina 1 e
em 2,5% a proporo de peas defeituosas produzidas pela mquina 2. As peas produzidas
pelas duas mquinas seguem para o departamento de armazenamento e embalagem para
venda posterior, sem distino de qual mquina a produziu.
(a) Qual a proporo de peas defeituosas colocadas no mercado por essa fbrica?
CAPTULO 4. TEOREMA DA PROBABILIDADE TOTAL E TEOREMA DE BAYES

(b) Se um cliente identificar uma pea defeituosa, qual ser a probabilidade de ela ter sido
produzida pela mquina 1?
Soluo
(a) Na Figura 4.1, representa-se a situao em anlise. Nosso experimento aleatrio o

sorteio de uma pea produzida por essa fbrica, e nosso espao amostral, representado
pelo retngulo, o conjunto de todas as peas produzidas em determinado perodo.
Podemos ver que o espao amostral est dividido em 2 eventos mutuamente exclusivos:
M1 , peas produzidas pela mquina 1, e M2 , peas produzidas pela mquina 2. Mais
precisamente, = M1 M2 isso significa que M1 e M2 formam uma partio do espao
amostral1 . Outro evento de interesse D = pea defeituosa. Podemos ver que esse
evento tem interseo com os eventos M1 e M2 , ou seja, h peas defeituosas produzidas
na mquina 1 e na mquina 2.
M1
M2
Figura 4.1 Espao amostral para o Exemplo 4.1

Pelos dados do problema, temos uma estimativa a priori das propores de peas produzidas em cada mquina, ou seja, as probabilidades a priori dos eventos M1 e M2 so:
P(M1 ) = 0, 35
P(M2 ) = 0, 65
Sabemos, tambm, a proporo de peas defeituosas produzidas por cada mquina. Essa
proporo se traduz em uma probabilidade condicional: se a pea foi produzida pela
mquina 1, existe 5% de chance de ser defeituosa. Para a mquina 2, essa chance reduzse a 2,5%. Em termos de probabilidade, temos
P(D|M1 ) = 0, 05
P(D|M2 ) = 0, 025
1
A1 , A2 , , An formam uma partio do espao amostral se (i) Ai Aj = i 6= j; (ii)
n
S
i=1
Ai =
46

Como M1 e M2 formam uma partio de , podemos escrever
D = (D M1 ) (D M2 )
Mas M1 e M2 so mutuamente exclusivos; logo, (D M1 ) (parte sombreada mais clara)
e (D M2 ) (parte sombreada mais escura) tambm o so. Assim, pelo Axioma 3 da
probabilidade, resulta que
P(D) = P [(D M1 ) (D M2 )]
= P(D M1 ) + P(D M2 )
Pelo teorema da multiplicao, sabemos que P(A B) = P(A) P(B|A). Logo,
P(D) = P(M1 ) P(D|M1 ) + P(M2 ) P(D|M2 )
= 0, 35 0, 05 + 0, 65 0, 025 = 0, 03375
Observe que a probabilidade de uma pea ser defeituosa uma mdia ponderada das
probabilidades de defeito em cada mquina. Os pesos so definidos de acordo com o
nvel de produo (probabilidade) de cada mquina.
(b) Na segunda parte do exemplo, temos uma informao sobre a pea: ela defeituosa,
isto , sabemos que ocorreu o evento D. O que o problema pede que, com essa
informao, reavaliemos a probabilidade de a pea ter sido produzida pela mquina 1.
Essa probabilidade chamada de probabilidade a posteriori, ou seja, a probabilidade
que calculamos com base em informao parcial obtida depois de realizado o experimento
de sorteio e teste da pea. Em notao matemtica, temos de calcular P(M1 |D). Por
definio, temos
P(M1 D)
P(M1 |D) =
P(D)
Usando a regra da multiplicao e o resultado encontrado no item anterior, resulta
P(M1 |D) =
P(M1 ) P(D|M1 )
P(M1 )Pr(D|M1 ) + P(M2 ) P(D|M2 )
0, 35 0, 05
=
0, 35 0, 05 + 0, 65 0, 025
0, 0175
=
= 0, 5185
0, 03375
Compare os resultados:
Sem qualquer informao sobre o resultado do experimento, nossa estimativa para
a probabilidade de ocorrncia de M1 pea produzida pela mquina 1 era 0,35.
47

Com a informao de que a pea defeituosa, a probabilidade de ter sido produzida
pela mquina 1 aumenta para 0,5185.

EXEMPLO 4.2 Produo de trs mquinas
Considere novamente a situao do Exemplo 4.1, mas com a seguinte modificao:

as peas so produzidas em trs mquinas, que so responsveis por 30%, 35% e 35% da
produo, respectivamente. As propores de peas defeituosas produzidas por tais mquinas
so 5%, 2,5% e 2%.
(a) Qual a proporo de peas defeituosas produzidas na fbrica?
(b) Se um cliente identificar uma pea defeituosa, qual ser a probabilidade de ela ter sido
produzida na mquina 1? E na mquina 2? E na mquina 3?
Soluo
(a) O espao amostral desse experimento est ilustrado no diagrama de rvore da Figura
4.2.

Como j visto anteriormente, cada galho da rvore corresponde ao condicionamento do
evento aos eventos dos galhos anteriores. Assim, na parte superior da rvore, temos os
eventos D|M1 e D|M1 . Na parte do meio, temos os eventos D|M2 e D|M2 ; e na parte
inferior, D|M3 e D|M3 .
Os dados do problema do que
48

P(M1 ) = 0, 30
P(M2 ) = P(M3 ) = 0, 35
P(D|M1 ) = 0, 05
P(D|M2 ) = 0, 025
P(D|M3 ) = 0, 02
Como antes, M1 , M2 e M3 formam uma partio de e, portanto, podemos escrever

D = (D M1 ) (D M2 ) (D M3 )
Mas M1 , M2 e M3 so mutuamente exclusivos; logo, (D M1 ), (D M2 ) e (D M3 ) tambm
o so. Pelo Axioma 3 da probabilidade, resulta que
P(D) = P [(D M1 ) (D M2 ) (D M3 )]
= P(D M1 ) + P(D M2 ) + P(D M3 )
Pelo teorema da multiplicao, sabemos que
P(A B) = P(A) P(B|A).
Logo,
P(D) = P(M1 ) P(D|M1 ) + P(M2 ) P(D|M2 ) + P(M3 ) P(D|M3 )
= 0, 30 0, 05 + 0, 35 0, 025 + 0, 35 0, 02 = 0, 03075
Como antes, a probabilidade de uma pea ser defeituosa uma mdia ponderada das
probabilidades de defeito em cada mquina, com os pesos definidos de acordo com o
nvel de produo de cada mquina.
(b) Na segunda parte do exemplo, deseja-se saber P(M1 |D), P(M2 |D) e P(M3 |D). Por definio, temos
P(M1 D)
P(M1 |D) =
P(D)
Usando a regra da multiplicao e o resultado encontrado no item anterior, temos
P(M1 |D) =
P(M1 ) P(D|M1 )
P(M1 ) P(D|M1 ) + P(M2 ) P(D|M2 ) + P(M3 ) P(D|M3 )
0, 30 0, 05
=
0, 30 0, 05 + 0, 35 0, 025 + 0, 35 0, 02
0, 015
=
= 0, 487805
0, 03075
P(M2 |D) =
P(M2 ) P(D|M2 )
0, 35 0, 025
=
0, 30 0, 05 + 0, 35 0, 025 + 0, 35 0, 02
0, 00875
=
= 0, 284553
0, 03075
49
P(M3 |D) =
P(M3 ) P(D|M3 )
0, 35 0, 02
=
0, 30 0, 05 + 0, 35 0, 025 + 0, 35 0, 02
0, 007
=
= 0, 227642
0, 03075
Note que 0, 487805 + 0, 284553 + 0, 227642 = 1, 000000. Esse resultado imediato a

partir do fato de que P() = 1. Se a pea sorteada defeituosa, ela s pode ter vindo
de umas das trs mquinas.

EXEMPLO 4.3 Soro da verdade
Sabe-se que um soro da verdade, quando aplicado em um suspeito, 90% eficaz

quando a pessoa culpada e 99% eficaz quando inocente. Um suspeito retirado de um
grupo de pessoas em que 95% jamais cometeram qualquer crime.
(a) Qual a probabilidade de o soro dar a resposta certa?
(b) Se o soro indica culpado, qual a probabilidade de o suspeito ser inocente?
Soluo
(a) Vamos definir os seguintes eventos (veja a Figura 4.3):

C = suspeito culpado C = suspeito inocente
U = soro indica culpado U = soro indica inocente
Note que voc deve definir os eventos de acordo com a execuo do experimento. Ao se
aplicar um soro da verdade, a resposta ser culpado ou inocente e no soro acerta
ou soro erra. Errar ou acertar depender de o suspeito ser culpado ou inocente.
Os dados do problema nos do as seguintes probabilidades:
P(U|C ) = 0, 90
P(U|C ) = 0, 99
P(C ) = 0, 95
50

Usando o resultado sobre probabilidade do evento complementar, completamos as probabilidades necessrias:
P(U|C ) = 0, 90
P(U|C ) = 0, 99
P(C ) = 0, 95
P(U|C ) = 0, 10
P(U|C ) = 0, 01
P(C ) = 0, 05
A partio do espao amostral definida pelos eventos C e C , para os quais temos as

probabilidades a priori. Os eventos de interesse so U e U.
Seja o evento A = soro acerta o diagnstico. Note que o soro pode diagnosticar
corretamente se o suspeito culpado ou inocente, ou seja:

A = (C U) C U
Logo,
P(A) = P (C U) + P C U
= P(C ) P(U|C ) + P(C ) P(U|C )

= 0, 05 0, 90 + 0, 95 0, 99 = 0, 9855
(b) Queremos calcular P(C |U). Por definio, temos:
P(C |U) =
P(C U)
P (U)
O soro pode indicar culpado, sendo o suspeito culpado (acerto do diagnstico), ou inocente (erro no diagnstico), ou seja:

P (U) = P (U C ) + P U C

= P (U|C ) P(C ) + P U|C P(C )
= 0, 90 0, 05 + 0, 01 0, 95
= 0, 045 + 0, 0095 = 0, 0545
51

P U C = P U|C P(C ) = 0, 01 0, 95 = 0, 0095
Logo,
P(C |U) =
0, 0095
= 0, 1743
0, 0545

EXEMPLO 4.4 Trs moedas

Uma caixa contm trs moedas. A moeda 1 honesta, a moeda 2 tem duas caras e a
moeda 3 viciada de tal modo que cara duas vezes mais provvel que coroa. Uma moeda
escolhida ao acaso e lanada.
(a) Qual a probabilidade de observarmos cara e moeda 1?
(b) Qual a probabilidade de observarmos cara?
(c) Se o resultado foi cara, qual a probabilidade de que a moeda lanada tenha sido a moeda
1?
Soluo
Vamos definir os eventos
K = cara
C = coroa
M1 = moeda 1 M2 = moeda 2 M3 = moeda 3
dado que
P(K |M1 ) =
1
2
P(K |M2 ) = 1
Para a moeda 3, como a probabilidade de cara duas vezes a probabilidade de coroa

e a soma dessas probabilidades tem de ser 1, resulta que
P(K |M3 ) =
2
3
Como a moeda lanada escolhida aleatoriamente, temos
P(M1 ) = P(M2 ) = P(M3 ) =
1
3
Veja a Figura 4.4:

52

(a) Aqui a soluo consequncia direta da regra de multiplicao:
P (K M1 ) = P (M1 ) P (K |M1 ) =
1 1
1
=
3 2
6
(b) Os eventos que formam a partio do espao amostral so M1 , M2 e M3 . Logo,

P (K ) = P (K M1 ) + P (K M2 ) + P (K M3 )
= P (M1 ) P (K |M1 ) + P (M2 ) P (K |M2 ) + P (M3 ) P (K |M3 )

1
1
2
1 13
13
=
+1+
=
=
3
2
3
3
6
18
(c) O problema pede
P (M1 ) P (K |M1 )
P (K M1 )
=
=
P (M1 |K ) =
P (K )
P (K )
1
6
13
18
3
13

EXEMPLO 4.5 Deciso gerencial
Um gerente de banco tem de decidir se concede ou no emprstimo aos clientes que

o solicitam. Ele analisa diversos dados para estudar a possibilidade de o cliente vir a ficar
inadimplente. Com base em dados passados, ele estima em 15% a taxa de inadimplncia.
Dentre os inadimplentes, ele tem 80% de chance de tomar a deciso certa, enquanto essa
53

chance aumenta para 90% entre os clientes adimplentes. Esse gerente acaba de recusar um
emprstimo. Qual a probabilidade de ele ter tomado a deciso correta?
Soluo
Os fatos envolvidos nesse processo decisrio so: cliente inadimplente ou no e
gerente concede ou no o emprstimo. Vamos definir os seguintes eventos:
I = cliente inadimplente
C = gerente concede emprstimo
Usaremos a notao de evento complementar para definir
I = cliente adimplente
C = gerente no concede emprstimo
Note que temos duas possibilidades de acerto e duas possibilidades de erro. Os acertos
so cliente inadimplente e gerente no concede o emprstimo e cliente adimplente e
gerente concede o emprstimo. Os erros so: cliente inadimplente e gerente concede o
emprstimo e cliente adimplente e gerente no concede o emprstimo.
A rvore que representa o espao amostral dada na Figura 4.5.

As probabilidades dadas so
P(I) = 0, 15 P(C |I) = 0, 80 P(C |I) = 0, 90
Pela lei do complementar, temos
P(I) = 0, 85 P(C |I) = 0, 20 P(C |I) = 0, 10
54

Com relao ao que o problema pede, temos que, dado que o gerente recusou o emprstimo, a deciso s ser certa se o cliente for inadimplente. Logo, temos de calcular
P(I|C ) =
P(I C )
P(C )
Mas o gerente pode recusar o emprstimo sendo o cliente inadimplente ou no, ou seja,
P(C ) = P(C I) + P(C I)
= P(I) P(C |I) + P(I) P(C |I)
= 0, 15 0, 80 + 0, 85 0, 10 = 0, 205
Logo,
P(I C )
P(C )
P(I) P(C |I)
=
P(I) P(C |I) + P(I) P(C |I)
0, 15 0, 80
= 0, 5854
=
0, 205
P(I|C ) =
4.2
Os teoremas
Considere a Figura 4.6, onde A1 , A2 , . . . , An uma partio do espao amostral e B um

evento qualquer em .
A2
A1
A3
B
A4
A6
A7
A8
A5
A9
Figura 4.6 Partio do espao amostral
55

Como a unio de todos os Ai s o espao amostral, segue que
B = (A1 B) (A2 B) (An B) .
O fato de alguns desses termos serem o conjunto vazio (por exemplo, B A4 = )
no invalida o resultado, uma vez que A = A. Por definio de partio, os Ai s so
mutuamente exclusivos dois a dois; logo, os eventos Ai B tambm o so. Ento, pela lei da
probabilidade de eventos disjuntos, podemos escrever
P (B) = P [(A1 B) (A2 B) (An B)] =
= P (A1 B) + P (A2 B) + + P (An B)
e a regra da multiplicao fornece
P(B) = P(A1 ) P(B|A1 ) + P(A2 ) P(B|A2 ) + + P(An ) P(B|An )
Esse resultado conhecido como Teorema da probabilidade total.
Teorema da Probabilidade Total
Seja A1 , A2 , . . . , An uma partio do espao amostral e seja B um evento

qualquer em . Ento,
n
X
P (Ai ) P (B|Ai )
P(B) =
i=1
Como visto, a probabilidade P(Ai ) denominada probabilidade a priori do evento Ai .

Continuando no contexto da Figura 4.6, suponhamos agora que B tenha ocorrido. Vamos
usar essa informao para calcular a probabilidade a posteriori do evento Ai , ou seja, vamos
calcular P(Ai |B). Por definio, temos
P (Ai |B) =
P (Ai B)
P(B)
Usando a regra da multiplicao e o teorema da probabilidade total, resulta que

P (Ai ) P (B|Ai )
P (Ai |B) = P
n

P Aj P B|Aj
j=1
Esse resultado conhecido como Teorema de Bayes.

56
Teorema de Bayes
Seja A1 , A2 , . . . , An uma partio do espao amostral e seja B um evento

qualquer em . Ento
P (Ai ) P (B|Ai )
P (Ai |B) = P
n

P Aj P B|Aj
j=1
importante que, na resoluo de exerccios e tambm na aplicao prtica desses

teoremas, voc identifique os eventos de interesse, os que definem a partio do espao
amostral e quais so as probabilidades a priori. Em geral, so essas probabilidades que
identificam a partio de . Vamos considerar mais um exemplo para ilustrar esses pontos.
EXEMPLO 4.6 Alunos e carros
Em uma turma de Administrao, 65% dos alunos so do sexo masculino. Sabe-se
que 30% dos alunos tm carro, enquanto essa proporo entre as alunas se reduz para 18%.
Sorteia-se ao acaso um estudante dessa turma usando o seu nmero de matrcula e constatase que ele possui um carro. Qual a probabilidade de que o estudante sorteado seja do
sexo feminino?
Soluo
Os eventos em questo envolvem o sexo do aluno e a posse de um carro. Vamos definir
os eventos de interesse da seguinte forma:
H = homem
M = mulher
C = possui carro C = no possui carro
Note que H e M definem uma partio do espao amostral, assim como C e C . No
entanto, as probabilidades a priori dadas referem-se a H e M (o fato de ter, ou no, carro,
no altera o sexo do aluno). Assim, a partio de ser definida em termos desses eventos.
Os dados do problema fornecem que
P(H) = 0, 65
P(C |H) = 0, 30
P(C |M) = 0, 18
P(M) = 0, 35
P(C |H) = 0, 70
P(C |M) = 0, 82
57

O problema pede P(M|C ), e para calcular essa probabilidade, temos de calcular P(C ). Pelo
teorema da probabilidade total, sabemos que
P(C ) = P(C M) + P(C H)
= P(M) P(C |M) + P(H) P(C |H)
= 0, 35 0, 18 + 0, 65 0, 30 = 0, 518
Logo,
P(C M)
P(M) P(C |M)
=
P(C )
P(C )
0, 35 0, 18
= 0, 12162
=
0, 518
P(M|C ) =

58
Captulo 5
Exerccios propostos
1. Lanam-se trs moedas. Enumere o espao amostral e os eventos A = faces iguais;

B = cara na primeira moeda; C = coroa na segunda e terceira moedas.
2. (a) Na Figura 5.1, assinale a rea correspondente a A B
(b) Na Figura 5.2, assinale a rea correspondente a A \ B
(c) Na Figura 5.3, assinale a rea correspondente a (A C ) B
(d) Na Figura 5.4, assinale a rea correspondente a (A B) C
Figura 5.1 Questo 2(a)
Figura 5.2 Questo 2(b)
Figura 5.3 Questo 2(c)
Figura 5.4 Questo 2(d)
3. Defina um espao amostral para cada um dos seguintes experimentos aleatrios:
CAPTULO 5. EXERCCIOS PROPOSTOS

(a) Em uma pesquisa de mercado, conta-se o nmero de clientes do sexo masculino
que entram em um supermercado no horrio das 8 s 12 horas.
(b) Em um estudo de viabilidade de abertura de uma creche prpria de uma grande
empresa, fez-se um levantamento, por funcionrio, do sexo dos filhos com menos de
5 anos de idade. O nmero mximo de filhos por funcionrio 4, e a informao
relevante o sexo dos filhos de cada funcionrio.
(c) Em um teste de controle de qualidade da produo, mede- -se a durao de lmpadas, deixando-as acesas at que queimem.
(d) Um fichrio com 10 nomes contm 3 nomes de mulheres. Seleciona-se ficha aps
ficha at o ltimo nome de mulher ser selecionado e anota-se o nmero de fichas
selecionadas.
(e) Lana-se uma moeda at aparecer cara pela primeira vez e anota-se o nmero de
lanamentos.
(f) Em uma urna, h 5 bolas identificadas pelas letras
{A, B, C , D, E} . Sorteiam-se duas bolas, uma aps a outra, com reposio, e anotase a configurao formada.
(g) Mesmo enunciado anterior, mas as duas bolas so selecionadas simultaneamente.
4. Sejam A, B, C trs eventos de um espao amostral. Exprima os eventos a seguir usando
as operaes de unio, interseo e complementao:
(a) somente A ocorre;
(b) exatamente um ocorre;
(c) A, B e C ocorrem;
(d) nenhum ocorre;
(e) pelo menos um ocorre;
(f) exatamente dois ocorrem.
(g) pelo menos dois ocorrem;
(h) no mximo dois ocorrem.
5. Considere o lanamento de dois dados e defina os seguintes eventos:
A = soma par
B = soma 9
C = mximo das faces 6
Calcule A B, A B, A \ B, B \ A, B C , B \ C .
6. Seja = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}. Considere os seguintes eventos:
60

A = {1, 3, 5, 7, 9}
B = {0, 2, 4, 6, 8, 9}
D = {9}
Determine os elementos dos seguintes eventos:
(a) A (B D)
(b) B (A D)
(c) A B
(d) A B
(e) A \ B
(f) B \ A
(g) A B
(h) A B

7. Se P (A) = 1/3 e P B = 1/4, A e B podem ser mutuamente exclusivos?
8. Sejam A e B eventos mutuamente exclusivos tais que P(A) = 0, 5 e P(B) = 0, 4.
(a) Calcule P(A B).
(b) Calcule P(B A).
9. Em uma cidade h trs clubes A, B, C . Em um grupo de 1000 famlias constatou-se
que 470 so scias do clube A; 420 so scias do clube B, 315 so scias do clube C ;
110 so scias dos clubes A e B; 220 so scias dos clubes A e C ; 140 so scias dos
clubes B e C e 75 so scias dos 3 clubes. Escolhendo-se ao acaso uma famlia, qual
a probabilidade de que ela
(a) no seja scia de qualquer um dos clubes?
(b) seja scia de apenas um clube?
(c) seja scia de pelo menos dois clubes?
10. Em um levantamento em um bairro de 1.000 moradores, verifica-se que:
220 tm curso superior;
160 so casados;
100 esto desempregados;
50 tm curso superior, so casados e esto empregados;
60 tm curso superior e esto desempregados;
61

20 tm curso superior, so casados e esto desempregados.
Escolhe-se ao acaso um morador desse bairro. Qual a probabilidade de que ele
(a) tenha curso superior e seja casado?
(b) ou tenha curso superior e seja casado ou esteja empregado?
(c) ou tenha curso superior ou esteja desempregado?
11. Um lote formado por 10 artigos bons, 4 com defeitos menores e 2 com defeitos graves.
Um artigo escolhido ao acaso. Ache a probabilidade de que:
(a) ele no tenha defeitos;
(b) ele no tenha defeitos graves;
(c) ele seja perfeito ou tenha defeitos graves.
12. Quatro bolsas de estudo sero sorteadas entre 30 estudantes, dos quais 12 so do
sexo masculino e 18 so do sexo feminino. Qual a probabilidade de que haja entre os
sorteados:
(a) uma pessoa do sexo masculino?
(b) no mximo uma pessoa do sexo feminino?
(c) pelo menos uma pessoa de cada sexo?
13. Em uma urna h 15 bolas numeradas de 1 a 15. Trs bolas so retiradas da urna sem
reposio. Qual a probabilidade de que:
(a) o menor nmero seja 7?
(b) o maior nmero seja 7?
14. Num perodo de um ms, 100 pacientes sofrendo de determinada doena foram internados em um hospital. Informaes sobre o tipo de tratamento aplicado em cada paciente
e o resultado final obtido esto resumidas no quadro a seguir.
Resultado
Total
Tratamento Total
A
B
Cura total (T)
24
16
40
Cura parcial (P) 24
16
40
Morte (M)
12
8
20
60
40
100
Sorteia-se o registro de um desses pacientes.

(a) Qual a probabilidade de que seja de um paciente que teve cura total?
62

(b) Qual a probabilidade de que esse registro seja de um paciente que faleceu ou
que recebeu o tratamento A?
(c) Sabendo-se que esse paciente recebeu o tratamento A, qual a probabilidade de
que tenha tido cura total?
15. Sejam A e B eventos de um espao amostral. Sabe-se que P(A) = 0, 3; P(B) = 0, 7 e
P(A B) = 0, 21. Verifique se as seguintes afirmativas so verdadeiras. Justifique sua
resposta.
(a) A e B so mutuamente exclusivos;
(b) A e B so independentes;
(c) A e B so independentes;
(d) A e B so mutuamente exclusivos;
(e) A e A so independentes.
16. Dois dados equilibrados so lanados.
(a) Calcule a probabilidade de sair seis em pelo menos um dado.
(b) Sabendo-se que saram faces diferentes nos dois dados, determine a probabilidade
de sair seis em pelo menos um dado.
(c) Os eventos seis em pelo menos um dado e faces diferentes nos dois dados so
independentes?
17. Uma sala possui trs soquetes para lmpadas. De uma caixa com 10 lmpadas, das
quais seis esto queimadas, retiram-se trs lmpadas ao acaso, colocando-se as mesmas nos trs bocais. Calcular a probabilidade de que:
(a) pelo menos uma lmpada acenda;
(b) todas as lmpadas acendam.
18. O Ministrio da Economia da Espanha acredita que a probabilidade de a inflao ficar
abaixo de 3% este ano de 0,20; entre 3% e 4% de 0,45 e acima de 4% de 0,35. O
Ministrio acredita que, com inflao abaixo de 3%, a probabilidade de se criar mais
200.000 empregos de 0,6, diminuindo essa probabilidade para 0,3 caso a inflao fique
entre 3% e 4%; no entanto, com inflao acima de 4%, isso totalmente impossvel.
(a) Qual a probabilidade de se criarem 200.000 empregos nesse ano?
(b) No ano seguinte, um economista estrangeiro constata que foram criados 200.000
empregos novos. Qual a probabilidade de a inflao ter ficado abaixo de 3%?
63

19. Na urna I h cinco bolas vermelhas, trs brancas e oito azuis. Na urna II h trs
bolas vermelhas e cinco brancas. Lana-se um dado equilibrado. Se sair trs ou seis,
escolhe-se uma bola da urna I; caso contrrio, escolhe-se uma bola da urna II. Calcule
a probabilidade de
(a) sair uma bola vermelha;
(b) sair uma bola branca;
(c) sair uma bola azul;
(d) ter sido sorteada a urna I, sabendo-se que a bola retirada vermelha.
20. Joana quer enviar uma carta a Camila. A probabilidade de que Joana escreva a carta
9
8
. A probabilidade de que o correio no a perca 10
. A probabilidade de que o
10
9
carteiro a entregue tambm 10 .
(a) Construa o diagrama de rvore representando o espao amostral deste problema.
(b) Calcule a probabilidade de Camila no receber a carta.
(c) Dado que Camila no recebeu a carta, qual a probabilidade de que Joana no a
tenha escrito?
21. Sejam A e B dois eventos tais que P(A) = 0, 4 e P(A B) = 0, 7. Seja P(B) = p.
Determine o valor de p para que
(a) A e B sejam mutuamente exclusivos;
(b) A e B sejam independentes.
22. Sejam A e B eventos possveis de um mesmo espao amostral . Se P(A|B) = 1
verifique a veracidade das seguintes afirmativas, justificando sua resposta.
(a) A e B so independentes.
(b) A e B so mutuamente exclusivos.
23. Sejam A, B, C eventos de um mesmo espao amostral. Sabe-se que
B um subconjunto de A;
A e C so independentes e
B e C so mutuamente exclusivos.
A probabilidade do complementar da unio dos eventos A e C 0,48; a probabilidade da
unio dos eventos B e C 0,3 e a probabilidade do evento C o dobro da probabilidade
do evento B. Calcule P(A B).
24. Uma comisso de dois estudantes deve ser sorteada de um grupo de 5 alunas e 3
alunos. Sejam os eventos:
64

M1 = primeiro estudante sorteado mulher
M2 = segundo estudante sorteado mulher
(a) Construa um diagrama de rvore que represente o espao amostral deste experimento, indicando as probabilidades.
(b) Calcule P(M1 ) e P(M2 ).
(c) Verifique se M1 e M2 so independentes.
25. Em um campeonato de natao, esto competindo trs estudantes: Alberto, Bosco e
Carlos. Alberto e Bosco tm a mesma probabilidade de ganhar, que o dobro da de
Carlos ganhar.
(a) Ache a probabilidade de que Bosco ou Carlos ganhe a competio.
(b) Que hiptese voc fez para resolver essa questo? Essa hiptese razovel?
26. Solicita-se a dois estudantes, Maria e Pedro, que resolvam determinado problema. Eles
trabalham na soluo do mesmo independentemente, e tm, respectivamente, probabilidade 0,8 e 0,7 de resolv-lo.
(a) Qual a probabilidade de que nenhum deles resolva o problema?
(b) Qual a probabilidade de o problema ser resolvido?
(c) Dado que o problema foi resolvido, qual a probabilidade de que tenha sido
resolvido apenas por Pedro?
27. Joga-se um dado duas vezes. Considere os seguintes eventos: A =resultado do primeiro lanamento par e B =soma dos resultados par. A e B so independentes?
Justifique.
28. Um aluno responde a uma questo de mltipla escolha com quatro alternativas, com
uma s correta. A probabilidade de que ele saiba a resposta certa da questo de
30%. Se ele no sabe a resposta, existe a possibilidade de ele acertar no chute. No
existe a possibilidade de ele obter a resposta certa por cola.
(a) Qual a probabilidade de ele acertar a questo?
(b) Se o aluno acertou a questo, qual a probabilidade de ele ter chutado a resposta?
29. Um empreiteiro apresentou oramentos separados para a execuo da parte eltrica
e da parte hidrulica de um edifcio. Ele acha que a probabilidade de ganhar a concorrncia da parte eltrica de 1/2. Caso ele ganhe a parte eltrica, a chance de
ganhar a parte hidrulica de 3/4; caso contrrio, essa probabilidade de 1/3. Qual
a probabilidade de ele:
65

(a) ganhar os dois contratos?
(b) ganhar apenas um?
(c) no ganhar qualquer contrato?
66

Probabilidade 0

Загружено:

Сведения о документе

Исходное описание:

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Probabilidade 0

Загружено:

Авторское право:

Доступные форматы

Universidade Federal Fluminense

Instituto de Matemtica e Estatstica

Ana Maria Lima de Farias

1 Probabilidade: conceitos bsicos

Experimento aleatrio, espao amostral e evento . . . . . . . . . . . . . . . . . .

Operaes com eventos aleatrios . . . . . . . . . . . . . . . . . . . . . . . . . . .

Propriedades das operaes . . . . . . . . . . . . . . . . . . . . . . . . . .

2 Probabilidade: axiomas e propriedades

Definio axiomtica de probabilidade . . . . . . . . . . . . . . . . . . . . . . . .

Espaos amostrais finitos e equiprovveis . . . . . . . . . . . . . . . . . . . . . .

4 Teorema da Probabilidade Total e Teorema de Bayes

CAPTULO 1. PROBABILIDADE: CONCEITOS BSICOS

Experimento aleatrio, espao amostral e evento

Consideremos o lanamento de um dado, a fim de estudarmos a proporo de ocorrncias

Por outro lado, se s estivermos interessados no nmero de meninas, esse mesmo

Um experimento aleatrio um processo que acusa variabilidade em seus resultados, isto ,

CAPTULO 1. PROBABILIDADE: CONCEITOS BSICOS

O espao amostral de um experimento aleatrio o conjunto de todos os resultados possveis

Consideremos o experimento aleatrio lanamento de um dado. O espao amostral

CAPTULO 1. PROBABILIDADE: CONCEITOS BSICOS

a primeira bola branca;

CAPTULO 1. PROBABILIDADE: CONCEITOS BSICOS

todas as cartas selecionadas so vermelhas;

(V , A, P), (V , P, A), (A, V , P), (A, P, V ), (P, V , A), (P, A, V ),

(V , A, B), (V , B, A), (A, V , B), (A, B, V ), (B, V , A), (B, A, V ),

Operaes com eventos aleatrios

O evento interseo de dois eventos A e B o que equivale ocorrncia simultnea de A e

CAPTULO 1. PROBABILIDADE: CONCEITOS BSICOS

Figura 1.1 Interseo de dois eventos: A B

EXEMPLO 1.7 Lanamento de dois dados - continuao

Dois eventos, A e B, so mutuamente exclusivos quando no podem ocorrer simultaneamente,

CAPTULO 1. PROBABILIDADE: CONCEITOS BSICOS

Figura 1.2 Eventos mutuamente exclusivos: A B =

Consideremos, novamente, o experimento lanamento de dois dadosSejam

A unio de dois eventos A e B o evento que corresponde ocorrncia de pelo menos

Figura 1.3 Unio de dois eventos: A B

EXEMPLO 1.9 Lanamento de duas moedas

Consideremos o experimento lanamento de duas moedas, em que o espao amostral =

CAPTULO 1. PROBABILIDADE: CONCEITOS BSICOS

Figura 1.4 Complementar do evento A = A

EXEMPLO 1.10 Lanamento de um dado

A diferena entre dois eventos A e B, representada por A \ B, o evento formado pelos

Alm disso, A \ B 6= B \ A, conforme ilustrado na Figura 1.6.

CAPTULO 1. PROBABILIDADE: CONCEITOS BSICOS

Figura 1.5 Diferena A \ B

Figura 1.6 Diferena B \ A

(1, 1) , (1, 3) , (1, 5) , (2, 2) , (2, 4) , (2, 6) , (3, 1) , (3, 3) , (3, 5) ,

B\A = {(5, 6) , (6, 5)}

Propriedades das operaes

Sejam A, B, C eventos de um espao amostral . Ento, valem as seguintes propriedades.

CAPTULO 1. PROBABILIDADE: CONCEITOS BSICOS

Note que o equivalente do conjunto universal da teoria de conjuntos.

CAPTULO 1. PROBABILIDADE: CONCEITOS BSICOS

Figura 1.7 Ilustrao da propriedade distributiva: A (B C ) = (A B) (A C )

A ilustrao da segunda propriedade est na Figura 1.8. Na linha superior, ilustramos o

CAPTULO 1. PROBABILIDADE: CONCEITOS BSICOS

Figura 1.8 Ilustrao da propriedade distributiva: A (B C ) = (A B) (A C )

Na primeira linha da Figura 1.9, ilustra-se a primeira propriedade A B = A B.

CAPTULO 1. PROBABILIDADE: CONCEITOS BSICOS

Figura 1.9 Ilustrao das leis de De Morgan

Definio axiomtica de probabilidade

A abordagem que adotaremos ser a utilizao da definio axiomtica da probabilidade.