Universidade Federal do Piauí

Campus Universitário Profa. Cinobelina Elvas – Bom Jesus, PI

Profa. Gisele

IV - PROBABILIDADE

1. INTRODUÇÃO
Os estatísticos ao modelarem dados experimentais ou amostrais, estão sempre a considerar a
variabilidade apresentada por esses dados. A descrição por meio da distribuição de freqüências é
um mecanismo usado para avaliar a variabilidade dos dados. O fenômeno sob estudo não necessita,
na maioria dos casos, ser observado diretamente. Existem inúmeros modelos teóricos que são
apropriados para reproduzir a distribuição de freqüência que seria obtida da observação direta do
fenômeno.
A teoria das probabilidades nos dá o instrumental para a construção e análise de modelos
matemáticos relativos a fenômenos aleatórios. Ao estudarmos um fenômeno aleatório temos diante
de nós um experimento cujo resultado não pode ser previsto. Daí a utilização de probabilidades
indica que existe um elemento do acaso, ou de incerteza, quanto à ocorrência ou não de um evento.
Em outras palavras, a teoria das probabilidades estuda os fenômenos aleatórios com vários
resultados possíveis, quantificando as suas probabilidades de ocorrência. Com base na teoria das
probabilidades, jamais será possível afirmar por antecipação o que vai ocorrer num experimento
aleatório, pois isso dependerá sempre do acaso, no entanto, ela permite prever o que pode ocorrer e
ainda dimensiona a chance de ocorrência de cada uma das possibilidades. Entende-se por “chance”
a medida da ocorrência das circunstâncias favoráveis.
A obtenção de valores numéricos de probabilidades não é o principal objetivo da teoria das
probabilidades, mas sim a descoberta de leis gerais e a construção de modelos teóricos satisfatórios,
importantes em muitas situações que envolvam tomadas de decisão. Com o advento dessa teoria,
todos os processos inferenciais são aplicações de distribuições de probabilidade. Assim, o
conhecimento dos conceitos da teoria das probabilidades é de fundamental importância para a
utilização das técnicas estatísticas.

2. CONCEITOS FUNDAMENTAIS
2.1. EXPERIMENTO
É o fato ou fenômeno que se está estudando.

1
Ex:
* o lançamento de uma moeda;
* extração de uma carta de um baralho; a análise do clima; o estudo da economia, etc.

2.2.1. Experimento determinístico ou não aleatório

Aquele que quando repetido sob as mesmas condições conduzem sempre ao mesmo resultado.
Ex1:
* Ebulição da água em 10 latas de mesma capacidade.
* Considerando a equação e = −4,9t 2 + vo t , que representa a distância vertical percorrida por um
objeto acima do solo, sendo vo a velocidade inicial e t o tempo gasto na queda. Portanto, conhecidos
os valores de vo e t, o valor de e fica implicitamente determinado. Nota-se que existe uma relação
definida entre t e e, que determina univocamente a quantidade no primeiro membro da equação, se
aquelas do segundo membro forem fornecidas.

2.1.2. Experimento probabilístico ou aleatório ou não determinístico

É aquele cujos resultados podem não ser os mesmos, ainda que sejam repetidos sob condições
essencialmente idênticas.
Ex:
* lançar uma moeda 10 vezes e observar o número de caras obtidas;
* selecionar uma carta de um baralho com 52 cartas e observar seu “naipe”;
* jogar um dado ao ar e observar a sua face superior.

2.2. MODELO
Todas as vezes que empregamos a matemática a fim de estudar alguns fenômenos de
observação, devemos essencialmente começar pro construir um modelo matemático (probabilístico
ou determinístico) para esses fenômenos. O modelo deve simplificar a avaliação do fenômeno e
certos pormenores devem ser desprezados.

2.2.1. Modelo determinístico

É aquele que, a partir das condições em que o experimento é realizado, pode-se determinar seu
resultado.

2.2.2. Modelo probabilístico

É aquele em que as condições de execução de um experimento não determinam o resultado
final, mas sim o comportamento probabilístico do resultado observável.

2
2.3. ESPAÇO AMOSTRAL (S)
Chama-se espaço amostral o conjunto de todos os possíveis resultados de um experimento
aleatório ou, em outras palavras, é o conjunto universo relativo aos resultados de um experimento.
Pode ser discreto (enumeração finita ou infinita) ou contínuo.
Assim, pode-se dizer que, a cada experimento aleatório ou probabilístico sempre estará
associado um conjunto de resultados possíveis ou espaço amostral S.
Ex: Experimento aleatório: lançamento de três moedas consecutivas.
Espaço amostral:
S = {CaCaCa; CaCaCo; CaCoCa; CaCoCo; CoCaCa; CoCaCo; CoCoCa; CoCoCo}
Em que, n = 8 (n = número de eventos que ocorrem no espaço amostral S)

2.3.1. Espaço amostral finito

Seja S um espaço amostral finito: S = {a1, a2, a3, ... , an}
Um espaço de probabilidade finito é obtido associando-se a cada ponto ai ∈ S, um número
real Pi, chamado de probabilidade de ai, satisfazendo às seguintes condições:
(i) Pi ≥ 0, para i = 1, 2, ..., n
n
(ii) Pi + Pi + ... + Pi = ∑ P =1 i
i =1

Ex: Número de caras em três lançamentos consecutivos de uma moeda.

S = {0, 1, 2, 3}
P (0) = 1/8; P(1) = 3/8; P(2) = 3/8 e P (3) = 1/8
8

∑ P = 1/8 + 3/8 + 3/8 + 1/8 = 1

i =1
i

2.3.2. Espaço amostral finito equiprovável

Seja S um espaço de probabilidade finito. Se cada ponto de S tem a mesma probabilidade de
ocorrer, então o espaço amostral chama-se equiprovável ou uniforme. Em particular se S contém n
1 1
pontos, então a probabilidade de cada ponto será ou
n número de elementes de S
r
Se um evento A tem r pontos, então P( A) =
n
Este método de avaliar P (A) é frequentemente enunciado da seguinte maneira:
número de elementos de A
P (A) =
número de elementes de S
Ex: lançamento de um dado

3
S = {1, 2, 3, 4, 5, 6}
P (1) = P (2) = P ( 3) = P (4) = P (5) = P (6) = 1/6
EVENTO A – jogando o dado cair 2, 3 ou 4
A = {2, 3, 4}
P (A) = P (2) + P (3) + P (4) = 1/6 + 1/6 + 1/6 = 3/6

Ex.: Número de caras em três lançamentos consecutivos de uma moeda.

S = {0, 1, 2, 3}

EVENTO A - no máximo uma cara

A = {0, 1}
P (A) = P (0) + P (1) = 1/8 + 3/8 = 4/8

2.4. EVENTO
É todo conjunto particular de resultados de S ou ainda, todo subconjunto de S.

Os eventos são classificados em:

2.4.1. Evento simples
Formado por um único elemento do espaço amostra S.
Ex: ocorrência da face 3 no lançamento de um dado.

2.4.2. Evento composto

Formado por mais de um elemento do espaço amostral S.
Ex: ocorrência de face par no lançamento de um dado.

2.4.3. Evento certo

É aquele que ocorre em qualquer realização do experimento. É o espaço todo S, então
P(S) = 1.
Ex: no lançamento de um dado fatalmente sairá a face 1, 2, 3, 4, 5 ou 6.

2.4.4. Evento impossível

É aquele que não ocorre em qualquer realização do experimento. É o conjunto vazio ∅, então
P (∅) = 0
Ex: no lançamento de um dado sair a face 7

4
2.4.5. Evento complementar
Para um evento A qualquer, o complementar de A, denotado por A é dado por A = S – A, ou
seja, é um conjunto formado pelos elementos que pertencem a S e não pertencem a A. O resultado
da reunião de A e A é exatamente o espaço amostral.
Ex: Coroa é complementar de cara (e vice-versa); o conjunto de cartas de paus, ouros e copas são
complementares do conjunto de espadas.

2.4.6. Eventos mutuamente exclusivos

Caracteriza-se quando dois ou mais eventos não podem ocorrer simultaneamente, ou seja, a
ocorrência de um exclui a possibilidade de ocorrência do outro evento. Correspondentemente,
caracterizam-se, na teoria dos conjuntos, por dois conjuntos disjuntos, isto é, que não possuem
nenhum ponto em comum (Ex: A ∩ B = ∅). Em outras palavras, dois eventos A e B são
mutuamente exclusivos se o seu conjunto interseção for vazio, ou seja, A ∩ B = ∅ ⇔ A e B são
disjuntos.
Ex:
* se a carta é de copas, então ela não é de ouro;
* se o tempo está nublado, então não há sol;
* ocorrência de face menor que 2 ou maior que 5 no lançamento de um dado.
P (face menor que 2) = 1/6 = 0,167 ou 16,7%
P (face menor que 5) = 1/6 = 0,167 ou 16,7%
Nota-se que os eventos “face menor que 2 ou face maior que 5” são mutuamente excludentes,
pois a ocorrência de um, impossibilita a ocorrência do outro. Porém, não são complementares, pois
não esgotam todos os resultados possíveis do experimento. Eventualmente, poderão esgotar todos
os resultados possíveis, nesse caso serão chamados de mutuamente excludentes e exaustivos.

2.4.7. Eventos independentes

Diz-se que dois ou mais eventos são independentes quando não exercem ações recíprocas,
comportando-se cada um de maneira que lhe é própria sem influenciar os demais. Caracteriza-se,
portanto, quando a ocorrência de um evento não for afetada pela ocorrência do outro, sendo a
recíproca verdadeira.
Ex: considerando o lançamento de duas moedas
Tem-se que S = {CaCa; CaCo; CoCo; CoCa}, os resultados dos eventos são independentes de uma
moeda para outra.

5
2.4.8. Evento condicionado
Quando associados dois ou mais eventos a um experimento aleatório qualquer dizemos que
eles são condicionados a outro evento B do mesmo experimento. Caracteriza-se quando a
ocorrência de um evento A qualquer dependa da ocorrência de outro evento B.
Ex:
* retirada, sem reposição, de duas cartas vermelhas de um baralho completo.
* uma caixa contém 20 bolas numeradas de 1 a 20. Pretendo sortear a bola 5 e a bola 8. Tiro uma
bola e verifico que é a bola 8.

3. AXIOMAS DO CÁLCULO DE PROBABILIDADES

AXIOMA é uma proposição evidente por si mesma e que não carece de

demonstração e sobre a qual se funda uma ciência.

Seja E um experimento e S um espaço amostral associado a S. A cada evento A de S

associaremos um número real P (A), denominado probabilidade de ocorrência do evento A, se
forem satisfeitas as seguintes condições ou axiomas:
(i) P (S) = 1
(ii) 0 ≥ P (A) ≤ 1, para qualquer evento A em S.
(iii) Se A e B são dois eventos de S e são mutuamente exclusivos, então P (A ∪ B) = P (A) + P (B)
Este último axioma pode ser generalizado para o caso de um número finito de eventos
mutuamente exclusivos, ou seja,
n
P( A1 ∪ A2 ∪ ... ∪ An ) = P ( A1 ) + P ( A2 ) + ... + P( An ) = ∑ P( Ai )
i =1

4. TEOREMAS DO CÁLCULO DE PROBABILIDADES

Além dos axiomas, o cálculo das probabilidades possui teoremas ou propriedades.

TEOREMA é uma proposição que, para ser admitida ou se tornar evidente,

necessita de demonstração.

Esses teoremas são ilustrados e mais facilmente compreendidos com o uso da teoria dos
conjuntos. O Diagrama de Venn consiste numa das formas mais simples e simples de se apresentar
e tornar compreensível os conceitos e propriedades ,apresentadas.

6
 S
A B C
A∩B

Como (A ∩ B) ≠ 0, então A e B não são mutuamente exclusivos. O Diagrama de Venn mostra que
os eventos A e B ou A e C são mutuamente exclusivos, pois se A ocorrer, C não ocorre e vice-versa. Para
essas situações:
(A ∪ C) = P (A) + P (C)
(B ∪ C) = P (B) + P (C)

4.1. Teorema da soma das probabilidades – P (A ou B)

Se A e B são dois eventos quaisquer, então:
Para eventos NÃO mutuamente exclusivos:
P (A ou B) = P (A ∪ B) = P (A) + P (B) – P (A ∩ B)

Para eventos mutuamente exclusivos:

P (A ou B) = P (A ∪ B) = P (A) + P (B)

OBS1: Para três eventos quaisquer:

P (A ∪ B ∪ C) = P (A) + P (B) + P (C) – P (A ∩ B) – P (A ∩ C) – P (B ∩ C) + P (A ∩ B ∩ C)

OBS: Regra intuitiva da adição: Para achar P (A ou B), somamos o número de ocorrências
possíveis de A e o número de ocorrências possíveis de B, adicionando esses números de tal modo
que cada resultado seja contado apenas uma vez. P (A ou B) é igual a essa soma dividida pelo
número total de resultados possíveis.
P (pelo menos um) = P (ao menos um) = P (um ou mais) = 1 – P (não obter nenhum item daquele
tipo)

Ex: Numa urna são misturadas cinco bolas numeradas de 1 a 5. Uma bola é retirada. Qual a
probabilidade de sair par?
1 1
P (2 ou 4) = P (2) + P (4) = + = 2/5
5 5

7
4.2. Teorema do produto das probabilidades – P (A e B)
4.2.2. Independência estocástica ou probabilística (eventos independentes)
Se dois eventos A e B são independentes, então P (A/B) = P (A). A ocorrência de B não afeta
a probabilidade de A ocorrer. Então, se A for independente de B tem-se a definição de
independência.
P (A e B) = P (A ∩ B) = P (A) . P (B)
É fácil observar que se A é independente de B, então, B é independente de A.

Ex: Retiram-se, com reposição, duas peças de um lote de 10 peças, onde 4 são boas. Qual a
probabilidade de que ambas sejam defeituosas?
Sejam os eventos A = {a 1ª peça ser defeituosa}
B = {a 2ª peça ser defeituosa}
P(A I B) = P(B) × P(A) = 6/10 × 6/10 = 0,36 ou 36%

4.2.2. Probabilidade condicional (eventos condicionados)

É a probabilidade de um evento A ocorrer dado que um evento B já tenha ocorrido e vice-versa.
P (A ∩ B)
P (A/B) = ∴ P (A ∩ B) = P (B).P (A/B)
P (B)
P (A ∩ B)
P (B/A) = ∴ P (A ∩ B) = P (A).P (B/A)
P (A)
Ex: Suponha o seguinte experimento aleatório: o lançamento de um dado.
Queremos obter a probabilidade de num lançamento sair o número 3 e ser ímpar. Os eventos são,
portanto: A → de sair o número 3; B → de ser ímpar.
Ou seja, P (A) = {3} = 1/3
P (B) = {1, 3, 5} = 3/6 = 1/2
Dada a informação da ocorrência de um evento B, teremos a redução do espaço amostral ao
avaliar a ocorrência do evento A; no exemplo o espaço S = {1, 2, 3, 4, 5, 6} foi reduzido para S* =
{1, 3, 5}, e é nesse espaço reduzido que se avalia a probabilidade do evento A dado a ocorrência de
B. Ou seja, P (A/B) = 1/3. Em outras palavras, pode-se dizer que P (A/B) significa dizer a
probabilidade de ocorrer o evento A dentro do espaço amostral de B. Ou ainda, P (A/B) significa
dizer a probabilidade de ocorrer o evento A dentro do espaço amostral de B.

Utilizando uma fórmula, temos que:

3 1 1
P (A ∩ B) = P (B).P (A/B) = . =
6 3 6

8
 Outro Ex: Numa urna são misturadas cinco bolas numeradas de 1 a 5. Duas bolas são
retiradas (a, b) sem reposição. Qual a probabilidade de:
a) a + b = 5
P (1 e 4) ou P (2 e 3) ou P (3 e 2) ou P (4 e 1) =
P (1) . P (4) + P (2) . P( 3) + P (3) . P(2) + P (4) . P (1) =
1 1 1 1 1 1 1 1 1 1
. + . + . + . = 4. . = 1 / 5
5 4 5 4 5 4 5 4 5 4

b) ambas as bolas serem pares

1 1 1 1 1 1
P (2 e 4) ou P (4 e 2) = P (2). P (4) + P (4) . P (2) = . + . = 2. . = 1/ 10
5 4 5 4 5 4

Outro Ex: Retiram-se, sem reposição, duas peças de um lote de 10 peças, onde 4 são boas.
Qual a probabilidade de que ambas sejam defeituosas?
Sejam os eventos A = {a 1ª peça ser defeituosa}
B = {a 2ª peça ser defeituosa}
P(A I B) = P(B) × P(A/B) = 6/10 × 5/9=1/3 0,333 ou 33,3%

4.2.2.1. Teorema da Probabilidade total:

Se os eventos B1, B2, ..., Bn são eventos mutuamente exclusivos e exaustivos e constituem
uma partição de um espaço amostral S. Então, para um evento arbitrário A,
n
P (A) = ∑ P (A/Bi ).P (B)
i =1

É claro, que podemos escrever A como sendo a união dos eventos mutuamente exclusivos, isto é:
A = ( A ∩ B1 ) ∪ ( A ∩ B2 ) ∪ ... ∪ ( A ∩ Bn )

9
 Logo, P( A) = ( A ∩ B1 ) + ( A ∩ B2 ) + ... + ( A ∩ Bn )

O teorema da probabilidade total deve atender as seguintes condições:

(i) se B1, B2, ..., Bn é um conjunto de eventos mutuamente exclusivos e exaustivos, quaisquer dois
eventos Bi e Bj não podem ocorrer ao mesmo tempo e um deles deve ocorrer. Ou seja, Bi ∩ B j = ∅,

com i ≠ j.
(ii) B1 ∪ B2 ∪ ... ∪ Bn = S

(iii) P (Bi) > 0

Exemplo:
Um pesquisador desenvolve sementes de quatro tipos de plantas: P1, P2, P3 e P4. Plantados
canteiros-pilotos destas sementes, a probabilidade de todas as sementes P1 germinarem é de 40%,
30% para P2, 25% para P3 e 50% para P4. Escolhido um canteiro ao acaso, qual a probabilidade
que todas as sementes tenham germinado?

Sabendo-se que:
P (G/P1) = 0,40; P (G/P2) = 0,30;
P (G/P3) = 0,25 e P (G/P4) = 0,50
S = {P1, P2, P3, P4} = P (1) = P (2) = P (3) = P (4) = 1/4

Então, utilizando-se o teorema da probabilidade total, tem-se:

n
P ( A) = ∑ P ( A / Bi ).P ( Bi )
i =1

P ( A) = 0,40.0,25 + 0,30.0,25 + 0,25.0,25 + 0,50.0,25

P ( A) = 0,362 ou 36,2%

Logo, escolhido um canteiro ao acaso, a probabilidade de que todas as sementes tenham

germinado é 36,2%.

4.2.2.2. Teorema de Bayes

Com base na definição de probabilidade condicional pode-se estabelecer um resultado
bastante útil, conhecido como Teorema de Bayes ou também denominado fórmula da probabilidade
das “causas” ou dos “antecedentes”.

10
 Este teorema é baseado na partição de um espaço amostral S, num evento associado a esta
partição e na probabilidade de qualquer evento Bi ocorrer dado que o evento A já tenha ocorrido. Ou
seja, a expressão do teorema de Bayes dá a probabilidade de um particular Bi (causa), dado que o
evento A tenha ocorrido.
Sejam A e B dois eventos arbitrários com P (A) > 0 e P (B) > 0. Então,
P( A / B).P( B)
P( A / B) =
P ( A)
Combinando este resultado com o teorema da probabilidade total, temos como conseqüência:
P ( A / B j ).P( B j )
P( B j / A) = n

∑ P( A / B ).P( B )
i =1
i j

Para qualquer j onde os Bi representam um conjunto de eventos mutuamente exclusivos e

exaustivos.
A utilidade deste teorema consiste em permitir-nos calcular a probabilidade “a posteriori”
P (B/A) em termos das informações “a priori” P (B) e P (A).

Bayes e o raciocínio bayesiano:

Thomas Bayes foi um reverendo presbiteriano que viveu no início do século XVIII na
Inglaterra. Em 1731 apareceu na Inglaterra um livro anônimo – hoje creditado a Bayes – chamado
Benevolência divina. Em 1736, publicou seu primeiro e único livro de matemática, chamado The
doctrine of fluxions. O nome fluxion foi dado pelo matemático e físico Isaac Newton para a
derivativa de uma função contínua (que Newton chamava de fluent).

O RACIOCÍNIO BAYESIANO:
O raciocínio bayesiano pode ser explicado com um exemplo médico, relacionado com a
chance de uma mulher ter câncer de mama, usando dados de um artigo do norte-americano Eliezer
Yudkowsky, pesquisador da inteligência artificial. Recomenda-se que, a partir dos 40 anos, as

11
mulheres façam mamografias anuais. Nessa idade, 1% das mulheres é portadora de um tumor
assintomático de mama. Sabe-se que a mamografia apresenta resultado positivo em 80% das
mulheres com câncer de mama, mas esse mesmo resultado ocorre também com 9,6% das mulheres
sem o câncer. Imagine agora que você chega em casa e encontra sua tia aos prantos, desesperada,
porque fez uma mamografia de rotina e o resultado foi positivo! Qual a probabilidade de ela ter um
câncer de mama?
Vamos montar o problema de uma maneira bayesiana. Em primeiro lugar, sua tia tem o
câncer de mama (CA) ou não (não-CA). Essas alternativas, mutuamente excludentes, podem ser
colocadas em uma tabela, como abaixo. Podemos iniciar o raciocínio pela probabilidade de cada
alternativa ‘antes de fazer qualquer teste’. É a chamada probabilidade a priori – ter câncer ou
não ter. Como em média 1% das mulheres de 40 anos tem um tumor de mama, a probabilidade a
priori de sua tia ter um câncer é de 1% (0,01) e de não ter é de 99% (0,99).

Agora vamos incorporar o resultado da mamografia. Se o câncer de mama está presente, a

probabilidade condicional de a mamografia ser positiva é 0,80 (80%), e se não está presente é de
0,096 (9,6%).

Observe que a soma das probabilidades a priori é 1, mas isso não acontece com as
probabilidades conjuntas.

Para fazer com que a soma das probabilidades conjuntas seja igual a 1, é preciso usar uma
normalização, dividindo cada probabilidade conjunta pela soma das duas. Chegamos assim à
chamada probabilidade a posteriori.

12
 Portanto, o raciocínio bayesiano nos levou de modo muito simples a concluir que a
probabilidade a posteriori (ou seja, após o teste) de sua tia não ter um câncer de mama é de 0,54
(54%) e você pode tranqüilizá-la de que a situação não é inevitável.

Exemplo:
Um pesquisador desenvolve sementes de quatro tipos de plantas: P1, P2, P3 e P4. Plantados
canteiros-pilotos destas sementes, a probabilidade de todas as sementes P1 germinarem é de 40%,
30% para P2, 25% para P3 e 50% para P4. Escolhido um canteiro ao acaso, verificou-se que todas
as sementes haviam germinado, qual a probabilidade que sejam P4?

Sabendo-se que:
P (G/P1) = 0,40; P (G/P2) = 0,30;
P (G/P3) = 0,25 e P (G/P4) = 0,50
S = {P1, P2, P3, P4} = P (1) = … = P (4) = 0,25

Então, utilizando-se o teorema da probabilidade total, tem-se:

P ( A / Bi ).P ( Bi )
P( A) = n
=
∑ P( A / B ).P( B )
i =1
i i

P(G / P 4).P ( P 4)
P( A) =
P (G / P1).P( P1) + ... + P(G / P 4).P( P 4)
0,50.0,25
P( A) = = 0,35 ou 35%
0,40.0,25 + ... + 0,50.0,25

Logo, escolhido um canteiro ao acaso, em que todas as sementes tenham germinado, a

probabilidade que sejam P4 é 29%.

Outros teoremas:
4.3. Se φ é um conjunto vazio, então P (φ) = 0.
A=A∪∅
P (A) = P (A ∪ ∅)
Se A e ∅ são mutuamente exclusivos.
Logo, P (A) = P (A) + P(∅)
P (∅) = P (A) – P (A)
P (∅) = 0
13
4.4. P (A ∩ ∅) = P (∅) = 0
P(A) . P (∅) = P (A) . 0 = 0

4.5. P (A ∩ S) = P (A)
P (A) . P (S) = P (A) . 1 = P (A)
4.6. P (A ∪ ∅) = P (A)

P (A) + P (∅
∅) = P (A)

4.7. P (A ∪ S) = P (S)
P (A) + P (S) = 1 = P (S)

4.8. P ( φ ) = P (S) = 1

4.9. P ( S ) = P (∅) = 0

4.10. Se A é o complementar de A, então P (A) = 1 – P ( A ).

A e A são eventos mutuamente exclusivos (A ∩ A = ∅) e complementares (A ∪ A = 1)
P (A ∩ A ) = P (∅)
P (A ∪ A ) = P (S)
P (A) + P( A ) = 1
P ( A ) = 1 = P (A)
O mesmo raciocínio vale para B, ou seja: P ( B ) = 1 = P (B)

4.11. P [ ( A ∪ B )] = 1 − P( A ∩ B)

4.12. P [ ( A ∩ B )] = 1 − P( A ∪ B)

4.13. Se A e B são dois eventos quaisquer e B é o complementar de B, então:

P (A ∩ B ) = P (A) – P (A ∩B)
P ( A ∩ A) = P (B) – P (A ∩B)
4.14. Se A ⊂ B (lê-se se A está contido em B), então P (A) ≤ P (B)

14
5. LITERATURA CONSULTADA
ARA, A. B.; MUSETTI, A. V.; SHNEIDERMAN, B. Introdução à estatística. São Paulo: Egard
Blucher: Instituto Mauá de Tecnologia, 2003.152p.
CARVALHO, S. Estatística básica. Rio de Janeiro: Campus-Elsevier, 2006. 464p.
FERREIRA, D. F. Estatística básica. Lavras: UFLA, 2005. 664p.
TRIOLA, M. F. Introdução à estatística. Rio de Janeiro: LTC, 2005. 656p.

Este conteúdo é resultado de pesquisas em vários livros e apostilas de estatística básica e aplicada,, portanto, ainda
deve ser revisado. Qualquer erro de digitação (ou outro qualquer), sugestões, críticas, etc., por favor, me comuniquem.
Obrigada.

Profa. Gisele

15
UNIVERSIDADE FEDERAL DO PIAUÍ
Campus Universitário “Profa. Cinobelina Elvas” – Bom Jesus, PI
Lista de exercícios: Probabilidade

1. Dê o espaço amostral de cada um dos seguintes experimentos:

a) Lançamento simultâneo de duas moedas.
b) Lançamento de dois dados, um após o outro.
c) Lançamento simultâneo de três moedas.
d) Distribuição de sexo de uma ninhada de três filhotes de coelhos.

2. Considere uma ninhada de três filhotes de coelho. Ache a probabilidade de obter:

a) Três fêmeas
b) Duas fêmeas e um macho
c) Uma fêmea somente
d) Pelo menos um macho
e) Nenhuma fêmea

3. A freqüência esperada de pessoas RH+ em uma população é estimada em 90%. Qual a freqüência
esperada, nessa população, de casais:
a) RH+ x RH+ →
b) RH- x RH- →
c) RH+ x RH- →
d) marido RH+ x mulher RH- →
e) marido RH- x mulher RH+ →

4. Uma mostra é retirada de um rebanho bovino e enumerada de 1, 2, 3,...,30, dentre esta amostra
um número é escolhido ao acaso. Qual é a probabilidade de o número escolhido ser:
a) Divisível por 5 ou 8?
b) Divisível por 6 ou 8?

5. Considerando o espaço amostral de um experimento constituído do lançamento de dois dados

perfeitamente simétricos, pede-se:
a) Qual a probabilidade de que o primeiro dado mostre a face 2 e o segundo a face 3?
b) Qual a probabilidade de que ambos os dados mostrem a mesma face?
c) Qual a probabilidade de que o segundo dado mostre um número par?

6. Uma moeda perfeita é lançada 3 vezes e observado o número de caras. Qual a probabilidade de
ocorrer?
a) Pelo menos uma cara?
b) Só uma cara ou só uma coroa?
c) Exatamente uma cara?

7. Das 10 alunas de uma classe, 3 têm olhos azuis. Se duas são escolhidas aleatoriamente, qual a
probabilidade de:
a) Ambas terem olhos azuis?
b) Nenhuma ter olhos azuis?
c) Pelo menos uma ter olhos azuis?

8. Em um certo colégio, 25% dos estudantes foram reprovados em matemática, 15%$ em química e
10% em matemática e química ao mesmo tempo. Um estudante é selecionado aleatoriamente. Pede-
se:
a) Se ele foi reprovado em química, qual a probabilidade de ele ter sido reprovado em matemática?

16
b) Se ele foi reprovado em matemática, qual a probabilidade de ele ter sido reprovado em química?
c) Qual a probabilidade de ter sido reprovado em matemática ou química?

9. Um dado é viciado de tal forma que a probabilidade de sair um certo número é proporcional aos
eu valor. Pede-se:
a) Qual a probabilidade de sair o 3, sabendo-se que saiu é ímpar?
b) Qual a probabilidade de sair um número par, sabendo-se que saiu um número maior que 3?

10. Um grupo de 15 mudas de bananeira contaminadas e não-contaminadas com determinada praga,

apresenta a seguinte composição:
Pacovan Nanica
Contaminada 5 3
Não contaminada 5 2

Uma muda é escolhida ao acaso. Pergunta-se:

a) Qual a probabilidade de ser Pacovan?
b) Qual a probabilidade de ser não contaminada?
c) Qual a probabilidade de ser contaminada dado que é nanica?
d) Qual a probabilidade de ser não contaminada dado que é Pacovan?

Duas mudas são escolhidas ao acaso. Pergunta-se:

a) Qual a probabilidade de ambas serem Pacovan, se a escolha é feita com reposição?
b) Mesmo problema anterior sem reposição?

11. Num exame de múltipla escolha há três alternativas para cada questão e apenas uma delas é
correta. Portanto, para cada questão, um aluno tem probabilidade 1/3 de escolher a resposta
correta se ele está assinalando aleatoriamente e 1 se sabe a resposta. Um estudante sabe 30% das
respostas do exame. Se ele assinalou corretamente uma das questões, qual é a probabilidade de
que ele tenha assinalado ao acaso?

12. Uma urna contém 5 bolas vermelhas e 3 brancas. Uma bola é selecionada, aleatoriamente, dessa
urna e não é reposta. Em seguida, duas bolas de cor diferente da bola extraída anteriormente
(branca ou vermelha) são colocadas na urna. Se uma segunda bola é extraída aleatoriamente,
qual a probabilidade de:
a) A segunda bola ser vermelha?
b) A segunda bola ser da mesma cor da primeira?

13. A probabilidade de uma mulher estar viva daqui a 30 anos é 3/4 e de seu marido 3/5. Calcular a
probabilidade de:
a) Apenas o homem estar vivo;
b) Somente a mulher estar viva;
c) Pelo menos um estar vivo;
d) Ambos estarem vivos.

14. A probabilidade de um indivíduo da classe A comprar um carro é 3/4, da B é 1/6 e da C é 1/20.

A probabilidade do indivíduo de classe A comprar um carro da marca D é 1/10; de B comprar
um carro da marca D é 3/5 e de C é 3/10. Em certa loja comprou-se um carro da marca D. Qual
a probabilidade de que o indivíduo da classe B o tenha comprado?

15. Em certo colégio, 5% dos homens e 2% das mulheres têm mais do que 1,80m de altura. Por
outro lado, 60% dos estudantes são homens. Se um estudante é selecionado aleatoriamente e
tem mais de 1,8m de altura, qual a probabilidade de que o estudante seja mulher?

17
16. Três máquinas, A, B e C produzem respectivamente 40%, 50% e 10% do total de peças de uma
fábrica. As porcentagens de peças defeituosas nas respectivas máquinas são 3%, 5% e 2%. Uma
peça é sorteada ao acaso e verifica-se que é defeituosa. Qual a probabilidade de que a peça tenha
vindo da máquina B?

17. Apenas uma em cada dez pessoas de uma população tem tuberculose. Das pessoas que têm
tuberculose 80% reagem positivamente ao teste Y, enquanto apenas 30% dos que não têm
tuberculose reagem positivamente. Uma pessoa da população é selecionada ao acaso e o teste Y
é aplicado. Qual a probabilidade de que essa pessoa tenha tuberculose, se reagiu positivamente
ao teste?

18. Suponha que 75% das pessoas tenham olhos castanhos, 20% tenham olhos azuis e 5% tenham
olhos verdes. Suponha ainda que 70% das pessoas com olhos castanhos, 20% das pessoas com
olhos verdes e 5% das pessoas com olhos azuis tenham cabelos castanhos. Qual é a
probabilidade de uma pessoa de cabelos castanhos, escolhido ao acaso, ter olhos verdes?

19. Numa cidade 40% da população possui cabelos castanhos, 25% olhos castanhos e 15% olhos
castanhos e cabelos castanhos. Uma pessoa é selecionada aleatoriamente.
a) Se ela tiver olhos castanhos, qual a probabilidade de também ter cabelos castanhos?
b) Se ela tiver cabelos castanhos, qual a probabilidade de ter olhos castanhos?

20. Temos duas caixas: na primeira há 3 bolas brancas e 7 pretas, e na segunda há 1 branca e 5
pretas. De uma caixa escolhida aleatoriamente, selecionou-se uma bola e verificou-se que é
preta. Qual a probabilidade de que tenha saído da primeira caixa?

21. Em torno de 30% dos gêmeos humanos são idênticos e o restante são fraternos. Gêmeos
idênticos têm necessariamente o mesmo sexo - metade são homens e metade são mulheres.
Um quarto dos gêmeos fraternos são ambos homens, um quarto são ambas mulheres e metade
são mistos: um homem e uma mulher. Você acaba de ser comunicado de que terá gêmeos e
que ambas são meninas. Com esta informação, qual é a probabilidade de que elas sejam
gêmeas idênticas?

Respostas:
2.
a) 1/8 b) 3/8 c) 3/8 d) 7/8 e) 1/8

3.
a) 81% b)1% c)9% d) 50% e)50%

4.
a) 9/30 b)8/30

5.
a) 1/6 b) 1/6 c) 3/6

6).
a) 7/8 b) 6/8 c) 3/8

7.
a) 1/15 b) 7/15 c) 8/15

18
8.
a) 67% b) 40% c) 30%

9.
a) 3/9 b) 10/15

10.
a) 10/15 b) 7/15 c) 3/5 d) 5/10
a) 100/225 b) 90/210

11.
a) 43,75%

12.
a) 41/72 b)13/36

13.
a) 15% b) 30% c)90% d) 45%

14.
0,53 ou 53%

15.
0,21 ou 21%

16.
0,64 ou 64%

17.
0,23 ou 23%

18.
0,018 ou 1,8%

19.
a) 0,6 ou 60% b) 0,375 ou 37,5%

20.
0,46 ou 46%

21.
0,4615 ou 46,15%

19