PROBABILIDADE - CONCEITOS BSICOS

1) Experimento Aleatrio um experimento no qual:

i) todos os possveis resultados so conhecidos;
ii) resulta num valor desconhecido, dentre todos os resultados
possveis;
iii) pode ser repetido em condies idnticas.
2) Espao Amostral o conjunto de todos os resultados possveis para
um experimento aleatrio.
denotado por .
Pode ser:
- Discreto Finito: formado por um conjunto finito de pontos;
Infinito: conjunto infinito e enumervel de pontos;
- Contnuo formado por um conjunto No Enumervel de
pontos.

3) Um Evento um subconjunto de , associado a um experimento.

denotado por letras maisculas: A, B, E, . . .

4) Um Evento Complementar: denotado por Ac o complementar de A

em relao a , ou seja, Ac A = .
5) Dois eventos A e B so mutuamente exclusivos, ou disjuntos, se
A B = .

Exemplos:
Um dado equilibrado lanado e seu nmero observado.
O espao amostral : = { 1, 2, 3, 4, 5, 6 }.
Sejam
A = O nmero observado menor ou igual a 4, ento, A = { 1, 2, 3, 4 }
B = O nmero observado par, B = { 2, 4, 6 }
C = O nmero observado mpar, C = { 1, 3, 5 }
Ento, temos
A B = { 2, 4 } e A C = { 1, 3 }
B C = B e C so disjuntos
Bc = C, pois B C =

6) Evento elementar
Seja o espao amostral = { 1, 2, ..., N }, em que i, i = 1, 2, ...,
N , so resultados elementares.
Um evento dito elementar se formado por um resultado
elementar, ou seja:

Ai = { i }, i = 1, 2, ..., N.
obs: note que o evento elementar dado por um subconjunto unitrio.
No lanamento de um dado equilibrado:
A1 = { 1 }, A2 = { 2 }, A3 = { 3 }, A4 = { 4 }, A5 = { 5 }, A6 = { 6 } so
eventos elementares.

Assim sendo, temos que: A1 A2 A3 A4 A5 A6 =

6
Ou seja: A i .
i 1

Exemplos:
a) Experimento: numa linha de produo, conta-se o nmero de
peas com defeito, por lote;

A = { 0, 1, 2, . . . , N }, N = tamanho do lote
Eventos:
A1 = todas as peas so boas A1 = { 0 }
A2 = no mximo cinco peas com defeito A2 = { 0, 1, 2, 3, 4, 5 }
 b) Experimento: Numa indstria so contados os itens produzidos at
a ocorrncia de um item defeituoso;

B = { 1, 2, 3, 4, . . . }, ou ainda B = N*, N* = N { 0 }

Eventos:
B1 = o item defeituoso ocorre at a 10 pea produzida
B1 = { 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 }
B2 = so produzidas no mnimo 200 peas antes do item defeituoso
B2 = { X N* | X > 200 }

c) Experimento: Uma lmpada fabricada e, num ensaio, anotado

o tempo (semanas) at que ela se queime;

C = { t R | t 0 }

Eventos:
C1 = a lmpada queima antes de completar 720 horas (4 sem.)
C1 = { t < 4 }
C2 = a lmpada dura pelo menos 1 ano (52 semanas)
C2 = { t R | t 52 }

7) Medida de Probabilidade: Seja um evento A associado a um espao

amostral , ento a probabilidade de ocorrncia de A dada por

medida de A
P A
medida de

As medidas de A e de so bem definidas e estando associadas s

suas dimenses.
7.1) Probabilidade em Espaos Finitos: seja A um evento associado a
um espao amostral finito , ento

nmero de pontos, em , favorveis a A card(A)

P A ,
nmero total de pontos em card()

card(.) = funo cardinalidade = nmero de elementos do conjunto.

PA a probabilidade de ocorrncia do evento A e deve satisfazer:

a) 0 PA 1;
b) P 1;
c) Se A e B so disjuntos, ento, PA B PA PB.

7.2) Probabilidade como frequncia relativa: sejam o evento A

associado a um experimento E. Suponha que E seja repetido n vezes e
seja nA o nmero de ocorrncias de A.
A frequncia relativa de A dada por:
nA
fA , 0 f A 1.
n
Se n for grande, ento f A se aproxima da probabilidade de
ocorrncia de A, ou seja,
lim f A P( A) .
n

7.3) Resultados igualmente provveis: se num espao amostral finito

os eventos elementares tm todos a mesma probabilidade, ento
dizemos que so igualmente provveis.

Seja pi , i = 1, 2, . . . , N, a probabilidade de ocorrncia do i-simo

evento elementar, ento:
 1
p1 p2 pN , N card()
N

obs: nesse caso dizemos que o espao amostral uniforme.

7.3) Propriedades de Probabilidade

i) Se o espao vazio, ento P() = 0 e, consequentemente,

P() = 1;

ii) Se Ac o evento complementar de A, ento P( Ac ) 1 P( A)

iii) Se A e B so eventos quaisquer, ento

P(A B) P(A) P(B) P(A B)

iv) Se A e B so eventos tais que A B, ento

P( A) P(B) ;
A B A P( A B) P( A) ;
A B B P( A B) P(B) .

8) Mtodos de Contagem
i) Permutao: quando temos de permutar n elementos em n
posies diferentes
Pn,n n! n! n(n 1)(n 2) 1, n! o fatorial de n

ii) Arranjo: quando, de um total de n elementos, devemos tomar k

destes elementos e permut-los
n!
A n, k n(n 1)( n 2) (n k 1) .
(n k )!
 iii) Combinao: quando temos de escolher k, dentre n elementos
distintos, sem considerar a ordem

n n! A n, k
Cn, k ; note que Cn, k .

k k ! ( n k )! Pk , k

9) Probabilidade Condicional e Independncia: sejam A e B eventos

quaisquer tais que PA 0 , ento a probabilidade de B
condicionada ao evento A definida por

P (B A )
P (B | A ) .
P( A)

L-se: probabilidade de B dado A.

Nota: os eventos A e B so independentes se: P(B | A) P(B) .

9.1) Regra Multiplicativa das Probabilidades: da probabilidade

condicional podemos escrever a probabilidade conjunta de A e B por
P( A B) P(B | A) P( A)
ou
P( A B) P( A | B) P(B)

E, se A e B forem independentes, ento

P( A B) P( A) P(B) .
 Leis da lgebra de Conjuntos

1a) Leis Idempotentes: A A = A e A A = A.

2a) Leis Associativas:

(A B) C = A (B C) e (A B) C = A (B C).

3a) Leis Comutativas:

(A B) = (B A) e (A B) = (B A).

4a) Leis Distributivas: (A B) C = (A C) (B C) e

(A B) C = (A C) (B C).

5a) Leis de Identidade: A = A e A = A.

A = e A = .

6a) Leis de Complementaridade: A Ac = e A Ac = .

(Ac)c = A, c = e c =.

7a) Leis de Morgan: (A B)c = Bc Ac e (A B)c = Bc Ac.

Exemplos:
I) Considere as informaes da qualidade de um produto pela regio de
procedncia. O produto foi classificado como tipos A e B, sendo o tipo A
de melhor qualidade.
Regio
Qualidade Total
S SE CO
Tipo A 22 118 54 224
Tipo B 23 42 11 76
Total 75 160 65 300

Se um fornecedor sorteado ao acaso para verificao, qual a

probabilidade de que:
a) Seja de qualidade Tipo A?
224
P(A) 0.7467
300
b) Seja procedente da regio S?
75
P(S) 0.25
300
c) Seja de qualidade Tipo B e da regio CO?
11
P(B CO) 0.0367
300
d) Seja da regio S ou de qualidade Tipo A?
75 224 52 247
P(A S) 0.8233
300 300
e) Sabendo que o fornecedor escolhido da regio SE, qual a
probabilidade de que seja de qualidade do Tipo B?
42 / 300 42
P(B | SE) 0.2625
160 / 300 160
f) Se a amostra no de regio S, qual a probabilidade de que seja
de qualidade do Tipo A?
P[( A SE) (A CO)]
P[A | (SE CO)]
P(SE CO)
(118 54) / 300 172
P[A | (SE CO)] 0.7644
(160 65) / 300 225

II) Um aluno responde a um teste de mltipla escolha com quatro

alternativas, sendo uma s correta. A probabilidade de que saiba a
resposta de 30%. Se ele no sabe a resposta, vai chutar.
Definindo: A = o aluno acerta a questo e S = o aluno sabe a resposta.
a) Qual a probabilidade dele acertar a questo?
P(A) = P(acertar sabendo ou acertar chutando)
P(A) = P(acertar sabendo) +P(acertar chutando)
P(A) = P(A | S) P(S) + P(A | Sc) P(Sc)
P(A) = (1.0)(0.3) + (0.25)(0.7) = 0.475

b) Se ele acertou a questo, qual a probabilidade de que ele realmente

saiba a resposta?
P(S A) 0.3
P(S | A) 0.632
P(A) 0.475
** Esse resultado conhecido como teorema de Bayes.
10) Teorema de Bayes

10.1) Partio: os eventos E1, E2, . . ., Ek, so uma partio de se:

i) Ei Ej = , i j, i, j = 1, 2, . . ., k;

ii) E1 E2 . . . Ek =

Seja um evento A ocorrendo sobre a partio de .

A
Assim, podemos escrever A como sendo:
A (A E1) (A E2 ) (A E3 ) (A E4 ) (A E5 )

k
ou ainda: A ( A Ei ) .
i 1

Ento, a probabilidade de ocorrncia de A calculada por:

k k k
P( A) P ( A Ei ) P( A Ei ) P( A | Ei )P(Ei )
i 1 i 1 i 1

O resultado acima conhecido como lei da probabilidade total.

10.2) Teorema de Bayes: considerando a partio de e sabendo que

ocorreu o evento A, a probabilidade de que tenha ocorrido uma parcela
especfica EJ da partio dada por
P (E J A ) P ( A | E J ) P (E J )
P (E J | A ) , J = 1, 2, . . ., k.
P( A) P( A)

Podemos, ainda escrever o resultado acima como:

P ( A | E J ) P (E J )
P (E J | A ) k
, J = 1, 2, . . ., k.
P( A | Ei ) P(Ei )
i 1

Esse resultado se deve ao Revendo Ingls Thomas Bayes num

trabalho seu publicado em 1763, e recebe o seu nome em sua
homenagem.
Os exerccios a seguir so para resolver em sala

III) O Neymar do Santos e o Ronaldo do Corinthians resolveram fazer

uma disputa de pnaltis. O Neymar s acertou 30% dos ltimos pnaltis
cobrados e o Ronaldo 88%. Cada um tem uma nica cobrana e o
Marcos do Palmeiras o goleiro. Qual a probabilidade de que:
a) Ambos acertem as cobranas?
b) S o Ronaldo acerte?
c) Apenas um deles acerte?

IV) Sabe-se que a proporo de gestantes numa populao de 5%.

Um teste de gravidez eficiente em 96% dos casos nos quais a mulher
est grvida (ou seja, se a mulher estiver grvida e fizer o teste, 96% das
vezes o resultado positivo), alm disso, o teste eficiente em 98% dos
casos nos quais a mulher no est grvida.
Uma mulher vai fazer um exame de admisso numa empresa e faz o
referido teste de gravidez.
a) Qual a probabilidade de que o resultado do teste seja positivo?
b) Se o resultado do teste for positivo, qual a probabilidade de que, de
fato ela esteja grvida?
c) O teste da moa deu negativo, sendo a mesma indicada para
contratao. Porm, o seu gerente lhe informa que espera que ela
no fique grvida logo, pois isso poderia prejudicar sua carreira na
empresa. Ela sai um pouco apreensiva e decide fazer umas contas
para se certificar de que est segura. Neste caso, qual a
probabilidade de que ela no esteja grvida?

Definindo-se:
G = mulheres que esto grvidas;
G c = mulheres que no esto grvidas;
T = o resultado do teste positivo;
T = o resultado do teste negativo;
tem-se as probabilidades:
P(G) 0.05
P(G c ) 0.95
P(T | G) 0.96
P(T | G c ) 0.02

a) Porm, deseja-se calcular a probabilidade: P(G | T ) .

Pela regra da probabilidade condicional, dada por

P(G e T ) P(G T )
P(G | T ) .
P(T ) P(T )

Pela regra do produto e pela lei da probabilidade total, encontramos

P(T ) fazendo:

P(T ) P(T e G) P(T e G c )

P(T ) P(T G) P(T G c )
P(T ) P(T | G) P(G) P(T G c ) P(G c )
P(T ) 0.96 0.05 0.02 0.95
P(T ) 0.048 0.019
P(T ) 0.067

A probabilidade de que o resultado de um teste seja positivo 0.067.

b) Sabendo que a garota fez o teste e o resultado foi positivo, qual a

probabilidade de que realmente seja grvida?
Pelo teorema de Bayes, temos:

P(G T )
P(G | T )
P(T )
 P(T | G ) P(G )
P(G | T )
P(T )

0.048
P(G | T ) 0.7164
0.067

c) Qual a probabilidade de o teste sendo negativo a mulher no esteja

grvida?

Deseja-se: P(G c | T ) , mas

P(G c T )
P(T | G c ) P(G c )
P(G | T )
c

P(T ) P(T )

Como: P(T ) P(T | G c ) P(G c ) P(T | G) P(G)

P(T ) 0.98 0.95 0.04 0.05
P(T ) 0.931 0.002
P(T ) 0.933

ento,

P(T | G c ) P(G c )
0.931
P(G | T )
c

0.9979 ,
P(T ) 0.933

portanto, se o teste for negativo a pessoa pode se sentir segura.

 Figura: Regra multiplicativa em diagrama de rvore para o exemplo V.

V) Num processo de produo de placas eletrnicas, o ndice de defeitos

de 1%. Sabendo que as peas so produzidas independentemente
umas das outras:
a) Qual a probabilidade de que a primeira placa com defeito seja
exatamente a quinta a ser produzida?
b) Existe uma norma na empresa que diz que se a primeira placa
defeituosa for produzida antes e que a 11 placa tenha sido produzida,
ento o processo deve ser ajustado. Qual a probabilidade de que o
processo precise ser ajustado?

VI) Um dado lanado 12 vezes. Qual a probabilidade de que a face

4 aparea seis vezes?