Probabilidade e Estatística

S.I.
 2

Nota de Aula - I

1. Introdução

Em engenharia todas as vezes que se emprega Matemática no intuito de estudar

alguns fenômenos observados, deve-se começar por construir um modelo matemático, que
poderá ser determinístico ou probabilístico, para esses fenômenos.
Examinando em primeiro lugar o modelo determinístico, entende-se que essa
expressão refere-se a um modelo que estipule que as condições sob as quais um
experimento seja executado determinem o resultado do experimento. Por exemplo,
introduzindo-se uma bateria em um circuito simples, o modelo matemático que,
presumivelmente, descreveria o fluxo de corrente elétrica observável seria I = E/R , isto é, a
lei de Ohm. O modelo estabelece o valor de I tão logo os valores de E e R sejam fornecidos.
Em outras palavras, se o experimento mencionado for repetido um certo número de vezes,
toda vez utilizando-se o mesmo circuito (conservando–se fixos E e R ), poderemos observar
o mesmo valor para I. Quaisquer desvios que pudessem ocorrer seriam tão pequenos que,
para a maioria das finalidades, a descrição acima (isto é, o modelo) seria suficiente. O
importante é que a bateria , fio, e amperímetro particulares utilizados para gerar e observar
a corrente elétrica, e a nossa capacidade de empregar o instrumento de medição determinam
o resultado em cada repetição.
Outro exemplo de experimento determinístico é a lei da gravitação que explica
precisamente o que acontece a um corpo que cai sob determinadas condições. Este modelo
especifica que as condições, sob as quais determinado fenômeno acontece, determinam o
valor de algumas variáveis observáveis: a grandeza da velocidade, a área varrida durante
determinado período de tempo, etc. Esses números aparecem em muitas fórmulas com as
quais estamos familiarizados. Por exemplo, sabemos que, sob determinadas condições, a
distância percorrida (verticalmente acima do solo) por um objeto é dada por s = -16.t2 +
vo.t, onde vo é a velocidade inicial e t o tempo gasto na queda. O ponto, no qual desejamos
fixar nossa atenção, não é a forma particular da equação acima (que é quadrática), mas
antes o fato de que existe uma relação definida entre t e s, a qual determina univocamente a
quantidade no primeiro membro da equação, se aquelas no segundo membro forem
fornecidas.
Para um grande número de situações, o modelo matemático determinístico
apresentado acima é suficiente. Porém, existem também fenômenos que requerem um
modelo matemático diferente para a sua investigação. São aqueles denominados de
modelos não determinísticos ou probabilísticos. Outra expressão muito comumente
empregada é o modelo estocástico.
Este curso está totalmente voltado para o entendimento e modelamento matemático
de processos não determinísticos. Especialmente na área de engenharia de
 3

telecomunicações e de processamento digital de sinais, todo o tratamento moderno que é

dispensado ao estudo e dimensionamento de tais sistemas é realizado por meio de
ferramentas estatísticas que possibilitam ótimos modelos que são adequados para situações
reais.
Como exemplo consideremos a seguinte situação em uma transmissão digital.
Deseja-se determinar em uma transmissão se o símbolo que o receptor recebe está certo ou
errado, levando–se em conta que a probabilidade do símbolo de um alfabeto proposto ser
emitido pela fonte é 50 %, e a chance de ser recebido com erro após atravessar o canal é de
2%. Assim para resolvermos tal situação existe a necessidade de empregar técnicas não
determinísticas.
Outra situação de interesse é que existem muitos sistemas onde os recursos
necessitam ser compartilhados, assim o desafio para o projetista é configurar o sistema de
um modo eficiente e econômico, onde a demanda dos usuários é encontrada através de
compartilhamento dinâmico de recursos. Sistemas de computador multi usuário são um
exemplo de compartilhamento de recursos. Se apenas a um único usuário é permitido
utilizar o sistema, o estado do sistema alterna entre períodos onde o computador está em
estado ocioso e de espera por um comando do usuário, e períodos durante o qual o
computador está ativo e o usuário está esperando por uma resposta para o comando. Em
aplicações típicas o computador permanece uma grande parte do tempo no estado ocioso.
Por esta razão, computadores são usualmente configurados para serem compartilhados por
um grupo de usuários. Para qualquer instante de tempo, um determinado número de
usuários pode estar em processo de requisição, e o restante aguardando a resposta do
sistema. O desempenho de medida de interesse aqui são, o tempo de resposta médio que
transcorre entre o instante que o usuário faz uma requisição para utilização do sistema e o
instante de tempo quando a resposta é recebida, e a taxa média para o qual o computador
completa a tarefa. Estas medidas podem ser previstas utilizando o modelo de filas. Há um
estudo que pode ser realizado com relação a distribuição de probabilidade destas duas
medidas de desempenho.
Considere uma transmissão sem fio utilizando uma comunicação celular pela
técnica de múltiplo acesso denominada CDMA, onde o meio de propagação possui uma
distribuição do tipo Rayleigh. Se utilizarmos uma modulação QPSK (Quadriphase Shift
Keying) qual é a probabilidade de erro de bit nesta transmissão? Estendendo-se o exemplo,
como o CDMA utiliza a técnica de espalhamento espectral, pode se verificar aspectos
importantes do sistema através da utilização das propriedades de correlação.
Como mais um exemplo de processos não determinístico, considere a seguinte
situação. Deseja-se determinar qual a precipitação de chuva que cairá como resultado de
uma tempestade particular, que ocorra em determinada localidade. Dispõe-se de
instrumentos para registrar a precipitação. Observações meteorológicas podem nos fornecer
considerável informação relativa à tempestade que se avizinhe: pressão barométrica em
vários pontos, variações de pressão, velocidade do vento, origem e direção da tormenta, e
várias leituras referentes a altitudes elevadas. Contudo, quão valiosas essas informações
possam ser para o prognóstico da natureza geral da precipitação(digamos, fraca, média,
forte), simplesmente não tornam possível dizer-se quanta chuva irá cair. Novamente
estamos nos ocupando de um fenômeno que não se presta a um tratamento determinístico.
Um modelo probabilístico explica a situação mais rigorosamente. Em princípio até
podemos ser capazes de dizer quanta chuva caiu se uma teoria tiver sido desenvolvida (o
que não foi). Por isso empregamos o modelo probabilístico.
 4

2. Revisão da teoria de conjuntos

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

estatística, como para a matemática em geral. Um conjunto pode ser considerado como uma
coleção de objetos, chamados membros ou elementos do conjunto. Em geral, representa-se
um conjunto por letras maiúsculas (A, B, C, ...) e um elemento do conjunto por letras
minúsculas (a, b, c, ...).

2.1 Conjunto Universo e conjunto vazio

O conjunto universo é o conjunto de todos os elementos que estejam sendo

estudados, representado pela letra U.
O conjunto desprovido de elementos é denominado de conjunto vazio, representado
φ
por . O conjunto vazio é subconjunto de qualquer conjunto
Exemplo 01: O conjunto “A” de todos os números reais x, que satisfaçam à equação
x2 +1 = 0. Naturalmente, sabemos que não existe nenhum número real cujo quadrado seja
igual a –1; isto é, o conjunto A não contém qualquer elemento. Logo o nome especial dado
para este conjunto é o conjunto vazio φ. No campo complexo, entretanto, este conjunto A
não é vazio.

2.2 Diagramas de Venn

O conjunto universo U pode ser representado geometricamente pelos pontos

interiores a um retângulo. Em tais casos, subconjuntos de U (tais como A e B, sombreados
na Figura 1) são representados por conjuntos de pontos interiores a círculos. Tais diagramas
chamados de diagramas de Venn são úteis para fornecer uma intuição geométrica sobre as
possíveis relações existentes sobre conjuntos.
U

A B

Figura 1 - Diagrama de Venn

2.3 Operações com conjuntos

1 – União – Conjunto de todos os elementos (pontos) que pertencem a A, ou a B, ou

a ambos, é chamado união de A e B, representa-se por A ∪ B (área sombreada na Figura ).
 5

A B

Figura 2 – União de conjuntos

2 – Interseção – Conjunto dos elementos que pertencem a A e a B é chamado de
interseção de A e B. Representa-se por A ∩ B (área sombreada na Figura 3).
U

A B

A∩B
Figura 3 – Intersecção de conjuntos
Dois conjuntos A e B tais que A ∩ B = φ isto é, cuja intersecção é vazia chamam-se
conjuntos disjuntos . Na Figura 1, A e B são disjuntos.

3 – Diferença – Conjunto formado pelos elementos de A que não pertencem a B é

chamado diferença de A e B, representa-se por A-B (área sombreada na Figura 4)
U

A B

Figura 4 – Diferença de conjuntos

4 – Complemento – Se B ⊂ A então A-B é o complemento de B em relação a A,
representa-se por B A (área sombreada na Figura 5). Se A=U (conjunto universo),
referimo-nos a U-B como o complemento de B, representado por B (área sombreada na
Figura 6). O complemento de A ∪ B é representado por ( A ∪ B )
U
A
B

Figura 5 – Complemento A-B

 6

Figura 6 – Complemento U-B

2.4 Teoremas relativos a conjuntos

Teorema 1.1 : A ∪ B = B ∪ A Lei comutativa da união.

Teorema 1.2 : A ∪ ( B ∪ C ) = ( A ∪ B ) ∪ C = A ∪ B ∪ C Lei associativa da união.
Teorema 1.3 : A ∩ B = B ∩ A Lei comutativa da
intersecção.
Teorema 1.4 : A ∩ ( B ∩ C ) = ( A ∩ B ) ∩ C = A ∩ B ∩ C Lei associativa da
intersecção.
Teorema 1.5 : A ∩ ( B ∪ C ) = ( A ∩ B ) ∪ ( A ∩ C ) Primeira lei distributiva
Teorema 1.6 : A ∪ ( B ∩ C ) = ( A ∪ B ) ∩ ( A ∪ C ) Segunda lei distributiva
Teorema 1.7 : A − B = A ∩ B
Teorema 1.8 : Se A ⊂ B, então A ⊃ B
Teorema 1.9 : A ∪φ = A , A ∩φ = φ
Teorema 1.10 : A ∪ U = U , A ∩ U = A
Teorema 1.11a : ( A ∪ B ) = A ∩ B 1o lei De Morgan
Teorema 1.11b : ( A ∩ B ) = A ∪ B 2o lei De Morgan
Teorema 1.12 : A = ( A ∩ B ) ∪( A ∩ B ) Para quaisquer conjuntos A e B
Teorema 1.13 : A = A

2.5 Princípio da dualidade

Qualquer resultado relativo a conjuntos é igualmente válido quando substituímos

uniões por interseções, interseções por uniões, conjuntos por seus complementos e se
invertemos os símbolos de inclusão ⊂ e⊃.
3. Experimento aleatório, espaço amostral e eventos

Em muitos problemas físicos de interesse, existe um elemento de incerteza, ou

aleatoriedade. Independentemente de quanto possamos conhecer da história passada de um
dado fenômeno, somos essencialmente incapacitados de predizer seu comportamento futuro
de forma precisa. Exemplo: resultado do lançamento de uma moeda.
Foi observado que nestes casos certas médias tendem a um valor constante a medida
em que o número de observações cresce. (No exemplo da cara e coroa, quais seriam estas
médias?) Desde que as médias geralmente exibem tal regularidade, e são portanto
 7

razoavelmente previsíveis, parece ser desejável desenvolver um estudo sobre o cálculo

destas médias. Este é o domínio da teoria matemática da probabilidade e estatística. O
propósito da teoria é descrever e predizer tais médias em termos de probabilidades de
eventos. Assim algumas definições são importantes de serem declaradas tais como:

Experimento aleatório : Um experimento é chamado de aleatório se seu resultado

não pode ser predito precisamente porque as condições em que é realizado não podem ser
predeterminadas com precisão suficiente.
Exemplo 02: Na jogada de um dado o resultado do experimento é o aparecimento
de uma das faces 1, 2, 3, 4, 5 ou 6 (isto é, um dos elementos do conjunto {1,2,3,4,5,6} ).
Exemplo 03: Se jogarmos uma moeda, o resultado do experimento é o
aparecimento de uma “cara”, simbolizada por ca (ou 1) ou uma “coroa”, simbolizada por
co (ou 0), isto é, um dos elementos do conjunto {ca , co } (ou do conjunto {0,1} ).
Exemplo 04: Se o experimento consiste em medir a duração da vida de lâmpadas
elétricas fabricadas por certa companhia, então o resultado do experimento será um
intervalo de tempo t, que se situará entre dois valores – digamos por exemplo, 0 ≤ t ≤ 5000
- admitindo-se que nenhuma lâmpada dure mais que 5000 horas.

Resultados : São resultados particulares da execução de um experimento.

Exemplo 05:
a) uma determinada face de um dado.
b) cara, coroa.
c) Um determinado número de horas verificado no funcionamento das lâmpadas.

Espaços Amostrais : Um conjunto S que consiste de todos os resultados possíveis

de um experimento aleatório é chamado espaço amostal. Cada resultado é um elemento ou
amostra deste espaço e pode ser convenientemente representado por um ponto no espaço
amostral.

Eventos : São conjuntos de resultados que atendem a algumas especificações, ou

seja um evento é um subconjunto do espaço amostral representando um conjunto de
resultados possíveis.

Exemplo 06: No caso de jogar dados, o evento “número ímpar em um arremesso”

pode resultar de qualquer um de 3 resultados {1,3,5} . Desta forma este é um evento de 3
resultados.

Portanto eventos são agrupamento de resultados em classes.

Exemplo 07: Se jogarmos uma moeda duas vezes, o evento que consiste em
aparecer cara apenas uma vez é o subconjunto do espaço amostral que consiste dos pontos
(0,1) e (1,0).
 8

Como evento particulares temos o próprio espaço amostral S que é o evento certo,
pois deve sempre ocorrer um elemento de S e o conjunto vazio φ, que é o evento
impossível, porque não é possível a ocorrência de um elemento de φ.
Se os conjuntos correspondentes aos dois eventos A e B são disjuntos, isto é, se
A ∩ B = φ , diz–se que os eventos são mutuamente excludentes. Isto significa que os
eventos em questão não podem ocorrer simultaneamente.

Exemplo 08: Considere o lançamento de uma moeda duas vezes, seja A o evento
“aparece ao menos uma cara" e B o evento “o resultado do segundo lançamento é coroa".
Pede-se:
a) Os conjuntos que correspondem aos eventos A e B.

b) A ∪ B

c) A ∩ B

d) A

e) A − B

Um evento que não contém elementos é chamado de evento nulo, e é representado

φ
por . Observe que o evento nulo é o complemento do espaço amostral S: φ = S c .

Exemplo 09: Considere a transmissão de um digito binário três vezes e utilizemos 0

para representar o bit enviado zero e 1 para representar o bit enviado um. Qual é o espaço
amostral deste experimento aleatório? Qual o conjunto que representa o evento apenas um
bit 1 é transmitido?

Se um espaço amostral tem um número finito de pontos, é chamado um espaço

amostral finito. Se tem tantos pontos quantos são os números naturais 1, 2, 3, ..., chama-se
um espaço amostral infinito numerável. Se tem tantos pontos quanto um determinado
segmento do eixo dos x, tal como 0 ≤ x ≤ 1 , chama-se um espaço amostral infinito não
numerável. Um espaço amostral finito, ou infinito numerável é chamado freqüentemente
de espaço discreto, enquanto que um espaço amostral infinito não numerável é um espaço
não-discreto ou contínuo.

4. Definições de Probabilidade

4.1 - Freqüência Relativa

Embora o resultado de um experimento aleatório seja irreversível, existe uma

regularidade estatística sobre este, e a definição por freqüência relativa baseia-se nesta
regularidade. A probabilidade P(A) de um evento A é dada pelo limite.
 9

nA
P ( A) = lim (0)
n→∞ n

Onde n A é o número de ocorrências de A e n é o número de tentativas.

Segue da definição que :
0 ≤ P ( A) ≤ 1 (0)
Se A e B são dois eventos mutuamente exclusivos:
n + nB
P ( A + B ) = P( A) + P( B ) = lim A (0)
n →∞ n
Convém notar que se A1 , A2 ,......, AN não forem mutuamente exclusivos então:
P ( A1 + A2 + ... + AN ) ≤ P ( A1 ) + P ( A2 ) + ... + P ( AN ) Limi tan te da União (0)

Exemplo 9: Se jogarmos uma moeda 1000 vezes e aparece cara 532 vezes,
estimamos a possibilidade de cara em 532/1000 = 0.532., ou seja 53,2%.
O que deve ser observado nesta definição de freqüência relativa é que devemos
propor um número de experimentos suficientemente grande.

4.2 - Definição clássica

A probabilidade P(A) de um evento A é determinada a priori sem experimentação

real, e é dada pela expressão.
n
P ( A) = A (0)
n
n : número de resultados possíveis
nA : número de resultados favoráveis ao evento A.

Uma versão melhorada da definição clássica :” A probabilidade de um evento é

igual à razão entre seus resultados e o número total de resultados desde que todos os
resultados sejam equiprováveis. Ou seja se um evento pode ocorrer de nA modos diferentes,
em um total de n modos possíveis (todos igualmente prováveis), então a probabilidade do
evento é nA/n

Exemplo 10: Considerando uma transmissão digital onde o meio de propagação é

transparente ao dado enviado (ou seja uma vez que o bit é transmitido não sofre alteração
devido ao canal), desejamos determinar a probabilidade do aparecimento do bit 1 em uma
transmissão com dois níveis possíveis. Como há dois resultados igualmente prováveis, a
saber “0” zero Volt e “1” cinco Volts, e como só há uma maneira de aparecer 0 volt,
dizemos que a probabilidade do evento 0 volt na transmissão é ½. Naturalmente, para que
tal conclusão seja válida, é preciso que os bits zero e um possuam a mesma probabilidade
de serem emitidos por uma fonte.
 10

4.3 - Definição axiomática

A aproximação axiomática para a probabilidade é baseada nos três postulados

seguintes :
Postulado 1 - A probabilidade P(A) de um evento A é um número positivo
associado a este evento
P ( A) ≥ 0 (0)
Postulado 2 - A probabilidade do espaço amostral é igual a 1
P ( S ) =1 (0)
Postulado 3 – Se os eventos A e B são mutuamente exclusivos, então:
P ( A + B ) = P ( A) + P ( B ) (0)

5. Teoremas sobre probabilidade

Teorema 1 – Se A ⊂ B então :
P ( A ) ≤ P ( B ) e P ( B − A) = P ( B ) − P ( A ) (0)
Teorema 2 – Para todo evento A:
0 ≤ P( A ) ≤ 1 (0)
Isto é a probabilidade está sempre entre 0 e 1.

Teorema 3 - P (φ) = 0
Isto é, o evento impossível tem probabilidade zero.

Teorema 4 – Se A ' é o complemento de A então:

( )
P A ' =1 − P( A) (0)
Teorema 5 – Se A = A1 ∪ A2 ∪......... ∪ An , onde A1 , A2 ......, An são eventos
mutuamente excludentes, então:
P( A ) = P ( A1 ) + P ( A2 ) + .......... .. + P ( An ) (0)
Em particular, se A = S, (espaço amostral), então
P ( A1 ) + P ( A2 ) + .......... .. + P ( An ) = 1 (0)
Teorema 6 – Se A e B são dois eventos quaisquer, então:
P ( A ∪ B ) = P ( A) + P ( B ) − P ( A ∩ B ) (0)
De uma forma mais geral se A1 , A2 , A3 são três eventos quaisquer, então:
P ( A1 ∪ A2 ∪ A3 ) = P ( A1 ) + P ( A2 ) + P ( A3 ) − P ( A1 ∩ A2 ) − P( A2 ∩ A3 ) (0)
− P( A3 ∩ A1 ) + P ( A1 ∩ A2 ∩ A3 )
 11

U
AA 1

BA 2 CA 3

Figura 7 – Diagrama de Venn

Teorema 7 – Para quaisquer eventos A e B:
(
P ( A) = P ( A ∩ B ) + P A ∩ B ' ) ( 0)
Teorema 8 – Se um experimento A deve resultar em um dos eventos mutuamente
excludentes A1 , A2 ......, An então:
P ( A ) = P( A ∩ A1 ) + P ( A ∩ A2 ) + .......... .. + P ( A ∩ An ) (0)

Exemplo 11: Determinar a probabilidade de obtenção de uma cara e duas coroas em

3 arremessos de uma moeda ideal.

6. Probabilidade conjunta

Ao invés de lidar com um experimento, consideremos agora dois experimentos e

seus respectivos resultados. Por exemplo, os dois experimentos podem ser dois arremessos
consecutivos de um único dado ou um único arremesso de dois dados. Em ambos os casos,
o espaço amostral consiste de 36 duplas (i,j), onde i,j = 1, 2, 3, 4, 5, 6. Se os dois dados são
ideais, a cada ponto do espaço amostral é associada uma probabilidade 1/36. Podemos
agora considerar eventos conjuntos tais como {i é par , j =3} , e determinar as
probabilidades associadas a tais eventos a partir do conhecimento das probabilidades dos
pontos amostrais.
De maneira geral, se os resultados possíveis de um experimento são Ai, i = 1,2,....,n,
e os resultados possíveis de um segundo experimento são Bj, j = 1,2,...,m, então os
resultados possíveis do experimento combinado são dados pelo conjunto (Ai,Bj), i =
1,2,...,n j = 1,2,...,m. A cada resultado conjunto (Ai,Bj) associa-se uma probabilidade
conjunta P(Ai,Bj) que satisfaz a condição:
(
0 ≤ P Ai , B j ≤ 1 ) (0)

Exemplo 13: Ao retirar duas cartas em sucessão (com ou sem reposição) de um

baralho, podemos considerar como evento A: retirar um às na primeira tentativa e evento B:
retirar um às na segunda tentativa. Assim P(A,B) indica uma probabilidade conjunta de
retirar dois ases.
 12

6.1 - Probabilidades Marginais

Assumindo que os resultados Bj, j = 1,2,....,m são mutuamente exclusivos, segue

que:
m

∑P( A , B
j =1
i j ) = P( Ai ) (0)
Similarmente, se os resultados Ai, i = 1,2,....,n são mutuamente exclusivos então
n

∑P( A , B ) = P( B )
i =1
i j j (0)

Além disso, se todos os resultados dos dois experimentos são mutuamente

exclusivos temos:
n m

∑ ∑P( A , B
i =1 j =1
i j ) =1 (0)
A generalização do tratamento acima para mais de dois experimentos é direta.

7. Probabilidade Condicional

Considere um experimento combinado da Figura no qual um evento ocorre com

probabilidade P(A,B). Suponha que o evento A ocorreu e queremos determinar a
probabilidade de ocorrência do evento B. Denotamos por P(B|A) a probabilidade de
ocorrência de B, na hipótese de A ter ocorrido. Ora como o evento A ocorreu, A passa a ser
o novo espaço amostral, que vem substituir o espaço original S. Isto conduz à seguinte
definição:

P( A ∩ B )
P ( B | A) ≡ (0)
P ( A)
Ou
P ( A ∩ B ) ≡ P ( A ) . P ( B | A) (0)

Chama-se P(B|A) a probabilidade condicional de B, dado A, isto é a probabilidade

de ocorrência de B, dado que A ocorreu.

A B

A∩B
Figura 8 – Probabilidade da interseção AB
 13

Exemplo 12: Determine a probabilidade de a jogada de um dado “honesto” resultar

em um número menor que 4 ,
(a) se não temos nenhuma outra informação.
(b) sabendo-se que o resultado é um número ímpar.

7.1 - Teorema sobre Probabilidade Condicional

Teorema 1 – Para três eventos quaisquer A1 , A2 , A3

P( A1 ∩ A2 ∩ A3 ) = P ( A1 ) . P( A2 | A1 ).P ( A3 | A1 ∩ A2 ) (0)

A probabilidade de ocorrência conjunta de A1 e A2 e A3 é igual à probabilidade

da ocorrência de A1 vezes a probabilidade de ocorrência de A2 , sabendo que A1 ocorreu
vezes a probabilidade de ocorrência de A3 sabendo que A1 e A2 ocorreram.

Teorema 2 – Se um experimento A deve ter como resultado um dos eventos

mutuamente excludentes A1 , A2 ......, An então:
P ( A) = P ( A ∩ A1 ) + P ( A ∩ A2 ) + ........ + .P ( A ∩ An ) (0)

P ( A) = P( A1 ) . P ( A | A1 ) + P( A2 ) . P ( A | A2 ) + ........ + P ( An ) . P ( A | An ) (0)

Exemplo 15: Uma determinada peça é manufaturada por três fábricas: 1, 2 e 3.

Sabe-se que 1 produz o dobro de peças que 2, e 2 e 3 produzem o mesmo número de peças
(durante um período de produção especificado). Sabe-se também que 2 % das peças
produzidas por 1 e por 2 são defeituosas, enquanto 4 % daquelas produzidas por 3 são
defeituosas. Todas as peças produzidas são colocadas em um depósito, e depois uma peça é
extraída ao acaso. Qual é a probabilidade de que essa peça seja defeituosa?

8. Eventos Independentes

Se P(B/A) = P(B), isto é, se a probabilidade de ocorrência de B não é afetada pela

ocorrência, ou não de A, dizemos que A e B são eventos independentes. Isto equivale a:
P ( A ∩ B ) = P ( A) . P ( B ) (0)
Como pode ser observado de ( 0 ), reciprocamente, caso ( 0 ) se verifique, A e B são
independentes.

Exemplo 16: Suponha que uma moeda é jogada três vezes. Se assumimos que as
jogadas são independentes e a probabilidade de caras P(C) é p; e k indica o número de caras
em três tentativas, determine P(k=i), para i=0,1, 2, 3.
 14

A definição de independência estatística pode ser estendida a três ou mais eventos.

Para que três eventos A1 , A2 , A3 sejam estatisticamente independentes, precisam satisfazer
as seguintes condições:
P( A1 , A2 ) = P ( A1 ) P( A2 ) (0)

P ( A1 , A3 ) = P ( A1 ) P ( A3 ) (0)

P( A2 , A3 ) = P( A2 ) P( A3 ) (0)

P ( A1 , A2 , A3 ) = P ( A1 ) P( A2 ) P( A3 ) (0)
Para o caso geral, os eventos Ai, i = 1,2,....,n são estatisticamente independentes se
as probabilidades dos eventos conjuntos tomados 2,3,....n eventos de cada vez possam ser
fatoradas no produto das probabilidades dos eventos individuais.

9. Teorema (Regra) de Bayes

Para entendermos esta regra vamos buscar auxílio no item da probabilidade

condicional, para sugerir outro importante resultado. Suponha-se que no exemplo 15, uma
peça seja retirada do depósito e se verifique ser ela defeituosa. Qual é a probabilidade de
que tenha sido produzida na fábrica 1?
Empregando a notação já introduzida, pede-se P(B1|A). Poderemos calcular esta
probabilidade como uma conseqüência da seguinte exposição: Seja B1 , B2 ,..., Bk eventos
mutuamente exclusivos tais que :
k
 Bi = S (0)
1
Ou seja, partições do espaço amostral S, e seja A um evento associado a S.
Aplicando-se a definição de probabilidade condicionada, poderemos escrever:
P( A ∩ Bi )
P( A | Bi ) = (0)
P( Bi )
P( A ∩ Bi ) P ( A | Bi ) P( Bi )
P ( Bi | A) = = (0)
P ( A) P ( A)

Este resultado é conhecido como Teorema de Bayes. É também denominado

fórmula da probabilidade das “causas”. Desde que os Bi constituam partições do espaço
amostral S, um, e somente um dos eventos Bi ocorrerá. Portanto, a expressão acima nos dá
a probabilidade de um particular Bi (isto é, uma “causa”), dado que o evento A tenha
ocorrido. A fim de aplicar esse teorema, deveremos conhecer os valores das P(Bi).

Exemplo 17: Suponha-se que no exemplo 15, uma peça seja retirada do depósito e
se verifique ser ela defeituosa. Qual é a probabilidade de que tenha sido produzida na
fábrica 1?
 15

Exemplo 18: A Urna I contém 2 bolas brancas e 3 bolas pretas, a Urna II 4 brancas
e 1 preta, a Urna III contém 3 brancas e 4 pretas. Escolhe-se uma urna ao acaso extrai-se
uma bola: é branca. Qual a probabilidade de ter sido escolhida a primeira urna?

10. Cálculo de probabilidades usando métodos de contagem

Em muitos experimentos com espaços amostrais finitos, os resultados podem ser

assumidos como sendo equiprováveis. A probabilidade de um evento é então a razão entre
o número de resultados no eventos de interesse e o número total de resultados no espaço
amostral. O cálculo das probabilidades se reduz a contar o número de resultados de um
evento.
Suponha que um teste de múltipla escolha tem k questões e para a questão i o
estudante precisa selecionar uma entre ni repostas possíveis. Qual é o número total de
modos de responder a todo o teste? A resposta à questão é que i pode ser vista como a
especificação do i-ésimo componente de uma k-upla, de modo que a questão acima á
equivalente a: quantas k-uplas ordenadas distintas (x1,...,xk) são possíveis se xi é um elemento
de um conjunto com ni elementos distintos.
O número de k-uplas ordenadas distintas (x1,...,xk) com componentes xi, de um
conjunto ni elementos distintos é dado por:
número de k-uplas ordenadas distintas = n 1n 2 ... n k (0)
Muitos problemas de contagem podem ser colocados como problemas de
amostragem onde selecionamos bolas em urnas ou objetos em populações. Iremos agora
usar a Equação ( 0) para desenvolver fórmulas combinatórias para vários tipos de
amostragem.
10.1 – Amostragem com Reposição e com Ordenação

Suponha que escolhemos k objetos de um conjunto A que tem n objetos distintos,

com reposição. Iremos nos referir ao conjunto A como a população. O experimento produz
uma k-upla ordenada ( x1, ... x k ) , onde xi ∈ A, i =1,2,..., k . A Equação ( 0), com
n1=n2=.....= nk = n implica que:
número de k-uplas ordenadas distintas = n k (0)

Exemplo 19: Uma urna contém cinco bolas numeradas. Suponha que selecionamos
duas bolas da urna com reposição. Quantos pares ordenados distintos são possíveis? Qual é
a probabilidade de retirar duas vezes a mesma bola?

10.2 – Amostragem sem Reposição e com Ordenação

O problema agora consiste em escolher k objetos em sucessão, sem reposição, de

uma população A de n objetos distintos. Claramente, k ≤ n . O número de resultados
possíveis na primeira retirada é n1 = n, e o número de resultados possíveis na Segunda
retirada é n2 = n –1, e assim por diante, até nk = n – (k-1) na retirada final. Desta forma, a
equação ( 0 ) fornece:
 16

número de k-uplas ordenadas distintas = n ( n −1).... ( n − k +1) (0)

Exemplo 20: Uma urna contém cinco bolas numeradas. Suponha que selecionamos
duas bolas da urna em sucessão, e sem reposição. Quantos pares ordenados distintos são
possíveis? Qual é a probabilidade de que a primeira bola tenha um número maior que a
segunda?

10.3– Permutação de n Objetos Distintos

Sejam dados n objetos distintos; queremos dispor r desses objetos em uma fileira.
Como há n maneiras de escolher o primeiro objeto e, após isso, n-1 maneiras de escolher o
segundo,..., e finalmente n-r+1 maneiras de escolher o ro objeto, decorre do principio
fundamental de contagem que o número de arranjos ou permutações possíveis distintas é
dado por:
número de permutaçõe s de n objertos =n Pr = n ( n −1)( n − 2 ) ....( n − r +1) (0)
Note-se que o produto tem r fatores. n Pr é o número de arranjos de n objetos r a
r.
No caso particular r = n, a Equação ( 0 ) se escreve:
n Pn = n ( n −1)( n − 2) ...1 = n ! ( 0)
Que é o fatorial de n. Podemos escrever a Equação ( 0 ) em termos fatoriais:
n!
Pr = (0)
n
( n − r )!

Se r = n, vê se que ( 0 ) e ( 0) concordam somente se convencionarmos que 0! =1.

Considere uma amostragem sem reposição com k = n. Isto eqüivale a retirar objetos
de uma urna até que ela esteja vazia. Então o número de seqüências possíveis de n objetos
distintos é igual ao número de n-uplas da amostragem sem reposição com k = n.

Exemplo 21: 13Com as sete letras A ,B, C, D, E, F, G podemos formar quantos

arranjos distintos de 3 letras cada?

Exemplo 22: Encontre o número de permutações de três objetos distintos {1,2,3}.

Suponhamos agora que um conjunto consista de n objetos, dos quais n1 são de um

determinado tipo (isto é, não se distinguem entre si), n2 de um segundo tipo ,........., nk de
um k-ésimo tipo. Naturalmente, n = n1+n2+......+nk. Então, o número de permutações
distintas dos n objetos é:
n!
n Pn1 , n2 , n3 ....... nk = (0)
n1! n 2 ! n3 !....... n k !
 17

Exemplo 14: O número de permutações distintas das 11 letras da palavra

MISSISSIPPI (que consiste de 1M, 4I, 4S, 2P) é:
Solução

n!
n Pn1 , n2 , n3 ....... nk =
n1!n 2 ! n3 !....... n k !
11!
11 P1, 4, 4, 2 = =34 .650
1! 4! 4! 2!
Para n grande, a fórmula de Stirling é bastante útil:
n !≈ 2π n n +1 2 e −n = 2π n n n e −n (0)
A razão entre membro esquerdo e membro direito tende para 1 quando n→ ∞.

10.4 - Combinações

Nas permutações (arranjos) intervém a ordem dos objetos. Assim, abc é uma
permutação distinta de bca. Em muitos problemas, entretanto, interessa-nos apenas a
escolha dos objetos, sem distinção da ordem em que eles aparecem. Tais escolhas são
chamadas combinações. Assim, abc e bca representam ambas a mesma combinação.
O número total de combinações de r objetos escolhidos dentre n (também chamado
combinações de n objetos r a r) é representado por
n
n Cr ou   ou C rn (0)
r 
Temos então:

n  n!

r 
=n C r = r!( n − r ) ! (0)
 
Podemos também escrever:

 n  n( n −1)...( n − r + 1) P
  = = n r (0)
r  r! r!
É fácil mostrar que

n   n 

r 
 =
 
 ou n Cr =n C n −r (0)
  n − r 

Exemplo 154: Dentre oito pessoas, quantas comissões de três membros podem ser
escolhidas?

Exemplo 165: Um grupo de oito pessoas é formado de cinco homens e três

mulheres. Quantas comissões de três pessoas podem ser constituídas, incluindo exatamente
dois homens?
 18

Exemplo 176: Encontre o número de modos de selecionar dois objetos de

A ={1,2,3,4,5} sem se importar com a ordem.

11. Experimentos seqüênciais e diagramas de árvore

Muitos experimentos consistem de uma seqüência de subexperimentos. O

procedimento seguinte para cada subexperimento pode depender de resultados de
subexperimentos anteriores. Nós podemos utilizar um diagrama de árvore para representar
a seqüência natural dos subexperimentos. Para a raiz da árvore, a probabilidade de um
evento em particular é descrito por seu conhecimento a priori. O exemplo a seguir mostra
como fazer um cálculo de probabilidade utilizando o diagrama de árvore.

Exemplo 187: Considere que uma equipe de engenheiros estão tentando coordenar
o sincronismo de dois sinais de trânsito para que seja possível o funcionamento de uma
onda verde entre os sinais. Em particular, o sincronismo foi projetado para que com uma
probabilidade de 0,8 um motorista encontre o segundo sinal com a mesma cor do primeiro.
Assumindo que o primeiro sinal é igualmente provável vermelho ou verde, qual é a
probabilidade de o segundo sinal ser verde? Calcule também a probabilidade de que você
tenha que esperar no mínimo em um sinal.

12. Aplicações da probabilidade as Comunicações

Em sistemas de comunicações sempre que transmitimos uma informação de um

ponto do sistema para um outro, a transmissão fica sujeita a fatores que possuem natureza
aleatória, como o exemplo do ruído gaussiano. Assim percebe-se um certo grau de
incerteza com relação a informação, se esta chegará ao receptor com uma configuração
adequada para ser detectada, ou não.
Devido a isto é interessante tomarmos conhecimento de algumas aplicações que
podem aparecer no cotidiano. Um exemplo de grande interesse prático e teórico é o canal
binário simétrico. Este canal apresenta um alfabeto de entrada que possui dois símbolos (x0
= 0, x1 = 1) e dois símbolos de saída (y0 = 0, y1 = 1). O canal é simétrico porque a
probabilidade de se receber “1” quando o digito “0” é transmitido é a mesma de se receber
“0” quando “1” é transmitido. Esta probabilidade condicional é representada por p. O
diagrama da probabilidade de transição de um canal simétrico binário é mostrado a seguir
na Figura 1:
 19

1 - p
xo = 0 yo = 0

x1 = 1 y1 = 1
1 - p

Figura 1 Representação do canal binário simétrico

Então temos a seguinte situação para o BSC(Binary Symmetric Channel):

p10 = P ( y = 1 | x = 0 )
p 01 = P( y = 0 | x = 1)
p 01 = p10 = p

Exemplo 28: Uma fonte tem a probabilidade de emitir os símbolos binários 0 e 1

com as seguintes probabilidades: P(1) = 70 % e P(0) = 30%. Na recepção, os símbolos 1
são recebidos com 1 % de erro, enquanto os símbolos 0 são recebidos com 5% de erro.
Qual é a probabilidade do símbolo 1 chegar corretamente? E qual a probabilidade do
símbolo 0 chegar corretamente?

Em uma transmissão digital é muito importante obtermos informações sobre a taxa

de erro do símbolos ou bits, pois assim obtém-se diversos parâmetros de desempenho e
confiabilidades de um sistema ou de um determinado tipo de modulação.

1ª Lista de Exercícios
01) Quatro moedas ideais são arremessadas simultaneamente.

a) Quantos resultados são possíveis, ou seja qual é o espaço amostral?

b) Associe probabilidades adequadas para a obtenção de quatro coroas, uma cara duas
caras, três caras e quatro caras neste experimento.

Resposta : a) 16 resultados b) P(C=4) =1/16 P(K=1) = 1/4 P(K=2) = 3/8 P(K=3) = 1/4
P(K=4) = 1/16

02) Uma urna contém 3 bolas vermelhas e duas brancas. Duas bolas são retiradas em
sucessão, a primeira bola sendo recolocada antes da retirada da segunda.
 20

a) Quantos resultados são possíveis?

b) Associe probabilidades a cada um destes resultados.

Resposta : a) 4 Resultados possíveis

b) Considerando V = vermelhas e B = brancas
6  9  4  6
PV ∩ B  = , PV ∩ V  = , P B ∩ B  = , P B ∩ V  =
  25   25   25   25

03) Uma urna contém 3 bolas vermelhas, 5 bolas brancas e 8 bolas pretas. Outra urna
contém 6 bolas vermelhas, 7 bolas brancas e 4 bolas pretas. Uma bola é retirada de cada
urna. Encontre a probabilidade de obter duas bolas da mesma cor.

Resposta : 85/272

04) Suponha que o conjunto fundamental seja formado pelos inteiros positivos de 1 a 10.
Considere A{2,3,4}, B{3,4,5} e C{5,6,7}. Enumere os elementos dos seguintes conjuntos:

a) A ∩B . b) A ∪B . c) A ∩B d) A ∩ ( B ∩ C ) e) A ∩ ( B ∪ C )

Resposta: a) {5} b) {1,3,4,5,6,7,8,9,10} c) {2,3,4,5} d) {1,5,6,7,8,9,10}

e) {1,2,5,6,7,8,9,10}

05) Prove as leis de De Morgan através de diagramas de Venn.:

06) De um baralho comum de 52 cartas, seja A o evento {extração de um rei} ou

simplesmente {rei}e B o evento{extração de uma carta de paus} ou simplesmente {carta de
paus}. Descreva os eventos :

a) A ∪ B b) A ∩ B c) A ∪ B d) A ∪ B
e) A − B f) A − B

Resposta: a) {rei ou paus(ou ambos, isto é, rei de paus)}

b) {rei de paus}
c) {rei ou copas ou ouros ou espadas}
d) {não rei ou não paus}
e) {rei mas não paus}
f) {Qualquer carta de paus exceto rei}

07) Extrai-se ao acaso uma carta de um baralho ordinário de 52 cartas. Determine a

probabilidade de a carta ser :

a) um ás
b) o valete de copas
c) três de paus e seis de ouros
d) uma carta de copas
 21

e) de qualquer naipe exceto copas

f) um dez ou uma carta de espadas
g) nem quatro nem carta de paus.

Sugestão: Represente copas, espadas, ouros e paus por C,E,O,P, respectivamente, e

às,dois,três,...., rei, por 1,2,3,......,13, respectivamente. Então 3 ∩ C significa três de copas,
enquanto que o 3 ∪ C significa três ou copas. Utilize o espaço amostral - 52 cartas -,
atribuindo a mesma probabilidade de 1/52 a cada ponto do espaço amostral.

Resposta: a) 1/13 b) 1/52 c) 1/26 d) 1/4 e) 3/4 f) 4/13 g) 9/13

08) Extrai-se ao acaso uma bola de uma caixa que contém 6 bolas vermelhas, 4 brancas e 5
azuis. Determine a probabilidade de a bola extraída ser (a) vermelha, (b) branca, (c)azul, (d)
não vermelha, (e) vermelha ou branca.

Resposta: a) 2/5 b) 4/15 c) 1/3 d) 3/5 e) 2/3

09) Extraem-se aleatoriamente duas cartas de um baralho comum de 52 cartas. Determine a

probabilidade de serem ambas ases, se a primeira carta:

a) É reposta
b) Não é reposta

Resposta: a) 1/169 b) 1/221

10) A urna I contém três fichas vermelhas e 2 fichas azuis, e a urna II contém 2 fichas
vermelhas e 8 fichas azuis. Joga-se uma moeda “honesta”. Se a moeda der “cara”, extrai-se
uma ficha da urna I; se der “coroa”, extrai-se uma ficha da urna II. Determine a
probabilidade de escolha de uma ficha vermelha.
Sugestão: Seja R o evento “escolha de uma ficha vermelha”, enquanto que U1 e U2
denotam, respectivamente, escolha da urna I e escolha da urna II.

Resposta: 2/5

11) Suponhamos, no problema 10, que não se conhece o resultado da jogada da moeda (e
conseqüentemente não se saiba de qual urna vamos extrair a ficha), mas que saibamos que a
ficha extraída é vermelha. Qual a probabilidade de ter sido escolhida a urna I (isto é, a
probabilidade de ter aparecido “cara”)?

Resposta: 3/4

12) De quantos modos 10 pessoas podem estar presentes em um banco que só tem 4
posições?

Resposta: 5040

13) De quantas maneiras podemos dividir 10 objetos em grupos de 4 objetos?

 22

Resposta: 210

14) De 5 matemáticos e 7 físicos deve-se constituir uma comissão de 2 matemáticos e 3

físicos. De quantas maneiras podemos formar a comissão (a) se qualquer matemático e
qualquer físico pode ser incluído, (b) se determinado físico deve fazer parte da comissão,
(c) se dois determinados matemáticos não devem pertencer a comissão?

Resposta: a) 350 b) 150 c) 105

15) Um lote é formado de 10 artigos bons, 4 com defeitos menores e 2 com defeitos graves.
Um artigo é escolhido ao acaso. Acha a probabilidade de que:

a) Ele não tenha defeitos

b) Ele não tenha defeitos graves
c) Ele seja perfeito ou tenha defeitos graves.

Resposta: a) 5/8 b) 7/8 c) 3/4

16) Em um laboratório de uma universidade um lote de vinte transistores foram testados um

após o outro para serem utilizados a uma certo projeto, 12 transistores apresentaram
problemas em seus parâmetros e 8 estavam em perfeitas condições. Se estes transistores
forem extraídos ao acaso, qual será a probabilidade de que:

a) Os dois primeiros transistores apresentem defeito?

b) Os dois primeiros transistores estejam em perfeitas condições de uso?
c) Dos dois primeiros transistores inspecionados, um seja perfeito e o outro defeituoso?
Resposta: a) 33/95 b) 14/95 c) 24/95

17) Uma urna contém 5 fichas vermelhas e 4 brancas. Extraem-se sucessivamente duas
fichas, sem reposição, constatando-se que a Segunda é branca. Qual a probabilidade de a
primeira também ser branca?

Resposta: 3/8

18) Extrai-se, ao acaso, uma bola de uma caixa que contém 10 bolas vermelhas, 30 brancas,
20 azuis e 15 laranja. Determine a probabilidade de extração de uma bola (a) laranja ou
vermelha, (b) não - vermelha ou azul, (c) não – azul, (d) branca, (e) vermelha ou branca ou
azul.

Resposta: a) 1/3 b) 3/5 c) 11/15 d) 2/5 e) 4/5 ,

19) Uma caixa contém 2 bolas vermelhas e 3 azuis. Extraem-se ao acaso duas bolas, sem
reposição. Determine a probabilidade de serem (a) ambas azuis, (b) ambas vermelhas, (c)
uma vermelha e uma azul.
 23

Resposta: a) 3/10 b) 1/10 c) 3/10

20) As probabilidades de um marido e sua esposa estarem vivos daqui a 20 anos são,
respectivamente, 80% e 90%. Determine a probabilidade de que, daqui a 20 anos, (a)
ambos estejam vivos, (b) nenhum esteja vivo, (c) ao menos um esteja vivo.

Resposta: a) 0,72 b) 0,02 c) 0,98

21) Uma urna contém 10 bolas idênticas, numeradas de 0 a 9. Um experimento aleatório

envolve a seleção de uma bola da urna e não o número da bola. Considere os seguintes
eventos:
A = “ Número da bola selecionado é ímpar”.
B = “ Número da bola selecionado é um múltiplo de 3”.
C = “ Número da bola selecionado é menor que 5”.
Encontre a probabilidade de : A ∪ B ∪ C

Resposta: P( A ∪ B ∪ C ) = 9 / 10

22) Em um 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 :
a) Se ele foi reprovado em química, qual é a probabilidade de ele ter sido reprovado em
matemática?
b) Se ele foi reprovado em matemática, qual é a probabilidade de ele ter sido reprovado
em química?
Qual é a probabilidade de ele ter sido reprovado em matemática ou química?

Resposta: a) P( A / B ) = 0,667 b) P( B / A) = 0,40 c ) P( A ∪ B ) = 0,3