Apostila Probabilidade IME 2016-2-1a Parte Definitiva 2

1 Teoria dos conjuntos
1.1 Definio
O conceito de conjunto fundamental no somente no estudo da probabilidade e

da estatstica, como para a matemtica em geral.
Um conjunto pode ser considerado como uma coleo de objetos, chamados

membros ou elementos do conjunto.
Em geral, denota-se um conjunto por uma letra maiscula (A, B, C,...) e um

elemento do conjunto por uma letra minscula (a, b, c,...).
A relao entre um conjunto e seus elementos feita atravs da pertinncia.
Um conjunto pode ser definido relacionando-se todos os seus elementos, ou,

quando isto no for possvel, indicando uma propriedade que seja vlida para todos os
elementos do conjunto, e somente para eles. O primeiro mtodo chama-se mtodo da
listagem, o segundo, mtodo da propriedade.
1.2 Subconjuntos
Se todo elemento de um conjunto A tambm elemento de um conjunto B,

dizemos que A subconjunto de B, e escrevemos A B ou B A e lemos A est
contido em B, ou B contm A. Ou seja: x, x A x B
1.3 Conjunto Universo - U
Em muitos casos restringimos nosso estudo a subconjuntos de um determinado

conjunto chamado conjunto universo. Tambm conhecido como conjunto fundamental o
conjunto de todos os elementos que estejam sendo estudados em uma determinada
situao de interesse. tambm designado por espao. Representamo-lo pela letra U. Os
elementos de um conjunto espao costumam chamarem-se pontos do espao.
1.4 Conjunto vazio ()
o conjunto desprovido de elementos, denotado por . O conjunto vazio

subconjunto de qualquer conjunto.
1.5 Operaes com conjuntos
a) Unio o conjunto de todos os elementos que pertencem a A, ou a B, ou a ambos,

chamado unio de A e B; denota-se por A B , onde AB = { x | x A ou x B}
U
A
B
Apostila de Probabilidade Cap QCO GILBERT QUEIROZ DOS SANTOS IME/2016 1

b) Interseo o conjunto dos elementos que pertencem a A e a B chamado de
interseo de A e B. Denota-se por A B , onde AB = {x | x A e x B}
A AB B
Obs1: dois conjuntos A e B tais que A B = , isto , cuja interseo vazia, chamam-
se conjuntos disjuntos.
A B
Obs2:
a) Sejam A1, A2, ..., An, n conjuntos definidos a partir do conjunto fundamental U. A
unio dos n conjuntos expressa por:
n
U Ai = A1 A2 ... An
i =1
E ser formada por todos os elementos que pertenam a pelo menos um dos conjuntos
Ai, i = 1, 2, ...n.
b) A interseo dos n conjuntos expressa por

n
Ai = A1 A2 ... An
i =1
E ser formada por todos os elementos que pertenam a todos os conjuntos Ai, i = 1, 2,
..., n.
c) Se A1, A2, ..., An so disjuntos dois a dois e se unio entre eles igual ao conjunto
fundamental U, ou seja
Ai A j = 0 , i j
n
UA i = A1 A2 ... An = U
i =1
c) Diferena o conjunto formado pelo elementos de A que no pertencem a B

chamado diferena de A e B; denota-se por A B = A Bc , onde A B = {x | x A e x
B}
U
A B

OBS: B - A = B Ac
d) Complemento se A B ento B A o complementar de B em relao a A; denota-

se por C BA e B - A = Ac. Se B = U, o conjunto universo, referimo-nos U - A como
complementar de A; denotamo-lo por A ou A , onde A = U A . Ento:
B A = {x | x B e x A} A = U A = { x| x e x A}
U U
B
A
A
12) Diferena simtrica: A B

dado pelos elementos que pertencem exclusivamente a A ou a B, ou seja
A B = (A Bc) (Ac B) = (A - B) (B - A)
1.6 Leis da lgebra dos Conjuntos
Lei Idempotentes
A A = A A A = A
Lei Associativa
( A B ) C = A (B C ) ( A B ) C = A (B C )
Lei Comutativa
A B = B A A B = B A
Lei Distributiva
A (B C ) = ( A B ) ( A C ) A (B C ) = ( A B ) ( A C )
Lei de Identidade
A = A A =
AU = U AU = A
Lei de Complementao
A A' = U A A' =
( A')' = A S = , = S
Leis de De Morgan
( A B )' = A' B' ( A B )' = A' B'
Obs: A = ( A B ) ( A B c )
1.7 Nmero de elementos de um conjunto
Dado um conjunto finito A, representa-se o seu nmero de elementos por n[A]. Por
exemplo: seja A = { a, b, c, d, e }. Ento, n[A] = 5.
Sejam dois conjuntos A e B disjuntos, isto A B = , ento o nmero de elementos da

unio A B igual soma dos nmeros de elementos dos dois conjuntos, ou seja:
n[A B] = n[A] + n[B]

Por outro lado, se A e B no so disjuntos, isto , se A B , ento o nmero de
elementos da unio A B igual soma dos nmeros de elementos dos dois conjuntos,
menos o nmero de elementos da interseo, ou seja:
n[A B] = n[A] + n[B] n[A B]
Exemplo: seja A = {a, b, c, d, e} e B = {c, d, e, f, g, h, i}; vamos determinar n[ A B] e

n[A B] e verificar a relao n[A B] = n[A] + n[B] n[A B].
Ento, de A temos n[A] = 5 e de B temos n[B] = 7.

A B = {a, b, c, d, e, f, g, h, i}, logo n[A B] = 9
A B e A B = {c, d, e}, logo n[A B] = 3
Considerando que A B = (A B) (A B) (B A), temos:
(A B) = {a, b }
(B A) = { f, g, h, i}
Ento,
n(A B) = n(A B) + n(A B)+n(B A) = 2 + 3 + 4 = 9.
Usando n[A B] = n[A] + n[B] n[A B], temos n[A B] = 5 + 7 3 = 9.
Princpio da Multiplicao: Dados dois conjuntos A e B, temos que n(A x B) = n(A) . n(B)
Exemplo usando o R
Seja U = {1, 2, 3, 4, 5, 6, 7, 8}
Vamos criar os subconjuntos de U:
U=c(1, 2, 3, 4, 5, 6, 7, 8)
A=subset(U, U>=2 & U<=3)
>A
[1] 2 3
B=subset(U, U>=3 & U<=5)
>B
[1] 3 4 5
Vamos montar o Diagrama de Venn:
install.packages("VennDiagram") # para instalar o pacote

library(VennDiagram) # para chamar o pacote
venn.diagram(list(A = A, B = B), filename = "teste1.tiff", main="Diagrama de Venn") # este

comando cria o diagrama, que colocado no diretrio Documentos
O diagrama fica assim:

1.8 Conjunto de Partes
Dado um conjunto A, dizemos que o seu conjunto de partes, representado por P (A), o
conjunto formado por todos os subconjuntos do conjunto A.
Vamos observar, com o exemplo a seguir, o procedimento que se deve adotar para a
determinao do conjunto de partes de um dado conjunto A. Seja o conjunto A = {2, 3, 5}.
Para obtermos o conjunto de partes do conjunto A, basta escrevermos todos os seus
subconjuntos:
1o) Subconjunto vazio: , pois o conjunto vazio subconjunto de qualquer conjunto.
2o) Subconjuntos com um elemento: {2}, {3}, {5}.
3o) Subconjuntos com dois elementos: {2, 3}, {2, 5} e {3, 5}.
4o) Subconjuntos com trs elementos:A = {2, 3, 5}, pois todo conjunto subconjunto dele
mesmo.
Assim, o conjunto das partes do conjunto A pode ser apresentado da seguinte forma: P(A)
= {, {2}, {3}, {5}, {2, 3}, {2, 5}, {3, 5}, {2, 3, 5}}
Podemos determinar o nmero de elementos do conjunto de partes de um conjunto A

dado, ou seja, o nmero de subconjuntos do referido conjunto, sem que haja necessidade
de escrevermos todos os elementos do conjunto P (A). Para isso, basta partirmos da idia
de que cada elemento do conjunto A tem duas opes na formao dos subconjuntos: ou
o elemento pertence ao subconjunto ou ele no pertence ao subconjunto e, pelo uso do
princpio multiplicativo das regras de contagem, se cada elemento apresenta duas
opes, teremos:
n[ P( A)] = 2 n[ A]
Observemos o exemplo anterior: o conjunto A = {2, 3, 5} apresenta trs elementos e,
portanto, de se supor, pelo uso da relao apresentada, que n [P (A)] = 23 = 8, o que de
fato ocorreu.
2 Anlise Combinatria
Anlise Combinatria um conjunto de procedimentos que possibilita a construo de

grupos diferentes formados por um nmero finito de elementos de um conjunto sob certas
circunstncias.
Na maior parte das vezes, tomaremos conjuntos C com m elementos e os grupos
formados com elementos de C tero p elementos, isto , p ser o tamanho do
agrupamento, com p<m.
Arranjos, Permutaes ou Combinaes, so os trs tipos principais de agrupamentos,
sendo que eles podem ser simples, com repetio ou circulares. Apresentaremos alguns
detalhes de tais agrupamentos.
Observao: comum encontrarmos na literatura termos como: arranjar, combinar ou
permutar, mas todo o cuidado pouco com os mesmos, que s vezes so utilizados em
concursos em uma forma dbia!
Um dos princpios fundamentais da anlise combinatria o Princpio Fundamental da
Contagem que se baseia no fato de que se tivermos k etapas de ocorrncia de um
determinado acontecimento, onde na 1 etapa temos n1 possibilidade, na 2 etapa temos
n2 possibilidades, ..., e na k-sima etapa temos nk possibilidades, ento o acontecimento
ocorrer de n1 x n2 x ...x nk possibilidades.

2.1 Fatorial
Para todo nmero inteiro n, sendo n 2, definimos:
n! = n(n-1)1
que se l fatorial de n ou n fatorial.
Exemplo:
6! = 6 . 5 . 4. 3. 2. 1 = 720
Para n = 1 e n = 0, temos:
1! = 1 0! = 1
Casos especiais:
(n+1)! = (n+ 1) . n!
2.2 Permutaes
Quando formamos agrupamentos com m elementos, de forma que os m elementos sejam

distintos entre si pela ordem. As permutaes podem ser simples, com repetio ou
circulares.
2.2.1 Permutao simples: So agrupamentos com todos os m elementos distintos.
Frmula: Ps(m) = m(m-1)(m-2)...3 . 2 . 1 = m!.
Clculo para o exemplo: Ps(3) = 3!=6.
Exemplo: Seja C={a,b,c} e m=3. As permutaes simples desses 3 elementos so 6
agrupamentos que no podem ter a repetio de qualquer elemento em cada grupo mas
podem aparecer na ordem trocada. Todos os agrupamentos esto no conjunto:
Ps={abc, acb, bac, bca, cab, cba}
Casos especiais:
Quando m = 0 e m = 1, temos
Ps(0) = 0! = 1 Ps(1) = 1! = 1
Computacionalmente, usando o R, temos:
x<-c("A", "B", "C"} # vetor com as letras A, B e C
res<-permutations(n=3,r=3,v=x) # comando no R
res
[,1] [,2] [,3]
[1,] "A" "B" "C" [4,] "B" "C" "A"
[2,] "A" "C" "B" [5,] "C" "A" "B"
[3,] "B" "A" "C" [6,] "C" "B" "A"

2.2.2 Permutao com elementos repetidos: Dentre os m elementos do conjunto
C={x1,x2,x3,...,xn}, faremos a suposio que existem m1 iguais a x1, m2 iguais a x2, m3
iguais a x3, ... , mn iguais a xn, de modo que m1+m2+m3+...+mn=m.
Frmula: Se m=m1+m2+m3+...+mn, ento
m m m1 m (m1 + ... + mn ) m!
Pr (m) = Cmm1 Cmm2 m1 ...Cmmn ( m1 + m2 +...+ mn ) = ... =
m1 m2 mn m1!m2!...mn!
Anagrama: Um anagrama uma (outra) palavra construda com as mesmas letras da

palavra original trocadas de posio.
Clculo para o exemplo: m1=4, m2=2, m3=1, m4=1 e m=6, logo:
Pr(6)=C(6,4).C(6-4,2).C(6-4-1,1)=C(6,4).C(2,2).C(1,1)=15.
Exemplo: Quantos anagramas podemos formar com as 6 letras da palavra ARARAT. A
letra A ocorre 3 vezes, a letra R ocorre 2 vezes e a letra T ocorre 1 vez. As permutaes
com repetio desses 3 elementos do conjunto C={A,R,T} em agrupamentos de 6
elementos so 60 grupos que contm a repetio de todos os elementos de C
aparecendo tambm na ordem trocada, uma vez que:
6! 6.5.4.3!
Pr (6) = = = 60
3!2!1! 2.3!
2.2.3 Permutao circular: Situao que ocorre quando temos que colocar m elementos
distintos em m lugares equiespaados em torno de um crculo.
n!
Frmula: Pc (m) = = (n 1)!
n
Clculo para o exemplo: P(4)=3!=6
Exemplo: Seja um conjunto com 4 pessoas K={a,b,c,d}. De quantos modos distintos
estas pessoas podero sentar-se junto a uma mesa circular (pode ser retangular) para
realizar o jantar sem que haja repetio das posies?
Se considerssemos todas as permutaes simples possveis com estas 4 pessoas,
teramos 24 grupos, apresentados no conjunto:
Pc={ABCD,ABDC,ACBD,ACDB,ADBC,ADCB,BACD,BADC,
BCAD,BCDA,BDAC,BDCA,CABD,CADB,CBAD,CBDA,
CDAB,CDBA, DABC,DACB,DBAC,DBCA,DCAB,DCBA}
Acontece que junto a uma mesa "circular" temos que:
ABCD=BCDA=CDAB=DABC
ABDC=BDCA=DCAB=CABD
ACBD=CBDA=BDAC=DACB
ACDB=CDBA=DBAC=BACD
ADBC=DBCA=BCAD=CADB
ADCB=DCBA=CBAD=BADC

Existem somente 6 grupos distintos, dados por:
Pc={ABCD,ABDC,ACBD,ACDB,ADBC,ADCB}
2.2.4 Permutaes Caticas
Uma permutao de m elementos de um conjunto dita catica (ou desordenada) quando

nenhum elemento de C est no seu lugar primitivo.
Por exemplo, as permutaes 2143 e 3142 so caticas, mas 1342 no , porque 1 est
no seu lugar primitivo.
O nmero de permutaes caticas dado por:
1 1 1 (1) m
D(m) = m!1 + + ... +
1! 2! 3! m!
Por exemplo:
1 1 1 1 4! 4!
D(4) = 4!1 + + = 4!4!+ + 1 = (4.3) 4 + 1 = 9
1! 2! 3! 4! 2! 3!
Sendo C={a, b, c, d} , as permutaes caticas so:

{(b, a, d, c) (c, a, d, b) (d, a, b, c) (c, d, a, b) (b, d, a, c) (b, c, d, a) (d, c, a, b) (c, d, b, a)
(d, c, b, a)}
2.3 Arranjos
So agrupamentos formados com p elementos, extrados de um conjunto com m

elementos distintos, sendo p<m, de forma que os p elementos sejam distintos entre si
pela ordem ou pela espcie. Os arranjos podem ser simples ou com repetio.
2.3.1 Arranjo simples: No ocorre a repetio de qualquer elemento em cada grupo de p
elementos.
m!
Frmula: As (m, p ) = m(m 1)...[m ( p 1)] ou As (m, p ) =
(m p )!
4! 4!
Clculo para o exemplo: As(4,2) = 4 x 3 = 12 ou As ( 4, 2) = = = 12
( 4 2 )! 2!
Exemplo: Seja Z={a, b, c, d}, m=4 e p=2. Os arranjos simples desses 4 elementos
tomados 2 a 2 so 12 grupos que no podem ter a repetio de qualquer elemento mas
que podem aparecer na ordem trocada. Todos os agrupamentos esto no conjunto:
As={ab, ac , ad, ba, bc, bd, ca, cb, cd, da, db, dc}
Casos especiais:
Quando p = 0, p = 1 e p = n, temos:
n! n! n! n(n 1)! n! n!
An, 0 = = =1 An,1 = = =n An, n = = = n!= P(n)
(n 0)! n! (n 1)! (n 1)! (n n)! 0!

Computacionalmente, usando do software gratuito R, temos o seguinte:
x<-c("A", "B", "C", "D") # vetor com as letras A, B, C e D
res<-permutations(n=4,r=2,v=x) # comando no R (pacote gtools)
res
[,1] [,2]
[1,] "A" "B" [7,] "C" "A"
[2,] "A" "C" [8,] "C" "B"
[3,] "A" "D" [9,] "C" "D"

[4,] "B" "A" [10,] "D" "A"
[5,] "B" "C" [11,] "D" "B"
[6,] "B" "D" [12,] "D" "C"
2.3.2 Arranjo com repetio: Todos os elementos podem aparecer repetidos em cada
grupo de p elementos.
Frmula: Ar(m,p) = mp.
Clculo para o exemplo: Ar(4,2) = 42=16.
Exemplo: Seja C={a,b,c,d}, m=4 e p=2. Os arranjos com repetio desses 4 elementos
tomados 2 a 2 so 16 grupos que onde aparecem elementos repetidos em cada grupo.
Todos os agrupamentos esto no conjunto:
Ar={aa,ab,ac,ad,ba,bb,bc,bd,ca,cb,cc,cd,da,db,dc,dd}
Casos especiais:
Quando p = 0, p = 1 e p = n, temos:
Arn ,0 = n 0 = 1 Arn ,1 = n1 = n An, n = n n
Computacionalmente, temos com o uso do R:

x<-c("A", "B", "C", "D")
res<-permutations(n=4,r=2,v=x, repeats.allowed=T)
res
[,1] [,2]
[1,] "A" "A" [5,] "B" "A" [9,] "C" "A" [13,] "D" "A"
[2,] "A" "B" [6,] "B" "B" [10,] "C" "B" [14,] "D" "B"
[3,] "A" "C" [7,] "B" "C" [11,] "C" "C" [15,] "D" "C"
[4,] "A" "D" [8,] "B" "D" [12,] "C" "D" [16,] "D" "D"

2.3.3 Arranjo condicional: Todos os elementos aparecem em cada grupo de p
elementos, mas existe uma condio que deve ser satisfeita acerca de alguns elementos.
Frmula: N=A(m1,p1).A(m-m1,p-p1)
Clculo para o exemplo: N=A(3,2).A(7-3,4-2)=A(3,2).A(4,2)=612=72.
Exemplo: Quantos arranjos com 4 elementos do conjunto {a,b,c,d,e,f,g}, comeam com
duas letras escolhidas no subconjunto {a,b,c}?
Aqui temos um total de m=7 letras, a taxa p=4, o subconjunto escolhido tem m1=3
elementos e a taxa que este subconjunto ser formado p1=2. Com as letras a, b e c,
tomadas 2 a 2, temos 6 grupos que esto no conjunto:
Ento,
A(m1,p1) = A(3, 2) = 3 x 2 = 6
Pabc = {ab,ba,ac,ca,bc,cb}
Com as letras d,e,f e g tomadas 2 a 2, temos 12 grupos que esto no conjunto:
Ento,
A(m-m1,p-p1) = A(7-3, 4 2) = A(4, 2) = 4 x 3 = 12
Pdefg = {de,df,dg,ed,ef,eg,fd,fe,fg,gd,ge,gf}
Usando a regra do produto, teremos 72 possibilidades obtidas pela juno de um
elemento do conjunto Pabc com um elemento do conjunto Pdefg.
Ento,
N= A(m1,p1).A(m-m1,p-p1) = A(3,2).A(7-3,4-2)=A(3,2).A(4,2)=612=72.
Um tpico arranjo para esta situao cafg.
2.4 Combinaes
Quando formamos agrupamentos com p elementos, (p<m) de forma que os p elementos

sejam distintos entre s apenas pela espcie.
2.4.1 Combinao simples: No ocorre a repetio de qualquer elemento em cada
grupo de p elementos.
m m!
Frmula: C (m, p ) = =
p p!(m p )!
Clculo para o exemplo: C(4,2)= =

4 4! 4! 4.3
= = =6
2 2!( 4 2)! 2!2! 2
Exemplo: Seja C={a,b,c,d}, m=4 e p=2. As combinaes simples desses 4 elementos

tomados 2 a 2 so 6 grupos que no podem ter a repetio de qualquer elemento nem
podem aparecer na ordem trocada. Todos os agrupamentos esto no conjunto:

Cs={ab,ac,ad,bc,bd,cd}
Casos especiais:
n n n
= n = 1 = 1
1 0 n
n n
Se = , ento (p + q = n ou p = q)
p q
n n
=
p n p
n n 1 n 1
= +
p p k 1
n n n + 1
A relao + = denominada Relao de Stifel.
p p + 1 p + 1
Do conceito de combinao, temos a seguinte relao importante
Am , p
C m, p =
Pp
Computacionalmente, temos no R o seguinte:

x<-c("A", "B", "C", "D") # vetor com as letras A, B , C e D
res<-combinations(n=4,r=2,v=x) # comando no R
res
[,1] [,2]
[1,] "A" "B"
[2,] "A" "C"
[3,] "A" "D"
[4,] "B" "C"
[5,] "B" "D"
[6,] "C" "D"
2.4.2 Combinao com repetio: Todos os elementos podem aparecer repetidos em

cada grupo at p vezes.
Frmula: Cr(m,p)=C(m+p-1,p)
Clculo para o exemplo: Cr(4,2)=C(4+2-1,2)=C(5,2)=5!/[2!3!]=10

Exemplo: Seja C={a,b,c,d}, m=4 e p=2. As combinaes com repetio desses 4
elementos tomados 2 a 2 so 10 grupos que tm todas as repeties possveis de
elementos em grupos de 2 elementos no podendo aparecer o mesmo grupo com a
ordem trocada. De um modo geral neste caso, todos os agrupamentos com 2 elementos
formam um conjunto com 16 elementos:
Cr={aa,ab,ac,ad,ba,bb,bc,bd,ca,cb,cc,cd,da,db,dc,dd}
mas para obter as combinaes com repetio, deveremos excluir deste conjunto os 6
grupos que j apareceram antes, pois ab=ba, ac=ca, ad=da, bc=cb, bd=db e cd=dc, assim
as combinaes com repetio dos elementos de C tomados 2 a 2, so:
Cr={aa,ab,ac,ad,bb,bc,bd,cc,cd,dd}
Computacionalmente, temos:
x<-c("A", "B", "C", "D") # vetor com as letras A, B, C e D
res<-combinations(n=4,r=2,v=x, repeats.allowed=T) # comando no R
res
[,1] [,2]
[1,] "A" "A" [6,] "B" "C"
[2,] "A" "B" [7,] "B" "D"
[3,] "A" "C" [8,] "C" "C"
[4,] "A" "D" [9,] "C" "D"
[5,] "B" "B" [10,] "D" "D"
2.4.3 Combinao generalizada: considere-se um conjunto de n elementos (no

necessariamente distintos) pertencentes a k grupos (cada um dos quais constitudo por
objetos idnticos). Os primeiro n1 elementos idnticos podem ser colocados em n lugares
(de tal forma que em nenhum lugar h mais que um objeto) de
n

n1
modos distintos. Ento, os n2 elementos do grupo seguinte podem ser colocados nos
lugares restantes de
n n1

n2
modos diferentes. E assim sucessivamente, at esgotar todos os k grupos de elementos.

Ao todo h ento
n n n1 n (n1 + ... + nk )
...
n1 n2 nk

modos diferentes de colocar n elementos nos n lugares disponveis. Cada um destes
modos de arrumar n elementos denominado de combinao generalizada de n
elementos repartidos por k grupos de elementos idnticos e o seu nmero total dado por
n n n n1 n (n1 + ... + nk )
C nn1 ,n2 ,...,nk = ... =
n1 , n2 ,..., nk n1 n2 nk
2.5 Regras Gerais sobre Anlise Combinatria ou Regras de Contagem
Problemas de Anlise Combinatria normalmente so muito difceis mas eles podem ser
resolvidos atravs de duas regras bsicas: a regra da soma e a regra do produto.
Regra da soma: A regra da soma nos diz que se um elemento pode ser escolhido de m
formas e um outro elemento pode ser escolhido de n formas, ento a escolha de um ou
outro elemento se realizar de m+n formas, desde que tais escolhas sejam
independentes, isto , nenhuma das escolhas de um elemento pode coincidir com uma
escolha do outro.
Exemplo: Considere um processo de manufatura dividido em mquinas

. Cada pea desenvolvida por uma das mquinas e classificada em:
Mquinas M1 M2 M3 M4
A1 B1 C1 D1
Caracterstica A2 B2 C2 D2
A3 D3
Totais 3 2 2 3
Com isso, conclumos que existe um total de maneiras de classificarmos a pea.
Regra do Produto: A regra do produto diz que se um elemento H pode ser escolhido de
m formas diferentes e se depois de cada uma dessas escolhas, um outro elemento M
pode ser escolhido de n formas diferentes, a escolha do par (H,M) nesta ordem poder
ser realizada de m.n formas.
Exemplo: Uma pea manufaturada deve passar por trs passos e por trs estaes de
controle. Em cada estao a pea inspecionada com relao a uma determinada
caracterstica e marcada adequadamente. Na primeira estao, trs classificaes so
possveis (ok, excelente, retrabalho), enquanto que nas duas ltimas, duas classificaes
so possveis (ok, retrabalho). De quantas maneiras uma pea pode ser marcada?

1 estao - 3 maneiras
Desta forma, a pea pode ser marcada de maneiras diferentes.
Quadro-resumo:
CR( n + p 1, p ) =
n + p 1

p

3 Probabilidade
3.1 Conceitos iniciais:
Encontramos na natureza dois tipos de fenmenos: determinsticos e aleatrios.

Os fenmenos determinsticos so aqueles em que os resultados so sempre os
mesmos, qualquer que seja o nmero de ocorrncias verificadas.
Nos fenmenos aleatrios, os resultados no sero previsveis, mesmo que haja
um grande nmero de repeties do mesmo fenmeno.
3.1.1 Experimento
qualquer ao ou processo que implique a observao e coleta de dados

referentes a um fenmeno. Com isto, temos os experimentos determinsticos e os
experimentos aleatrios.
3.1.1.1 Experimento Determinstico
So aqueles que ao serem repetidos nas mesmas condies conduzem ao mesmo

resultado.
Exemplo:
- ao deixar uma pedra cair de uma certa altura, podemos determinar sua posio e
velocidade em qualquer instante de tempo posterior queda;
- se aquecermos a gua a 100 graus centgrados, ela entrar em ebulio.
3.1.1.2 Experimento Aleatrio -
So aqueles que ao serem repetidos nas mesmas condies no produzem o

mesmo resultado, ou seja, os resultados esto sujeitos incerteza.
Exemplo:
- lanamento de um dado;
- lanamento de uma moeda;
- retirada de cartas de um baralho;
- retirada de bolas de uma urna;
- Etc.
Com isto, os experimentos aleatrios caracterizam-se por:

a) imprevisibilidade: os resultados da experincia no podem ser conhecidos a
partir da anlise das suas condies definidoras;
b) regularidade estatstica: observando-se o fenmeno um grande nmero de
vezes, sob idnticas condies, a freqncia relativa de cada resultado possvel tende a
estabilizar, aproximando-se de um valor constante compreendido entre 0 e 1.
3.1.2 Espao amostral S
o conjunto de todos os resultados possveis de um determinado experimento

aleatrio .
Dependendo da quantidade de resultados possveis, o espao amostral pode ser
classificado como:

a) espao amostral finito: quando contem somente um nmero finito de resultados
possveis;
S={x1, x2, ..., xn}
b) espao amostral infinito numervel: quando o conjunto de resultados possveis podem

ser postos em correspondncia biunvoca com o conjunto de nmeros naturais;
S={x1, x2, ...}
c) espao amostral no contvel ou no-numervel quando o conjunto de resultados

possveis tem correspondncia com um intervalo de nmeros reais.
S={x | 0 x 1}
Fala-se em espao amostral discreto, quando se possui um espao amostral finito

ou um espao amostral infinito numervel.
Fala-se em espao amostral contnuo quando se possui um espao amostral no
contvel ou no-numervel.
3.1.3 Evento
um subconjunto de um espao amostral que pode ser determinado tanto por uma
listagem direta de seus elementos, como por uma relao ou frmula que d a condio
que os elementos devem satisfazer a fim de pertencerem ao subconjunto.
a) Evento simples: aquele formado por apenas um nico elemento do espao amostral.
b) Evento composto: aquele formado por dois ou mais elementos do espao amostral.
c) Evento certo: aquele que ocorre sempre em todas as realizaes da experincia.

Pela Teoria dos conjuntos, este evento um subconjunto imprprio do espao
amostral.
d) Evento incerto: aquele que no ocorre sempre em todas as realizaes da

experincia.
e) Evento impossvel - : aquele que nunca ocorre em todas as realizao da

experincia.
f) Eventos mutuamente exclusivos ou disjuntos so aqueles em que a ocorrncia de

um deles exclui a possibilidade de ocorrncia do outro, isto , no ocorrem
simultaneamente, e ( A B ) =
Sejam A1, A2,..., Aj, com j = 1,...,n, eventos de um espao amostral S. Da teoria
dos conjuntos, temos as seguintes operaes entre eventos:
a) Unio: a operao que consiste na ocorrncia de pelo menos um dos eventos A1,
n
A2,..., Aj, onde temos UA
j =1
j .

b) Interseo: que a operao que consiste na ocorrncia simultnea dos eventos A1,
A2,..., Aj, onde temos Aj
c) Complemento (Ac ou A ) a operao em que s ocorrem os elementos de espao
amostral que no pertence a um evento.
Se A um evento qualquer, seu complemento ou complementar A , e A = S A
d) Diferena (A B ou A Bc) a operao que consiste na diferena entre A e B, ou

seja, na ocorrncia somente dos elementos A, exceto os que tambm estejam em B.
e) Diferena simtrica (AB ou (ABc) (Ac B)) a operao em que ocorrem todos
os elementos de AB exceto os que estejam na AB.
A AB B
Observao:
Partio do Espao Amostral diz-se que A1, A2,..., Aj, com j = 1,...,n, formam uma
partio de S se so disjuntos e se sua unio o prprio espao amostral, ou seja
n
UA j = S , com Ai Aj = 0, i j
j =1
Exemplo:
Seja um baralho de 52 cartas. Seja o seguinte experimento: retirar uma carta do baralho. Observe
que:
a) o espao amostral associado a este experimento :
install.packages("prob")
require(prob)
S <- cards(makespace=TRUE)

S
rank suit probs
1 2 Club 0.01923077 14 2 Diamond 0.01923077 27 2 Heart 0.01923077 40 2 Spade 0.01923077
10 J Club 0.01923077 23 J Diamond 0.01923077 36 J Heart 0.01923077 49 J Spade 0.01923077
11 Q Club 0.01923077 24 Q Diamond 0.01923077 37 Q Heart 0.01923077 50 Q Spade 0.01923077
12 K Club 0.01923077 25 K Diamond 0.01923077 38 K Heart 0.01923077 51 K Spade 0.01923077
13 A Club 0.01923077 26 A Diamond 0.01923077 39 A Heart 0.01923077 52 A Spade 0.01923077
b) Alguns eventos deste espao amostral:
A <- subset(S, suit == "Heart")

> A
rank suit probs
27 2 Heart 0.01923077
28 3 Heart 0.01923077
29 4 Heart 0.01923077
30 5 Heart 0.01923077
31 6 Heart 0.01923077
32 7 Heart 0.01923077
33 8 Heart 0.01923077
34 9 Heart 0.01923077
35 10 Heart 0.01923077
36 J Heart 0.01923077
37 Q Heart 0.01923077
38 K Heart 0.01923077
39 A Heart 0.01923077
B <- subset(S, rank == "A" )

> B
rank suit probs
13 A Club 0.01923077
26 A Diamond 0.01923077
39 A Heart 0.01923077
52 A Spade 0.01923077
C <- subset(S, suit == "Spade")
> C
rank suit probs
40 2 Spade 0.01923077 47 9 Spade 0.01923077
41 3 Spade 0.01923077 48 10 Spade 0.01923077
42 4 Spade 0.01923077 49 J Spade 0.01923077
43 5 Spade 0.01923077 50 Q Spade 0.01923077
44 6 Spade 0.01923077 51 K Spade 0.01923077
45 7 Spade 0.01923077 52 A Spade 0.01923077
46 8 Spade 0.01923077

3.2 Processos de amostragem
Uma amostra de tamanho n de um conjunto C que tem N elementos um

subconjunto de n elementos retirados de C.
As amostras podem ser retiradas de um conjunto de duas maneiras: com reposio
ou sem reposio.
Nas amostras retiradas com reposio cada elemento selecionado reposto no
conjunto antes da prxima retirada. No caso de amostras sem reposio, os elementos
no so repostos aps cada retirada.
Os elementos da amostra podero ainda ser ordenados ou no.
Uma amostra dita ordenada se os seus elementos forem ordenados, isto , se
duas amostras com os mesmos elementos, porm, em ordens distintas, forem
consideradas diferentes.
As amostras no ordenadas sem reposio, de tamanho n de um conjunto com N
elementos, so denominadas, na maioria dos textos elementares de probabilidade ou de
combinatria, de combinaes de N elementos tomadas n a n. Quando no for
estabelecida nenhuma qualificao, estaremos admitindo que os elementos so todos
distintos e que a amostra no ordenada. As amostras ordenadas sem reposio so
denominadas arranjos.
3.2.1 Amostragem ordenada sem reposio
O nmero de amostras ordenadas sem reposio de tamanho n, de um conjunto de

N elementos dado por:
n!
(n)k = n(n 1)...(n k + 1) = Arranjos simples
(n k )!
Quando n = k, temos uma permutao, ento
(n)n = n(n 1)...1= n! - Permutao
3.2.2 Amostragem ordenada com reposio
O nmero de amostras ordenadas com reposio de tamanho n, de um conjunto

com N elementos dados por:
nk Arranjo completo ou com repetio
3.2.3 Amostragem no ordenada sem reposio
O nmero de amostras no ordenadas sem reposio de tamanho n, de um

conjunto com N elementos, dados por
C n ,k = =
n ( N )n
- Combinao simples

k N!
3.2.4 Amostragem no ordenada com reposio
O nmero de amostras no ordenadas com reposio de tamanho n, de um

conjunto com N elementos, dados por
n + k 1
CRn ,k = C n+ k 1,k = - Combinao com repetio
k

Resumo:
Tipo de amostragem Ordenada No-ordenada

n + k 1
Com reposio AR ( n, k ) = n k CR ( n + k 1, k ) =
k
C ( n, k ) =
n! n
Sem reposio A( n, k ) =
( n k )!
k
3.3 lgebra de Conjuntos
Considere um espao amostral S de um experimento aleatrio, sendo S no-vazio. Seja F

uma classe de subconjuntos de S.
F dita uma lgebra de subconjuntos de S se:
A1) S F;
A2) Se A F, ento Ac F;
A3) Se A F e B F, ento A B F;
3.3.1 -lgebra
Um conjunto F chamado de -lgebra, quando satisfizer as trs seguintes propriedades:
a. F e S F;
b. Se A F, ento Ac F;

c. Se A1, A2, ... F, ento U Ai F e Ai F .
i =1 i =1
Observao: um conjunto A F dito F - mensurvel
Com isto, pode-se dizer que uma -lgebra fechada para um nmero enumervel de
aplicaes das operaes , e c.
Verifica-se que F = {, A, Ac, S}. Como conseqncia, temos que a menor -lgebra de S
F = {, S} e a maior -lgebra de S F = P(S).
Exemplos:
1) Considere o lanamento de uma moeda, ento S = { cara, coroa }

F1 = {, S} menor -lgebra
F2 = { , {cara}, {coroa}, S } -lgebra, classe de todos os subconjuntos de S
2) Se S o conjunto de trs elementos {x, y, z} a lista completa de subconjuntos de S :
(o conjunto vazio); {x, z};

{x}; {y, z};
{y}; {x, y, z}
{z};
{x, y};

e portanto o conjunto de partes de S o conjunto de 8 elementos:
P(S) = {, {x}, {y}, {z}, {x, y}, {x, z}, {y, z}, {x, y, z}}.
Analisando este conjunto, temos:

a. O conjunto vazio e o prprio conjuntos S pertencem ao conjunto P(S), ou seja,
atende primeira propriedade de um conjunto -lgebra
b. O complementar do conjunto vazio o prprio conjunto S P(S);
Se A = {x}, ento Ac = {y, z} P(S);
Se B = {y}, ento Bc = {x, z} P(S);
Se C = {z}, ento Cc = {x, y} P(S);
Ou seja atende segunda propriedade de um conjunto -lgebra
c. {x} = {x} P(S)
{y} = {y} P(S)
{z} = {z} P(S)
{x} {y} = {x, y} P(S)
{x} {z} = {x, z} P(S)
{y} {z} = {y, z} P(S)
{x} {x, y} = {x, y} P(S)
{x} {x, z} = {x, z} P(S)
{x} {y, z} = {x, y, z} P(S)
{y} {x, y} = {x, y} P(S)
{y} {x, z} = {x, y, z} P(S)
{y} {y, z} = {y, z} P(S)
{z} {x, y} = {x, y, z} P(S)
{z} {x, z} = {x, z} P(S)
{z} {y, z} = {y, z} P(S)
{x} {x, y, z} = {x, y, z} P(S)
{y} {x, y, z} = {x, y, z} P(S)
{z} {x, y, z} = {x, y, z} P(S)
{x, y} {x, z} = {x, y, z} P(S)
{x, y} {y, z} = {x, y, z} P(S)
{x, z} {y, z} = {x, y, z} P(S)
{x, y} {x, y, z} = {x, y, z} P(S)
{x, z} {x, y, z} = {x, y, z} P(S)
{y, z} {x, y, z} = {x, y, z} P(S)

d. Fazendo as combinaes acima para a interseco, observamos que Ai P( S ) ,
i =1
logo atende terceira propriedade de um conjunto -lgebra.
Podemos concluir que P(S) uma -lgebra.
Uma -lgebra de Borel F se refere ao espao amostral contnuo, ou seja
S = {x | 0 x }
Logo F composto por todos os tipos de intervalos existentes em S ([a, b], ]a, b[, [a, b[, ]a,
b])

3.3.2 Funo, Medida em lgebra de Conjuntos e Espaos Mensurveis
uma funo de conjuntos uma funo real (com valor em R) definida em algumas
classes de subconjuntos de S.
Uma funo de conjuntos definida em uma lgebra F uma medida positiva, ou seja,
:F [0, ], tal que:
a) () = 0
b) Se Ai com i = 1, ..., uma seqncia disjunta de eventos de F, ento

U Ai = ( Ai )
i =1 i =1
c) Se A e B F tais que A B, ento (A) (B)
(S, F) chamado espao mensurvel, os conjuntos F so chamados mensurveis e (S, F,

) chamado espao de medida.
3.4 Freqncia relativa
Suponha-se que repetimos n vezes um experimento aleatrio , e seja A um evento

associado ao espao amostral S do experimento aleatrio . Admitamos que seja nA o
nmero de vezes que o evento A ocorreu nas n repeties.
n
Temos ento a frao f A = A , que denominada freqncia relativa.
n
Quando o experimento for repetido um grande nmero de vezes, surgir uma
regularidade desta frao. esta regularidade que torna possvel construir um modelo
matemtico preciso, com o qual se analisar o experimento. Esta regularidade
denominada Regularidade Estatstica.

Este grfico pode ser obtido por meio do seguinte script para ser utilizado no programa R:
n<-seq(5,1000,5)
p<-0
x<-c(0,1)
for (i in 1:length(n)){
toss<-sample(x,n[i],replace=TRUE)
p[i]<-sum(toss)/length(toss)
}
plot(n,p, type="l", ylim=c(0,1), lwd = 3, col = "blue", main="Probabilidades no Lanamento

de Uma Moeda", ylab="Probabilidades", xlab="Nmero de Lanamentos")
abline(h=0.5, lty=2, lwd=2, col="red")
As propriedades da freqncia relativa so:
a) 0 fA 1;
b) f A = 1 se, e somente se, A correr nas n repeties;
c) f A = 0 se, e somente se, A nunca ocorrer nas n repeties;
d) Se A e B forem eventos mutuamente excludentes, f A B = f A + f B
3.5 Definio Clssica de Probabilidade (Definio de Lapace)
Dada uma experincia aleatria uniforme definida num espao de amostragem S,

define-se probabilidade de ocorrer o evento A, contido em S, como sendo o quociente
entre o nmero de elementos do evento A e o nmero de elementos do espao amostral
S, isto , o nmero de casos favorveis ao evento, dividido pelo nmero total de casos
possveis, supondo todos casos igualmente possveis.
P ( A) =
nA
nS
Embora seja muito intuitiva tambm, esta definio tem algumas restries srias:
a) existe dificuldade, muita vezes, de se identificar e enumerar os casos favorveis e

possveis, por exemplo nas experincias que os resultados tenham carter qualitativo
e/ou no possamos efetuar contagens;
b) esta definio no depende da experincia para que se concretize realmente o que
idealizamos;
c) no caso em que o espao amostral tivesse infinitos elementos, no teria sentido falar
em n S ;
d) no estabelece um critrio para casos igualmente possveis, pois, partindo da hiptese
que a experincia uniforme (todos os resultados so equiprovveis) estamos
definindo probabilidade por aquilo exatamente que queramos definir.
3.6 Definio freqencista ou estatstica de probabilidade
Com base na regularidade estatstica de um experimento, temos que o valor

hipottico fixo no qual tende a haver uma estabilizao da freqncia relativa, denomina-
se probabilidade.

Ou seja, se A um evento associado ao espao amostral S do experimento
aleatrio e nA o nmero de vezes que este evento ocorre em n repeties do
experimento aleatrio, ento a probabilidade de A ser dada por:
nA
P ( A) = lim f A = lim
n n n
bvio que a existncia desse limite jamais poderia ser comprovada em qualquer
situao real, visto que no possvel realizar uma seqncia infinita de experincias
reais.
Apesar da abordagem da probabilidade atravs da freqncia relativa ser
satisfatria em muitas aplicaes de engenharia e dos jogos de azar, tal forma
inadequada para muitos outros casos. A construo matemtica de uma medida de
probabilidade deve ser independente de qualquer aplicao especificada, mas deve ser
empregvel a vrias aplicaes.
3.7 Definio Axiomtica de Probabilidade
No Ano de 1930, A. N. Kolmogorov apresentou um conjunto de axiomas

matemticos para definir probabilidade:
Seja um experimento aleatrio e S seu espao amostral associado. A cada

evento A associaremos um nmero real representado por P(A) e denominado
Probabilidade de A, que satisfaa aos seguintes axiomas:
a) para todo eventos A S, temos 0 P( A) 1 ;

b) P( S ) = 1 ;
c) P() = 0;
d) Se A e B so dois eventos disjuntos (eventos mutuamente exclusivos: A B = 0),
ento P(A B) = P(A) + P(B)
Ento, para um determinado evento A, temos:
i) P(A) = 0, ento A um evento impossvel;

ii) 0 < P(A) < 1, ento A um evento incerto;
iii) P(A) = 1, ento A um evento certo
3.8 Modelos matemticos
- Modelo determinstico: modelo que se refere a experimentos determinsticos, ou seja,

aqueles que executados sob as mesmas condies produzem resultados idnticos.
- Modelo no-determinstico ou probabilstico: modelo que se refere a experimentos

aleatrios, ou seja, aqueles que executados sob as mesmas condies produzem
resultado distintos, e que seguem um comportamento probabilstico.

3.8.1 Modelo Probabilstico
Um modelo probabilstico constitudo por:

a) um conjunto no vazio S espao amostral;
b) uma -lgebra F de eventos aleatrios;
c) Uma probabilidade P definida em F.
Com isto, temos um espao de probabilidade formado por (S, F, P)
Comparando P com a definio de medida vista anteriormente, conclumos que P segue

as mesmas condies de , por isso, temos como conseqncia a definio do espao de
probabilidades.
Os conjuntos de F dizem-se probabilizveis e P define uma distribuio de probabilidade

em S.
3.9 Propriedades da Teoria da Probabilidade
a) P( A ) = 1 P( A)
b) Se A e B so dois eventos quaisquer: P( A B) = P( A) + P( B) P( A B )
Dem.: Sendo A B = A (B A ) e B = (A B) (B A ), temos

P(A B) = P(A) + P(B A ), mas P(B) = P(A B) + P(B A ) P(B A ) = P(B) -
P(A B), ento
P(A B) = P(A) + P(B A ) = P(A) + P(B) - P(A B)
Ou ainda, considerando que (AB) = (A B) (AB) (B A),

A = (A-B) (AB) e B = (B A) (AB)
S
A-B AB B-A
c) Para quaisquer eventos A e B
P( A) = P( A B ) + P( A B )
A AB B
B

d) P(A - B) = P (A B ) = P( A) P( A B )
e) Se A B , ento P ( A) P ( B ) , P(A B) = P(A) e P(B A) = P(B) P(A)
f) Se A1, A2, ..., Ak for um conjunto finito de eventos mutuamente exclusivos, ento
P U Ai = P ( A1 A2 ... Ak ) = P ( Ai )
k k
i =1 i =1
Se A1, A2, ... for um conjunto infinito de eventos mutuamente exclusivos, ento

P U Ai = P ( A1 A2 ...) = P ( Ai )
i =1 i =1
Em particular, se A1, A2, ..., Ak for um conjunto finito de eventos mutuamente

exclusivos e A1 A2 ... Ak = S , ento
P ( A1 ) + P ( A2 ) + ... + P ( An ) = P ( S ) = 1
g) Se A1, A2, ..., Ak for um conjunto finito de eventos quaisquer, ento

k k
P U Ai P ( Ai ) - Desigualdade de Boole
i =1 i =1
Se A1, A2, ... for um conjunto infinito de eventos quaisquer, ento

P U Ai P ( Ai )
i =1 i =1
Exemplo:
Seja um baralho de 52 cartas. Seja o seguinte experimento: retirar uma carta do baralho. Vimos que:
a) o espao amostral associado a este experimento :
install.packages("prob")
require(prob)
S <- cards(makespace=TRUE)
S
rank suit probs
10 J Club 0.01923077 23 J Diamond 0.01923077 36 J Heart 0.01923077 49 J Spade 0.01923077
11 Q Club 0.01923077 24 Q Diamond 0.01923077 37 Q Heart 0.01923077 50 Q Spade 0.01923077
12 K Club 0.01923077 25 K Diamond 0.01923077 38 K Heart 0.01923077 51 K Spade 0.01923077
13 A Club 0.01923077 26 A Diamond 0.01923077 39 A Heart 0.01923077 52 A Spade 0.01923077

b) Alguns eventos deste espao amostral:
A <- subset(S, suit == "Heart")

> A
rank suit probs
27 2 Heart 0.01923077
28 3 Heart 0.01923077
29 4 Heart 0.01923077
30 5 Heart 0.01923077
31 6 Heart 0.01923077
32 7 Heart 0.01923077
33 8 Heart 0.01923077
34 9 Heart 0.01923077
35 10 Heart 0.01923077
36 J Heart 0.01923077
37 Q Heart 0.01923077
38 K Heart 0.01923077
39 A Heart 0.01923077
B <- subset(S, rank == "A" )

> B
rank suit probs
13 A Club 0.01923077
26 A Diamond 0.01923077
39 A Heart 0.01923077
52 A Spade 0.01923077
C <- subset(S, suit == "Spade")

> C
rank suit probs
40 2 Spade 0.01923077
41 3 Spade 0.01923077
42 4 Spade 0.01923077
43 5 Spade 0.01923077
44 6 Spade 0.01923077
45 7 Spade 0.01923077
46 8 Spade 0.01923077
47 9 Spade 0.01923077
48 10 Spade 0.01923077
49 J Spade 0.01923077
50 Q Spade 0.01923077
51 K Spade 0.01923077
52 A Spade 0.01923077
Em termos de probabilidade, com ajuda do R, temos:

n A 13 1
> Prob(A) Pois, P( A) = = = = 0,25
[1] 0.25 n s 52 4
> Prob(B) n 4 1
Pois, P( B) = B = = = 0,0769
[1] 0.07692308 n s 52 13
nc 13 1
Pois, P(C ) = = = = 0,25
Apostila de Probabilidaden s Cap
52QCO4GILBERT QUEIROZ DOS SANTOS IME/2016 27
> Prob(C)
[1] 0.25
1 1 1
> Prob(union(A,B)) Pois, P ( A B ) = P ( A) + P ( B ) P ( A B ) = + = 0,30769
[1] 0.3076923 4 13 52
1 1 1
> Prob(union(A,C)) Pois, P ( A C ) = P ( A) + P (C ) = + = = 0,5
[1] 0.5 4 4 2
1
> Prob(setdiff(S, A)) Pois, P ( A ) = 1 P ( A) = 1 = 0,75
[1] 0.75 4
> Prob(S) Pois, P ( S ) = 1

[1] 1
3.10 Eventos Equiprovveis
Se um experimento tem como espao amostral S = {e1, e2, ..., en}, com um nmero finito
de elementos, dizemos que os eventos elementares {ei} so equiprovveis, se todos
possuem a mesma probabilidade de ocorrer, isto :
1
P (ei ) =
n

3.11 Probabilidade Condicionada
Considere o evento condicionado (B|A), ou seja, o evento que consiste na

realizao do evento B sob a condio de ter-se realizado o evento A, isto , com a
informao adicional de que o evento A j ocorreu.
Denotaremos por P(B | A) , a probabilidade condicionada do evento B, quando A

tiver ocorrido.
Sempre que calcularmos P(B | A) , estaremos essencialmente calculando P(B) em

relao ao espao amostral reduzido A, em lugar de faz-lo em relao ao espao
amostral S.
P( A B )
P( B | A) =
P( A)
Onde:
a) 0 P ( B | A) 1
b) P ( S | A) = 1
c) P( B1 B2 | A) = P( B1 | A) + P( B2 | A) , se ( B1 B2 ) =
Se os eventos B1, B2, ..., Bk representam parties do espao amostral S e
a) Bi B j = , para todo i j
k
b) Bi = S
i =1
c) P ( Bi ) > 0 , para todo i
Como conseqncia da probabilidade condicionada, temos
P ( A B ) = P ( A).P ( B | A)
Ou equivalente
P ( A B ) = P ( B ).P ( A | B )
O exemplo mais simples para a probabilidade condicionada dado abaixo:

"Suponha que em uma empresa trabalhem 500 pessoas. Algumas delas so profissionais
de engenharia (A), enquanto outras so economistas (B); algumas pessoas so do sexo
feminino (C), enquanto outras so do sexo masculino (D). A tabela abaixo fornece o
nmero de pessoas de cada classificao. Um cliente entra na empresa e escolhe uma
pessoa ao acaso para conversar. A pessoa escolhida do sexo feminino. Qual ser a
probabilidade de que ela seja engenheira?"
A B Totais
C 120 50 170
D 250 80 330
Totais 370 130 500

120
P( A C ) 500 120 12
O que se deseja calcular P(A | C) = = = =
P (C ) 170 170 17
500
A maneira intuitiva de obter o valor desta probabilidade pensar que, das 170 pessoas do
sexo feminino, que compem o espao amostral reduzido, 120 so tambm engenheiras.
Logo, a probabilidade em questo dada por:
120 12
P( A | C ) = =
170 17
Usando o exemplo anterior no R, temos:
> Prob(intersect(A, B))

[1] 0.01923077
> Prob(B)
[1] 0.07692308
> Prob(intersect(A, B)) / Prob(B)

[1] 0.25
> Prob(A, given = B)

[1] 0.25
3.11.1 Teorema da Probabilidade Total
Consideramos em evento B qualquer referente a S, e A1, A2, ..., Ak uma partio de

S.
Se B = ( B A1 ) ( B A2 ) ... ( B Ak ) , temos
P ( B ) = P ( B A1 ) + P ( B A2 ) + ... + P ( B Ak ) = P ( A1 B ) + P ( A2 B ) + ... + P ( Ak B ) = P ( Ai B )
k
i =1
Pelo regra da multiplicao sabemos que P ( A B ) = P ( A).P ( B | A) , e ainda que

P ( A B ) P ( A).P ( B / A)
P( A / B) = =
P( B) P( B)
Com relao a B, temos:
P ( B ) = P ( A1 ).P ( B | A1 ) + P ( A2 ).P ( B / A2 ) + ... + P ( Ak ).P ( B | Ak )

Logo,
k
P ( B ) = P ( Ai ).P ( B | Ai ) - Teorema da Probabilidade Total
i =1
A1 A2 A3 A4 A5 A6 A7 A8 ... Ak
B B A2 B A3 B A4 B A5 B A6 B A7 B A8
...
B A1 B Ak

3.12 Teorema de Bayes
Sejam A1, A2, ..., Ak, k eventos mutuamente exclusivos, onde:
A) Ai A j = , para todo i j
k
b) Ai = S
i =1
c) P ( Ai ) > 0 , para todo i

k
d) P ( B ) = P ( Ai ) P ( B | Ai )
i =1
Ento, a probabilidade condicional P ( Ai | B ) , de que um destes eventos Ai ocorra,

dado que B ocorre
P ( Ai B ) P ( Ai ) P ( B | Ai )
P ( Ai | B ) = = K
P( B)
P ( Ai ) P ( B | Ai )
i =1
Esta frmula relaciona probabilidade a priori P ( Ai ) com a probabilidade a

posteriori P ( Ai | B ) , probabilidade de Ai depois que ocorrer B.
Um exemplo para o Teorema de Bayes seria:
"A caixa I contm 2 fichas vermelhas e 3 fichas azuis, a caixa II contm 3 fichas
vermelhas e 7 fichas azuis. Joga-se uma moeda. Se a moeda der cara, extrai-se ao uma
ficha da caixa I; se der coroa, extrai-se ao acaso uma ficha da caixa II. Suponha-se que
no se conhea o resultado da jogada da moeda (e, conseqentemente, no se saiba de
qual caixa a ficha extrada). Sabe-se somente que foi extrada uma ficha vermelha.
Determinar a probabilidade de a ficha vermelha ter sido extrada da caixa I."
Neste caso, temos:
C1 = caixa I
C2 = caixa II
A = ficha vermelha
2 1
.
P( A | C1).P(C1) 5 2 4
P(C1 | A) = = =
P( A | C1).P(C1) + P( A | C 2).P(C 2) 2 1 3 1 7
. + .
5 2 10 2
3.13 Eventos independentes
Dois eventos, associado a um experimento, so ditos independentes quando a

ocorrncia de um deles no depende ocorrncia do outro, isto , a informao adicional
de que um dos eventos j ocorreu em nada altera a possibilidade de ocorrncia do outro.
Assim , ( B | A) = B

A probabilidade de (B|A) denotada por P ( B | A) = P ( B )
E, P ( A B ) = P ( A) P ( B | A) = P ( A) P ( B )
Ento, dados dois eventos mutuamente exclusivos A e B, sendo P(A) e P(B) diferentes de
zero, se A ocorrer, B no poder ocorrer e vice-versa. Ento, P(B|A) = 0. Mas P(B) ,
sabidamente, maior que zero, de modo que P(B|A) diferente de P(B); assim, por
definio, os eventos so dependentes.
Se A e B so eventos independentes, ento, so tambm independentes os eventos A e

B , os eventos A e B e os eventos A e B .
k k
Se uma seqncia de eventos A1, A2, ..., Ak independentes ento P Ai = P ( Ai )
i =1 i =1
3.14 Regra da adio
utilizada quando desejamos determinar a probabilidade de ocorrer um evento ou outro

(pelo menos um), isto , quando desejamos determinar a probabilidade do evento unio
(A B), ou seja P(A B).
Se os eventos A e B so eventos quaisquer: P(A B) = P(A) + P(B) P(AB).

Se os eventos A e B so mutuamente excludentes: P(A B) = P(A) + P(B)
3.15 Regra da Multiplicao
utilizada quando desejamos determinar a probabilidade de ocorrer dois ou mais eventos

simultaneamente, isto , quando desejamos determinar a probabilidade do evento
interseco (A B), ou seja P(A B).
Se os eventos A e B so condicionados, ento:
P( A B) = P( A).P( B | A)
Ou equivalente a
P( A B) = P( B).P( A | B)

Se os eventos A e B so independentes, ento:
P ( A B ) = P ( A).P ( B )
Esta regra pode ser estendida a mais de dois eventos.
3.16 Varivel aleatria
Seja um experimento e S seu espao amostral associado. Uma funo X, em um

espao de probabilidade (S, F, P), que associa a cada ponto s do espao amostral S,
um nmero (geralmente um nmero real) X(s) chamada varivel aleatria (ou varivel
estocstica), ou, mais precisamente, funo aleatria (ou funo estocstica).
Denota-se em geral por uma letra maiscula X, Y, ... . Em geral, uma varivel
aleatria tem algum significado fsico, geomtrico, ou outro qualquer.
O espao amostral S denominado o domnio da varivel aleatria ou da funo, e

o conjunto de todos os valores de X(s) denominado contradomnio da varivel aleatria.
S R
s X X(s)
Resumindo: varivel aleatria aquela cujos valores so obtidos por um experimento

aleatrio aos quais podemos associar probabilidades. Ou ainda, uma varivel aleatria
uma funo definida em um espao amostral, que assume valores reais.
Por exemplo: ao jogar uma moeda duas vezes, podemos ter os seguintes resultados:
Eventos de S Probabilidade
CaCa P(Ca)P(Ca)= * =
CaCr P(Ca)P(Cr)= * =
CrCa P(Cr)P(Ca)= * =
CrCr P(Ca)P(Ca)= * =
Onde:
Ca representa a face cara da moeda
Cr representa a face coroa da moeda
Faamos a seguinte correspondncia: a cada evento de S associaremos um nmero real.

Para isso vamos definir X = nmeros de caras
Logo, X pode assumir os seguintes valores:

Eventos de S X
CaCa 2
CaCr 1
CrCa 1
CrCr 0
Ento, em termos de probabilidade temos:
Eventos de S Valores de X P(X)

CrCr 0
CaCr ou CrCa 1
CaCa 2
3.16.1 Varivel aleatria discreta
aquela que pode assumir um nmero limitado de valores, pois apresenta espao
amostral discreto, ou seja quando se possui um espao amostral finito ou um espao
amostral infinito numervel.
Exemplo: Um nmero de empregados na produo de uma empresa pode ser apenas um
nmero inteiro; no pode ser fracionado.
3.16.2 Varivel aleatria contnua
Teoricamente, aquela que pode assumir qualquer valor em um intervalo real, pois
apresenta um espao amostral contnuo, ou seja quando se possui um espao amostral
no contvel ou no-numervel.
Exemplo: medidas de comprimento, peso e tempo.
3.17 Representaes da Distribuio da Varivel Aleatria X
A coleo de pares {xi ; p ( xi )} , i = 1, 2,.... denominada distribuio de probabilidade

de X, que caracteriza o comportamento de uma varivel aleatria, isto , a maneira como
as probabilidades se distribuem pelos valores que a varivel toma.
A distribuio de X determinada por qualquer das seguintes funes:
a) Funo de probabilidade p(x), no caso discreto;

b) Funo densidade de probabilidade f(x),se X absolutamente contnua;
c) Funo de distribuio F(x);
3.17.1 Funo de probabilidade (f.p.) e Funo densidade de probabilidade (f.d.p)
Uma vez que uma v.a. (varivel aleatria) assume valor do seu contradomnio com certa
probabilidade tem-se que:
a) as probabilidades so associadas a valores da v. a. discreta (VAD) por uma funo de
probabilidade (f.p.); e
b) as probabilidades so associadas a intervalos de valores de uma v. a. contnua (VAC)
por uma funo densidade de probabilidade (f.d.p).

Se X uma varivel aleatria discreta, ento Rx, o contradomnio de X, ser formado no
mximo por um nmero infinito numervel de valores x1, x2,...A cada possvel resultado xi
associaremos um nmero
p ( xi ) = P( X = xi )
denominado probabilidade de xi. Os nmeros devem satisfazer s seguintes condies:
a) 0 p ( xi ) 1 , para todo i;

b) p( x ) = 1
i =1
i
A funo p(x), definida acima, denominada funo de probabilidade (ou funo de

probabilidade no ponto) da varivel X discreta.
Por exemplo, seja a seguinte distribuio de probabilidade:
X 2 3 4 5 6 7
P(X) 0,1 0,1 0,3 0,2 0,2 0,1
O grfico desta distribuio dado por:
Se X uma varivel aleatria contnua, a funo de densidade de probabilidade f,

indicada por fdp, uma funo que satisfaz as seguintes condies:
a) 0 f ( x ) , para todo x Rx
b)
Rx
f ( x)dx = 1
Alm disso, definimos para qualquer c < d (em Rx),

d
P(c < X < d ) = f ( x)dx
c
Por exemplo, seja a seguinte funo de densidade de probabilidade:

2 x , se 0 x < 1
3
x
f ( x) = + 1 , se 1 x < 3
3
0 , se x < 0 ou x > 3

O grfico desta funo densidade de probabilidade dado por:
Computacionalmente, obtemos este grfico da seguinte forma no R:
#Inicialmente, digitamos a funo
f <- function(x){
fx <- numeric(length(x))
fx[x < 0] <- 0
fx[x >= 0 & x < 1] <- 2*x[x >= 0 & x < 1]/3
fx[x >= 1 & x <= 3] <- (-x[x >= 1 & x <= 3]/3) + 1
fx[x > 3] <- 0
return(fx)
}
Em seguida, plotamos o grfico usando:

curve(f2, -1, 4, main="Funo Densidade de Probabilidade", ylab="f(x)")
abline(v=0, lty=2)
abline(v=1, lty=2)
abline(v=3, lty=3)

3.17.2 Funo de distribuio de probabilidade
A funo de distribuio da varivel aleatria X representada por F(x) ou simplesmente Fx

definida por
F ( x) = P( X x)
Na literatura, a funo de distribuio de X freqentemente chamada de funo de

distribuio acumulada de X.
Obedece s seguintes propriedades:
a) 0 F(x) 1 para - x +
b) F no-decrescente, isto F(x) F(y) sempre que x y, x, y
c) lim F ( x) = 0 e lim F ( x) = 1
x x
d) F contnua direita, pois lim+ F ( x) = F ( x0 )

x x0
Se X uma varivel aleatria discreta, define-se F como a funo de distribuio

acumulada dada por
x j x
F ( x ) = P( X x ) = p( x )
j
j
onde o somatrio estendido a todos os ndices j que satisfaam xj x.
Dada a funo de distribuio acumulada, podemos obter a probabilidade no ponto xi

fazendo:
P( X = xi ) = F ( xi ) F ( xi 1 )
Por exemplo, utilizando a seguinte distribuio de probabilidade, temos:
X 2 3 4 5 6 7
P(X) 0,1 0,1 0,3 0,2 0,2 0,1
F(X) 0,1 0,2 0,5 0,7 0,9 1,0
A funo de distribuio acumulada, fica:

0 se, x < 2
0,1 se, 2 x < 3
0, 2 se, 3 x < 4

F (x ) = 0,5 se, 4 x < 5
0, 7 se, 5 x < 6
0, 9 se, 6 x < 7
1 se, x 7

O grfico da funo de distribuio acumulada, fica:

Se X uma varivel aleatria contnua, define-se F como a funo de distribuio
acumulada dada por x
F ( x) = f ( x)dx

Dada a funo de distribuio acumulada, podemos calcular a probabilidade entre dois

pontos a e b fazendo:
P (a < X b) = F (b) F (a )
Por exemplo, utilizando a funo de densidade de probabilidade anterior, dada por:

2 x , se 0 x < 1
3
x
f ( x ) = + 1 , se 1 x < 3
3
0 , se x < 0 ou x > 3

Temos a seguinte funo de distribuio acumulada:
0 , se x < 0
x2 , se 0 x < 1
3
F ( x) = 2
x + 6 x 3 , se 1 x < 3

6
1 , se x 3
O grfico da funo de distribuio acumulada fica:

Computacionalmente, temos:
F <- function(x){
Fx<- numeric(length(x))
Fx[x < 0]<- 0
Fx[x >= 0 & x < 1] <- x[x >= 0 & x < 1]^2/3
Fx[x >= 1 & x < 3] <- (-x[x >= 1 & x < 3]^2 + 6*x[x >= 1 & x < 3] - 3)/6
Fx[x >= 3] <- 1
return(Fx)
}
O grfico obtido por:
curve(F, -1, 4, main="Funo de Distribuio Acumulada", ylab="F(x)")

abline(v=0, lty=2)
abline(v=1, lty=2)
abline(v=3, lty=2)
Existe uma relao entre a funo distribuio e a funo densidade de probabilidade

dada por:
F ( x)
f ( x) =
x

3.18 Expectncia ou valor esperado
O nmero mais importante e til para a localizao do centro da distribuio de X a

expectncia ou valor esperado, geralmente indicado por E(X).
Se X uma varivel aleatria, ento E(X) definida por:
a) no caso discreto: E ( X ) = xi p( xi )
+
b) no caso contnuo: E ( X ) = xf ( x)dx

Propriedades da expectncia
a) Se X = C, onde C uma constante, ento E(X)=C;

b) E(CX)=CE(X), onde C uma constante e X uma v.a.;
c) Sejam X e Y duas v.a. quaisquer, ento E(X Y)=E(X) E(Y);
d) Sejam n v.a. X1, X2,...,Xn, ento E(X1+...+Xn)=E(X1)+...+E(Xn), ou seja
n n
E ( X i ) = E X i
i =1 i =1
e) Sejam X e Y duas v.a. quaisquer E[XY] = E[X] . E[Y] + Cov [E, Y]
Se X e Y so independentes E[XY] = E[X].E[Y]
f) Se Y = aX + b, E(Y) = aE(X) + b
n
g) E ( X i ) = E ( X 1 ) E ( X 2 )...E ( X n )
i =1
Duas outras quantidades de uso comum, que tambm do uma medida do centro de uma
distribuio de probabilidade, so a mediana e a moda.
A mediana qualquer ponto que divida a distribuio em duas partes iguais. Ento, xj a
mediana da distribuio se, e somente se:
1
F ( x) = P( X x) = p( x j ) =
j 2
Em comparao com a mdia E(x), prefere-se s vezes a mediana como medida de
tendncia central no caso de distribuies assimtricas, especialmente quando h um
pequeno nmero de valores extremos da distribuio. A mediana , nesses casos,
superior mdia porque no sensvel a um pequeno nmero de valores extremamente
altos ou extremamente baixos.
A moda um ponto xi tal que
P( xi ) > P( xi +1 ) e P( xi 1 ) < P( xi ) no caso discreto;
f ( xi ) > f ( xi + ) e f ( xi ) < f ( xi ) no caso contnuo.
Sendo uma quantidade positiva arbitrria pequena.
A moda , pois, um valor de x que corresponde a um pico em sua funo de distribuio

ou de densidade. O termo unimodal se refere a uma distribuio de probabilidade que
apresenta uma nica moda.

Para efeito de comparao dessas trs medidas de tendncia central, a figura abaixo
ilustra suas posies relativas em trs situaes diferentes. claro que a mdia, a
mediana e a moda coincidem no caso de uma distribuio unimodal simtrica.
3.19 Varincia
A varincia de uma varivel aleatria um nmero no negativo definido como:
V ( X ) = E[X E ( X )]
2
Ou seja, a varincia o valor esperado dos desvios em relao mdia, elevados ao

quadrado.
Esta expresso pode ser reescrita da seguinte forma:
V ( X ) = E ( X 2 ) ( E ( X )) 2
Onde:
E ( X 2 ) = xi2 p( x i ) no caso discreto; e

+
E( X 2 ) = x f ( x)dx no caso contnuo.
2

E(X) dado:
a) No caso discreto: E ( X ) = xi p( xi )
+
b) No caso contnuo: E ( X ) = xf ( x)dx


Propriedades da Varincia
a) Se C for uma constante:

V(C)=0
V(X+C)=V(X)
V(CX)=CV(X)
b) Se X e Y forem v.a. independentes: V(X+Y)=V(X)+V(Y)
c) Se X uma v.a com varincia finita, ento, para qualquer nmero real :
[ ]
V ( X ) = E ( X ) 2 [E ( X ) ]2
d) se X e Y forem v.a. quaisquer V(X + Y) = V(X) + V(Y) + 2Cov(X,Y)
V(aX bY) = a2V(X) + b2V(X) 2abCov(X, Y)
f) se Y = aX + b, Var(Y)=a2Var(X)
3.20 Desvio-padro
A raiz quadrada da varincia chamada de desvio padro de X. Uma vantagem da

utilizao do desvio padro em lugar da varincia como medida de disperso que o
segundo tem a mesma unidade que a mdia.
DP( x) = V ( x)
3.21 Coeficiente de variao (CV)
Um nmero adimensional, que caracteriza a disperso em relao mdia e tambm

facilita comparaes entre variveis aleatrias de unidades diferentes, o coeficiente de
variao CV(x) definido por
DP( x)
CV ( x) =
E ( x)
3.22 Desigualdade de Chebyshev
Como interpretar a varincia (ou o desvio-padro) de uma varivel aleatria?

Intuitivamente, quanto menor a varincia, mais perto de E(X) esto os valores provveis
de X. A formalizao desta intuio pode ser feito pelo teorema a seguir:
Teorema (Desigualdade de Chebyshev): Seja X uma varivel aleatria com valor

esperado E(X) = e desvio-padro DP(X) = . Seja P = {x | | x - | < k}, isto P
um intervalo aberto (x - k, x + k), ou seja, um conjunto de valores de X que esto
"perto da mdia", pelo menos k desvios-padro. Ento, para qualquer k > 0, tem-se:
1
Pr( X P ) 2
k
1
Ou seja, Pr(| X | k ) 2
k
1
Que ainda pode ser escrito, Pr(| X |< k ) 1 2
k
A Desigualdade de Chebyshev significa o seguinte: em qualquer distribuio de
probabilidade:

1
- H no mximo = 25% de chances de X estar a 2 ou mais desvios-padro da mdia;
4
assim, h pelo menos 75% de chances de X estar a menos de 2 desvios-padro da
mdia;
1
- H no mximo de chances de X estar a 3 ou mais desvios-padro da mdia;
9
1
- H no mximo de chances de X estar a 4 ou mais desvios-padro da mdia; e
16
1
- Em geral, h no mximo 2 de chances de X estar a k ou mais desvios-padro da
k
1
mdia (k no precisa ser inteiro) ou no mnimo 1 2 de chances de X estar a menos de k
k
desvios-padro da mdia.
3.22 Quantis
Se X uma v.a. discreta com funo de distribuio F(X), ento o nmero real Q(p) o
quantil de ordem p, p [0, 1], da distribuio de probabilidade de X, se
P[ X Q( p )] p

P[ X Q( p )] 1 p
Se X uma v.a. contnua com funo de distribuio F(x), ento o numero real Q(p) o
quantil de ordem p, p [0, 1], da distribuio de probabilidade de X, se
F (Q ( p )) = p
Denominaes especiais:
- Quartil: Q(0,25), Q(0,50) e Q(0,75)

- Decil: Q(0,10) a Q(0,90)
- Centil: Q(0,01) a Q(0,99)
3.23 Momentos
So formas generalizadas capazes de caracterizar os principais aspectos da distribuio

de probabilidade de uma v.a.
Uma funo, cuja a expectncia possui grande interesse, a funo potncia, dada por
(x) = xk, para k = 1, 2, 3,....A expectncia dessa funo denominada k-simo momento
da varivel aleatria X, e indicada por
xik p ( xi ) Caso discreto
i
k' = E ( x k ) = +
x f ( x)dx Caso contnuo
k
Obs:
1' = E ( x1 ) = E ( x) =

2' = E ( x 2 )
A fim de eliminar o efeito da posio da origem na escala da medida, mais til trabalhar
com potncias de X , o desvio da mdia, do que potncias de X. O k-simo momento
em torno da mdia da varivel X dado por
[
k = E (x )k ]
Obs:
[ ]
1 = E ( x )1 = E ( x ) = = 0
2 = E [( x ) ] = V ( x) e V ( X ) = 2
2 ' 2
3.24 Assimetria
A partir do conhecimento dos momentos, podemos determinar o grau de assimetria de

uma distribuio dado por
3
a3 =
()
2
3
3.25 Curtose
A curtose est relacionada com o grau de afastamento dos valores de X em relao sua
mdia. Quanto maior for o valor da varincia, maior ser a disperso e mais achatada
ser a distribuio.
O grau da curtose pode ser obtido por

4
a4 = 3
()
2
4

4. Principais distribuies discretas
4.1 Uniforme
Uma v.a X diz-se ter distribuio uniforme discreta se para todos os valores de x1, x2, ...,
xk tem-se:
1
P ( X = xi ) = , com i = 1, ..., k
k
O valor esperado e a varincia da distribuio Uniforme so:
x i
E( X ) = i =1
k
k
(x i E ( X ))
2
V (X ) = i =1
Demonstrao:
Sabendo que E ( X ) = xi p( xi ) , temos:
1
E ( X ) = xi p ( xi ) = xi =
x i
k k
Sabendo que V ( X ) = E ( X 2 ) ( E ( X )) 2 e que E ( X ) = xi p( x i ), temos:

2 2

2 2 1
E ( X ) = x p( x i ) = x = 2 x 2
i
i i
k k
Substituindo em V ( X ) = E ( X ) ( E ( X )) , temos:
2 2
x xi (x
2
2
E ( X )) 2
V ( X ) = E ( X ) ( E ( X )) = =
2 2 i i
k k k

Supondo que a distribuio uniforme discreta seja:
X 1 2 3 4 5 6
P(X) 1/6 1/6 1/6 1/6 1/6 1/6
F(X) 1/6 2/6 3/6 4/6 5/6 1,0
Os grficos ficam:
4.2 Distribuio de Bernoulli
Seja um experimento onde s pode ocorrer sucesso ou fracasso, e associamos uma

varivel aleatria X aos possveis resultados, de forma que
X = 1, se o resultado for um sucesso
X = 0, se o resultado um fracasso.
A funo de distribuio de Bernoulli ser:
q = 1 p, se x = 0;

P( X ) = p, se x = 1;
0, se x for diferente de 0 ou 1.


Que pode ser expressa por:
P( X = x) = p x (1 p )1 x , com x = 0, 1
O valor esperado e varincia da distribuio de Bernoulli so:

E( X ) = p
V ( X ) = pq
Demonstrao
Sabendo que P(x = 0) = q e P(x = 1) = p, temos
E ( X ) = xi p( xi ) = 0. p ( x = 0) + 1. p( x = 1) = p
Para varincia V ( X ) = E ( X 2 ) ( E ( X )) 2 , temos

E ( X 2 ) = xi2 p ( x i ) = 0 2. p( x = 0) + 12. p( x = 1) = p
V ( X ) = E ( X 2 ) ( E ( X )) 2 = p p 2 = p (1 p ) = pq
4.3 Distribuio Geomtrica
Suponha que seja apresentada uma seqncia de tentativas de Bernoulli, isto , uma
seqncia de eventos independentes, cada um com a mesma probabilidade p de
ocorrncia.
Seja X o nmero de repeties necessrias para obter a ocorrncia de um sucesso, ou
seja, X o nmero de fracassos anteriores ao primeiro sucesso ou, em outras palavras, o
tempo de espera (em termos de ensaios anteriores) para o primeiro sucesso. A varivel X
segue o modelo Geomtrico com parmetro p, onde 0 < p < 1, e tem a seguinte funo de
probabilidade:
P( X = k ) = p (1 p ) k 1
O valor esperado e a varincia da distribuio geomtrica so:

1
E( X ) =
p
q
V (X ) = 2
p
Demonstrao:
Sabendo que:

Temos:
Varincia
V ( X ) = E ( X 2 ) [E ( X )]
2
A varincia dada por:
Ento:
Voltando frmula da varincia
Logo,

Obs: Se X tiver uma distribuio geomtrica como descrita acima e se fizermos Z = X 1,
podemos interpretar Z como o nmero de falhas que precedem o primeiro sucesso.
Temos, ento:
P( Z = k ) = q k p
Onde p = P(sucesso) e q = P(falha).
A distribuio geomtrica possui uma importante propriedade conhecida como falta de

memria. Ela indica a maneira como a varivel incorpora a informao anterior, da
seguinte forma:
- Para quaisquer nmeros inteiros positivos m e n, a P(X m + n | X m) = P( X n).
Demonstrao:
P ( X m + n X m)
P ( X m + n | X m) =
P ( X m)
Pela distribuio acumulada da Geomtrica, temos: P( X x) = 1 q x

Mas, P( X > x) = 1 P( X x) = 1 (1 q x ) = q x . Ento,
P ( X m + n X m) P ( X m + n) q m + n
P ( X m + n | X m) = = = m = q n = P ( X n)
P ( X m) P ( X m) q
Em termo ilustrativos, pode-se considerar que a varivel lembra do presente, mas

esquece do que ocorreu no passado.
Por exemplo, se X representa-se a espera em dias para a ocorrncia de um certo evento,
a probabilidade condicional acima representaria a probabilidade de espera de pelo menos
m + n dias, sabendo que o evento no ocorreu antes de m dias. A propriedade da falta de
memria estabelece que essa probabilidade a mesma de esperar pelo menos n dias.
Os grficos da distribuio geomtrica so:

4.4 Distribuio Binomial
Seja um experimento dentro das seguintes condies:

a) so realizadas n provas independentes;
b) cada prova uma prova de Bernoulli, ou seja, s pode levar ao sucesso ou fracasso;
c) a probabilidade p de sucesso em cada prova constante.
Associando uma varivel aleatria X igual ao nmero de sucessos nessas n provas, X
poder assumir os valores 0, 1, 2,...,n.
Vamos determinar a distribuio de probabilidades dessa varivel X, dada atravs da
probabilidade de um nmero genrico k de sucessos.
Suponhamos que ocorram apenas sucessos nas k primeiras provas e apenas fracassos
nas n-k provas restantes. Indicando sucesso em cada prova por 1 e fracasso por 0,
temos:
1, 1, 1, 1,...,1, 0, 0, 0,...,0
k nk
Como as provas so independentes, a probabilidade de ocorrncia desse evento
p k q nk
Porm, o evento k sucessos em n provas pode acontecer em outras ordens distintas,
todas com as mesmas probabilidades.
Como o nmero de ordens o nmero de combinaes de n elementos k a k, a
probabilidade de ocorrerem k sucessos em n provas ser:
n
P( X = k ) = p k q n k
k
A expresso obtida para P(X=k) o (k+1) termo do desenvolvimento de (q + p ) segundo
n
o Binmio de Newton, da o nome distribuio binomial dado a essa distribuio.
O Valor esperado e a varincia da distribuio Binomial so:

E ( X ) = np
V ( X ) = npq
Os grficos da distribuio binomial so:

Demonstrao:
Sabendo que:
Temos
Pois ( p + q ) n 1 = ( p + (1 p )) n 1 = 1
Varincia
V ( X ) = E ( X 2 ) [E ( X )]
2
Ento:

Ento,
4.5 Distribuio de Poisson
Na Distribuio Binomial, a varivel definida era o nmero de sucessos em certo intervalo

discreto (repetio do experimento). Entretanto, em muitas situaes, poderemos estar
interessados no nmero de sucesso em um certo intervalo contnuo, intervalo este que
pode ser: comprimento, tempo, superfcie etc.
Como exemplo, podemos citar:
a) nmero de defeitos por metro em determinado tecido;
b) nmero de defeitos na impresso de certo livro;
c) nmero de partculas emitidas por fonte radioativa em certo intervalo de tempo;
d) nmero de pessoas que chegam ao caixa de um supermercado no intervalo de tempo
de 3 minutos;
e) nmero de carros que passam por um pedgio no intervalo de tempo de 30 minutos.

Diz-se que uma v.a X tem distribuio de Poisson, com parmetro >0, e representa-se
X ~Poi(), se sua funo de probabilidade for expressa por:
k e
P( X = k ) =
k!
O Valor esperado e a varincia:
E( X ) =
V (X ) =
Demonstrao:
Sabendo que
Temos:
Varincia
V ( X ) = E ( X 2 ) [E ( X )]
2
Ento:

Logo,
Propriedade: se X1, X2, ..., Xn so variveis aleatrias independentes com Xi ~Poi(i), com
i=1, 2, ..., n, ento:
n
Y = X i ~ Poi (1 + 2 + ... + n )
i =1
Aproximao da Binomial Poisson
Quando n e p 0, mantendo-se constante o produto Np, tem-se:

X ~ B ( n, p ) X ~ Poi ( np )
Em geral, a distribuio de Poisson fornece uma boa aproximao da distribuio
binomial quando n > 20 e p 0,05.
Demonstrao:
A partir da funo de densidade de probabilidade Binmia, podemos mostrar como obter

a distribuio de Poisson.
Primeiramente, vamos reescrever a distribuio Binomial da seguinte forma:
n n(n 1)(n 2)...(n k + 1) k n k
P( X = k ) = p k q n k = p q
k k!
Quando n aumenta e p diminui , temos que = np, ento
nk
n(n 1)(n 2)...(n k + 1) k n k n(n 1)(n 2)...(n k + 1)
k
p q = 1
k! k! n n
Sabendo que q = 1 p
nk k
n(n 1)(n 2)...(n k + 1) n(n 1)(n 2)...(n k + 1) k
k n
1 = 1 1
k! n n k! nk n n

Desenvolvendo nK
k
n(n 1)(n 2)...(n k + 1) k
n
1 1
n.n.n...n k! n n
Fazendo a diviso por n
k k
n (n 1) (n k + 1) k 1 2 k 1 k
n
... 1 1 = 1 1 ...1 1 1
n n n k! n n n n n n k! n
Quando n cresce, ou seja, n ,
1 2 k 1
1 n 1 n ...1 n 1 n 1

k

1 e
n
Ento, temos
k
1 2 k 1 k k
1 n 1 n ...1 n 1 n k! 1 n = e
k!
Logo,
k
P( X = k ) = e
k!
Os grficos da distribuio de Poisson so:

4.6 Distribuio Hipergeomtrica
Suponha-se um conjunto de N elementos, R dos quais apresentam certa caracterstica e

R N. Sero extrados n elementos de N, sendo n N sem reposio. Nestes n
elementos existem k elementos de R. Se isto ocorrer, temos o caso de uma distribuio
hipergeomtrica, a qual definida por:
R N R

k n k
P( X = k ) =
N

n
Ou seja,
S
N
R N-R
k n-k
Com a caracterstica Sem a caracterstica

Na Populao R N-R
Na amostra k n-k
O valor esperado e a varincia da distribuio hipergeomtrica so:
E ( X ) = np
N n
V ( X ) = npq
N 1
Sendo: p = R NR R
e q= = 1 = 1 p
N N N
Demonstrao:

Varincia
V ( X ) = E ( X 2 ) [E ( X )]
2

Ento:

Os grficos da distribuio hipergeomtrica so:
4.6 Distribuio Binomial Negativa
Suponha que o processo de Bernoulli seja repetido independentemente at que se

obtenha o r-simo sucesso, sendo r inteiro positivo. Pretende-se contar o nmero de
provas independentes necessrias at obterem-se os r sucessos. Ou seja, X = nmero
de tentativas at se obter o r-simo sucesso.
k repeties do experimento at que S ocorra pela r-sima
Ento, vez
... x S x F x ... x F x S
k 1 repeties do experimento e r 1 ocorrncias de S
A varivel X, assim definida, diz-ter Distribuio Binomial Negativa e representa-se por

X ~ BN (r; p), com r > 0 e 0 < p < 1, onde:
p a probabilidade constante de sucesso, de prova a prova;

r o nmero de sucessos.
A distribuio de probabilidades de uma v.a X ~ BN (r; p) dada por:
k 1 r k r
P( X = k ) = p q , com 0 < p < 1 e q = 1 - p
r 1
Ento X a varivel aleatria que representa a tentativa onde o r-simo sucesso ocorre.
O valor mnimo de X r, pois precisamos fazer r repeties necessrias para que o
sucesso ocorra pela r-sima vez. Logo, o sucesso ocorre (r 1) vezes nas (k 1)
repeties anteriores.
prqk-r a probabilidade de uma sequncia qualquer contendo r sucessos k-r falhas.

O valor esperado e a varincia da distribuio Binomial Negativa so:
r
E( X ) =
p
rq
V (X ) = 2
p
Demonstrao: Sabendo que E ( X ) = xp( X = x) , temos
rp
multiplicando por
rp
Fazendo y = x + 1, temos
Sabendo que;
r
Temos: E( X ) =
p
Para varincia, vamos utilizar E [ X ( X + 1)] , ento:
p 2 r (r + 1)
Multiplicando por , temos:
p 2 r (r + 1)

Fazendo y = x + 2
Sabendo que:
=1
Temos:
r (r + 1)
E [X ( X + 1)] =
p2
Desenvolvendo E [ X ( X + 1)] = E ( X 2 ) + E ( X ) , temos
r (r + 1) r (r + 1) r
E( X 2 ) = 2
E( X ) =
p p2 p
E sabendo que V ( X ) = E ( X 2 ) [E ( X )] , temos

2
2
r (r + 1) r r r (r + 1) rp r 2 r (1 p ) rq
V (X ) = = = = 2
p2 p p p2 p2 p
A distribuio Binomial Negativa tambm conhecida como Distribuio de Pascal, e

uma generalizao da distribuio geomtrica.
Os grficos da distribuio binomial negativa so:

Resumo das Distribuies Discretas
Exerccios
1) Um atirador acerta na mosca do alvo 20% dos tiros. Qual a probabilidade dele acertar
na mosca pela primeira vez no 10 tiro?
Este um exemplo referente Distribuio Geomtrica, ento:
P( X = k ) = p (1 p ) k 1
O valor de p 0,20, dado no problema. Ento:

P( X = 10) = 0,20(1 0,20)101 = 0,20(0,80) 9 = 0,02684
Usando o R, temos:
dgeom(9, 0.20)

Que resulta:
[1] 0.02684355
2. Um atirador acerta na mosca do alvo 20% dos tiros. Se ele d 10 tiros, qual a
probabilidade dele acertar na mosca no mximo 1 vez?
Este um exemplo referente Distribuio Binomial, ento:
n
P( X = k ) = p k (1 p ) n k
k
O valor de p 0,20, dado no problema. Mas a probabilidade pedida de no mximo 1,

logo P(X 1). Ento: P(X 1) = P(X = 0) + P(X = 1). Calculando, temos:
10
P( X = 0) = 0,20 0 (1 0,20)100 = 0,8010 = 0,1074
0
10
P( X = 1) = 0,201 (1 0,20)101 = 0,20(0,80 9 ) = 0,2684
1
Ento, P(X 1) = P(X = 0) + P(X = 1) = 0,1074 + 0,2684 = 0,3758
Usando o R, temos:
dbinom(0, 10, 0.20)
dbinom(1, 10, 0.20)
Que resulta:
[1] 0.1073742
[1] 0.2684355
No R, poderia ser dado o seguinte comando:

pbinom(1, 10, 0.20)
Que resulta:
[1] 0.3758096
3. Em um certo tipo de fabricao de fita magntica, ocorrem cortes a uma taxa de 1 corte
por 2000 ps. Qual a probabilidade de que um rolo com comprimento de 4000 ps
apresente:
a) no mximo 2 cortes?
b) Pelo menos 2 cortes?
Este um exemplo referente Distribuio de Poisson, ento:
k e
P( X = k ) =
k!
O valor de de 1/2000, dado no problema. Mas a probabilidade pedida refere-se a um

rodo de 4000 ps, logo devemos determina um novo , ou seja ', da seguinte forma:

' = * medida do rolo = 1/2000 * 4000 = 2, este valor ser usado na expresso acima.
A letra a) pede no mximo 2 cortes, logo P(X 2). Ento: P(X 2) = P(X = 0) + P(X = 1) +
P(X = 2). Calculando, temos:
2 0 e 2
P ( X = 0) = = e 2
0!
21 e 2
P( X = 1) = = 2e 2
1!
2 2 e 2
P ( X = 2) = = 2e 2
2!
Ento, P(X 2) = P(X = 0) + P(X = 1) + P(X = 2) = e-2 + 2e-2 + 2e-2 = 5e-2 = 0,6767
No R, seria:
dpois(0, 2)
dpois(1, 2)
dpois(2, 2)
Que resulta:
[1] 0.1353353
[1] 0.2706706
[1] 0.2706706
Somando tudo: dpois(0, 2) + dpois(1, 2) + dpois(2, 2)

[1] 0.6766764
Ou usando: ppois(2, 2), que resulta: [1] 0.6766764
A letra b) pede pelo menos 2 cortes, logo P(X 2). Mas: P(X 2) = 1 - P( X < 2). Mas,
P(X < 2) = P(X = 0) + P(X = 1) . Calculando, temos:
2 0 e 2
P ( X = 0) = = e 2
0!
21 e 2
P( X = 1) = = 2e 2
1!
Ento, P(X < 2) = P(X = 0) + P(X = 1) = e-2 + 2e-2 = 3e-2 = 0,4060

E, P(X 2) = 1 - P( X < 2) = 1 - 0,4060 = 0,5940
No R, podemos usar direto o seguinte comando:
1 - ppois(1, 2), que resulta [1] 0.5939942
4. Entre os 16 programadores de uma empresa, 12 so do sexo masculino. A empresa

decide sortear 5 programadores para fazer um curso avanado de programao. Qual a
probabilidade dos 5 sorteados serem do sexo masculino?

Este um exemplo referente Distribuio Hipergeomtrica, ento:
R N R

k n k
P( X = k ) =
N

n
N igual a 16. R se refere ao sexo masculino, logo R = 12. k igual a 5, neste caso, n
igual a 5. Logo
12 16 12 12 4

5 5 5 5 0 = 792 = 0,1813
P( X = 5) = =
16 16 4368

5 5
No R, temos o seguinte comando:
dhyper(5, 12, 4, 5), que resulta: [1] 0.1813187
5. Deseja-se produzir 5 peas boas, em uma mquina que d 20% de peas defeituosas.
Qual a probabilidade de ser necessrio fabricar 8 peas para se conseguir as 5 peas
boas?
Este um exemplo referente Distribuio Binomial Negativa, ento:
k 1 r k r
P( X = k ) = p q
r 1
X = nmero de peas fabricadas at a obteno de 5 peas boas (sucesso)

q = probabilidade do insucesso (peas defeituosas) e igual a 0,20. Mas q = 1 - p, logo p =
0,80 (probabilidade do sucesso). r o nmero de peas boas, igual a 5. Logo,
8 1 7
P( X = 8) = 0,80 5 0,20 85 = 0,80 5 0,20 3 = 0,09175
5 1 4
No R temos o seguinte comando:

dnbinom(3, 5, 0.8), que resulta em [1] 0.0917504
Obs: os valores de entrada no R, so 8 - 5 = 3, pois necessrias 8 peas at que se

obtenha 5 peas boas, ento podem existir 3 defeituosas, e 5 que o total de peas boas.

5. Principais distribuies contnuas
5.1 Distribuio Uniforme
Diz-se que uma v.a. X uniformemente distribuda em a x b se sua funo de

densidade :
1
Se a x b
f ( x) = b a
0 Caso contrrio
A funo de distribuio dada por
0 Se x < a
x a

F ( x) = P ( X x) = Se a x < b
b a
1 bx
O valor esperado e a varincia da distribuio uniforme so:

a+b
E( X ) =
2
V (X ) =
(b a )2
12
Demonstrao:
Sabendo que E ( x) = xf ( x)dx , temos:

1 x b 1 (b a ) (b + a)(b a) a + b
b b
1
2 2 2
E ( x) = xf ( x)dx = x dx = | = = =

a
a a b a b a 2 b a 2 2(b a ) 2
Sabendo que V ( x) = E ( x 2 ) [E ( x)] e que E ( x 2 ) = x 2 f ( x)dx , temos:

2
(b a)(a 2 + ab + b 2 ) a 2 + ab + b 2
( )
b
1 1 x b
3
1
E ( x 2 ) = x 2 f ( x)dx = x 2 dx = |a = b3 a 3 = =
a ba ba 3 3(b a) 3(b a) 3
Substituindo, temos:
a 2 + ab + b 2 a + b a 2 + ab + b 2 a 2 + 2ab + b 2
2
V ( x) = E ( x 2 ) [E ( x)] = = =
2
3 2 3 4
4(a + ab + b ) 3(a + 2ab + b ) a 2ab + b
2 2 2 2 2 2
(b a ) 2
= =
12 12 12

Os grficos de distribuio uniforme so:
Exemplo:
A ocorrncia de panes em qualquer ponto de uma rede telefnica de 7km foi modelada
por uma distribuio Uniforme no intervalo [0, 7]. Qual a probabilidade de que uma pane
venha a ocorrer nos primeiros 800 metros? E qual a probabilidade de que ocorra nos 3km
centrais da rede?
Como foi dito que a ocorrncia das panes segue uma Uniforme no intervalo [0, 7], temos:
1 1 1 Se 0 x 7

f ( x) = b a f ( x) = 7 0 f ( x) = 7
0 0 0 caso contrrio
0,8
1 1 1
7 dx = 7 x |
= (0,8 0) = 0,1142
0,8
800 metros equivale a 0,8 Km. Ento P(X 0,8) = 0
0
7
A ocorrncia de uma pane nos 3 Km centrais equivale ao intervalo [2, 5], logo
Aqui, poderamos ter usado para o clculo a funo acumulada F(x), da seguinte forma:
50 20 5 2
P (2 x 5) = F (5) F (2) = = = 0,4285
70 7 0 7 7
No R podemos usar:
punif(0.8, min=0, max=7), que resuta [1] 0.1142857
punif(5, 0, 7) - punif(2, 0, 7), que resulta [1] 0.4285714
5.2 Distribuio Normal
Uma das mais importantes distribuies contnuas de probabilidade, por vezes chamada
de Curva de Gauss. A sua funo de densidade dada por:

1 x
2

f ( x) =
1
e 2

com < x <
2
Onde:
= 3,14159...
e = 2,71828...
a mdia e o desvio padro
A funo de distribuio dada por

1 x
2
x
1
2
F ( x) = P( X x) =
2 e

dx
Logo, diz-se que X uma v.a.c distribuda normalmente com valor esperado e varincia
dados por
E(X) =
V(X) = 2
Demonstrao:
1 x 1 x
2 2
+ +
1 1
2
E ( x) = x f ( x)dx = x e 2 dx = xe dx
2 2
x
Fazendo x = + z, sabendo que z = , temos:

1 x 1 x 1 x
2 2 2
+ + +
1 1 1
( + z)e
2 2
E ( x) = x f ( x)dx = x e 2 dx = xe dx = dx =
2 2 2
1
1 x 1 x
2 2
+ +

= e 2 dx + ze 2 dx
2

x z 1
Derivando z = , em relao a x, temos: = x = z , temos:
x
+ +
1 ( z )2
1
( z )2
1
1 + 12 ( z )2 +
( z )2
1

= e 2
dz + ze 2
dz =
e dz + ze 2
dz
2 2
+ +
1 (z )
1 2
1 (z )
1 2
Sabendo que
2 e

2
dz = 1 e
2 ze

2
dz = 0 , temos:

E (x) = .1 + .0 =
Para a varincia, vamos usar V ( x) = E [x E ( x)] = ( x ) 2 f ( x)dx , uma vez que E(x) = .
2
Substituindo, temos:
1 x
2
+
1
( x 2
) f ( x ) dx = ( x )2
e 2
dx
2
x z 1
Usando z = e derivando em relao a x, = x = z , temos:
x
1 x
2
+ + +
( z )2 1 2 ( z )2
1 1
1 1
( x ) 2
f ( x ) dx = ( x ) 2
e 2
dx = z 2 2 e 2 dz = 2 z 2 e dz
2 2 2
1
( z)2
Integrando por partes, pondo u = z e v = ze 2 , fcil verificar que a integral igual a 1,
logo:
V ( x) = 2
Propriedades da Distribuio Normal
a) a funo simtrica em torno da mdia , ou seja x = + x

b) a funo tem um ponto de mximo para x = ;
c) a funo duplamente assinttica (no corta o eixo x);
d) a funo tem dois pontos de inflexo para x = ;
e) a rea sob a curva igual a 1, onde x varia de a + , logo
P( < x < +) = 1
Graficamente,
Para o clculo das probabilidades, surgem dois problemas:
a) para a integrao de f(x), porque o clculo dever ser feito em sries;

b) na elaborao de uma tabela de probabilidades,visto que f(x) depende de dois
parmetros ( e 2), que implica um grande trabalho para se conseguir tabelar todas
essas probabilidades, tendo em vista as vria combinaes existentes entre e 2.
Para resolver estes problemas, foi proposta uma mudana na varivel X, criando-se,
assim, a varivel Z chamada de varivel padronizada dada por:
X
Z=

Esta varivel Z possui mdia = 0 e varincia 2 = 1. Assim, a distribuio normal de X

N(, 2) pode ser transformada na normal padronizada Z = N(0,1).
A varivel Z possui a seguinte funo de densidade:
1
1 2 z2
f ( z) = e
2
Esta funo comumente designada funo ou distribuio de densidade normal

padronizada.
A funo de distribuio correspondente dada por:
z 1
1 z2
F ( x) = P( X x) =
2 e

2
dz
O grfico seria:
Existem tabelas que nos do as reas sob a curva normal padronizada, resultante de
integrao numrica aplicada relao:
b 1
1 z2
P ( a x b) =
2 e
a
2
dz

f(x)
X ~ N( ; )
2
f(z)
Z ~ N(0 ; 1) a b x
a 0 b z

Portanto,
a X b a b
P(a < X < b ) = P < < = P <Z <

Contudo, as tabelas nos do o valor da probabilidade at um determinado valor de z:
Por exemplo:
a) P(Z 0,32)

P(Z 0,32) = A(0,32) = 0,6255.
Usando a tabela
z 0 1 2
0,0 0,5000 0,5039 0,5079
0,1 0,5398 0,5437 0,5477
0,2 0,5792 0,5831 0,5870
0,3 0,6179 0,6217 0,6255
. . . .
. . . .
. . . .
No R podemos usar:
pnorm(0.32), que resulta [1] 0.6255158
b) Seja X ~ N(10 ; 64) ( = 10, 2 = 64 e = 8 )

Calcule P(6 X 12)
6 10 X 10 12 10
= P < < = P ( 0,5 < Z < 0,25)
8 8 8
= A(0,25) - (1 - A(0,5) )
= 0,5987- ( 1- 0,6915 )
= 0,5987- 0,3085 = 0,2902
No R usamos:
pnorm(0.25) - pnorm(-0.5), que resulta [1] 0.2901688
Para a distribuio Normal, a proporo de valores caindo dentro de um, dois, ou trs
desvios padro da mdia so:

5.3 Distribuio Exponencial
Uma varivel aleatria X, que tome todos os valores no negativos, ter uma distribuio
exponencial, com parmetros >0, se sua funo de densidade de probabilidade for dada
por
e x Se, x>0
f ( x) =
0 Caso, contrrio
A mdia e a varincia so:

E(x) = 1/
Var(x) = 1/
Demonstrao:
+
x
E ( x) = xf ( x)dx = xe
0
dx
u u
Fazendo u = x e derivando em relao a x = u = x e x = , temos:
x
+ +
E ( x) = xf ( x)dx = xe x
dx = e
u u
du =
1

[ e ]
u +
0 =
1

[ e
]
+ e0 =
1

0 0
Para varincia, sabendo que V ( x) = E ( x 2 ) [E ( x)] , temos:

2
+
x
E ( x 2 ) = x 2 f ( x)dx = x e
2
dx
0

e x u
Fazendo u = x 2 e v = , derivando em relao a x = 2 x u = 2 xdx e
x
v
= e x v = e x x , e integrando por partes udv = uv vdu , temos
x
+
+ +
e x e x
E ( x ) = x f ( x)dx =
2 2
x e
2 x
( )
dx = x 2 2 xdx
0 0 0

+
[
= x e ]
2 x +
0 +
2
xe
x
dx
0
+
Sabendo que x 2e x [ ]
+
0 = 0 e que xe
x
dx =
1

, temos
0
21 2
E( x2 ) = 0 + =
2
2
1
Que resulta, V ( x) = E ( x 2 ) [E ( x)] =
2 2 1 1
= 2 2 = 2
2
P( X > x) = e x
Para o clculo das probabilidades, usamos: x
P( X x) = 1 e
Os grficos desta distribuio ficam:
Exemplo:
Suponha que, em determinado perodo do dia, o tempo mdio de atendimento em um
caixa de banco seja de 5 minutos. Admitindo que o tempo para atendimento tenha
distribuio exponencial, determine a probabilidade de um cliente:
a) Esperar mais do que 5 minutos;

b) Esperar menos do que 5 minutos.
Ento temos:
a) P(X>5)= e-x
Mas E(x) = 1/ , logo 5 = 1/ , ento = 0,2
P(X>5)=e-x = e-0,2(5) = e-1 = 0,3679 ou 36,79%
b)P(X<5) = 1 e-x = 1 e-0,2(5) = 1 0,3679 = 0,6321 = 63,21%
No R podemos usar:
pexp(5, rate=0.2, lower=F), que resulta [1] 0.3678794 e
pexp(5, rate=0.2, lower=T), que resulta [1] 0.6321206
Assim como a distribuio geomtrica, a distribuio exponencial possui a propriedade

conhecida como falta de memria:
- Para quaisquer nmeros inteiros positivos m e n > 0, a P(X m + n | X m) = P( X n).
Para entender isto, considere que o tempo de vida de um equipamento siga um modelo
exponencial. A probabilidade de durar pelo menos m + n anos, dado que j durou m,
igual probabilidade de um equipamento novo durar pelo menos n anos. Em outras
palavras, a informao da idade do equipamento pode ser esquecida e o que importa,
para o clculo da probabilidade, quanto anos a mais queremos que dure.
Demosntrao:
Sabendo que P( X > x) = e x , temos:
P ( X m + n X m) P ( X m + n ) e ( m + n )
P ( X m + n | X m) = = = m = e n = P ( X n)
P ( X m) P ( X m) e
Relao entre a Poisson e a Exponencial
Se o nmero de ocorrncias de um processo de contagem segue uma distribuio de

Poisson(), ento as variveis aleatrias Tempo at a primeira ocorrncia e Tempo
entre quaisquer ocorrncias sucessivas do referido processo tm distribuio
Exponencial().
F(T) = P(T t)
= 1 - P(T > t)
= 1 - P(nenhuma ocorrncia em t)
= 1 - P(Xt =0)
e 0
=1-
0!
-
=1e
Assim, a varivel T tem distribuio exponencial com parmetro .

Apostila Probabilidade IME 2016-2-1a Parte Definitiva 2

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Apostila Probabilidade IME 2016-2-1a Parte Definitiva 2

Transféré par

Droits d'auteur :

Formats disponibles

1 Teoria dos conjuntos

O conceito de conjunto fundamental no somente no estudo da probabilidade e

Um conjunto pode ser considerado como uma coleo de objetos, chamados

Em geral, denota-se um conjunto por uma letra maiscula (A, B, C,...) e um

A relao entre um conjunto e seus elementos feita atravs da pertinncia.

Um conjunto pode ser definido relacionando-se todos os seus elementos, ou,

Se todo elemento de um conjunto A tambm elemento de um conjunto B,

1.3 Conjunto Universo - U

Em muitos casos restringimos nosso estudo a subconjuntos de um determinado

1.4 Conjunto vazio ()

o conjunto desprovido de elementos, denotado por . O conjunto vazio

1.5 Operaes com conjuntos

a) Unio o conjunto de todos os elementos que pertencem a A, ou a B, ou a ambos,

Apostila de Probabilidade Cap QCO GILBERT QUEIROZ DOS SANTOS IME/2016 1

b) A interseo dos n conjuntos expressa por

c) Diferena o conjunto formado pelo elementos de A que no pertencem a B

Apostila de Probabilidade Cap QCO GILBERT QUEIROZ DOS SANTOS IME/2016 2

d) Complemento se A B ento B A o complementar de B em relao a A; denota-

12) Diferena simtrica: A B

1.6 Leis da lgebra dos Conjuntos

1.7 Nmero de elementos de um conjunto

Sejam dois conjuntos A e B disjuntos, isto A B = , ento o nmero de elementos da

n[A B] = n[A] + n[B]

Apostila de Probabilidade Cap QCO GILBERT QUEIROZ DOS SANTOS IME/2016 3

n[A B] = n[A] + n[B] n[A B]

Exemplo: seja A = {a, b, c, d, e} e B = {c, d, e, f, g, h, i}; vamos determinar n[ A B] e

Ento, de A temos n[A] = 5 e de B temos n[B] = 7.

Vamos montar o Diagrama de Venn:

install.packages("VennDiagram") # para instalar o pacote

venn.diagram(list(A = A, B = B), filename = "teste1.tiff", main="Diagrama de Venn") # este

O diagrama fica assim:

Apostila de Probabilidade Cap QCO GILBERT QUEIROZ DOS SANTOS IME/2016 4

Podemos determinar o nmero de elementos do conjunto de partes de um conjunto A

Anlise Combinatria um conjunto de procedimentos que possibilita a construo de

Apostila de Probabilidade Cap QCO GILBERT QUEIROZ DOS SANTOS IME/2016 5

Para todo nmero inteiro n, sendo n 2, definimos:

que se l fatorial de n ou n fatorial.

Quando formamos agrupamentos com m elementos, de forma que os m elementos sejam

[2,] "A" "C" "B" [5,] "C" "A" "B"

[3,] "B" "A" "C" [6,] "C" "B" "A"

Apostila de Probabilidade Cap QCO GILBERT QUEIROZ DOS SANTOS IME/2016 6

Anagrama: Um anagrama uma (outra) palavra construda com as mesmas letras da

Apostila de Probabilidade Cap QCO GILBERT QUEIROZ DOS SANTOS IME/2016 7

2.2.4 Permutaes Caticas

Uma permutao de m elementos de um conjunto dita catica (ou desordenada) quando

O nmero de permutaes caticas dado por:

Sendo C={a, b, c, d} , as permutaes caticas so:

So agrupamentos formados com p elementos, extrados de um conjunto com m

Apostila de Probabilidade Cap QCO GILBERT QUEIROZ DOS SANTOS IME/2016 8

[2,] "A" "C" [8,] "C" "B"

[3,] "A" "D" [9,] "C" "D"

[5,] "B" "C" [11,] "D" "B"

[6,] "B" "D" [12,] "D" "C"

Arn ,0 = n 0 = 1 Arn ,1 = n1 = n An, n = n n

Computacionalmente, temos com o uso do R:

Apostila de Probabilidade Cap QCO GILBERT QUEIROZ DOS SANTOS IME/2016 9

Quando formamos agrupamentos com p elementos, (p<m) de forma que os p elementos

Clculo para o exemplo: C(4,2)= =

Exemplo: Seja C={a,b,c,d}, m=4 e p=2. As combinaes simples desses 4 elementos

Apostila de Probabilidade Cap QCO GILBERT QUEIROZ DOS SANTOS IME/2016 10

Do conceito de combinao, temos a seguinte relao importante

Computacionalmente, temos no R o seguinte:

2.4.2 Combinao com repetio: Todos os elementos podem aparecer repetidos em

Apostila de Probabilidade Cap QCO GILBERT QUEIROZ DOS SANTOS IME/2016 11