Vous êtes sur la page 1sur 35

UNIVERSIDADE ESTADUAL DE CAMPINA GRANDE

CENTRO DE CI

ENCIAS E TECNOLOGIA
DEPARTAMENTO DE ESTAT

ISTICA
PROBABILIDADE I
NOTAS DE AULA
PROF
a
: ANA PATRICIA BASTOS PEIXOTO
CAMPINA GRANDE
PARA

IBA - BRASIL
2011
SUM

ARIO
Pagina
1 AN

ALISE COMBINAT

ORIA 4
1.1 O princpio b asico da contagem . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Notac ao fatorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Permutac ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Combinacoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5 Teorema Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2 INTRODUC

AO
`
A PROBABILIDADE 9
2.1 Considera coes gerais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Conceitos fundamentais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3 Conceitos b asicos na teoria dos conjuntos . . . . . . . . . . . . . . . . . . . 11
2.3.1 Opera cao com conjuntos . . . . . . . . . . . . . . . . . . . . . . . . 11
2.4 Experimentos aleat orios () . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.5 Espaco Amostral () ou (S) . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.6 Eventos (A, B, C,...) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.7 Parti cao de um espa co amostral . . . . . . . . . . . . . . . . . . . . . . . . 18
3 PROBABILIDADE 19
3.1 Conceitos de probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3
3.2 Principais teoremas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.3 Espacos amostrais nitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.4 Espacos amostrais com resultados igualmente provaveis . . . . . . . . . . . 23
4 PROBABILIDADE CONDICIONADA 26
4.1 Probabilidade condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.2 Teorema do produto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.3 Teorema da probabilidade total . . . . . . . . . . . . . . . . . . . . . . . . 30
4.4 Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
5 INDEPEND

ENCIA 33
5.1 Eventos independentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
6 REFER

ENCIAS BIBLIOGR

AFICAS 35
4
1 AN

ALISE COMBINAT

ORIA
1.1 O princpio basico da contagem
O princpio basico da contagem diz que um experimento 1 pode levar a qualquer
um dos m possveis resultados se o outro experimento 2 pode resultar em qualquer um dos
n possveis resultados, ent ao os dois experimentos possuem m n diferentes resultados
possveis.
Exemplo 1: Uma pequena comunidade e composta de por 10 mulheres, cada
uma com tres lhos. Se uma mulher e um de seus lhos devem ser escolhidos como m ae e
lho do ano, quantas escolhas diferentes sao possveis?
Solucao: Supondo a escolha da mulher como o resultado do primeiro experi-
mento, e a subsequente escolha do seu lho como o resultado do segundo experimento,
vemos a partir do princpio b asico que h a 10 3 = 30 escolhas possveis.
Quando h a mais de dois experimentos a serem realizados, pode-se generalizar o
princpio b asico.
Generalizacao do princpio basico da contagem
Se r experimentos s ao tais que o primeiro pode levar a qualquer um de n
1
resultados possveis; e se, para cada um desses n
1
resultados houver n
2
resultados
possveis para o segundo experimento; e se, para cada um dos possveis resultados dos
5
dois primeiros experimentos houver n
3
resultados possveis para o terceiro experimento; e
se..., ent ao havera um total de n
1
, n
2
, ..., n
r
resultados possveis para os r experimentos.
Exemplo 2: Suponhamos que uma placa de carro contenha duas letras distintas,
seguidas por tres dgitos, com o primeiro diferente de zero. Quantas placas podem ser
impressas?
Solucao: A primeira letra pode ser representada de 23 diferentes maneiras, a se-
gunda de 22 maneiras diferentes, o primeiro dgito de 9 maneiras diferentes e cada um dos
outros dois de 10 maneiras. Portanto podem ser impressas 232291010 = 455.400
placas diferentes
Exemplo 3: O gremio de uma faculdade e formado por 3 calouros, 4 estudantes
do segundo ano, 5 estudantes do terceiro ano e 2 formandos. Um subcomite de 4 pessoas,
formado por uma pessoa de cada ano deve ser escolhido. Quantos subcomites diferentes
s ao possveis?
Solucao: Podemos vislumbrar a escolha de um determinado comite como o resul-
tado combinado dos quatros experimentos separados de escolha de um unico representante
de cada uma das classes. Da segue, a partir da versao generalizada do princpio b asico,
que ha 3 4 5 2 = 120 subcomites possveis.
6
1.2 Notacao fatorial
O produto dos inteiros positivos de 1 a n, inclusive aparece frequemente em
matem atica, e por isso, e representado pelo smbolo especial n! (le-se n fatorial)
n! = 1 2 3 ... (n 2) (n 1) n

E conveniente denir tambem 0! = 1


Exemplo: 2! = 2 1 = 2, 3! = 3 2 1 = 6, 4! = 4 3 2 1 = 24
1.3 Permutacao
O n umero de permutac oes de n objetos diferentes e dado por
n
P
n
= P (n, n) = n(n 1) (n 2) ...3 2 1 = n!
Exemplo 1: Quantas permutac oes de tres objetos, a, b e c, existem?
Solucao: P3 = 3! = 3 2 1 = 6 permutac oes, isto e, abc, acb, bac, cab, bca,
cba.
1.4 Combinac oes
Considerem-se, novamente n objetos diferentes. Agora, trataremos da contagem
do n umero de maneiras diferentes de escolher r dentre esses objetos sem considerarmos a
ordem.
_
n
r
_
=
n!
(n r)!r!
7
Exemplo 1: Um comite de tres pessoas deve ser formado a partir de um grupo
de 20 pessoas. Quantos comites diferentes s ao possveis?
Solucao: H a
_
20
3
_
=
201918
321
= 1140 comites possveis.
Exemplo 2: De um grupo de cinco mulheres e sete homens, quantos comites
diferentes formados por 2 mulheres e 3 homens podem ser formados? E se dois dos
homens estiverem brigados e se recusarem a trabalhar juntos?
Solucao: Como h a
_
5
2
_
grupos possveis de duas mulheres e
_
7
3
_
grupos possveis
de tres homens, o princpio basico diz que h a
_
5
2
__
7
3
_
= (
54
21
)
765
321
= 350 comites possveis
formados por duas mulheres e tres homens.
Suponha agora que dois dos homens se recusem a trabalhar juntos. Como um
total de
_
2
2
__
5
1
_
= 5 dos
_
7
3
_
= 35 grupos possveis de homens contem os dois homens
brigados, tem-se 35 5 = 30 grupos n ao contendo ambos os homens brigados. Como
ainda h a
_
5
2
_
maneiras de escolher as duas mulheres h a 30 10 = 300 comites possveis
neste grupo.
1.5 Teorema Binomial
O teorema binomial d a a express ao geral da expansao
(x + y) =
n

k=0
_
n
k
_
x
k
y
nk
8
Observacao: Motivado pela formula
_
n
r
_
e o fato de 0! = 1, denimos:
_
n
0
_
=
n!
0!n!
= 1 e
_
0
0
_
=
0!
0!0!
= 1
Exemplo: Em um congresso cientco existem 15 matematicos e 12 estatsticos. Qual a
probabilidade de se formar uma comissao com 5 membros, na qual gurem 3 matem aticos
e 2 estatsticos?
Solucao: Seja A: comiss ao de 3 matem aticos e 2 estatsticos n =
_
27
5
_
= 80730
9
2 INTRODUC

AO
`
A PROBABILIDADE
2.1 Considerac oes gerais
O estudo da probabilidade, fundamental em estatstica originou-se no seculo XVI,
bem anterior, portanto, ao da Estatstica. Sua origem esta ligada ao estudo dos jogos de
azar propostos pelo Cavalheiro de Mere aos matem aticos franceses Fermat e Pascal. No
entando, somente no seculo XX e que se desenvolveu uma teoria matem atica rigorosa
baseada em axiomas, denicoes e teoremas.
Esses jogos de azar, que implicam em acoes como girar uma roleta, lancar um
dado ou uma moeda, retirar uma carta de um baralho, etc., possuem duas caractersticas:
A primeira e de incerteza de ocorrer determinado acontecimento em determinada
tentativa;
A segunda e a de regularidade ao longo do prazo, que permite prever o n umero de
vezes que ocorrer a determinado acontecimento em uma serie de tentativas conduzidas
de maneira uniforme.
Assim por exemplo, se vamos lancar uma moeda n ao viciada uma unica vez, e
incerto ocorrer a face cara, mas se vamos lancar essa moeda um grande n umero de vezes,
podemos prever que a face cara ocorrer a a metade das vezes.
10
2.2 Conceitos fundamentais
Todas as vezes que estudamos algum fenomeno de observac ao, devemos distinguir
o proprio fen omeno e o modelo matem atico que melhor o explique.
Na formulac ao do modelo matematico mais adequado deve-se levar em consi-
derac ao que certos pormenores sejam despresados com o objetivo de simplicar o modelo.

E evidente que a representatividade deste, dependera que os detalhes desprezados sejam


ou nao importantes para a elucidacao do fen omeno considerado.
A comprovac ao do modelo matem atico escolhido nao pode ser feita antes que
alguns dados de observacao sejam obtidos.

E a partir da comparacao dos resultados
previstos pelo modelo e de um determinado n umero de valores observados, que se ira
concluir sobre a adequac ao do modelo escolhido.
Os modelos matem aticos podem ser de dois tipos: determinsticos ou nao-
determinsticos (probabilsticos ou aleatorios)
Modelo determinstico:

E aquele modelo em que a partir das condic oes em que
o experimento e realizado, pode-se determinar seu resultado.
Modelo nao-determinstico:

E aquele em que as condic oes de execuc ao de um
experimento n ao determinam o resultado nal, mas sim o comportamento proba-
bilstico do resultado observavel.
11
2.3 Conceitos basicos na teoria dos conjuntos
A teoria de conjuntos e um ramo da matem atica extremamente util no estudo
probabilstico de eventos. Isso porque os eventos nada mais s ao do que subconjuntos do
espaco amostral.
Variavel Aleat oria e vari avel descritora de populac oes innitas, a cujos valores
s ao associadas probabilidades de ocorrencia.
Espaco amostral ( ou S) e o conjunto de todos os possveis resultados de um
experimento.
Evento e um subconjunto do espaco amostral que representa um resultado
denido.
Exemplo: Lancamento de um dado n ao viciado. Neste caso o espaco amostral e:
= {1, 2, 3, 4, 5, 6}, A = {1, 2, 3, 4, 5} e B = {2, 3, 4} s ao os eventos.
2.3.1 Operacao com conjuntos
Seja o conjunto universo, e sejam A, B
1. Uni ao: A

B = {W | W A ou W B}
2. Intersecc ao: A

B = {W | W A e W B}
3. Complemento: A
c
= {W | W / A}
4. Diferenca: A

B
c
= A B = {W | W A e W / B}
12
PROPRIEDADES
1. Leis idempotentes
a) A

A = A
b)A

A = A
2. Leis associativas
a)(A

B)

C = A

(B

C)
b)(A

B)

C = A

(B

C)
3. Leis comutativas
a)A

B = B

A
b)A

B = B

A
4. Leis distributivas
a) A

(B

C) = (A

B)

(A

C)
b) A

(B

C) = (A

B)

(A

C)
5. Leis identidade
a)A

= A
b)A

=
6. Leis do complemento
a)A

A
c
=
13
b)A

A
c
=
c)(A
c
)
c
= A
d)
c
= e
c
=
7. Leis de Morgan
i)
_
n

i=1
A
i
_
c
=
n

i=1
A
c
i
ii)
_
n

i=1
A
i
_
c
=
n

i=1
A
c
i
Provando as Leis de Morgan:
O caminho usual para provar a igualdade entre conjuntos e provar que cada um
deles esta contido no outro. Dessa forma temos duas partes a serem vericadas.
Se
i)
_
n

i=1
A
i
_
c
=
n

i=1
A
c
i
temos:
_
n
_
i=1
A
i
_
c

i=1
A
c
i
(1)
e
_
n
_
i=1
A
i
_
c

i=1
A
c
i
(2)
Prova (1): Suponha que W
_
n

i=1
A
i
_
c
. Entao W /
n

i=1
A
i
, e ainda, W / A
i

i
. Dessa
forma W A
c
i

i
, e consequentemente W
n

i=1
A
c
i
.
14
Prova (2): Suponha que W
n

i=1
A
c
i
. Entao W A
c
i

i
, e ainda, W / A
i

i
.
Dessa forma W /
n

i=1
A
i
, e consequentemente W
_
n

i=1
A
i
_
c
.
Agora queremos vericar que se
ii)
_
n

i=1
A
i
_
c
=
n

i=1
A
c
i
temos:
_
n

i=1
A
i
_
c

n
_
i=1
A
c
i
(3)
e
_
n

i=1
A
i
_
c

n
_
i=1
A
c
i
(4)
Prova (3): Suponha que W
_
n

i=1
A
i
_
c
. Entao W /
n

i=1
A
i
, e ainda W /
n

i=1
A
i

i
.
Dessa forma W A
c
i

i
, consequentemente W
n

i=1
A
c
i
.
Prova (4): Suponha que W
n

i=1
A
c
i
. Ent ao W A
c
i

i
, e ainda W / A
i

i
.
Dessa forma W /
n

i=1
A
i

i
e consequentemente W
_
n

i=1
A
i
_
c
.
15
2.4 Experimentos aleat orios ()
Praticamente todos os fen omenos que ocorrem na natureza s ao aleat orios. Por
exemplo, possivelmente mais de uma vez temos participado de uma aposta por meio de
uma moeda. Nesta decis ao na liguagem corrente, dizemos, ganha quem tem mais sorte, na
teoria de probabilidades diremos que se determina aleatoriamente ou ao acaso o ganhador.
De fato, antes de lancar uma moeda n ao podemos armar quem vai ser o ganhador,
(caracterstica de um experimento aleat orio). Sem embargo, se uma moeda for honesta
(perfeitamente equilibrada) ambos tem as mesmas probabilidades de ganhar, em outras
palavras, n ao se favorece a nenhum. Este exemplo nos d a uma ideia de experimento
aleat orio.
Denicao: Chamamos de experimentos aleat orios () aquele que, repetidos em
identicas condic oes, produzem resultados diferentes. S ao caractersticas desses experimen-
tos:
Cada experimento experimento poder a ser repetido sob as mesmas condic oes in-
dendamente;
N ao se conhece um particular valor do experimento a priori, porem podemos
descrever todos os possveis resultados (as possibilidades) do experimento.
Quando o experimento for realizado repetidamente os resultados individuais pare-
cem ocorrer de forma acidental. Contudo se o experimento for repetido um grande
16
n umero de vezes uma congura cao denida ou regularidade surgira.

E esta carac-
terstica de fundamental import ancia para avaliarmos uma probabilidade.
Exemplo 1: Lance um dado e observe o n umero mostrado na face superior.
Solucao: S
1
= {1, 2, 3, 4, 5, 6} espaco amostral discreto nito
Exemplo 2: Jogue uma moeda quatro vezes e observe o n umero de caras obtidas.
Solucao: S
1
= {0, 1, 2, 3, 4} espaco amostral discreto nito
2.5 Espaco Amostral () ou (S)
Denicao: Chamamos espaco amostral () ou (S), associado a um experimento
aleat orio (), ao conjunto formado por todos os resultados possveis desse experimento.
Observacao: Podemos conceber o espaco amostral como um conjunto universal.
Ent ao podemos falar de subconjuntos e elementos.
Exemplo: Um lote contem 5 pecas, das quais 2 sao defeituosas. As pe cas s ao
testadas, uma a uma ate que a segunda peca defeituosa e encontada. Descreva o espaco
amostral.
Algumas considera coes podem ser feitas em relac ao aos espacos amostrais aqui
apresentados.
17
Espacos amostrais discretos: Se tem um n umero nito ou innito numeravel
de elementos.
Espacos amostrais discretos nitos: Se o espa co amostral tem um n umero nito de
elementos.
Espacos amostrais discretos innitos: Quando se pode estabelecer uma cor-
resp ondencia um a um com o conjunto dos n umeros inteiros positivos de modo que
possa ser enumerado como 1, 2, 3, ...
Espacos amostrais contnuos: Se tem um n umero nao enumeravel de elementos, ou
seja, cujos elementos s ao todos os pontos de algum intervalo.
Observa coes:
1. A m de observar um espa co amostral associado a um experimento, devemos ter
uma ideia bastante clara daquilo que estamos mensurando ou observando. Por isso
devemos falar de um espaco amostral associado a um experimento e nao de o
espaco amostral.
2. Observa-se tambem, que o resultado de um experimento nao e, necessariamente, um
n umero. Pode ser uma letra, um vetor, uma func ao, etc.
2.6 Eventos (A, B, C,...)
Denicao: Denomina-se evento a todo conjunto particular de resultados de ,
ou ainda, a todo subconjunto de (relativo a um particular espaco amostral associado
18
a um experimento aleatorio ). Denotaremos um evento por qualquer letra mai uscula do
alfabeto.
Observa coes:
1. Na terminologia de conjuntos, um evento e um subconjunto de um espaco amostral
.
2. Em particular e o s ao eventos, e dito evento certo e o evento impossvel.
3. Qualquer resultado individual pode ser tambem tomando como um evento.
4. Todo evento e composto de pontos amostrais. Os eventos que possuem um unico
ponto amostral ou um unico evento ser ao chamados de eventos elementares.
2.7 Particao de um espaco amostral
Denic ao: Dizemos que os eventos A
1
, A
2
, ..., A
n
formam uma parti cao do espa co
amostral se:
a) A
i
= , i = 1, 2, ..., n
b) A
i

A
j
= para todo i = j
c)
n

i=1
A
i
=
19
3 PROBABILIDADE
3.1 Conceitos de probabilidade
Como a teoria das probabilidades esta historicamente ligada aos jogos de azar,
esta associacao gerou inicialmente um conceito chamado cl assico ou probabilidade
A Priori devido a Laplace. O conceito de frequencia relativa como estimativa de
probabilidade ou probabilidade A Posteriori surgiu posteriormente atraves de Richard
Von Mises. Ja no seculo XX, como a conceituac ao, ate ent ao existente n ao era apropriada
a um trabalho matem atico mais rigoroso, Kolmogoro conceituou probabilidade atraves
de axiomas rigorosos tendo por base a teoria da medida.
a) Conceito classico ou A Priori : Se um evento pode ocorrer de r maneiras
diferentes, em um total de n maneiras possveis (todas igualmente provaveis) ent ao a
probabilidade do evento e
P =
r
n
b) Conceito frequentista ou A Posteriori : Se apos n repetic oes de um exper-
imento (n sucientemente grande) se observar r ocorrencias de um determinado evento
ent ao a probabilidade e chamada de probabilidade emprica. ntao a probabilidade do
evento e
P =
r
n
20
c) Conceito moderno ou axiomatico
Denicao: Seja um experimento aleat orio. Seja um espa co amostral as-
sociado a . A cada evento A associaremos um n umero real representado por P(A) e
denominado probabilidade de A, que satisfaca as seguintes condicoes ou axiomas.
1. 0 P(A) 1
2. P() = 1
3. Se A e B forem eventos mutuamente exclusivos, ou seja, A

B = 0, ent ao:
P (A

B) = P (A) + P (B)
4. Se A
1
, A
2
, ..., A
n
, forem dois a dois eventos mutuamente exclusivos, entao
P
_
n
_
i=1
A
i
_
= P (A
1
) + P (A
2
) + ... + P (A
n
)
Observe que a condi cao 3, decorre imediatamente que para qualquer n nito
P
_
n
_
i=1
A
i
_
=
n

i=1
P (A
i
)
3.2 Principais teoremas
Teoremas:
1. Se e o conjunto vazio, ent ao P() = 0.
Prova: Sejam A e dois eventos mutuamente exclusivos (A

= 0). Por
denic ao temos que:
P (A) = P (A

)
21
P (A) = P (A) + P ()
Logo, P() = 0
Observacao: A recproca do teorema nao e verdadeira. Isto e, se P(A) = 0, n ao
podemos, em geral, concluir que A = , porque existem situacoes nas quais atribuimos
probabilidade zero a um evento que pode ocorrer.
2. Se A
c
e o complemento de A, ent ao P(A
c
) = 1 P(A)
Prova: Como A e A
c
s ao eventos mutuamente exclusivos, temos que:
P () = P (A

A
c
)
P () = P (A) + P (A
c
)
1 = P (A) + P (A
c
)
Logo, P (A
c
) = 1 P (A)
Observacao: Este resultado e util quando desejamos avaliar P(A), podemos cal-
cular P(A
c
) e, depois, obtermos o resultado desejado por subtrac ao. As vezes resulta
mais facil calcular P(A
c
) do que P(A).
3. Se A B ent ao P(A) P(B)
Prova:
B = A

(A
c

B)
P(B) = P(A) + P(A
c

B)
Se P(A
c

B) 0
22
P(B) P(A) 0
P(B) P(A)
4. (Teorema da soma) Se A e B s ao eventos quaisquer ent ao
P(A
_
B) = P(A) + P(B) P(A

B)
5: Se A, B e C forem tres eventos quaisquer ent ao,
P(A
_
B
_
C) = P(A)+P(B)+P(C)P(A

B)P(A

C)P(B

C)+P(A

C)
3.3 Espacos amostrais nitos
Seja um espa co amostral nito = {a
1
, a
2
, ..., a
n
}. A m de caracterizar P(A)
para este modelo, devemos inicialmente considerar o evento formado por um resultado
simples ou elementar A = {a
i
}. A cada evento simples {a
i
}, associaremos um n umero p
i
,
denominado probabilidade de {a
i
} satisfazendo as seguintes condi coes:
a) p
i
0, i = 1, 2, ..., n
b) p
1
+ p
2
+ ... + p
n
= 1
A probabilidade de P(A) de cada evento composto (mais de um evento) e ent ao
denida como a soma das probabilidades dos pontos amostrais de A.
Exemplo: B = {a
1
, a
2
} P(B) = p
1
+ p
2
23
3.4 Espacos amostrais com resultados igualmente provaveis
Em muitos experimentos e natural supor que todos os resultados presentes no
espaco amostral sejam igualmente provaveis. Por exemplo, considere um experimento
cujo espa co amostral e um conjunto nito, digamos, = 1, 2, ..., n. Nesse caso, e muitas
vezes natural supor que
P ({1}) = P ({2}) = ... = P ({n})
O que implica que
P ({i}) =
1
n
, i = 1, 2, ..., n
Dessa equac ao resulta que para cada evento A
P(A) =
numero de resultados de A
numero de resultados de
Colocando em palavras, se supormos que todos os resultados de um experimento
s ao igualmente provaveis, entao a probabilidade de qualquer evento A e igual a proporc ao
de resultados no espaco amostral que est ao contidos em A. Ou seja,
A = a
1
, a
2
, ..., a
n
P(A) = p
1
+ p
2
+ ... + p
n
P(A) = P(1) + P(2) + ... + P(n)
P(A) =
1
n
+
1
n
+ ... +
1
n
P(A) = r
1
n
24
Exemplo 1. Um dado e lancado e todos os resultados se supoem igualmente prov aveis.
O evento A ocorre se, e somente se, um n umero maior do que 4 aparecer. Qual e a
probabilidade de A ocorrer ?
Solucao: Primeiramete devemos encontrar o evento A, isto e, A = {5, 6}.
Consequentemente P(A) =
1
6
+
1
6
=
2
6
Exemplo 2. Se dois dados s ao lancados, qual e a probabilidade de que a soma
das faces de cima seja igual a 7 ?
Solucao: Vamos resolver este problema supondo que todos os 36 possveis
resultados sejam igualmente prov aveis. Como h a 6 resultados possveis, isto e,
(1, 6), (2, 5), (3, 4), (4, 3), (5, 2) e (6, 1) que resulta na soma dos dados ser igual a 7 a
probabilidade desejada e
6
36
=
1
6
Exemplo 3. Se tres bolas s ao retiradas aleatoriamente de um recipiente con-
tendo 6 bolas brancas e 5 bolas pretas, qual e a probabilidade de que uma das bolas
sejam brancas e as outras duas sejam pretas ?
Solucao: Se considerarmos a ordem de selec ao das bolas como sendo relevante,
ent ao o espa co amostral e formado por 11 10 9 = 990 resultados. Alem disso, existem
654 = 120 das quais a primeira bola e branca e as outras duas s ao pretas; 564 = 120
resultados nos quais a primeira bola e preta, a segunda e branca e a terceira e preta; e
5 4 6 = 120 resultados nos quais as duas primeiras bolas sao pretas, e a terceira e
branca. Portando, supondo que retiradas aleatoriamente signica que cada evento do
25
espaco amostral seja igualmente provavel, vemos que a probabilidade desejada seja igual
a,
120 + 120 + 120
990
=
4
11
Este problema tambem poderia ter sido resolvido considerando-se o resultado do
experimento como sendo o conjunto desordenado de bolas retiradas. Por esse ponto de
vista existem
_
11
3
_
= 165 resultados no espaco amostral. Nesse caso cada conjunto de 3 bo-
las correponde a n! resultados quando a ordem de selecao e levada em considera cao. Como
consequencia, se for considerado que todos os resultados s ao igualmente provaveis quando
a ordem da selec ao e importante, tem-se que estes continuam igualmente provaveis quando
o resultado considerado e um conjunto desordenado de bolas selecionadas. Dessa forma,
usando esta ultima representac ao do experimento vemos que a probabilidade desejada e
_
6
1
__
5
2
_
_
11
3
_
=
4
11
o que, naturalmente concorda com a resposta obtida previamente.
Exemplo 4. Um comite de 5 pessoas deve ser selecionado de um grupo de 6
homens e 9 mulheres. Se a selec ao for feita aleatoriamente, qual e a probabilidade de que
o comite seja formado por 3 homens e 2 mulheres ?
Solucao: Cada um dos
_
15
5
_
comites possveis tem a mesma probabilidade de ser
selecionado, a probabilidade desejada e,
_
6
3
__
9
2
_
_
15
5
_
=
240
1001
26
4 PROBABILIDADE CONDICIONADA
4.1 Probabilidade condicional
Seja um espa co amostral e consideremos dois eventos A e B. Com o smbolo
P (A|B) indicamos a probabilidade do evento A, dado que o evento B ocorreu, isto e,
P (A|B) e a probabilidade condicionada do evento A uma vez que ocorreu B. Quando
calculamos P (A|B) tudo se passa como B se fosse o novo espaco amostral reduzido
dentro do qual queremos calcular a probabilidade do evento A.
Exemplo 1: Seja o experimento lancamento de um dado e observac ao da face de
cima. Sejam os eventos A = {ocorrencia de face mpar} e B = {ocorrencia de faces
maiores ou igual a 2}. Calcular a probabilidade de A ocorrer sabendo-se que B j a ocorreu.
Solucao: Como = {1, 2, 3, 4, 5, 6}, A = {1, 3, 5} e B = {2, 3, 4, 5, 6}. Logo a
P (A|B) =
2
5
.
Outra maneira de calcular a probabilidade condicional de P (A|B) e dada por
P (A|B) =
P(A

B)
P(B)
Para denirmos formalmente P (A|B), vamos recorrer ao conceito de frequencia
relativa.
Se um experimento aleatorio for repetido n vezes, sejam n
A
, n
B
e n
(A

B)
o
n umero de vezes que ocorrem os eventos A, B e A

B respectivamente. Qual e o signicado


de
n
A

B
n
B
?

E a frequencia relativa de A naqueles resultados que B ocorreu, isto e, frequencia
27
relativa de A condicionada a ocorrencia de B. Assim podemos escrever
n
A

B
n
B
=
n
A

B/n
n
B
/n
=
fA

B
fB
em que s ao as frequencias relativas da ocorrencia de A

B e B respectivamente. Quando
n e grande fA

B e proximo de P(A

B) e fB e proximo de P(B). Isto sugere a seguinte


denic ao.
Denicao: Dados dois eventos A e B, denotaremos P (A|B) a probabilidade do
evento A quando B estiver ocorrido por:
P (A|B) =
P(A

B)
P(B)
em que P(B) > 0
Pode-se constatar que P (A|B), assim denida, satisfaz os postulados de proba-
bilidade ja mensionado.
1) 0 P (A|B) 1
2) P (|B) = 1
3) P (A
1

A
2
|B) = P (A
1
|B) + P (A
2
|B) se A
1

A
2
=
Em resumo, temos dois modos de calcular P (A|B).
1. Considerando que a probabilidade do evento A ser a calculada em relac ao ao espaco
amostral reduzido B.
2. Empregando a deni cao acima, onde P (A|B) e P(B) s ao calculados em relac ao ao
espaco amostral original .
28
Exemplo. Numa certa cidade, 40% da popula cao tem cabelos castanhos, 25%
tem olhos castanhos e 15% tem cabelos e olhos castanhos. Uma pessoa da cidade e
selecionada aleatoriamente.
a) Se ela tem cabelos, qual e a probabilidade de ter tambem olhos castanhos?
b) Se ela tem olhos castanhos, qual e a probabilidade de n ao ter cabelos castanhos?
c) Qual e a probabilidade de nao ter nem cabelos nem olhos castanhos?
Solucao:
4.2 Teorema do produto
Uma consequencia importante da deni cao formal de probabilidade condicional e
a seguinte:
P (A|B) =
P (A

B)
P (B)
P
_
A

B
_
= P (B) P (A|B)
ou
P (B|A) =
P (A

B)
P (A)
P
_
A

B
_
= P (A) P (B|A)
isto e, a probabilidade de ocorrencia de dois eventos P (A

B) e o produto das probabili-


dades de um deles pela probabilidade condicionada do outro, dado o primeiro.
Este teorema pode ser generalizado para mais de dois eventos, da seguinte maneira:
P
_
A
1

A
2

...

A
n
_
= P (A
1
) P (A
2
|A
1
) P
_
A
3
|A
1

A
2
_
...P
_
A
n
|A
1

A
2

...A
n1
_
29
Exemplo 1. Em um lote de 12 pecas, 4 sao defeituosas, 2 pecas s ao retiradas
uma apos a outra sem reposic ao. Qual e a probabilidade de que ambas as pecas sejam
boas?
Solucao: Sejam os eventos:
A={a primeira peca e boa}
B={a segunda peca e boa}
A probabilidade que ambas sejam boas e:
P
_
A

B
_
= P (A) P (B|A) =
8
12

7
11
=
56
132
=
14
33
Exemplo 2. Em um lote de 12 pecas, 4 sao defeituosas, 3 pecas sao retiradas uma apos
a outra sem reposic ao. Qual e a probabilidade de que todas pecas sejam boas?
Solucao: Sejam os eventos:
A={a primeira peca e boa}
B={a segunda peca e boa}
C={a terceira peca e boa}
A probabilidade que ambas sejam boas e:
P
_
A

C
_
= P (A) P (B|A) P
_
C|A

B
_
=
8
12

7
11

6
10
=
336
1320
=
14
55
30
4.3 Teorema da probabilidade total
Sejam A
1
, A
2
, ..., A
n
eventos que formam uma parti cao do espaco amostral. Seja
B um evento desse espaco. Entao,
P (B) = P (A
1
) P (B|A
1
) + P (A
2
) P (B|A
2
) + ... + P (A
n
) P (B|A
n
)
ou
P (B) =
n

i=1
P (A
i
) P (B|A
i
)
Demonstracao:
Os eventos (B

A
i
) e (B

A
j
), para i = j, i = 1, 2, ..., n e j = 1, 2, ..., n s ao
mutuamente exclusivos, pois
(B

A
i
)

(B

A
j
) = B

(A
i

A
j
) = B

=
O evento B ocorre como segue:
B = (B

A
1
)
_
(B

A
2
)
_
...
_
(B

A
n
)
Ent ao,
P(B) = P(B

A
1
)
_
P(B

A
2
)
_
...
_
P(B

A
n
)
e usando o teorema do produto temos,
P(B) = P(A
1
)P(B|A
1
) + P(A
2
)P(B|A
2
) + ... + P(A
n
)P(B|A
n
)
Observacao:
Este resultado e util, porque frequentemente, quando P(B) e pedida, pode ser
difcil calcula-la diretamente. No entanto, com a inofrmac ao adicional de que A
i
tenha
31
ocorrido, seremos capazes de calcular P(B|A
n
).
Exemplo 1. Uma urna contem 3 bolas brancas e 2 amarelas. Uma segunda urna
contem 4 bolas brancas e 2 amarelas. Escolhe-se ao acaso uma urna e dela tambem
retira-se uma bola. Qual e a probabilidade de que ela seja branca?
Exemplo 2. Uma determinada pe ca e manufaturada por tres f abricas, digamos 1,
2 e 3. Sabe-se que 1 produz o dobro de pecas que 2 e, 2 e 3 produzem o mesmo n umero
de pecas. Sabe-se tambem que 2 por cento das pecas produzidas por 1 e por 2 s ao
defeituosas, enquato 4 por cento daquelas produzidas por 3 sao defeituosas. Todas as
pecas produzidas s ao colocadas em um deposito e depois uma pecas e escolhida ao acaso.
Qual e a probabilidade de que ela seja defeituosa?
Exemplo 3. A urna I tem 2 bolas vermelhas e 3 brancas, a urna II tem 3 bolas
vermelhas e 1 branca. Outra urna III tem 4 bolas vermelhas e duas brancas. Um urna e
escolhida ao acaso e dela e extrada uma bola. Qual e a probabilidade da bola escolhida
ser vermelha?
4.4 Teorema de Bayes
A probabilidade condicionada de A
i
dado B e denida como
P (A
i
|B) =
P(A
i

B)
P(B)
32
Nesta equa cao, usaremos o Teorema da probabilidade total para substituir P(B)
e o teorema do produto para substituir P(A
i

B), obtendo assim o seguinte resultado.


Suponha A
1
, A
2
, ..., A
n
ser uma partic ao do espaco amostral de e B um evento
qualquer. Ent ao para qualquer i temos
P (A
i
|B) =
P(A
i
)P(B|A
i
)
P(A
1
)P(B|A
1
) + P(A
2
)P(B|A
2
) + ... + P(A
n
)P(B|A
n
)
Este resultado e muito importante pois, como vimos, relaciona probabilidades a priori
P(A
i
) com probabiliades a posteriori P(B|A
i
).
Exemplo 1. A urna A contem 3 chas vermelhas e 2 azuis, e a urna B contem 2
vermelhas e 8 azuis. Joga-se uma moeda honesta. Se a moeda der cara extra-se uma
cha da urna A, se der coroa extrai-se uma urna da B. Uma cha vermelha e extr aida.
Qual a probabilidade de ter sada cara no lan camento?
33
5 INDEPEND

ENCIA
5.1 Eventos independentes
Dados dois eventos A e B de um espaco amostral , diremos que A independe
de B se P(A|B) = P(A), isto e, A independe de B se a ocorrencia de B n ao afeta a
probabilidade de A.
Observamos que se A independe de B (P(A) > 0), ent ao B independe de A pois,
P(B|A) =
P(A

B)
P(A)
=
P(B)P(A|B)
P(A)
=
P(B)P(A)
P(A)
= P(B)
Em resumo, se A independe de B, entao B independe de A e alem disso
P(A

B) = P(A)P(B|A) = P(A)P(B)
Isto sugere a seguinte denic ao
Denicao 1: A e B s ao eventos independentes se, e somente se,
P(A

B) = P(A)P(B)
caso contr ario, eles sao chamados eventos dependentes.
34
Esta denic ao pode ser estendinda em mais de dois eventos como segue.
Denicao 2: Diremos que os tres eventos A, B e C s ao mutuamente indepen-
dentes, se todas as condic oes forem v alidas
P(A

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

C) = P(A)P(C)
P(B

C) = P(B)P(C)
P(A

C) = P(A)P(B)P(C)
Exemplo 1: Sejam os eventos A e B, como P(A) =
1
4
, P(A

B) =
1
3
e P(B) = p.
Calcular p considerando A e B
a) mutuamente exclusivos
b) independentes
35
6 REFER

ENCIAS BIBLIOGR

AFICAS
References
[1] BUSSAB, W. O. & MORETIN, P. A. Estatstica B asica. 5
a
Edic ao, Editora Saraiva,
S ao Paulo, 2004.
[2] MEYER, P. L. Probabilidade: Aplicacoes ` a Estatstica. 2
a
Edic ao, Editora LTC, Rio
de Janeiro, 1983.
[3] MORETTIN, L. G. Estatstica B asica - Volume 1- Probabilidade. 7
a
Edic ao S ao
Paulo: Pearson Makron Books, 1999.
[4] MAGALH

AES, M. N., DE LIMA, A. C. P. No coes de Probabilidade e estatstica. S ao


Paulo: EDUSP, 2005.
[5] ROSS, S. Probabilidade: um curso moderno com aplicac oes. 8
a
Edic ao. Porto Alegre:
Bookman, 2010

Vous aimerez peut-être aussi