Teoria Das Probabilidades I

Universidade Federal Fluminense
Instituto de Matemtica e Estatstica
GET00142 Teoria das Probabilidades I
Ana Maria Lima de Farias

Departamento de Estatstica
Contedo
1 Probabilidade - Conceitos Bsicos
1.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2
Experimento aleatrio, espao amostral e evento . . . . . . . . . . . . . . . . . .
1.2.1
Experimento aleatrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.2
Espao amostral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.3
Eventos aleatrios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Operaes com eventos aleatrios . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.1
Interseo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.2
Excluso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.3
Unio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.4
Complementao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.5
Diferena . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.6
Propriedades das operaes . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.7
Princpio da Dualidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
12
1.3.8
Diferena Simtrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
12
1.4
Somatrios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
15
1.5
Produtrios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
1.6
Exerccios Resolvidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
18
1.7
Exerccios Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
22
1.3
2 Princpio da Induo Matemtica
27
i
CONTEDO
2.1
Conceitos bsicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
27
2.2
Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
30
2.2.1
Soma dos n primeiros nmeros naturais . . . . . . . . . . . . . . . . . . .
30
2.2.2
Soma dos produtos de dois naturais consecutivos . . . . . . . . . . . . .
31
2.2.3
Soma dos quadrados dos n primeiros nmeros naturais . . . . . . . . .
33
2.2.4
Soma dos n primeiros mpares positivos . . . . . . . . . . . . . . . . . . .
33
2.2.5
Soma dos cubos de trs nmeros naturais consecutivos . . . . . . . . .
34
2.3
Definio por recorrncia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
34
2.4
Exerccios propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42
3 Anlise combinatria
44
3.1
Princpio Fundamental da Adio . . . . . . . . . . . . . . . . . . . . . . . . . . . .
44
3.2
Princpio Fundamental da Multiplicao . . . . . . . . . . . . . . . . . . . . . . .
46
3.3
Permutaes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
48
3.4
Arranjos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
50
3.5
Combinaes Simples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
53
3.6
Tringulo de Pascal e Binmio de Newton . . . . . . . . . . . . . . . . . . . . . .
56
3.6.1
Aplicaes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
64
3.7
Permutaes Circulares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
68
3.8
Permutaes de objetos no todos distintos . . . . . . . . . . . . . . . . . . . . .
69
3.9
Solues inteiras de equaes lineares . . . . . . . . . . . . . . . . . . . . . . . .
71
3.10 Combinaes com repetio ou combinaes completas . . . . . . . . . . . . . .
74
3.11 Exerccios propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
75
4 Probabilidade: axiomas e propriedades
80
4.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
80
4.2
Definio axiomtica de probabilidade . . . . . . . . . . . . . . . . . . . . . . . .
80
4.3
Espaos amostrais finitos e equiprovveis . . . . . . . . . . . . . . . . . . . . . .
83
Curso de Estatstica
ii
CONTEDO
4.4
Exerccios propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5 Probabilidade condicional e independncia de eventos

5.1
Probabilidade condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.1.1
92
94
94
Regra da multiplicao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.2
Independncia de eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
5.3
Exerccios propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
6 Teorema da Probabilidade Total e Teorema de Bayes
112
6.1
Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
6.2
Os teoremas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
6.3
Exerccios propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
Curso de Estatstica
iii
Captulo 1
Probabilidade - Conceitos Bsicos
1.1
Introduo
No nosso cotidiano, lidamos sempre com situaes em que est presente a incerteza do
resultado, embora, muitas vezes, os resultados possveis sejam conhecidos. Por exemplo: o
sexo de um embrio pode ser masculino ou feminino, mas s saberemos o resultado exato
quando o experimento se concretizar, ou seja, quando o beb nascer. Se estamos interessados
na face voltada para cima quando jogamos um dado, os resultados possveis so 1, 2, 3, 4,
5, 6, mas s saberemos o resultado quando o experimento se completar, ou seja, quando o
dado atingir a superfcie sobre a qual foi lanado. conveniente, ento, dispormos de uma
medida que exprima a incerteza presente em cada um destes acontecimentos. Tal medida
a probabilidade.
1.2
Experimento aleatrio, espao amostral e evento
Consideremos o lanamento de um dado. Queremos estudar a proporo de ocorrncias das

faces desse dado. O primeiro fato a observar que existem apenas 6 resultados possveis,
as faces 1, 2, 3, 4, 5, 6. O segundo fato uma suposio sobre o dado: em geral, razovel
supor que este seja equilibrado. Assim, cada face deve ocorrer o mesmo nmero de vezes e,
portanto, essa proporo deve ser 16 . Nessas condies, nosso modelo probabilstico para o
lanamento de um dado pode ser expresso da seguinte forma:
Face
1
Frequncia terica 16
1
6
1
6
1
6
1
6
1
6
Total
1
Suponhamos que uma mulher esteja grvida de trigmeos. Sabemos que cada beb
CAPTULO 1. PROBABILIDADE - CONCEITOS BSICOS

pode ser do sexo masculino (M) ou feminino (F). Ento, as possibilidades para o sexo das
trs crianas so: MMM, MMF, MFM, FMM, FFM, FMF, MFF, FFF. Uma suposio razovel
que todos esses resultados sejam igualmente provveis, o que equivale dizer que cada
beb tem igual chance de ser do sexo masculino ou feminino. Ento cada resultado tem uma
chance de 18 de acontecer e o modelo probabilstico para esse experimento seria
Sexo
MMM
1
Freq. terica
8
MMF
MFM
FMM
FFM
FMF
MFF
FFF
1
8
1
8
1
8
1
8
1
8
1
8
1
8
Total
1
Por outro lado, se s estamos interessados no nmero de meninas, esse mesmo experimento leva ao seguinte modelo probabilstico:
Meninas
Freq. terica
1
8
3
8
3
8
1
8
Total
1
Nesses exemplos, vemos que a especificao de um modelo probabilstico para um

fenmeno casual depende da especificao dos resultados possveis e das respectivas probabilidades. Vamos, ento, estabelecer algumas definies antes de passarmos definio
propriamente dita de probabilidade.
1.2.1
Experimento aleatrio
Um experimento aleatrio um processo que acusa variabilidade em seus resultados, isto

, repetindo-se o experimento sob as mesmas condies, os resultados sero diferentes.
Contrapondo aos experimentos aleatrios, temos os experimentos determinsticos, que so
experimentos que, repetidos sob as mesmas condies, conduzem a resultados idnticos.
Neste curso, estaremos interessados apenas nos experimentos aleatrios.
1.2.2
Espao amostral
O espao amostral de um experimento aleatrio o conjunto de todos os resultados possveis

desse experimento. Vamos denotar tal conjunto pela letra grega mega maiscula, . Quando
o espao amostral finito ou infinito enumervel, chamado espao amostral discreto. Caso
contrrio, isto , quando no enumervel, vamos cham-lo de espao amostral contnuo.
1.2.3
Eventos aleatrios
Os subconjuntos de so chamados eventos aleatrios e os elementos de so chamados

eventos elementares. Os eventos, sendo conjuntos, sero representados por letras maisculas
Curso de Estatstica

do nosso alfabeto, enquanto os elementos de um evento sero representados por letras
minsculas.
EXEMPLO 1.1 Lanamento de uma moeda
O lanamento de uma moeda um experimento aleatrio, uma vez que, em cada lanamento,
mantidas as mesmas condies, no podemos prever qual das duas faces (cara ou coroa) cair
para cima. Por outro lado, se colocarmos uma panela com gua para ferver e anotarmos a
temperatura de ebulio da gua, o resultado ser sempre 100o C. Logo, este um experimento
determinstico.
EXEMPLO 1.2 Lanamento de um dado
Consideremos o experimento aleatrio lanamento de um dado. O espao amostral

= {1, 2, 3, 4, 5, 6} , sendo, portanto, um espao discreto. Os eventos elementares so {1} ,
{2} , {3} , {4} , {5} , {6} . Outros eventos so: face par= {2, 4, 6} , face mpar = {1, 3, 5} ,
face mpar menor que 5 = {1, 3} , etc.
EXEMPLO 1.3 Lanamento de duas moedas
Consideremos o lanamento simultneo de duas moedas. Vamos representar por K a ocorrncia de cara e por C a ocorrncia de coroa. Um espao amostral para esse experimento
= {K K , K C , C K , CC } , que tambm um espao discreto. Os eventos simples so {K K } ,
{K C } , {C K } , {CC } e um outro evento cara no primeiro lanamento = {K C , K K } . Para
esse mesmo experimento, se estamos interessados apenas no nmero de caras, o espao
amostral pode ser definido como = {0, 1, 2} .
EXEMPLO 1.4 Medio do nvel de rudo
Seja o experimento que consiste em medir, em decibis, diariamente, durante um ms, o nvel
de rudo na vizinhana da obra de construo do metr em Ipanema. O espao amostral
associado a este experimento formado pelos nmeros reais positivos, sendo, portanto, um
espao amostral contnuo. Um evento: observar nveis superiores a 80 decibis, representado
pelo intervalo (80, ) , que corresponde a situaes de muito barulho.
EXEMPLO 1.5 Bolas em uma urna
Uma urna contm 4 bolas, das quais 2 so brancas (numeradas de 1 a 2) e 2 so pretas

(numeradas de 3 a 4). Duas bolas so retiradas dessa urna, sem reposio. Defina um
espao amostral apropriado para esse experimento e os seguintes eventos:
Curso de Estatstica

A:
B:
C:
a primeira bola branca;

a segunda bola branca;
ambas as bolas so brancas;
Soluo
Considerando a numerao das bolas, o espao amostral pode ser definido como:
= {(i, j) : i = 1, 2, 3, 4; j = 1, 2, 3, 4; i 6= j}
= {(1, 2), (1, 3), (1, 4), (2, 1), (2, 3), (2, 4), (3, 1), (3, 2), (3, 4), (4, 1), (4, 2), (4, 3)}
Os eventos so:
A = {(i, j) : i = 1, 2; j = 1, 2, 3, 4; i 6= j}
= {(1, 2), (1, 3), (1, 4), (2, 1), (2, 3), (2, 4)}
B = {(i, j) : i = 1, 2, 3, 4; j = 1, 2; i 6= j}
= {(2, 1), (3, 1), (4, 1), (1, 2), (3, 2), (4, 2)}
C = {(i, j) : i = 1, 2; j = 1, 2; i 6= j}
= {(1, 2), (2, 1)}
EXEMPLO 1.6 Cartas de um baralho
Trs cartas so retiradas, sem reposio, de um baralho que tem trs cartas de cada uma
das cores azul, vermelha, preta e branca. D um espao amostral para esse experimento e
liste os eventos:
A:
B:
C:
D:
todas as cartas selecionadas so vermelhas;

uma carta vermelha, uma carta azul e uma carta preta so selecionadas;
trs diferentes cores ocorrem;
todas as quatro cores ocorrem.
Soluo
Vamos denotar por A, V , P e B as cores azul, vermelha, preta e branca, respectivamente.
Ento
= {(x1 , x2 , x3 ) : xi = A, V , P, B; i = 1, 2, 3}
Os eventos so:
A = {(V , V , V )}
B = {(V , A, P), (V , P, A), (A, V , P), (A, P, V ), (P, V , A), (P, A, V )}
Curso de Estatstica
(V , A, P), (V , P, A), (A, V , P), (A, P, V ), (P, V , A), (P, A, V ),
(V , A, B), (V , B, A), (A, V , B), (A, B, V ), (B, V , A), (B, A, V ),

C =
(V
, B, P), (V , P, B), (B, V , P), (B, P, V ), (P, V , B), (P, B, V ),
(B, A, P), (B, P, A), (A, B, P), (A, P, B), (P, B, A), (P, A, B)
Como temos quatro cores diferentes e apenas trs extraes, no possivel obter todas
as cores; logo,
D =
1.3
Operaes com eventos aleatrios
1.3.1
Interseo
O evento interseo de dois eventos A e B o evento que equivale ocorrncia simultnea

de A e B (ver Figura 1.1). Seguindo a notao da teoria de conjuntos, a interseo de dois
eventos ser representada por A B.
Figura 1.1 Interseo de dois eventos: A B

Note que
x AB
xA
xB
(1.1)
EXEMPLO 1.7 Lanamento de dois dados - continuao

Consideremos o experimento lanamento de dois dados e os eventos A =soma das faces
um nmero par e B = soma das faces um nmero maior que 9. Calcule A B.
Soluo
O espao amostral desse experimento, que tem 36 elementos,
= {(1, 1), (1, 2), . . . , (1, 6), (2, 1), . . . , (2, 6), . . . , (6, 6)}
Para que um elemento pertena interseo A B, ele tem que pertencer simultaneamente ao evento A e ao evento B. O evento B
Curso de Estatstica

B = {(4, 6), (5, 5), (5, 6), (6, 4), (6, 5), (6, 6)}
Dos seus elementos, os nicos que pertencem ao evento A, isto , que tm soma das
faces par, so os eventos (4, 6) , (5, 5) , (6, 4) e (6, 6) . Logo, A B = {(4, 6) , (5, 5) , (6, 4) , (6, 6)} .
Note que no precisamos listar o evento A! Ele tem 18 elementos!
1.3.2
Excluso
Dois eventos A e B so mutuamente exclusivos quando eles no podem ocorrer simultaneamente, isto , quando a ocorrncia de um impossibilita a ocorrncia do outro. Isto significa
dizer que os eventos A e B no tm elementos em comum. Ento, dois eventos A e B so
mutuamente exclusivos quando sua interseo o conjunto vazio, isto , A B = (ver
Figura 1.2).
Figura 1.2 Eventos mutuamente exclusivos: A B =

EXEMPLO 1.8 Lanamento de dois dados
Consideremos novamente o experimento lanamento de dois dados e sejam os eventos

A = soma das faces mpar e B = duas faces iguais. Ento, A e B so mutuamente
exclusivos porque a soma de dois nmeros iguais sempre um nmero par!
1.3.3
Unio
A unio de dois eventos A e B o evento que corresponde ocorrncia de pelo menos

um deles. Note que isso significa que pode ocorrer apenas A, ou apenas B ou A e B
simultaneamente. Esse evento ser representado por A B (ver Figura 1.3).
Note que
x AB
xA
ou
xB
(1.2)
EXEMPLO 1.9 Lanamento de duas moedas
Curso de Estatstica
Figura 1.3 Unio de dois eventos: A B

Consideremos o experimento do lanamento de duas moedas, onde o espao amostral =
{K K , K C , C K , CC }. Sejam os eventos A = ocorrncia de exatamente 1 cara e B = duas
faces iguais. Ento A = {K C , C K } e B = {CC , K K } ; logo, A B = e A B = . Seja C o
evento pelo menos uma cara; ento C = {K C , C K , K K } e B C = e B C = {K K } =
6 .
1.3.4
Complementao
O complementar de um evento A, denotado por A ou Ac , a negao de A. Ento, o complementar de A formado pelos elementos que no pertencem a A (ver Figura 1.4).
Figura 1.4 Complementar do evento A = A

Note que
e tambm que
xA
x
/ A
AA=
(1.3)
(1.4)

Consideremos o lanamento de um dado e seja A = face par. Ento, A o evento face
mpar. Note que A = {2, 4, 6} e A = {1, 3, 5} e = A A.
Curso de Estatstica
1.3.5
Diferena
A diferena entre dois eventos A e B, representada por A \ B, o evento formado pelos

elementos do espao amostral que pertencem a A mas no pertencem a B (ver Figura 1.5).
Note que podemos pensar em A \ B como o complementar de B relativo ao evento A.
Figura 1.5 Diferena A \ B

Note que
e tambm
x A\B
xA
x
/ B
x AB
A = (A \ B) (A B)
(1.5)
(1.6)
Alm disso, A \ B 6= B \ A, conforme ilustrado na Figura 1.6.
Figura 1.6 Diferena B \ A

De maneira anloga, B \ A o complementar de A relativo ao evento B.
Consideremos novamente o lanamento de dois dados e os eventos A = soma das faces
par e B = soma das faces maior que 9. Vamos considerar as duas diferenas, A \ B e
B \ A. Temos que

(1, 1) , (1, 3) , (1, 5) , (2, 2) , (2, 4) , (2, 6) , (3, 1) , (3, 3) , (3, 5) ,
A =
(4, 2) , (4, 4) , (4, 6), (5, 1) , (5, 3) , (5, 5), (6, 2) , (6, 4), (6, 6)
B = {(4, 6), (5, 5), (5, 6), (6, 4), (6, 5), (6, 6)}
Curso de Estatstica

Logo,

A\B =
(1, 1) , (1, 3) , (1, 5) , (2, 2) , (2, 4) , (2, 6) , (3, 1) , (3, 3) , (3, 5) ,

(4, 2) , (4, 4) , (5, 1) , (5, 3) , (6, 2)
B\A = {(5, 6) , (6, 5)}
1.3.6
Propriedades das operaes
Sejam A, B, C eventos de um espao amostral . Ento valem as seguintes propriedades.

1. Identidade
A =
A =
(1.7)
A = A
A = A
(1.8)
(Note que o equivalente do conjunto universal da teoria de conjuntos.)

2. Complementar
3. Involuo
=
=
(1.9)
AA =
AA =
(1.10)
A = (Ac )c = A
4. Idempotncia
AA = A
AA = A
(1.11)
AB = BA
AB = BA
(1.12)
5. Comutatividade
Curso de Estatstica

6. Associatividade
(A B) C = A (B C )
(A B) C = A (B C )
(1.13)
A (B C ) = (A B) (A C )
A (B C ) = (A B) (A C )
(1.14)
7. Distributividade
A ilustrao da primeira propriedade est na Figura 1.7. Na linha superior, ilustramos

o lado esquerdo da igualdade A (B C ): no diagrama esquerda temos o evento A e
no diagrama do centro temos o evento B C . Para sombrear a interseo desses dois
eventos, basta sombrear as partes que esto sombreadas em ambos os diagramas, o
que resulta no diagrama direita, onde temos o evento A (B C ). Na linha inferior,
ilustramos o lado direito da igualdade (A B) (A C ): no diagrama esquerda temos
o evento A B e no diagrama do centro, o evento A C . Para sombrear a unio desses
dois eventos, basta sombrear todas as partes que esto sombreadas em algum dos
diagramas, o que resulta no diagrama direita, onde temos o evento (A B) (A C ) .
Analisando os diagramas direita nas duas linhas da figura, vemos que A (B C ) =
(A B) (A C ).
A
C
A
C
B
Figura 1.7 Ilustrao da propriedade distributiva: A (B C ) = (A B) (A C )
A ilustrao da segunda propriedade est na Figura 1.8. Na linha superior, ilustramos

o lado esquerdo da igualdade A (B C ): no diagrama esquerda temos o evento
A e no diagrama do centro temos o evento B C . Para sombrear a unio desses
dois eventos, basta sombrear todas as partes que esto sombreadas em algum dos
Curso de Estatstica
10

diagramas, o que resulta no diagrama direita, onde temos o evento A (B C ) . Na
linha inferior, ilustramos o lado direito da igualdade (A B) (A C ): no diagrama
esquerda temos o evento AB e no diagrama do centro, o evento AC . Para sombrear a
interseo desses dois eventos, basta sombrear todas as partes que esto sombreadas
em ambos os diagramas e isso resulta no diagrama direita, onde temos o evento
(A B) (A C ) . Analisando os diagramas direita nas duas linhas da figura, vemos
que A (B C ) = (A B) (A C ).
A
C
A
C
B
Figura 1.8 Ilustrao da propriedade distributiva: A (B C ) = (A B) (A C )
8. Absoro
A (A B) = A
A (A B) = A
(1.15)
AB = AB
AB = AB
(1.16)
9. Leis de De Morgan
Na primeira linha da Figura 1.9 ilustra-se a primeira propriedade A B = A B: no

diagrama esquerda temos A B; nos dois diagramas centrais, temos, respectivamente,
A e B; no diagrama direita, temos A B, que igual ao diagrama esquerda, ou
seja, A B = A B.
Na segunda linha da Figura 1.9 ilustra-se a segunda propriedade A B = A B: no
diagrama esquerda temos A B; nos dois diagramas centrais, temos, respectivamente,
A e B; no diagrama direita, temos A B, que igual ao diagrama esquerda, ou
seja, A B = A B.
Curso de Estatstica
11
Figura 1.9 Ilustrao das leis de De Morgan
1.3.7
Princpio da Dualidade
Seja E uma equao da lgebra dos conjuntos. Por exemplo, A = A. O dual de E, denotado
por E , a equao obtida a partir de E substituindo-se cada ocorrncia de , , , por
, , , , respectivamente. Por exemplo, o dual de A = A A = A. O princpio da
dualidade estabelece que, se uma equao E da lgebra dos conjuntos verdadeira, ento
seu dual E tambm o .
Note que as propriedades acima esto organizadas aos pares e em cada par uma
equao o dual da outra.
1.3.8
Diferena Simtrica
A diferena simtrica entre A e B, representada por A B e ilustrada na Figura 1.10,

o evento formado pelos elementos do espao amostral que pertencem unio, mas no
interseo de A e B, isto :
A B = (A B) \ (A B)
(ou exclusivo)
Figura 1.10 Diferena simtrica de dois eventos A e B : A B
Curso de Estatstica
12

Note a seguinte equivalncia:
AB =
=
=
=
=
=
=
(A B) \ (A B)
(A B) (A B)
(A B) (A B)
(A A) (A B) (B A) (B B)
(A B) (B A)
(A B) (B A)
(A \ B) (B \ A)
Essa equivalncia permite definir a diferena simtrica como A B = (A \ B) (B \ A), o que

justifica o nome. Note que A B o conjunto dos elementos que pertencem a exatamente
um dos eventos A e B.
So vlidas as seguintes propriedades:
AA=
De fato:
A A = (A A) \ (A A) = A \ A = A A =
A=A
De fato:
A = (A ) \ (A ) = A \ = A = A = A
Comutatividade: A B = B A
Segue direto da comutatividade da unio e da interseo.
Distributiva em relao interseo: A (B C ) = (A B) (A C )
De fato:
(A B) (A C ) =
=
=
=
=
=
[(A B) (A C )] [(A C ) (A B)]

[(A B) (A C )] [(A C ) (A B)]
[(A B A) (A B C )] [(A C A) (A C B)]
(A B C ) (A C B)
A [(B C ) (C B)]
A (B C )
Associatividade: (A B) C = A (B C )
Curso de Estatstica
13

De fato: desenvolvendo cada um dos membros da igualdade obtemos

(A B) C = (A B) (B A) C
h
io

n
=
(A B) (B A) C C (A B) (B A)
h
io
n

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

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

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

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

A (B C ) = A (B C ) (C B)
io
n
h

= A (B C ) (C B) (B C ) (C B) A
n
h
io

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

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

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

= (A B C ) (A C B) (A C B) (A B C )
= (A B C ) (A B C ) (A B C ) (A B C )
Lei do Cancelamento: A B = A C = B = C
Demonstrao
Empregaremos, aqui, o mtodo de demonstrao por absurdo, ou seja, vamos negar a
tese e mostrar que isso leva a um absurdo 9em geral, algo que nega a hiptese feita).
Suponhamos, por absurdo, que B 6= C . Ento, pelo menos uma das duas situaes
ocorre:
x B | x
/ C
x C | x
/ B
Sem perda de generalidade (a demonstrao anloga), consideremos que a primeira
situao ocorra, isto , (x B) (x
/ C ). Suponhamos, por absurdo, que x A. Ento
teramos (x A) (x B) (x
/ C ).
(x A) (x
/ C) x A \ C A C = A B x A B
(x A) (x B) x A B x
/ AB
o que absurdo. Ento, temos que temos que ter (x B) (x
/ C ) (x
/ A). Mas
(x B) (x
/ A) x (B \ A) = x A B
(x
/ C ) (x
/ A) x
/ AC =AB x
/ AB
o que , novamente, um absurdo. Logo, B = C .
Curso de Estatstica
14
1.4
Somatrios
A notao de somatrio bastante til na apresentao de frmulas, pois ele resume de

forma bastante compacta a operao de soma de vrias parcelas. Para compreender as
propriedades do somatrio, basta lembrar as propriedades da adio.
Para desenvolver um somatrio, temos que substituir o valor do ndice em cada uma
das parcelas e em seguida realizar a soma dessas parcelas. Por exemplo:
5
X
i2 = 12 + 22 + 32 + 42 + 52
i=1
A expresso geral
n
X
xi = x1 + x2 + + xn
(1.17)
i=1
Em termos mais gerais, temos as seguintes propriedades:

n
X
(xi + yi ) = (x1 + y1 ) + (x2 + y2 ) + + (xn + yn ) =
i=1
= (x1 + x2 + + xn ) + (y1 + y2 + + yn ) =
n
n
X
X
=
xi +
yi
i=1
n
X
(1.18)
i=1
kxi = kx1 + kx2 + + kxn =
(1.19)
i=1
= k(x1 + x2 + + xn ) =
n
X
= k
xi
i=1
n
X
k = k + k + + k = nk
(1.20)
i=1
n X
m
X
i=1 j=1
xi yj =
n
X
i=1
xi
m
X
yj
(1.21)
j=1
Note os indices nessa ltima expresso: o ndice do primeiro somatrio i e do segundo

somatrio j e cada termo no somatorio depende de apenas um ndice. Por isso podemos
Curso de Estatstica
15

quebrar em 2 somatrios. Para ver por que essa expresso verdadeira, note que esse
somatrio duplo pode ser desdobrado da seguinte forma:
n X
m
X
xi yj = x1 (y1 + + ym ) + x2 (y1 + + ym ) + + xn (y1 + + ym )
i=1 j=1
= (x1 + x2 + + xn )(y1 + + ym )
m
n
X
X
yj
= =
xi
j=1
i=1
importante salientar algumas diferenas:

n
X
xi2 6=
i=1
n
X
!2
xi
(1.22)
i=1
uma vez que

n
X
xi2 = x12 + x22 + + xn2
i=1
e
n
X
!2
xi
= (x1 + x2 + + xn )2
i=1
Temos tambm que
n
X
i=1
uma vez que
n
X
xi yi 6=
n
X
i=1
!
xi
n
X
!
yi
(1.23)
i=1
xi yi = x1 y1 + x2 y2 + + xn yn
i=1
n
X
i=1
!
xi
n
X
!
yi
= (x1 + x2 + + xn )(y1 + y2 + + yn )
i=1
importante que voc entenda bem a diferena entre as expresses 1.21 e 1.23.
EXEMPLO 1.12
Curso de Estatstica
16

Calcule as seguintes quantidades para os dados abaixo:
6
X
6
X
xi
i=1
6
X
fi
i=1
i
fi
xi
1
3
10
6
X
f i xi
i=1
2
5
11
3
9
15
4
10
19
fi xi2
i=1
5
2
21
6
1
26
Soluo
6
X
xi = 10 + 11 + 15 + 19 + 21 + 26 = 102
i=1
6
X
fi = 3 + 5 + 9 + 10 + 2 + 1 = 30
i=1
6
X
fi xi = 3 10 + 5 11 + 9 15 + 10 19 + 2 21 + 1 26 = 478
i=1
6
X
fi xi2 = 3 102 + 5 112 + 9 152 + 10 192 + 2 212 + 1 262 = 8098
i=1

1.5
Produtrios
Assim como para somatrios, podemos representar de forma compacta o produto de vrios
termos. Usaremos, agora, a letra grega maiscula pi, . Temos, ento, que
n
Y
xi = x1 x2 xn
(1.24)
i=1
Todas as propriedades so resultantes das propriedades da operao de multiplicao.

n
Y
xi yi = (x1 y1 ) (x2 y2 ) (xn yn
(1.25)
i=1
= (x1 x2 xn )(y1 y2 yn )
! n !
n
Y
Y
=
xi
yi
i=1
Curso de Estatstica
i=1
17
n
Y
kxi = (kx1 ) (kx2 ) (kxn = k n
i=1
n
Y
!
xi
(1.26)
i=1
n
Y
k = k k k = kn
(1.27)
i=1
n
Y
xik = x1k x2k xnk =
i=1
1.6
n
Y
!k
xi
(1.28)
i=1
Exerccios Resolvidos
1.1 Sejam A, B, C trs eventos de um espao amostral. Exprima os eventos abaixo usando
as operaes unio, interseo e complementao:
(a) somente A ocorre;
(b) A, B e C ocorrem;
(c) pelo menos um ocorre;
(d) exatamente dois ocorrem.
Soluo
(a) O evento Somente A ocorre significa que A ocorre e B no ocorre e C no ocorre; em

linguagem de conjunto:
Somente A ocorre = A B C
(b) O evento A, B e C ocorrem significa que os trs eventos ocorrem; em linguagem de
conjunto,
A, B e C ocorrem = A B C
(c) O evento pelo menos um ocorre significa que pode ter ocorrido apenas um, ou dois ou
trs; essa a prpria definio de unio, ou seja, em linguagem de conjunto, temos que
pelo menos um ocorre = A B C
Curso de Estatstica
18

(d) Os dois que ocorrem podem ser A e B ou A e C ou B e C . Ocorrendo dois desses, o
terceiro no pode ocorrer. Logo, em linguagem de conjunto temos que:

exatamente dois ocorrem = A B C A B C A B C
1.2 Considere o lanamento de dois dados e defina os seguintes eventos:
A = soma par
B = soma 9
C = mximo das faces 6
Calcule A B, A B, A \ B, B \ A, B C , B \ C .
Soluo

A=
(1, 1) , (1, 3) , (1, 5) , (2, 2) , (2, 4) , (2, 6) , (3, 1) , (3, 3) , (3, 5) ,

(4, 2) , (4, 4) , (4, 6) , (5, 1) , (5, 3) , (5, 5) , (6, 2) , (6, 4) , (6, 6)
B = {(3, 6) , (4, 5) , (4, 6) , (5, 4) , (5, 5) , (5, 6) , (6, 3) , (6, 4) , (6, 5) , (6, 6)}

(1, 6) , (2, 6) , (3, 6) , (4, 6) , (5, 6) , (6, 6) ,
C=
(6, 1) , (6, 2) , (6, 3) , (6, 4) , (6, 5)
A B = {(4, 6) , (5, 5) , (6, 4) , (6, 6)}
(1, 1) , (1, 3) , (1, 5) , (2, 2) , (2, 4) , (2, 6) , (3, 1) , (3, 3) , (3, 5) ,

(4, 2) , (4, 4) , (4, 6) , (5, 1) , (5, 3) , (5, 5) , (6, 2) , (6, 4) , (6, 6) ,
AB =
(3, 6) , (4, 5) , (5, 4) , (5, 6) , (6, 3) , (6, 5)

(1, 1) , (1, 3) , (1, 5) , (2, 2) , (2, 4) , (2, 6) , (3, 1) , (3, 3) , (3, 5) ,
A\B =AB =
(4, 2) , (4, 4) , (5, 1) , (5, 3) , (6, 2)
B \ A = {(3, 6) , (4, 5) , (5, 4) , (5, 6) , (6, 3) , (6, 5)}
B C = {(3, 6) , (4, 6) , (5, 6) , (6, 3) , (6, 4) , (6, 5) , (6, 6)}
B \ C = {(4, 5) , (5, 4) , (5, 5)}
Note que, de acordo com as propriedades j vistas,

(B C ) (B \ C ) = (B C ) B C =

= [(B C ) B] (B C ) C = [B] C (B C )

= B C B C C = B C B ()

= B C B = B C (B B)

= BC B =B
1.3 Prove que as seguintes afirmativas so verdadeiras:
Curso de Estatstica
19

(a) A B A
(b) A B B
(c) A A B
(d) B A B
Soluo
(a) Seja x A B. Por definio x A e x B. Da segue que
x AB x A
Ou seja, todo elemento de A B elemento de A. Logo, A B A.
(b) Analogamente prova-se que A B B
(c) Se x A, ento x A B pela definio de unio. Logo,
x Ax AB
ou seja, todo elemento de A elemento de A B. Logo, A A B.
(d) Analogamente prova-se que B A B
1.4 Prove que as seguintes afirmativas so equivalentes:
A B
AB = A
AB = B
Soluo
Parte 1 1 : A B A B = A
1. A B = A B = A
Pelo Exerccio 1.3 temos que A B A.
Seja x A. Como, por hiptese, A B, resulta tambm que x B. Logo, x A x
A B. Isso significa que A A B.

AB A
= A = A B
AAB
e isso completa a prova de que A B = A B = A
1
L-se o smbolo como equivalente a
Curso de Estatstica
20

2. A B = A = A B
Seja x A. Como, por hiptese, A B = A, resulta que x A B, o que implica que
x B. Logo, todo elemento de A tambm elemento de B, ou seja, A B.

A B = A B = A
= A B = A A B
A B = A = A B
Parte 2: A B A B = B
1. A B = A B = B
Pelo Exerccio 1.3, temos que B A B
Seja x A B. Ento, pelo menos uma das seguintes afirmativas verdadeira:
x B
x AB B x B
(exerccio 1.3)
x ABxB
(por hiptese)
Resulta, ento, que se x A B, ento x B, o que significa que A B B.

AB B
= B = A B
B AB
e isso completa a prova de que A B = A B = B
2. A B = B = A B
Seja x A. Pelo Exerccio 1.3, resulta que x A B = B por hiptese. Logo,
x A = x B o que significa que A B.

A B = A B = B
= A B = B A B
A B = B = A B
Parte 3: Pela transitividade da equivalncia, temos que

AB =AAB
= [A B = A] [A B] [A B = B]
AB =B AB
1.5 Obtenha expresses alternativas para
(A B) (C D)
(A B) (C D)
Curso de Estatstica
21

Soluo
Aplicando as propriedades distributiva, comutativa e associativa, temos
(A B) (C D) =
=
=
=
[(A B) C ] (A B) D]
[C (A B)] [D (A B)]
[(C A) (C B)] [(D A) (D B)]
(A C ) (B C ) (A D) (B D)
Pelo princpio da dualidade, resulta

(A B) (C D) = (A C ) (B C ) (A D) (B D)
1.6 Prove que
(A B) (A B) = A
Soluo
(A B) (A B) = (A A) (A B) (B A) (B B)
=A
(A B) (B A)
= A (A B) (B A)
= A (B A)
=A
1.7
(Exerccio 1.5)
(Idempotncia)
(Associativa)
(A B) A
(B A A)
Exerccios Propostos
1.7 Sejam A, B, C eventos em um espao amostral . Prove que se A B e B C , ento

A C.
1.8 Sejam A, B, C eventos em um espao amostral . Prove que
1. A B C = A B C
2. A B C = A B C
3. A B = B A
4. A B = e C A = B C =
1.9 Considere os diagramas na Figura 1.11 .
1. No diagrama (1), assinale a rea correspondente a A \ B.
Curso de Estatstica
22
Figura 1.11 Diagramas de Venn para o Exerccio 1.9

2. No diagrama (2), assinale a rea correspondente a A B.
3. No diagrama (3), assinale a rea correspondente a (A C ) B.
4. No diagrama (4), assinale a rea correspondente a (A B) C
1.10 Prove que:

1. A B = A B = B \ A
2. A B = A B
1.11 Considere a Figura 1.12. Expresse, em notao de conjuntos, os eventos definidos por
cada uma das reas numeradas.
1.12 Numa pesquisa com 60 pessoas, constatou-se que

25 leem O Globo
26 leem o JB
26 leem O Dia
3 leem os 3 jornais
9 leem O Globo e O Dia

11 leem O Globo e o JB
8 leem O Dia eo JB
(a) Represente as informaes dadas em um diagrama de Venn, tendo o cuidado de definir

os eventos.
Curso de Estatstica
23
Figura 1.12 Diagrama de Venn para o Exerccio 1.11

(b) Indique a qual evento corresponde cada uma das cardinalidades dadas.
(c) Ache o nmero de pessoas que leem pelo menos um jornal.
(d) Ache o nmero de pessoas que no leem qualquer um desses 3 jornais.
(e) Ache o nmero de pessoas que leem exatamente um jornal.
1.13 Lanam-se trs moedas. Enumere o espao amostral e os eventos A = faces iguais;
B = cara na primeira moeda; C = coroa na segunda e terceira moedas.
1.14 Defina um espao amostral para cada um dos seguintes experimentos aleatrios:
(a) Em uma pesquisa de mercado, conta-se o nmero de clientes do sexo masculino que
entram em um supermercado no horrio de 8 s 12 horas.
(b) Em um estudo de viabilidade de abertura de uma creche prpria de uma grande empresa,
fez-se um levantamento, por funcionrio, do sexo dos filhos com menos de 5 anos de idade.
O nmero mximo de filhos por funcionrio 4 e a informao relevante o sexo dos
filhos de cada funcionrio.
(c) Em um teste de controle de qualidade da produo, mede-se a durao de lmpadas,
deixando-as acesas at que queimem.
(d) Um fichrio com 10 nomes contm 3 nomes de mulheres. Seleciona-se ficha aps ficha
at o ltimo nome de mulher ser selecionado e anota-se o nmero de fichas selecionadas.
(e) Lana-se uma moeda at aparecer cara pela primeira vez e anota-se o nmero de lanamentos.
(f) Em uma urna h 5 bolas identificadas pelas letras {A, B, C , D, E} . Sorteiam-se duas
bolas, uma aps a outra com reposio, e anota-se a configurao formada.
(g) Mesmo enunciado anterior, mas as duas boas so selecionados simultaneamente.
Curso de Estatstica
24

(h) Uma caixa contm uma bola azul, uma verde e uma vermelha. Retira-se uma bola ao
acaso da urna. Depois de registrada sua cor, ela substituda por uma bola vermelha.
O experimento termina quando uma bola vermelha retirada..
(i) Pacientes que chegam a um hospital so classificados de acordo com o sexo e com o
fato de terem ou no plano de sade. Considere o experimento aleatrio que consiste
na classificao de um paciente que chega ao pronto socorro.
1.15 Sejam A, B, C trs eventos de um espao amostral. Exprima os eventos abaixo em
notao de conjunto utilizando as operaes apropriadas:
(a) exatamente um ocorre;
(b) nenhum ocorre;
(c) pelo menos dois ocorrem;
(d) no mximo dois ocorrem.
1.16 Suponha que todo passageiro que chega ao balco de embarque de uma companhia
area seja classificado como brasileiro (B) ou estrangeiro (E) e pelo nmero de malas despachadas (suponha que cinco o mximo).
(a) Ache o espao amostral para esse experimento.
(b) Descreva os seguintes eventos em palavras.
(i) A = {B0, E0}
(ii) B = {E0, E1, E2, E3, E4, E5}
(iii) C = {B1, E1, B2, E2}
(iv) D = {B1, E1, B3, E3, B5, E5}
1.17 Uma cafeteria oferece ch nas seguintes variaes: quente ou frio; com ou sem creme;
e em tamanhos pequeno ou grande. Um experimento consiste em registrar essas trs opes
para o prximo cliente.
(a) Represente o espao amostral desse experimento atravs de um diagrama de rvore,
definindo claramente os eventos.
(b) Considere os seguintes eventos.
A1 = O prximo cliente pede tamanho pequeno
A2 = O prximo cliente pede ch frio
A3 = O prximo cliente pede tamanho pequeno ou frio
Liste os resultados em cada um dos seguintes eventos:
Curso de Estatstica
25

(i) A2 A3
(ii) A2 A3
Curso de Estatstica
26
Captulo 2
Princpio da Induo Matemtica
2.1
Conceitos bsicos
Neste captulo, estudaremos o princpio da induo matemtica, que uma importante ferramenta para demonstrao da veracidade de sentenas abertas definidas no conjunto dos
nmeros naturais.
DEFINIO Sentena aberta definida em N

Uma sentena aberta definida em N uma sentena matemtica P(n)
que depende de uma varivel natural n, podendo ser falsa ou verdadeira
quando se substitui n por um nmero natural qualquer.
Alguns exemplos de sentenas abertas em N so:

P(n) : 2n um nmero mpar n N note que P(n) sempre falsa.
Por outro lado, P(n) : 2n um nmero par verdadeira para n N
P(n) :
n
X
i2 =
i=1
n(n + 1)(2n + 1)
se calcularmos P(1), P(2), P(3) veremos que elas so
6
verdadeiras.
A questo que se coloca : como demonstrar que uma sentena aberta verdadeira
para todo n N? Precisamos da seguinte definio.
27
CAPTULO 2. PRINCPIO DA INDUO MATEMTICA
DEFINIO Conjunto verdade

Dada uma sentena aberta em N, seu conjunto verdade um subconjunto
V definido como
V = {n N; P(n) verdadeira}
Vamos enunciar, agora, o princpio da induo matemtica.
Princpio da induo matemtica
Dado um subconjunto S do conjunto dos nmeros naturais N tal que

1. 1 S e
2. n S = n + 1 S
ento S = N.
Dito de outra forma, o nico subconjunto de N que satisfaz as condies (1) e (2) acima o
prprio N. Aassim, para demonstrar, por induo, que uma sentena aberta P(n) verdadeira
para todo n N, basta mostrar que seu conjunto verdade V satisfaz a essas condies, o
que implicar que V = N.
Prova por induo matemtica
Seja P(n) uma sentena aberta sobre N. Se

1. P(1) verdadeira e
2. para qualquer n N, sempre que P(n) for verdadeira, P(n + 1)
tambm o ser,
ento P(n) verdadeira para todo n N.
Note que a hiptese (1) equivalente a dizer que 1 V e a hiptese (2) equivalente a
n V n + 1 V . Pelo princpio da induo matemtica, resulta que V = N.
Curso de Estatstica
28

possivel generalizar o teorema anterior para casos em que determinada propriedade
seja vlida apenas para inteiros maiores que determinado valor a. Por exemplo, a propriedade 2n > n2 vlida apenas para n 5. (Verifique que ela no vlida para n 4.)
Prova por induo matemtica - Caso geral
Seja P(n) uma sentena aberta sobre N e seja a N qualquer. Se

1. P(a) verdadeira e
2. para qualquer n N com n a, sempre que P(n) for verdadeira,
P(n + 1) tambm o ser,
ento P(n) verdadeira para todo n a.
Antes de passarmos aos exemplo, iremos apresentar uma segunda verso do teorema.
Induo completa
Seja P(n) uma sentena aberta sobre N e seja a N qualquer. Se

1. P(a) verdadeira e
2. para qualquer n a, P(i) for verdadeira para a i n, P(n + 1)
tambm o ser,
ento P(n) verdadeira para todo n a.
Note a diferena, conforme ilustrado na Figura 2.1: na induo completa, a veracidade

de P(n + 1) depende da veracidade da afirmativa para todos os naturais anteriores, e no
apenas do natural imediatamente anterior. Essa verso ser til em demonstraes de
propriedades definidas recursivamente em que o nsimo termo depende de dois ou mais
termos anteriores.
Curso de Estatstica
29
Figura 2.1 Ilustrao dos teoremas sobre induo matemtica
2.2
Exemplos
2.2.1
Soma dos n primeiros nmeros naturais
Vamos denotar por Sn a soma dos n primeiros nmeros naturias, ou seja,

Sn = 1 + 2 + + n
Seguindo o artifcio usado por Gauss, note que podemos escrever Sn de duas formas
equivalentes, j que a adio comutativa.
Sn
Sn
= 1
= n
+
2
+
+ n1 +
+ n
+ 1
Somando termo a termo, obtemos

Sn
Sn
2Sn
=
1
=
n
= (n + 1)
+
2
+
+ n 1 +
+ (n + 1) +
+
n
+
1
+ (n + 1)
o que resulta em
2Sn = n(n + 1) Sn =
Curso de Estatstica
n(n + 1)
2
30

Embora esse seja um argumento bastante interessante, no constitui uma prova formal
de que
n
X
n(n + 1)
i=
(2.1)
2
i=1
Vamos demonstrar essa igualdade por induo, ou seja, vamos provar por induo que a
sentena
P(n) : Sn =
n(n + 1)
2
n N
verdadeira.
Passo 1: Vamos provar que P(1) verdadeira.
De fato: S1 = 1 =
1(1 + 1)
.
2
Passo 2: Supondo P(n) verdadeira, vamos provar que P(n + 1) tambm o .

Hiptese de induo (HI): Sn =
Tese: Sn+1 =
Dem:
n(n + 1)
2
(n + 1)(n + 2)
2
Sn+1 = 1 + 2 + + n + (n = 1) = Sn + (n + 1)
Usando a hiptese de induo, resulta

Sn+1 = Sn + (n + 1) =
n(n + 1)
n(n + 1) + 2(n + 1)
(n + 1)(n + 2)
+ (n + 1) =
=
2
2
2
o que completa demonstrao.
2.2.2
Soma dos produtos de dois naturais consecutivos
Vamos provar que
n
X
i(i + 1) =
i=1
Nossa sentena P(n) :
n
X
i=1
i(i + 1) =
n(n + 1)(n + 2)
3
(2.2)
n(n + 1)(n + 2)
3
Vamos provar que ela verdadeira n N.

Curso de Estatstica
31

1
X
De fato:
i(i + 1) = 2 =
i=1
1(1 + 1)(1 + 2)
.
3

n
X
HI:
i(i + 1) =
i=1
n+1
X
Tese:
n(n + 1)(n + 2)
3
i(i + 1) =
i=1
(n + 1)(n + 2)(n + 3)
3
De fato:
n+1
X
i(i + 1) =
i=1
n
X
i(i + 1) + (n + 1)(n + 2)
i=1
n(n + 1)(n + 2)
+ (n + 1)(n + 2)
3
n(n + 1)(n + 2) + 3(n + 1)(n + 2)
=
3
(n + 1)(n + 2)(n + 3)
=
3
o que completa demonstrao.
Curso de Estatstica
32
2.2.3
Soma dos quadrados dos n primeiros nmeros naturais

n
X
Vamos usar os resultados (2.1) e (2.2) para obter a expresso para
i2 .
i=1
n
X
i(i + 1) =
i=1
n
X
i +
2
i=1
i=1
i=1
n
X
i=1
n(n + 1)(n + 2)
3
n
n(n + 1)(n + 2) X
i =
i
3
i=1
i2 =
i2 =
i=
i=1
n
X
n
X
n
X
n(n + 1)(n + 2)
n(n + 1)(n + 2) n(n + 1)
3
2
2n(n + 1)(n + 2) 3n(n + 1
6
n
X
i2 =
i=1
2.2.4
n(n + 1)(2n + 1)
6
(2.3)
Soma dos n primeiros mpares positivos
Vamos provar que
n
X
(2i 1) = n2
n N
i=1
Nossa sentena
P(n) :
n
X
(2i 1) = n2
i=1

1
P
De fato:
(2i 1) = 1 = 12 .
i=1

n
P
HI:
(2i 1) = n2
i=1
Curso de Estatstica
33

n+1
P
Tese:
i=1
(2i 1) = (n + 1)2
De fato:
n+1
X
i=1
(2i 1) =
n
X
(2i 1) + (2n + 1) = n2 + (2n + 1) = (n + 1)2
i=1
o que completa a prova.
2.2.5
Soma dos cubos de trs nmeros naturais consecutivos
Vamos provar que a soma dos cubos de trs nmeros naturais consecutivos sempre divisvel
por 9. Nossa sentena, ento, :
Pn :
n3 + (n + 1)3 + (n + 2)3 = 9 k

De fato: 13 + (1 + 1)3 + (1 + 2)3 = 36 = 9 4.
HI: n3 + (n + 1)3 + (n + 2)3 = 9 k
Tese: (n + 1)3 + (n + 2)3 + (n + 3)3 = 9 k 0
De fato:
(n + 1)3 + (n + 2)3 + (n + 3)3 = (n + 1)3 + (n + 2)3 + (n + 3)3 + n3 n3

= n3 + (n + 1)3 + (n + 2)3 + (n + 3)3 n3
=
=
=
=
9 k + (n + 3)3 n3
9 k + n3 + 9n2 + 27n + 27 n3
9(k + n2 + 3n + 3)
9k 0
2.3
Definio por recorrncia
Define-se uma expresso En , por recorrncia, para todo nmero natural n em duas etapas:
(i) define-se claramente E1 e (ii) estabelece-se uma forma de se obter En+1 a partir de En .
Curso de Estatstica
34

Pelo princpio da induo matemtica, resulta que, com esse procedimento, En fica definida
para todo n N.
Quando estudamos a soma dos n primeiros nmeros naturais, definimos:
Sn = 1 + 2 + + n
Podemos definir essa soma por recorrncia, o que nos libera do uso dos trs pontinhos ,
recurso intuitivo, mas pouco formal. Para isso, fazemos:
S1 = 1
Sn = S(n1) + n
n 2
Este exemplo ilustra um outro conceito importante, que ser bastante til. Note que,
a cada n N, associamos um nmero Sn , ou seja, definimos uma funo cujo domnio o
conjunto dos nmeros naturais. Essa a definio de sequncia.
DEFINIO Sequncia
Uma sequncia a em um conjunto A uma funo definida em N e tomando
valores em A, ou seja, uma funo
a : N
n 7
A
a(n)
(2.4)
Nosso interesse aqui se reduzir ao caso em que A um subconjunto de R. Sabemos

que uma funo fica determinada quando se tem a imagem de todos os elementos de seu
domnio. Assim, uma sequncia fica determinada quando se especifica a imagem de todos os
naturais. Vamos indicar uma sequncia a por
ou ainda por
a(1), a(2), , a(n),
(2.5)
a(n) : a1 , a2 , , an ,
(2.6)
EXEMPLO 2.1 Soma dos n primeiros termos de uma sequncia

A soma dos n primeiros termos de uma sequncia pode ser definida recursivamente
como:
Curso de Estatstica
35

S1 = a1
Sn+1 = Sn + an+1

EXEMPLO 2.2 Fatorial
Podemos definir o fatorial recursivamente como:

1! = 1
(n + 1)! = n! (n + 1)

EXEMPLO 2.3 Potncias naturais de um nmero real a
Dado um nmero real qualquer a, podemos definir a potncia an em que n N recursivamente como
a1 = a
an+1 = an a
Podemos provar, por induo, as propriedades das potncias. Sejam a e b nmeros
reais quaisquer e m, n N.
am an = am+n
Demonstrao Vamos fixar m e fazer induo sobre n.
P(1) : am a1 = am a = am+1
Suponhamos P(n) verdadeira, isto , am an = am+n e vamos provar que P(n + 1)
tambm o . De fato:
P(n + 1) : am an+1 = am an a = (am an ) a = am+n a = am+n+1
No primeiro sinal de igualdade, usamos o fato de P(1) ser verdadeira. Para resolver
o termo entre parnteses, usamos a hiptese de induo e, finalmente, usamos a
definio.

(am )n = amn
Demonstrao Vamos fixar m e fazer induo sobre n.
Curso de Estatstica
36

P(1) : (am )1 = am = am1 aqui usamos a definio
Suponhamos P(n) verdadeira, isto , (am )n = amn e vamos provar que P(n + 1)
tambm o . De fato:
P(n + 1) : (am )n+1 = (am )n (am ) = amn am = amn+m = am(n+1)
No primeiro sinal de igualdade, usamos a propriedade anterior e no segundo sinal
de igualde, usamos a hiptese de induo e, finalmente, usamos, mais uma vez, a
propriedade anterior.

(a b)n = an bn
Demonstrao Vamos fazer induo sobre n.
P(1) : (a b)1 = a b = a1 b1 aqui usamos a definio
Suponhamos P(n) verdadeira, isto , (a b)n = an bn e vamos provar que P(n + 1)
tambm o . De fato:
P(n + 1) : (a b)n+1 = (a b)n (a b)1 = an bn a b = (an a) (bn b) = an+1 bn+1
No primeiro sinal de igualdade, usamos a propriedade anterior e no segundo sinal
de igualde, usamos a hiptese de induo e, finalmente, usamos, mais uma vez, a
propriedade anterior, depois de reorganizar as parcelas.

EXEMPLO 2.4 Sequncia de Fibonacci
A sequncia de Fibonacci uma sequncia F (n) definida recursivamente como:
F1 = F2 = 1
Fn = Fn1 + Fn2
Os primeiros valores de tal sequncia so 1, 1, 2, 3, 5, 8, 13, 21, 34, .
Vamos estudar, agora, a soma dos n primeiros termos da sequncia de Fibonacci. Para
isso, vamos listar algumas dessas somas:
F1 = 1
F2 = 1
F3 = 2
F4 = 3
F5 = 5
F6 = 8
F7 = 13
Curso de Estatstica
S1
S2
S3
S4
S5
S6
=1
= S1 + F2
= S2 + F3
= S3 + F4
= S4 + F5
= S5 + F6
=2
=4
=7
= 12
= 17
37

Note o seguinte:
S1 + 1 = F3
S2 + 1 = F4
S3 + 1 = F5
S4 + 1 = F6
S5 + 1 = F7
Voc ir provar, no Exerccio 2.4, o seguinte resultado:

n
X
Fi = Fn+2 1
(2.7)
i=1
Embora a sequncia de Fibonacci seja formada apenas por nmeros naturais, a forma
fechada para o termo geral da sequncia envolve numeros irracionais. Voc ir provar, no
Exerccio 2.5, o seguinte resultado:

Fn =
n
1+ 5
2
n
1 5
2
(2.8)
EXEMPLO 2.5 Progresses aritmticas
DEFINIO Progresso aritmtica

Uma progresso aritmtica (p.a.) de razo r uma sequncia de nmeros
a(n) tal que cada termo a partir do segundo igual ao anterior somado
de r. Mais precisamente,
dado o primeiro termo a1 ;
para n 2, an = an1 + r
Vamos desenvolver os primeiros termos de uma p.a. para ver se conseguimos estabelecer uma frmula fechada para o termo geral da progresso.
a1
a2
a3
a4
Curso de Estatstica
=
=
=
=
a1
a1 + r
a2 + r = (a1 + r) + r = a1 + 2r
a3 + r = (a1 + 2r) + r = a1 + 3r
38

Com esses termos iniciais, podemos antecipar a forma fechada do termo geral de uma
p.a. de razo r:
an = a1 + (n 1) r
(2.9)
Vamos provar, por induo, que essa frmula est correta.
P(1) verdadeira, pois a1 = a1 + (1 1) r.
Vamos supor P(n) verdadeira, ou seja, an = a1 + (n 1) r e vamos provar que P(n + 1)
tambm verdadeira. De fato:
an+1 = an + r = [a1 + (n 1) r] + r = a1 + n r
e isso completa a prova.
Considere os n primeiros termos de uma p.a. e tome a soma de dois termos equidistantes
de cada um dos extremos.
a1 + an
a2 + an1
a3 + an2
ai + an(i1)
= a1 + an+11
= a2 + an+12
= a3 + an+13
= ai + an+1i
Todas essas somas so iguais:

ai + an+1i = [a1 + (i 1) r] + [a1 + (n + 1 i 1) r]
= a1 + a1 + [(i 1) + (n i)] r
= a1 + [a1 + (n 1) r] = a1 + an
(2.10)
(2.11)
Vamos usar este resultado para determinar a soma dos n primeiros termos de uma p.a.
de razo r. Vamos denotar por Sn essa soma, ou seja,
Sn = a1 + a2 + + an
(2.12)
Note que podemos escrever:

Sn
Sn
2Sn
=
a1
+
a2
+
=
an
+
an1
+
= (a1 + an ) + (a2 + an1 ) +
Curso de Estatstica
+
an1
+
a2
+ (an1 + a2 )
+
an
+
a1
+ (an + a1 )
39

Usando o resultado (2.11), obtemos que
2Sn = n (a1 + an ) =
n (a1 + an )
Sn =
2
(2.13)
Como no caso da soma dos n primeiros nmeros naturais, esse artifcio no consiste
em uma prova formal. Vamos demonstrar, por induo, que a soma dos n primeiros termos
de uma p.a. de razo r dada por 2.13.
P(1) verdadeira, pois S1 = a1 =
1 (a1 + a1 )
2
Vamos supor P(n) verdadeira e provar que P(n + 1) tambm o .

n (a1 + an )
HI: Sn =
2
(n + 1) (a1 + an+1 )
Tese: Sn+1 =
2
n (a1 + an )
+ an+1
2
na1 + nan + 2an+1
na1 + nan + an+1 + an+1
=
2
2
na1 + nan + a1 + n r + an+1
2
(n + 1)a1 + nan + n r + an+1
2
(n + 1)a1 + n (an + r) + an+1
2
(n + 1)a1 + n an+1 + an+1
2
(n + 1)a1 + (n + 1)an+1
2
(n + 1)(a1 + an+1 )
2
Sn+1 = Sn + an+1 =
=
=
=
=
=
=
=
EXEMPLO 2.6 Progresses geomtricas
Curso de Estatstica
40
DEFINIO Progresso geomtrica

Uma progresso geomtrica (p.g.) de razo q uma sequncia de nmeros a(n) tal que cada termo a partir do segundo igual ao anterior
multiplicado por q. Mais precisamente,
dado o primeiro termo a1 ;
para n 2, an = an1 q
Vamos desenvolver os primeiros termos de uma p.g. para ver se conseguimos estabelecer uma frmula fechada para o termo geral da progresso.
a1
a2
a3
a4
=
=
=
=
a1
a1 q
a2 q = (a1 q) q = a1 q2
a3 q = (a1 q2 ) q = a1 q3
Com esses termos iniciais, podemos antecipar a forma fechada do termo geral de uma
p.g. de razo q:
an = a1 qn1
(2.14)
Vamos provar, por induo, que essa frmula est correta.
P(1) verdadeira, pois a1 = a1 q11 .
Vamos supor P(n) verdadeira, ou seja, an = a1 qn1 e vamos provar que P(n + 1)
tambm verdadeira. De fato:
an+1 = an q = (a1 qn1 ) q = a1 qn
Vamos, agora, determinar a soma dos n primeiros termos de uma p.g. de razo q. Vamos
denotar por Sn essa soma, ou seja,
Sn = a1 + a2 + a3 + + an1 + an = a1 + qa1 + q2 a1 + + qn2 a1 + qn1 a1
(2.15)
Note que podemos escrever:

Curso de Estatstica
41
Sn
qSn
Sn qSn
= a1
= qa1
= a1
+
+
+
qa1
+
q2 a1
+
(qa1 qa1 ) +
q2 a1
q3 a1
(q2 a1 q2 a1 )
+
+
+
+
+
+
qn2 a1
+ qn1 a1
qn1 a1
+ qn a1
(qn1 a1 qn1 a1 ) qn a1
Logo,
qSn Sn = qn a1 a1 =
qn a1 a1
qan a1
Sn =
=
q1
q1
(2.16)
Como no caso da soma dos n primeiros termos de uma p.a., esse artifcio no consiste
em uma prova formal. Vamos demonstrar, por induo, que a soma dos n primeiros termos
de uma p.g. de razo q dada por 2.16.
P(1) verdadeira, pois S1 = a1 =
(q 1)a1
qa1 a1
=
q1
q1
Vamos supor P(n) verdadeira e provar que P(n + 1) tambm o .

qan a1
+ an+1
q1
qan a1 + qan+1 an+1
q1
(qan+1 a1 ) + (qan an+1 )
q1
(qan+1 a1 ) + (qan qan )
q1
(qan+1 a1 )
q1
Sn+1 = Sn + an+1 =
=
=
=
=
o que prova que P(n + 1) verdadeira.
2.4
Exerccios propostos
2.1 Prove, por induo, a validade das seguintes frmulas:

n
X
(a)
i=1
n
X
(b)
i3 =
n
X
!2
i
i=1
(2i 1)2 =
i=1
Curso de Estatstica
n(2n 1)(2n + 1)
3
42

n
X
(c)
i=1
n
X
(d)
i=1
1
n
=
(2n 1)(2n + 1)
2n + 1
n
1
=
(3n 2)(3n + 1)
3n + 1
2.2 Prove, por induo, a validade das seguintes frmulas:

n
X
(a)
i 2i1 = 1 + (n 1) 2n
i=1
n
Y
(b)
1+
i=2
i1
1
i1
nn1
=
(n 1)!
(c) n! > 2n , se n 4
2.3 Uma progresso aritmtico-geomtrica uma sequncia (an ) tal que a1 , q e r so
nmeros reais dados com q 6= 1, e, para todo n N, tem-se que
an+1 = qan + r
Note que tal sequncia uma mistura de uma p.a. e uma p.g..
(a) A partir dos primeiros termos de tal sequncia, deduza a forma fechada para o termo
geral an . Prove, por induo, que essa frmula vlida.
(b) Se Sn a soma dos n primeiros termos, prove que
qn 1
qn 1
n
Sn = a1
+r
+
r
q1
(q 1)2
1q
(2.17)
2.4 Prove o resultado (2.7) referente soma dos n primeiros nmeros de Fibonacci.
2.5 Prove o resultado (2.8) referente ao termo geral da sequncia de Fibonacci.
!2
1 5
3 5
Dica:
=
2
2
Curso de Estatstica
43
Captulo 3
Anlise combinatria
Neste captulo iremos trabalhar com espaos amostrais finitos. Veremos, ento, diversas
tcnicas de contagem do nmero de elementos de eventos desses espaos amostrais. Dado
um evento qualquer A, representaremos por n(A) o nmero de elementos de A.
3.1
Princpio Fundamental da Adio
Sejam A e B eventos aleatrios de um espao amostral finito.

Se A e B so mutuamente exclusivos, ento
A B = = n(A B) = n(A) + n(B)
(3.1)
A definio de eventos mutuamente exclusivos se generaliza para mais de dois eventos.

Neste caso, devemos analisar a interseo de dois eventos de cada vez. Mais precisamente,
dada uma coleo de eventos A1 ,A2 , ,Ak de um espao amostral , dizemos que eles so
mutuamente exclusivos dois a dois se Ai Aj = i 6= j. Veja a Figura 3.1.
A4
A1
A2
A5
A3
A6
A7
Figura 3.1 Evenos mutuamente exclusivos dois a dois

Neste caso, a cardinalidade da unio dada pelo princpio fundamental da adio.
44
CAPTULO 3. ANLISE COMBINATRIA
Princpio Fundamental da Adio
Consideremos uma coleo de eventos mutuamente exclusivos dois a dois,

tais que n(Ai ) = ni , i = 1, , k. O princpio fundamental da adio
estabelece que
!
k
k
[
X
Ai Aj = i 6= j = n
Ai =
n (Ai ) = n1 + + nk
(3.2)
i=1
i=1
A seguir apresentamos alguns resultados, que so consequncias diretas do princpio fundamental da adio.
Como A A = e A A = , resulta que
n() = n(A) + n(A) = n(A) = n() n(A)
(3.3)
Pelo resultado (1.6), A = (A \ B) (A B) e (A \ B) (A B) = ; resulta, ento, que
Analogamente,
n(A) = n(A \ B) + n(A B) = n(A \ B) = n(A) n(A B)
(3.4)
n(B \ A) = n(B) n(A B)
(3.5)
Consideremos o caso geral em que A e B so eventos aleatrios quaisquer. Podemos

escrever
A B = A (B \ A)
Como A e B \ A so disjuntos, resulta que
n(A B) = n(A) + n(B \ A)
Usando o resultado (3.5), resulta que
n(A B) = n(A) + n(B) n(A B)
(3.6)
EXEMPLO 3.1 Cardinalidade da unio de 3 eventos finitos

Obtenha uma expresso para n(A B C ), onde A, B, C so eventos aleatrios com nmero
finito de elementos.
Curso de Estatstica
45

Soluo
n(A B C ) =
=
=
=
n(A B C ) =
n[(A B) C ]
n(A B) + n(C ) n[(A B) C )]
n(A) + n(B) n(A B) + n(C ) n[(A C ) (B C )]
n(A) + n(B) n(A B) + n(C ) n(A C ) n(B C ) + n(A C B C ) =
n(A) + n(B) + n(C ) n(A B) n(A C ) n(B C ) + n(A C B C )

3.2
Princpio Fundamental da Multiplicao
Para ilustrar o segundo princpio fundamental da contagem, considere o experimento aleatrio que consiste no sorteio aleatrio de um homem e uma mulher de um grupo de pessoas
formado por trs homens (h1 , h2 , h3 ) e cinco mulheres (m1 , m2 , m3 , m4 , m5 ). Qual a cardinalidade do espao amostral deste experimento, ou seja, quantos casais podem ser formados
com essas pessoas?
O espao amostral
h1 m1 , h1 m2 , h1 m3 , h1 m4 , h1 m5 ,
h2 m1 , h2 m2 , h2 m3 , h2 m4 , h2 m5 ,
=
h3 m1 , h3 m2 , h3 m3 , h3 m4 , h3 m5 ,
Mas se estamos interessados apenas no nmero de elementos de , devemos notar que h
cinco casais nos quais o homem h1 , cinco nos quais o homem h2 e outros cinco nos quais
o homem h3 , perfazendo um total de 3 5 = 15 casais. Esse exemplo ilustra o princpio
fundamental da multiplicao.
Princpio Fundamental da Multiplicao
Se temos k decises d1 , d2 , . . . , dk que podem ser tomadas de n1 , n2 , . . . , nk maneiras respectivamente, ento o nmero de maneiras de tomar as decises d1 e d2 e e dk
n1 n2 nk .
Note que o princpio da multiplicao permite obter o nmero de elementos do espao

amostral formado pelos casais sem ter que fazer essa enumerao enfadonha! Imagine se
fossem 100 homens e 200 mulheres!
Curso de Estatstica
46

EXEMPLO 3.2 Nmeros naturais de trs algarismos distintos
Quantos nmeros naturais de trs algarismos distintos existem?

Soluo
Para o primeiro algarismo (milhar), existem nove possibilidades, j que o zero no
pode ocupar a primeira posio. Para a segunda posio, escolhida a primeira, sobram
nove algarismos (agora j podemos considerar o zero) e para a terceira, escolhidos os dois
primeiros, sobram oito algarismos. Logo, existem 9 9 8 = 648 nmeros. (J pensou o
trabalho que seria listar todos eles?)

EXEMPLO 3.3 Portas de um prdio
Um prdio possui oito portas. De quantas maneiras posso entrar e sair desse prdio, se no
quero usar na sada a mesma porta que usei na entrada?
Soluo
Para a entrada, posso escolher qualquer uma das oito portas. Escolhida a porta de
entrada, sobram sete portas para a sada. Logo, existem 8 7 = 56 maneiras de entrar e
sair por portas diferentes.

EXEMPLO 3.4 Nmeros pares de trs algarismos distintos
Quantos nmeros pares de trs algarismos distintos podemos formar com os algarismos
1, 2, 3, 4, 5, 6?
Soluo
Para que o nmero seja par, ele tem que terminar com 2, 4 ou 6. Seja, ento, P o evento
de interesse Vamos denotar por A2 o evento nmero par que termina com 2 e de maneira
anloga, definimos os eventos A4 e A6 . Resulta que A2 , A4 e A6 so mutuamente exclusivos
dois a dois e P = A2 A4 A6 . Pelo princpio da adio, resulta que n(P) = n(A2 )+n(A4 )+n(A6 ).
Para calcular n(A2 ), note que o ltimo algarismo 2 e sobram duas posies para serem
preenchidas com algarismos distintos escolhidos entre 1, 3, 4, 5, 6. Para a primeira posio,
temos cinco possibilidades; escolhida a primeira posio, sobram quatro para a segunda
posio. Pelo principio fundamental da multiplicao existem 5 4 = 20 nmeros pares com
trs algarismos distintos terminando com 2, ou seja, n(A2 ) = 20. Analogamente, n(A4 ) = 20
e n(A6 ) = 20, o que implica que n(P) = 20 + 20 = 20 = 60.

Curso de Estatstica
47
3.3
Permutaes
Consideremos quatro objetos distintos a1 , a2 , a3 , a4. De quantas maneiras podemos ordenlos? Vamos listar todas as possibilidades.
a1 a2 a3 a4
a1 a4 a2 a3
a2 a3 a1 a4
a3 a1 a2 a4
a3 a4 a1 a2
a4 a2 a1 a3
a1 a2 a4 a3
a1 a4 a3 a2
a2 a3 a4 a1
a3 a1 a4 a2
a3 a4 a2 a1
a4 a2 a3 a1
a1 a3 a2 a4
a2 a1 a3 a4
a2 a4 a1 a3
a3 a2 a1 a4
a4 a1 a2 a3
a4 a3 a1 a2
a1 a3 a4 a2
a2 a1 a4 a3
a2 a4 a3 a1
a3 a2 a4 a1
a4 a1 a3 a2
a4 a3 a2 a1
Cada uma dessas ordenaes chamada uma permutao simples. Podemos ver que o
nmero de tais permutaes bem grande. Note que, para apenas quatro objetos, temos 24
permutaes. O clculo do nmero de permutaes uma consequncia direta do princpio
da multiplicao.
Consideremos, ento, n objetos distintos a1 , a2 , . . . , an. Para a primeira posio, temos
n possibilidades. Para a segunda, escolhida a primeira, sobram n1 objetos. Para a terceira,
escolhidas a primeira e a segunda posies, sobram n2 objetos. Continuando, para a ltima
posio, escolhidas as n 1 anteriores, sobra apenas 1 objeto.
Pelo princpio da multiplicao, o nmero total de permutaes, que denotaremos por
Pn n (n 1) (n 2) 1, e esse nmero, por definio, o fatorial de n. Temos,
assim, o seguinte resultado.
Permutaes simples
Dados n objetos distintos, o nmero de permutaes simples de tais objetos dado por
Pn = n (n 1) (n 2) 2 1 = n!
(3.7)
EXEMPLO 3.5 Filas
Quantas filas diferentes podemos formar com cinco crianas?

Soluo
Essa exatamente a definio de permutao. Logo, o nmero de filas 5! = 5 4
3 2 1 = 120.
Curso de Estatstica
48

EXEMPLO 3.6 Livros numa estante
Temos cinco livros de Estatstica, trs livros de Matemtica Financeira e quatro livros
de Contabilidade. De quantas maneiras podemos organizar esses livros em uma prateleira?
Qual seria a sua resposta se os livros do mesmo assunto tivessem que ficar juntos?
Soluo
Ao todo, h 12 livros; logo, se no necessrio agrupar por assunto, existem 12! =
479.001.600 maneiras de organizar os livros.
Se os livros do mesmo assunto tm que ficar juntos, devemos observar que, primeiro,
temos que contar as maneiras como podemos organizar os assuntos. Como so trs assuntos,
h 3! = 6 maneiras de organizar os assuntos. Para os livros de Estatstica, h 5! = 120
maneiras de organiz-los; para os livros de Matemtica Financeira, 3! = 6 maneiras, e para
os livros de Contabilidade, 4! = 24 maneiras.
Pelo princpio fundamental da multiplicao, o nmero total de maneiras de organizar
os 12 livros de modo que os livros do mesmo assunto fiquem juntos 6612024 = 103.680
maneiras. Note que razovel que esse nmero seja menor, pois estamos impondo condies
restritivas na organizao.

EXEMPLO 3.7 Assentos num banco
Cinco moas e cinco rapazes tm que se sentar em cinco bancos de dois lugares, de
modo que em cada banco fique uma moa e um rapaz. De quantas maneiras podemos fazer
isso?
Soluo
Comecemos com as meninas. A primeira menina pode escolher qualquer dos 10 lugares.
Logo, ela tem 10 possibilidades. J a segunda menina s tem 8 possibilidades, porque ela
no pode sentar junto com a primeira. Analogamente, a terceira menina tem 6 possibilidades,
a quarta tem 4 e a quinta tem 2 possibilidades.
Definidas as posies das meninas, temos cinco rapazes para sentar em cinco lugares,
o que pode ser feito de 5! maneiras. Logo, o nmero total de possibilidades, pelo princpio
fundamental da multiplicao, 10 8 6 4 2 5! = 3.840 120 = 460.800.

EXEMPLO 3.8 Anagramas1 de TEORIA
1
Anagrama: Palavra ou frase formada pela transposio das letras de outra palavra ou frase.
E dizem que a Iracema do romance de Alencar o anagrama de Amrica (Joo Ribeiro, Curiosidades verbais,
p. 76).
Curso de Estatstica
49

Considere a palavra TEORIA.
1. Quantos anagramas podemos formar?
2. Quantos anagramas comeam com a letra T?
3. Quantos anagramas comeam com a letra T e terminam com A?
4. Quantos anagramas tm todas as vogais juntas?
Soluo
Note que o conceito de anagrama o mesmo de permutao.
1 Como h seis letras diferentes, o nmero de anagramas 6! = 6 5 4 3 2 1 = 720.
2 Fixada a letra T na primeira posio, as outras cinco podem ser organizadas de 5! = 120
maneiras diferentes.
3 Fixadas a primeira e a ltima letras, as outras quatro podem ser organizadas de 4! = 24
maneiras.
4 Temos quatro vogais. Esse bloco pode ser organizado de 4! = 24 maneiras. Para juntar
esse bloco com as duas consoantes, h 3! = 6 maneiras diferentes. Logo, o nmero total
24 6 = 144.

3.4
Arranjos
Na definio de permutao, consideramos ordenaes de todos os objetos. Mas possvel

que queiramos ordenar apenas k dos n objetos, onde k n. Nesse caso, temos a definio
de arranjo simples.
Suponhamos, por exemplo, que quatro pessoas sero sorteadas dentre dez. Quantas
filas podemos formar com as quatro pessoas sorteadas?
Como no caso das permutaes, para a primeira posio da fila temos disponveis as 10
pessoas. Para a segunda, temos 9; para a terceira, temos 8, e para a quarta e ltima posio,
temos 7. Logo, o nmero total de filas com as quatro pessoas sorteadas 10987 = 5.040.
Note que, para a quarta posio, j escolhemos as trs anteriores; assim, sobram apenas
(10 3) = [10 (4 1)]. Uma outra observao interessante a seguinte:
Curso de Estatstica
50
(10 9 8 7) (6 5 4 3 2 1)
(6 5 4 3 2 1)
(10 9 8 7) 6!
=
6!
10!
10!
=
=
6!
(10 4)!
10 9 8 7 =
Vamos ver, agora, o caso geral. Para calcular o nmero de arranjos de k dentre n
objetos distintos, devemos notar que, para a primeira posio, existem n possibilidades. Para
a segunda, n 1 possibilidades. Para a k-sima e ltima posio, j foram escolhidos k 1
objetos; portanto, sobram n(k 1), ou seja, para a k-sima posio, h n(k 1) = nk +1
possibilidades.
Logo, o nmero total de arranjos de k elementos, tomados dentre n objetos distinos
n (n 1) (n k + 1) . Vamos denotar por Ank esse nmero.
Ank = n (n 1) (n k + 1)
Vamos usar o mesmo artifcio para simplificar essa frmula.
Ank = n (n 1) [n (k 1)]
= n (n 1) [n (k 1)]
(n k)!
=
(n k)!
n (n 1) (n k + 1) (n k) (n k 1) 2 1
=
(n k)!
n!
=
(n k)!
=
Arranjos simples
Dados n objetos distintos, o nmero de arranjos simples de k objetos

dentre n, denotado por Ank ,
Ank =
n!
(n k)!
(3.8)
importante notar que, sendo a definio de arranjo uma generalizao de permutao (note
que uma permutao um arranjo em que k = n), a ordem dos elementos relevante, ou
seja, a1 a2 a3 diferente de a3 a1 a2 .
Curso de Estatstica
51

EXEMPLO 3.9 Campeonato de futebol
Em um campeonato de futebol, concorrem 20 times. Quantas possibilidades existem

para os trs primeiros lugares?
Soluo
3
A resposta A20
, pois a ordem faz diferena nesse caso. Note que
3
A20
=
20!
20 19 18 17!
=
= 20 19 18 = 6.840
17!
17!

EXEMPLO 3.10 Comisses
De um grupo de 15 pessoas deve ser extrada uma comisso formada por um presidente,
um vice-presidente e um secretrio. Quantas comisses possvel formar?
Soluo
A ordem aqui importa, j que os cargos no so equivalentes. Assim, a soluo
3
A15
=
15!
= 12 11 10 = 1320
12!

EXEMPLO 3.11 Segredo de cofre
O segredo de um cofre formado por uma sequncia de trs dgitos escolhidos entre
0, 1, 2, 3, 4, 5, 6, 7, 8, 9. Suponha que uma pessoa saiba que o segredo formado por trs
algarismos distintos. Qual o nmero mximo de tentativas que ela ter de fazer para abrir
o cofre?
Soluo
Nos segredos de cofre, a ordem importa. Como os algarismos so distintos, a resposta
3
A10
= 10 9 8 = 720

Curso de Estatstica
52
3.5
Combinaes Simples
Vamos considerar agora, a situao anloga a um arranjo, mas onde a ordem no importa,
ou seja, a1 a2 a3 igual a a3 a1 a2 .
A ttulo de ilustrao, consideremos a situao na qual temos cinco objetos distintos
5!
= 60. Vamos list-los.
dos quais vamos selecionar trs. Como visto, o nmero de arranjos
2!
Objetos envolvidos
(1,2,3)
a1 a2 a3
a1 a3 a2
a2 a1 a3
a2 a3 a1
a3 a1 a2
a3 a2 a1
(1,2,4)
a1 a2 a4
a1 a4 a2
a2 a1 a4
a2 a4 a1
a4 a1 a2
a4 a2 a1
(1,2,5)
a1 a2 a5
a1 a5 a2
a2 a1 a5
a2 a5 a1
a5 a1 a2
a5 a2 a1
(1,3,4)
a1 a3 a4
a1 a4 a3
a3 a1 a4
a3 a4 a1
a4 a1 a3
a4 a3 a1
(1,3,5)
a1 a3 a5
a1 a5 a3
a3 a1 a5
a3 a5 a1
a5 a1 a3
a5 a3 a1
(1,4,5)
a1 a4 a5
a1 a5 a4
a4 a1 a5
a4 a5 a1
a5 a1 a4
a5 a4 a1
(2,3,4)
a2 a3 a4
a2 a4 a3
a3 a2 a4
a3 a4 a2
a4 a2 a3
a4 a3 a2
(2,3,5)
a2 a3 a5
a2 a5 a3
a3 a2 a5
a3 a5 a2
a5 a2 a3
a5 a3 a2
(2,4,5)
a2 a4 a5
a2 a5 a4
a4 a2 a5
a4 a5 a2
a5 a2 a4
a5 a4 a2
(3,4,5)
a3 a4 a5
a3 a5 a4
a4 a3 a5
a4 a5 a3
a5 a3 a4
a5 a4 a3
Esta listagem est organizada de modo que, em cada coluna, os objetos envolvidos
so os mesmos. Note o seguinte: como a ordem no importa, os elementos de cada coluna
so iguais, ou seja, s precisamos de um deles. Mas em cada coluna temos as permutaes
dos trs objetos envolvidos. Logo, o nmero de elementos em cada coluna neste exemplo
3! = 6. Como s precisamos de um de cada 3!, o nmero total
5!
60
=
.
3!
2!3!
Ilustramos com esse exemplo o conceito e o clculo do nmero de combinaes simples
de n elementos distintos tomados k a k. Dado um conjunto de n elementos distintos, a combinao dos n elementos tomados k a k nos d o nmero de subconjuntos com k elementos
(note que, em um conjunto, a ordem dos elementos no importa).
Combinaes simples
Dados n objetos distintos, o nmero de combinaes simples de k elementos tomados dentre os n

Ank
n!
n
k
Cn =
=
=
(3.9)
(n k)!k!
k!
k

O nmero nk chamado nmero ou coeficiente binomial, ou ainda, nmero
combinatrio.
Curso de Estatstica
53

Note a diferena: no conceito de arranjo, estamos lidando com sequncias de k elementos,
enquanto no conceito de combinao, estamos lidando com subconjuntos. Nas sequncias, a
ordem dos elementos relevante, mas no nos subconjuntos.
EXEMPLO 3.12 Comisso
De um grupo de oito homens e cinco mulheres devem ser escolhidos trs homens e
trs mulheres para formar uma comisso. Quantas comisses podem ser formadas se Joo e
Maria, que pertencem ao grupo original, no aceitam participar em conjunto da comisso?
Soluo

8
5
O nmero total de comisses
= 560,. O nmero de comisses em que

3
3
Maria e Joo esto juntos dado por

4!
76 43
7
4
7!
= 126
=
2!5! 2!2!
2
2
2
2
Logo, o nmero de comisses em que Joo e Maria no esto juntos 560 126 = 434.

EXEMPLO 3.13 Cartas de um baralho
Considere o experimento aleatrio que consiste na extrao aleatria de trs cartas

vo ser retiradas de um baralho normal de 52 cartas. Calcule o nmero de elementos de
cada um dos seguintes eventos:
1. E = todas as trs do naipe de espadas;
2. M =todas as trs cartas do mesmo naipe;
3. D =todas as trs cartas de naipes diferentes.
Soluo
1. Existem 13 cartas de espadas. Logo,

13 12 11
13
13!
=
= 286
n(E) =
=
3!10!
32
3
Curso de Estatstica
54

2. O mesmo clculo feito no item anterior vale para os 4 naipes. Sejam E, C , P, O os eventos
trs cartas de espadas, trs cartas de copas, trs cartas de paus e trs cartas de
ouro, respectivamente. Ento, M = E C P O e como so eventos mutuamente
exclusivos, resulta que
n(M) = n(E) + n(C ) + n(P) + n(O) = 286 4 = 1144
3. Para a primeira carta, temos 52 possibilidades qualquer carta serve. Para a segunda
carta, temos que excluir as cartas do naipe da primeira; logo, sobram 39. Para a terceira,
temos que excluir as cartas dos dois naipes anteriores; logo, sobram 26. Pelo princpio
da multiplicao, resulta que 52 39 26, e
n(D) = 52 39 26 = 52.728
Note que o evento D no o complementar de M, pois, por exemplo, a sequncia CC E
pertence ao complementar de M, mas no pertence ao evento D.

EXEMPLO 3.14 Mega-sena
No jogo da Mega-Sena da Caixa Econmica Federal, o apostador deve escolher no

mnimo seis e no mximo 15 nmeros diferentes entre 1 e 60. Um jogo simples consiste na
escolha de 6 nmeros e os preos das apostas se baseiam no nmero de jogos simples em
cada carto. Qual o nmero total de jogos simples distintos? Num carto com 15 nmeros
marcados, quantos so os jogos simples? Se cada jogo simples custa R$1,50, qual o preo
de um carto com 15 nmeros marcados?
Soluo
Note que, na Mega-Sena, a ordem no importa; logo, o nmero total de jogos simples

60
6
60!
6!54!
60 59 58 57 56 55 54!
=
6 5 4 3 2 1 54!
= 50.063.860
=
Isso significa que a sua chance de acertar a sena
1
= 0, 000000019974.
50.063.860
Num carto com 15 nmeros marcados, o nmero de jogos simples

15
15 14 13 12 11 10 9!
=
= 5005
6
6 5 4 3 2 1 9!
e, assim, o preo desse carto 1, 50 5005 = 7507, 5.
Curso de Estatstica

55

EXEMPLO 3.15 Time de futebol
Para a seleo brasileira foram convocados 2 goleiros, 6 zagueiros, 7 meios-de-campo

e 4 atacantes. De quantos modos possvel escalar a seleo com 1 goleiro, 4 zagueiros, 4
meios-de-campo, e 2 atacantes?
Soluo

2
6
7
4
= 6.300
1
4
4
2

EXEMPLO 3.16 Torneios
Em um torneio no qual cada participante enfrenta todos os demais, so jogadas 780

partidas. Quantos so os participantes?
Soluo
Cada jogador tem n1 oponentes. Logo, existem n(n1) maneiras de selecionar dois
participantes. Como a ordem dos dois selecionados no importa, o nmero total de partidas
n (n 1)
. Logo,
2
n (n 1)
1
= 780 n2 n 1.560 = 0 n =
2
1 + 6.240
1 79
=
2
2
As razes de tal equao so n = 40 e n = 39. Como n tem que ser positivo, a soluo
n = 40 partidas.

3.6
Tringulo de Pascal e Binmio de Newton
O tringulo de Pascal um quadro em formato de um tringulo (que consideraremos retngulo para facilitar a exibio), formado pelos nmeros binomiais dispostos da seguinte forma:
Curso de Estatstica
56

na hipotenusa, todos os elementos so iguais a 1, bem como no cateto vertical:
Linha
0
1
2
3
4
5
6
..
.
1
1
1
1
1
1
1
..
.
1
1
1
1
1
1
Cada elemento no interior do tringulo obtido como a soma do elemento imediatamente acima e do primeiro elemento acima esquerda; o processo recursivo de construo
se faz linha a linha, iniciando-se na segunda linha,conforme ilustrado a seguir:
Linha
0
1
2
3
4
5
6
..
.
Linha
0
1
2
3
4
5
6
..
.
Curso de Estatstica
1
1 1
1 2 1
1 3
1
1
1
..
.
1
1
1
1
1
1
1
..
.
1
2 1
1
1
1
1
1
1
1
1
Linha
0
1
2
3
4
5
6
..
.
1
1 1
1 2 1
1 3 3
1
1
1
..
.
1
1
1
1
57
Linha
0
1
2
3
4
5
6
..
.
1
1
1
1
1
1
1
..
.
1
2 1
3 3 1
4
Linha
0
1
2
3
4
5
6
..
.
1
1
1
1
1
1
1
1
1
1
..
.
1
2 1
3 3 1
4 6
Linha
0
1
2
3
4
5
6
..
.
1
1
1
1
1
1
1
1
1
1
..
.
1
2 1
3 3 1
4 6 4
1
1
Continuando com esse procedimento, obtm-se o tringulo de Pascal a seguir (note que
esse tringulo tem infinitas linhas e infinitas colunas...)
Linha
0
1
2
3
4
5
6
..
.
1
1
1
1
1
1
1
..
.
1
2
3
4
5
6
1
3
6
10
15
1
4
10
20
1
5
15
1
6
Os nmeros que aparecem em cada linha do tringulo nada mais so que os nmeros
binomiais. Numerando
elemento
as linhas e colunas do tringulo a partir de zero,o
da linha
n
n
n
n e coluna k
. Ento, em cada linha n, os elementos vo desde
at
.
k
0
n
0
1
2
3
4
5
6
..
.
0
1
1
1
1
1
1
1
1
1
2
3
4
5
6
1
3
6
10
15
1
4
10
20
1
5
15
1
6 1
0
0
0
1
0
2
0
3
0
4
0
5
0
6
0
1
1
2
1
3
1
4
1
5
1
6
1
2
2
3
2
4
2
5
2
6
2
3
3
4
3
5
3
6
3
4
4
5
4
6
4
5
5
6
5
6
6
Existem vrios resultados sobre os nmeros combinatrios e vrias propriedades associadas s linhas e colunas do tringulo de Pascal. A propriedade utilizada na construo do
tringulo a propriedade j vista dos nmeros binomais, chamada Relao de Stifel.
Curso de Estatstica
58
Relao de Stifel
A soma de dois elementos consecutivos de uma mesma linha igual ao

elemento situado abaixo da ltima parcela, ou seja

n
n
n+1
+
=
(3.10)
k
k +1
k +1
Demonstrao

n
n
n!
n!
+
=
+
=
k
k +1
k! (n k)! (k + 1)! (n k 1)!
n!
n!
=
=
+
k! (n k) (n k 1)! (k + 1) k! (n k 1)!
n! (k + 1) + n! (n k)
n! (k + 1 + n k)
=
=
=
(k + 1)! (n k)!
[(k + 1) k!] [(n k) (n k 1)!]

(n + 1)!
n! (n + 1)
n+1
=
=
=
(k + 1)! (n k)!
(k + 1)! (n k)!
k +1

Considere a n-sima linha do tringulo de Pascal e seja k < n. Ento, nk o elemento

n
que est na linha n avanado de k colunas em relao ao incio da linha; j nk
o
elemento que est na linha
n
atrasado
de
k
colunas
em
relao
ao
final
da
linha.
Nmeros

n
combinatrios como nk e nk
so chamados combinaes complementares.
Relao das Combinaes Complementares
Em uma mesma linha do tringulo de Pascal, elementos equidistantes dos

extremos so iguais, ou seja:

n
n
n
n
=
=
(3.11)
k
nk
k
nk
Curso de Estatstica
59

Demonstrao

n
nk
n!
n!
=
=
=
(n k)! [n (n k)]!
k! (n k)!

n
k
Teorema das Linhas
A soma dos elementos da n-sima linha igual a 2n , ou seja:

n
n
n
n
n
+
+
+ +
+
= 2n
0
1
2
n1
n
Em termos de somatrio:
n
X
n
j=0
(3.12)
= 2n
Demonstrao

n
Como visto, o nmero combinatrio
d o nmero de subconjuntos de tamanho k
k
de um conjunto de tamanho n. Assim, na expresso (3.12), cada nmero combinatrio d
o nmero de subconjuntos de determinado tamanho e a soma deles d o nmero total de
subconjuntos de um conjunto de tamanho n. Mas para formar subconjuntos de tal conjunto
podemos usar o seguinte artifcio: cada elemento pode ser marcado com um + para indicar
que pertence ao subconjunto, ou com um , para indicar que no pertence ao subconjunto.
O nmero total de formas de fazer isso 2 2 2 2 = 2n e isso prova que o nmero
total de subconjuntos de um conjunto de tamanho n 2n e isso completa a prova.
Curso de Estatstica
60
Teorema das colunas
A soma dos elementos de uma coluna do tringulo de Pascal, comeando

da primeira linha, igual ao elemento que est avanado uma linha e uam
coluna em relao ao ltimo elemento da soma, ou seja:

k
k +1
k +n
k +n+1
+
+ +
=
k
k
k
k +1
Em termos de somatrio:

n
X
k +j
k +n+1
=
k
k +1
j=0
Demonstrao
Vamos aplicar a relao
linha desta coluna:

k
k

k
k

k
k

k
k
de Stifel aos elementos da coluna k + 1, a partir da primeira

+1
+1

+2
+1

+3
+1

+4
+1
=
=
=
=

k +n1
=
k +1

k +n
=
k +1

k +n+1
=
k +1

k
k

k +1
k +1
+
k
k +1

k +2
k +2
+
k
k +1

k +3
k +3
+
k
k +1
..
.

k +n2
k +n2
+
k
k +1

k +n1
k +n1
+
k
k +1

k +n
k +n
+
k
k +1
Somando essas igualdades termo a termo, podemos ver que h parcelas iguais em lados
opostos, que podem ser simplificadas. Todos os termos do lado esquerdo, com exceo do
ltimo, cancelam com termos do lado direito e o que sobra :

k +n1
k +n
k +n+1
k
k +1
k +2
k +3
k +n2
=
+
+
+
+ +
+
+
k +1
k
k
k
k
k
k
k
Curso de Estatstica
61

ou seja

n
X
k +j
k +n+1
=
k
k +1
j=0
Binmio de Newton
Dados quaisquer nmeros reais x e a e um inteiro qualquer n, ento

n
(x + a) =
n
X
n
k=0
ak x nk
(3.13)
Demonstrao
Vamos provar este resultado usando o mtodo da induo.
O resultado vlido para n = 1. De fato:
(x + a)1 = x + a

1
X
1
n k nk
1
a x
=
x+
a=x +a
k
0
1
k=0
Suponhamos que o resultado seja vlido para n qualquer e vamos provar que vlido
para n + 1. Mais precisamente, temos as seguintes hiptese de induo e tese:
H.I. :
Tese :
n
X
n k nk
(x + a) =
a x
k
k=0

n+1
X
n + 1 k n+1k
n+1
(x + a)
=
a x
k
k=0
n
Demonstrao:
Usando propriedades de potncia e a hiptese de induo, podemos escrever:
Curso de Estatstica
62
(x + a)n+1 = (x + a)(x + a)n

n
X
n k nk
= (x + a)
a x
k
k=0

n
n
X n
X
n k+1 nk
k nk+1
=
a x
+
a x
k
k
k=0
k=0
Vamos separar o primeiro termo (k = 0) do primeiro somatrio e o ltimo termo (k = n)
do segundo somatrio:
(x + a)n+1
#
# " n1
"

n
X n
n
n 0 n0+1 X n k nk+1
+
ak+1 x nk +
an+1 x nn
=
ax
+
a x
k
n
0
k
k=0
k=1
"
# " n1
#

n
X n
n 0 n+1 X n k nk+1
n
=
ax
+
a x
+
ak+1 x nk +
an+1 x 0
0
k
k
n
k=1
k=0
Note que ambos os somatrios tm n parcelas cada um. Vamos fazer uma mudana de
varivel no segundo somatrio, de modo que a potncia de a passe a ser j em vez de
k + 1. Mais precisamente, vamos definir
k =j 1
k =0j=1
k +1=j
k =n1j =n
(x + a)n+1
"
# n

n
X
X
n
n n+1 0
n 0 n+1
n k nk+1
=
ax
+
a x
+
aj x nj+1 +
a x
0
k
j
1
n
k=1
j=1
"
# " n
#

n
X
n 0 n+1 X n k nk+1
n
n
=
ax
+
a x
+
ak x nk+1 +
an+1 x 0
0
k
k
1
n
k=1
k=1
Aqui, apenas trocamos o ndice j por k. Note que as potncias de a e x so as mesmas

em ambos os somatrios. Logo, podemos colocar em evidncia num nico somatrio:
(x + a)n+1
( n
)

X n
n 0 n+1
n
n n+1 0
=
ax
+
a x
+
ak x nk+1 +
0
k
k
1
n
k=1
Note, agora, os nmeros combinatrios que aparecem entre colchetes: estamos somando 2 nmeros combinatrios consecutivos da linha n. Pela relao de Stifel, sabemos que
Curso de Estatstica
63

n
n
n+1
+
=
k
k 1
k
Sabemos, tambm, que

n
n+1
=
0
0

n
n+1
=
n
n+1
Substituindo esses resultados, obtemos que
n+1
(x + a)

n
n + 1 n+1 0
n + 1 0 n+1 X n + 1 k nk+1
=
ax
+
a x
+
a x
0
k
n
+
1
k=1

n+1
X n+1
=
ak x nk+1
k
k=0

3.6.1
Aplicaes
1. Note que, fazendo x = 1 e a = 1 na equao (3.13), obtemos que

n
n
X
n
2 =
k=0
o que nos d uma outra prova do teorema das linhas.

2. Note que, fazendo x = 1 e a = 1 na equao (3.13), obtemos que
n
X

n
(1)
=0
k
k=0
3. Frmula de Euler:

r
X
m
n
m+n
=
k
rk
r
k=0
(3.14)
Essa frmula pode ser considerada

verdadeira
para quaisquer valores de m, n, r desde

n
que adotemos a conveno de que
= 0 para r > n.
r
Curso de Estatstica
64

Para demonstrar esse resultado usando argumentos combinatrios, suponha um conjunto com n + m elementos, de modo que m desses elementos esto em uma categoria
I e os n elementos restantes esto em outra categoria II.
Vamos expandir o termo do lado esquerdo:

m n
m
n
m
n
m n
m+n
+
+
+ +
=
0
r
1
r1
2
r2
r
0
r
O termo do lado direito da expresso nos d o nmero de subconjuntos deste conjunto
com r elementos. O primeiro termo da soma do lado esquerdo nos d o nmero de subconjuntos com nenhum elemento da categoria I e r elementos da categoria II; o segundo
termo nos d o nmero de subconjuntos com exatamente um elemento da categoria I
e r 1 elementos da categoria II; o terceiro termo nos d o nmero de subconjuntos
com exatamente dois elementos da categoria I e r 2 elementos da categoria II e,
sucessivamente, o ltimo termo nos d o nmero de subconjuntos com exatamente r
elementos da categoria I e nenhum elemento da categoria II. Somando
esses
termos,

m+n
obtemos o nmero total de subconjuntos com r elementos, que
.
r
4. Fazendo m = r = n na equao (3.14), obtemos que

n
X
n
n
2n
=
k
nk
n
k=0

n
n
Mas pela relao das combinaes complementares
=
, o que nos d:
k
nk
n 2
X
n
k=0
5. Vamos mostrar que
De fato:

2n
=
n

n
X
n
k
= n2n1
k
k=1
X
n
n
n
X
X
n!
n
n!
=
k
k
=
k
k!(n k)!
k(k 1)!(n k)!
k
k=1
k=1
k=1
Como k 6= 0, podemos dividir ambos os termos por k, o que resulta

n
n
n
X
X
X
n
n!
n(n 1)!
k
=
=
k
(k 1)!(n k)!
(k 1)!(n k)!
k=1
k=1
k=1
= n
n
X
k=1
Curso de Estatstica
(n 1)!
(k 1)!(n k)!
65

Fazendo a mudana de varivel k 1 = j, podemos escrever (note os ndices do somatrio!):

n
n1
n1
n1
X
X
X
X
n
(n 1)!
(n 1)!
n1
k
=n
=n
=n
= n2n1
k
j!(n j 1)!
j!(n 1 j)!
j
k=1
j=0
j=0
j=1
usando o resultado (3.12).
6. Vamos mostrar que
n
X

n
k(k 1)
= n(n 1)2n2
k
k=2
De fato: fazendo k 1 = j, podemos escrever

n
X

X
n1
n1
X
n
n
n!
k(k 1)
=
(j + 1)j
=
(j + 1)j
k
j +1
(j + 1)!(n j 1)!
k=2
j=1
j=1
n1
X
=
(j + 1)j
j=1
n1
X
=
j=1
n1
X
n!
n!
=
j
(j + 1)j!!(n j 1)!
j(j 1)!(n j 1)!
j=1
n!
(j 1)!(n j 1)!
Fazendo j 1 = i
n
X

n1
n2
X
X
n
n!
n!
k(k 1)
=
=
k
(j 1)!(n j 1)!
i!(n i 2)!
k=2
j=1
i=0

n2
n2
X
X
n(n 1)(n 2)!
n2
=
= n(n 1)
= n(n 1)2n2
i!(n
i)!
i
i=0
i=0
Mais uma vez, usamos o teorema das linhas.

7. Se n par, ento

n
n
n
n
n
n
n
+
+ +
=
+
+
+ +
1
3
n1
0
2
4
n
De fato: o desenvolvimento do binmio de Newton nos d que

n 0 n
n 1 n1
n 2 n2
n
(x + a) =
ax +
ax
+
ax
0
1
2

n
n n 0
n1 1
+ +
a x +
a x
n1
n
T0 + T1 + T2 + + Tn1 + Tn
Curso de Estatstica
66

em que

n k nk
Tk =
a x
k
Analogamente, se n par
n
(x a)
Ento,

n
n
n
0 n
1 n1
=
(a) x +
(a) x
+
(a)2 x n2
0
1
2

n
n
n1 1
+ +
(a) x +
(a)n x 0
n1
n
T0 T1 + T2 + Tn1 + Tn
(x + a)n + (x a)n = 2(T0 + T2 + + Tn2 + Tn )
(x + a)n (x a)n = 2(T1 + T3 + + Tn3 + Tn1 )
Fazendo x = a = 1, resulta que

n
2
2n

n
n
n
n
= 2(T0 + T2 + + Tn2 + Tn ) = 2
+
+
+ +
0
2
4
n

n
n
n
= 2(T1 + T3 + + Tn3 + Tn1 ) = 2
+
+ +
1
3
n1
Logo, se n par

n
n
n
n
n
n
n
+
+
+ +
=
+
+ +
= 2n1
0
2
4
n
1
3
n1
8. Nmeros de Fibonacci e o tringulo de Pascal
O nmero de Fibonacci Fn definido como a soma dos elementos da nsima diagonal
inversa do tringulo de Pascal. Veja a Figura 3.2
F0=1
F1=1
F2=2
F3=3
F4=5
F5=8
10
10
F6=13
15
20
15
F7=21
21
35
35
21
1
1
1
Figura 3.2 Nmeros de Fibonacci no Tringulo de Pascal
Fn
Fn

n
n1
n2
n3
n n2
=
+
+
+
+
n
0
1
2
3
2

n n1
n
n1
n2
n3
2
=
+
+
+
+
n1
0
1
2
3
2
Curso de Estatstica
n par
n mpar
67

Cada nmero na sequncia de Fibonacci a soma dos dois nmeros anteriores, isto :
Fn+2 = Fn + Fn+1
De fato: sem perda de generalidade, vamos supor n par (logo, n + 1 mpar e n + 2
par.)

n n2
n
n1
n2
n3
n n2 1
+
+
Fn + Fn+1 =
+
+
+
+
n
n
1
0
1
2
3
2
2
"

#
n + 1 n+11
n+1
n
n1
n2
2
+
+
+
+ +
n+11
0
1
2
3
2

n n2
n
n1
n2
n3
n + 1 n2
+
+
=
+
+
+
+
n
n
1
0
1
2
3
2
2

n+1
n
n1
n2
n + 1 n2
+
+
+
+ +
n
0
1
2
3
2

n1
n2
n2
n+1
n
n
n1
=
+
+
+
+
+
+
+ +
0
0
1
1
2
2
3

n + 1 n2
n + 1 n2
n n2
+
+
n
n
n
1
2
2
2

n+1
n+1
n
n1
n + 2 n2
n n2
=
+
+
+
+ +
+
n
n
0
1
2
3
2
2
Note os seguintes fatos:

n+1
n+2
=
0
0
n
n par = n = 2 =
2
n
n
2
n
2
n

=
2
n
2

=
n+2
n+2
2
n+2
2

n + 2 n2 + 1
=
n
+1
2
Resulta, ento, que

n+2
n + 2 n2
n+2
n+1
n
n1
Fn +Fn+1 =
+
+
+
+ +
+
n
n+2
0
1
2
3
2
2
3.7
n+2
2
= Fn+2
Permutaes Circulares
Consideremos agora a situao em que queremos colocar n objetos distintos em n lugares

equiespaados em torno de um crculo. Exemplos dessa situao: roda de ciranda, pessoas
sentadas em torno de uma mesa redonda. O ponto relevante aqui que consideramos
equivalentes disposies que coincidem por rotao. Veja a Figura 3.3: rodando no sentido
horrio de tal forma que A ocupe o lugar de B, B ocupe o lugar de C , etc, temos a mesma
disposio. Nesse exemplo, temos 5 disposies equivalente: considerando a posio (1), por
rotao, nela podem estar A, B, C , D ou E. Logo, das 5! disposies (permutaes), 5 so
equivalentes. Logo, o nmero de rodas nesse caso 5!5 = 4!
Curso de Estatstica
68

B
A
(1)
C
E
Figura 3.3 Permutaes circulares
3.8
Permutaes de objetos no todos distintos
Considere a palavra URUGUAI: quantos anagramas podemos formar a partir dela? A novidade
nesse exemplo que h 3 letras Us, que no podem ser diferenciadas. Para lidar com essa
situao, comeamos fingindo que as 3 letras Us so diferentes; ento, temos 7 letras e o
nmero total de permutaes 7!. Por sua vez, as 3 letras Us podem ser arrumadas de 3!
maneiras, mas como elas so iguais, todas essas 3! permutaes so idnticas. Veja alguns
exemplos a seguir, onde colocamos um subscrito para diferenciar as letras Us:
U1 RU2 GU3 AI U1 RU2 GU3 AI U1 RU2 GU3 AI
Em cada coluna, temos permutaes idnticas. O nmero de elementos em cada coluna
corresponde ao nmero de permutaes das 3 letras Us. Ento, cada coluna tem 3! permutaes idnticas, ou seja, de cada 3! permutaes, precisamos de apenas 1. Assim, para
corrigir essa mltipla contagem, temos que dividir o total de 7! por 3!
Esse exemplo ilustra a seguinte situao geral.
Curso de Estatstica
69
DEFINIO Permutaes de objetos nem todos distintos

So dados n objetos, dos quais n1 so iguais entre si, n2 so iguais entre
si e distintos dos demais, ...., nk so iguais entre si e distintos de todos
os restantes. Ento, n = n1 + n2 + + nk e o nmero de permutaes
desses objetos dado por
Pnn1 ,n2 ,...,nk

=
n
n1 , n2 , , nk
n!
=
n1 !n2 ! . . . nk !
n=
k
X
ni (3.15)
i=1
Um dado jogado 20 vezes. De quantas maneiras podemos obter 6 1s, 5 2s, 2 3s, 2 4s, 3 5s
e 2 6s?
Soluo
Temos uma sequncia com 20 nmeros, dos quais 6 so iguais a 1, 5 so iguais a 2,
dois so iguais a 3, dois so iguais a 4, 3 so iguais a 5 e dois so iguais a 6. Como no
podemos distinguir entre os nmeros de cada bloco, a resposta
20!
6!5!2!2!3!2!

EXEMPLO 3.18 Sucessos e fracassos em repeties de um experimento de Bernoulli
Considere um experimento com apenas dois resultados possiveis. Por convenincia, chamamos esses resultados de sucesso e fracasso. Esses experimentos so chamados de experimentos de Bernoulli. Se repetirmos esse experimento 5 vezes, de quantas maneiras
podemos obter 2 sucessos? Generalize o resultado para n tentativas e um nmero k de
sucessos, k = 0, 1, n.
Soluo
Em 5 tentativas, se ocorrem 2 sucessos, ocorrem tambm 3 fracassos. O nmero de
maneiras de obtermos 2 sucessor e 3 fracassos

5
5!
=
2
2!3!
Curso de Estatstica
70

Vamos usar ndices para identificar os sucessos e fracassos. Ento as seguintes sequncias de resultados correspondem a maneiras diferentes de obtermos 2 sucessos:
S1 F1 S2 F2 F3
F1 S1 S2 F2 F2
Mas as sequncias abaixo so iguais, pois no podemos diferenciar os sucessos ou fracassos:
S1 F1 S2 F2 F3
S2 F2 S1 F2 F3
S2 F2 S1 F1 F3
Por isso divide-se o total por 2! 3!.
O resultado geral o seguinte: se temos n repeties de um experimento de Bernoulli,
o nmero de maneiras de se obter k sucessos e, portanto, n k fracassos

n
n!
=
k!(n k)!
k
(3.16)

3.9
Solues inteiras de equaes lineares
Vamos considerar uma equao da forma

x1 + x2 + + xn = m
Nosso objetivo contar o nmero de solues inteiras de tal equao. Mas para que haja
um nmero finito de solues, temos que restringir ainda mais, ou seja, no basta que as
solues sejam inteiras necessario que sejam inteiras positivas, por exemplo. Veremos
depois o caso de solues inteiras no negativas.
Vamos considerar o seguinte exemplo:
x1 + x2 + x3 + x4 + x5 = 13
(3.17)
Vamos escrever 13 como a soma de 13 1s:

1 + 1 + 1 + 1 + 1 + 1 + 1 + 1 + 1 + 1 + 1 + 1 + 1 = 13
(3.18)
Como as 5 solues devem ser inteiras e positivas, elas podem ser escritas como soma de
1s. Assim, determinar essas solues equivale a separar esses 13 1s em cinco grupos. Isso
pode ser feito colocando 4 barras divisrias na soma acima. Algumas possibilidades so:
1 + 1 | + 1 + 1 + 1 | + 1 + 1 | + 1 + 1 + 1 + 1 | + 1 + 1 = 13
1 | + 1 | + 1 | + 1 | + 1 + 1 + 1 + 1 + 1 + 1 + 1 + 1 + 1 = 13
1 + 1 + 1 + 1 | + 1 + 1 + 1 | + 1 + 1 + 1 | + 1 + 1 | + 1 = 13
Curso de Estatstica
71

Essas escolhas equivalem s seguintes solues:
x1 = 2
x1 = 1
x1 = 4
x2 = 3
x2 = 1
x2 = 3
x3 = 2
x3 = 1
x3 = 3
x4 = 4
x4 = 1
x4 = 2
x5 = 2
x5 = 9
x5 = 1
Note que as barras verticais esto posicionadas antes do sinal +. Ento, para determinar uma soluo inteira positiva, temos que posicionar 4 (= 5 1) barras verticais nas 12
(= 131) posies definidas pelos sinais de +. Logo, o nmero de solues inteiras positivas
o nmero de maneiras de escolher 4 sinais de + dentre os 12 disponveis. Isso pode ser
4
feito de C12
.
Isso nos permite enunciar o resultado geral.
Solues de equaes em inteiros positivos
Considere a equao
x1 + x2 + + xr = m
m>0
r1
O nmero de solues em inteiros positivos (xi > 0) dado por Cm1
Vamos considerar, agora, solues inteiras no-negativas, isto , vamos permitir que alguma,
ou algumas, das incgnitas seja nula.
Continuando com a equao (3.17), vamos considerar a sequncia de 13 1s:
1 1 1 1 1 1 1 1 1 1 1 1 1
(3.19)
Temos agora as seguintes semelhanas e diferenas:

como antes, temos que colocar 4 barras separadoras para determinar os valores das 5
incgnitas;
como a primeira e a ltima incgnitas podem ser nulas, podemos ter uma barra no
incio e/ou uma barra no final;
como as demais incgnitas podem ser nulas, podemos ter barras coladas.
Por exemplo, a soluo (0,2,4,0,7) corresponde seguinte decomposio:
| 1 1 | 1 1 1 1 | | 1 1 1 1 1 1 1
Curso de Estatstica
72

J a soluo (0,0,5,8,0) corresponde seguinte decomposio:
| | 1 1 1 1 1 | 1 1 1 1 1 1 1 1 |
Note que nessas decomposies temos 17 elementos: 4 barras verticais e 13 1s. As
diferentes solues inteiras no-negativas correspondem s diferentes maneiras de organizar
as 4 (= 51) barras verticais nessas 17 (= 13+51) posies, ou seja, o nmero de solues
4
inteiras no-negativas C17
.
Podemos enunciar o resultado geral da seguinte forma:
Solues de equaes em inteiros no-negativos
Considere a equao
x1 + x2 + + xr = m
m>0
r1
O nmero de solues em inteiros no-negativos (xi 0) dado por Cm+r1
Uma outra forma de analisar o problema de solues em inteiros no-negativos explorando

a sua relao com solues inteiras positivas de uma outra equao obtida atravs de uma
mudana de varivel. Note o seguinte: se xi inteiro no-negativo, isto , xi 0, se definimos
yi = xi + 1, ento yi inteiro e yi 1, ou equivalentemente, yi > 0. faznedo a mudana de
varivel, obtemos uma nova equao equivalente:
(y1 1) + (y2 1) + + (yr 1) = m
ou ainda
y1 + y2 + + yr = m + r
m > 0, yi > 0
m > 0, yi > 0
r1
cujo nmero total de solues , como visto anteriormente, Cm+r1
.
Note que
r1
m
= Cm+r1
Cm+r1
pela lei dos complementares.

EXEMPLO 3.19 Solues inteiras de equaes
Considere a seguinte equao

x1 + x2 + x3 = 12
Curso de Estatstica
73

(a) Determine o nmero de solues inteiras positivas.
(b) Determine o nmero de solues inteiras no-negativas.
(c) Determine o nmero de solues inteiras positivas, em que x2 > 4.
Soluo
(a)
2
31
=
= C11
C121
(b)
31
2
C12+31
= C14
=
11!
11 10 9!
=
= 55
9!2!
9!2!
14!
14 13 12!
=
= 91
12!2!
12!2!
(c) Fazendo as seguintes mudanas de varivel:

y1 = x1
y2 = x2 4
y3 = x3
a equao dada pode ser escrita com:

y1 + (y2 + 4) + y3 = 12
que equivalente a
y1 + y2 + y3 = 8
yi > 0
yi > 0
Como a transformao acima biunvoca, o nmero de solues das duas equaes o

mesmo:
7!
76
31
=
C81
=
= 21
5!2!
2

3.10
Combinaes com repetio ou combinaes completas
Consideremos n objetos distintos, dos quais vamos escolher p objetos, distintos ou no. De
quantas maneiras podemos fazer isso?
Para entender bem essa situao, considere o seguinte exemplo: numa sorveteria, h 7
sabores de sorvete diettico. Se eu quero comprar 4 bolas de sorvete diettico, de quantas
maneiras posso escolher? A resposta NO C74 esse o nmero de maneiras de escolher
4 bolas de sabores diferentes! Mas eu posso comprar 4 bolas do mesmo sabor, por exemplo.
Vamos denotar por xi , i = 1, . . . , 7, o nmero de bolas compradas do sabor i. Ento,
temos que ter xi inteiro no-negativo satisfazendo a equao
x1 + x2 + x3 + x4 + x5 + x6 + x7 = 4,
Curso de Estatstica
xi 0
74

O nmero de solues dessa equao nos d o nmero total de maneiras de escolher as 4
31
bolas de sorvete. Esse nmero C7+31
= 98
= 36.
2
Vamos generalizar esse exemplo. O contexto o seguinte: temos n objetos distintos
dos quais vamos escolher p, distintos ou no.
Temos, ento, n tipos distintos de objetos. Vamos denotar por xi o nmero de objetos
escolhidos do tipo i, i = 1, 2, . . . , n. Temos que ter xi inteiro no-negativo satisfazendo a
equao
x1 + x2 + + xn = p,
xi 0
O nmero de solues dessa equao nos d o nmero de combinaes com repetio
de n objetos distintos tomados p a p e esse nmero
C Rnp =
3.11
(n 1 + p)!
p
= Cn1+p
(n 1)!p!
(3.20)
Exerccios propostos
3.1 Considere a palavra TEORIA.

1. Quantos anagramas 2 podemos formar?
2. Quantos anagramas comeam com a letra T?
3. Quantos anagramas comeam com a letra T e terminam com A?
4. Quantos anagramas tm todas as vogais juntas?
3.2 Em um campeonato de futebol, concorrem 20 times. Quantas possibilidades existem
para os trs primeiros lugares?
3.3 O segredo de um cofre formado por uma seqncia de 3 dgitos escolhidos entre 0,
1, 2, 3, 4, 5, 6, 7, 8, 9. Suponha que uma pessoa saiba que o segredo formado por trs
algarismos distintos. Qual o nmero mximo de tentativas que ela ter de fazer para abrir
o cofre?
3.4 Quantos nmeros pares de trs algarismos distintos podemos formar com os algarismos
1, 3, 6, 7, 8, 9?
2
Segundo o Aurlio Sculo XXI:

Anagrama: Palavra ou frase formada pela transposio das letras de outra palavra ou frase.
E dizem que a Iracema do romance de Alencar o anagrama de Amrica (Joo Ribeiro, Curiosidades Verbais,
p. 76)
Curso de Estatstica
75

3.5 Mega-Sena No jogo da Mega-Sena da Caixa Econmica Federal, o apostador deve
escolher no mnimo seis e no mximo 15 nmeros diferentes entre 1 e 60. Um jogo simples
consiste na escolha de 6 nmeros e os preos das apostas se baseiam no nmero de jogos
simples em cada carto. Qual o nmero total de jogos simples distintos? Num carto com
15 nmeros marcados, quantos so os jogos simples? Se cada jogo simples custa R$1,50,
qual o preo de um carto com 15 nmeros marcados?
3.6 Trs cartas vo ser retiradas de um baralho normal de 52 cartas. Calcule a probabilidade
de que:
1. todas as trs sejam de espadas;
2. as trs cartas sejam do mesmo naipe;
3. as trs cartas sejam de naipes diferentes.
3.7 Quantos inteiros entre 1000 e 9999 tm dgitos distintos e
(a) so pares?
(b) consistem apenas de dgitos mpares?
3.8 De quantas maneiras podemos escolher 3 nmeros naturais distintos de 1 a 30, de modo
que a soma dos nmeros escolhidos seja par?
3.9 Determine o valor de n se
1. An2 = 72
2. An4 = 42An2
3
3. 4An2 = A2n
3.10 Numa promoo beneficiente, 22 pessoas esto disponveis para exercer diversas atividades. Se h necessidade de 6 pessoas na cozinha, 4 pessoas no balco de a tendimento,
4 pessoas para os caixas, 6 pessoas para vender cartelas de bingo e 2 pessoas responsveis
pela animao, de quantas maneiras possivel fazer a escalao?
3.11 Suponha que, no problema anterior, cada pessoa execute uma tarefa diferente no seu
prpio grupo, com exceo das pessoas que vendem cartelas de bingo. De quantas maneiras
diferentes a escalao pode ser feita?
Curso de Estatstica
76

3.12 Considere as letras da palavra PERMUTA. Quantos anagramas de 4 letras podem ser
formados, se
(a) no h qualquer restrio sobre as letras do anagrama?
(b) o anagrama comea e termina por vogal?
(c) a letra R aparece?
(d) a letra T aparece e o anagrama termina por vogal?
(e) a letra T aparece ou o anagrama termina por vogal?
3.13 Num concurso para preenchimento de uma vaga, apresentam-se 3 candidatos. A comisso julgadora formada por 5 membros, cada um dos quais deve escolher exatamente um
candidato. De quantas maneiras os votos desses examinadores podem ser dados?
3.14 As letras em cdigo MORSE so formadas por sequncias de traos e pontos, sendo
permitidas repeties. Quantas letras podem ser formadas usando
(a) exatamente trs smbolos?
(b) no mximo oito smbolos?
3.15 Quantos nmeros formados por 3 algarismos escolhidos dentre 2, 4, 6, 5,9 contm o 2
ou no contm o 6?
3.16 Quantos anagramas da palavra PASTEL comeam e terminam com consoante?
3.17 Temos 15 livros, dos quais 4 so de Estatstica. De quantas maneiras podemos colocalos numa prateleira, de modo que os livros de Estatstica fiquem sempre juntos?
3.18 Mostre que
(n + 2)! + (n + 1)(n 1)!

um quadrado perfeito.
(n + 1)(n 1)!
3.19 Um grupo formado por 20 pessoas, das quais 5 so Fsicos. Quantas comisses de
10 pessoas podem ser formadas de modo que
(a) nenhum membro seja Fsico?
(b) todos os Fsicos participem da comisso?
(c) haja exatamente um Fsico na comisso?
Curso de Estatstica
77

(d) pelo menos um Fsico participe da comisso?
3.20 De quantas maneiras 12 estudantes podem ser divididos e colocados em 3 salas, sendo
4 na primeira sala, 5 na segunda e 3 na terceira?
3.21 As placas de automveis em determinada cidade constam de 2 letras e 4 algarismos.
Quantas placas podem ser formadas com as letras P, Q, R e os algarismos 0, 1, 7 e 8?
3.22 Para a seleo brasileira foram convocados 2 goleiros, 6 zagueiros, 7 meios de campo
e 4 atacantes. De quantos modos possvel escalar a seleo com 1 goleiro, 4 zagueiros, 4
meios de campo e 2 atacantes?
3.23 Em um torneio no qual cada participante enfrenta todos os demais, so jogadas 780
partidas. Quantos so os participantes?
3.24 Em uma urna h 15 bolas numeradas de 1 a 15. Trs bolas so retiradas da urna sem
reposio, anotando-se a sequncia dos nmeros das bolas. Em quantas dessas sequncias
(a) o menor nmero 7 ?
(b) o maior nmero 7 ?
3.25 Quantas colees no vazias de letras podem ser formadas com n As, n Bs, n Cs e n
Ds?
3.26 Quantos nmeros distintos podem ser formados pelo produto de dois ou mais nmeros
do multiconjunto3 3, 4, 4, 5, 5, 6, 7, 7, 7?
3.27 Um coro possui 10 membros. De quantas maneiras se pode selecionar 3 grupos distintis
de 6 membros cada, por ocasio de 3 eventos distintos?
3.28 De quantas maneiras 10 livros distintos podem ser colocados em 5 caixas idnticas,
contendo ois livros cada caixa?
3.29 De quantas maneiras as letras da palavra SERRILHOU podem ser permutadas, mantendose as vogais em sua ordem natural e no permitindo que duas letras R fiquem juntas?
3
denominao utilizada para conjuntos que consideram relevante, em sua composio, o nmero de cpias
de cada elemento
Curso de Estatstica
78

3.30 De quantas maneiras 18 objetos distintos podem ser divididos entre 5 pessoas de modo
que
(a) 4 pessoas fiquem com 4 objetos cada e uma fique com 2 objetos?
(b) 3 pessoas recebam 4 objetos cada e as outras duas recebam 3 objetos cada?
3.31 Considerando que haja 14 tipos de objeto e 2 objetos de cada tipo, encontre o nmero
total de selees nas quais pelo menos um objeto selecionado.
3.32 De quantas maneiras 27 livros distintos podem ser distribudos entre as pessoas A, B
e C, de modo que que A e C, juntas, fiquem com o dobro de livros de B e ningum fique com
todos os livros?
3.33 De quantas maneiras podemos distribuir 18 livros iguais em 3 caixas diferentes, sem
qualquer restrio?
3.34 Em quantas solues inteiras positivas da equao x1 +x2 +x3 +x4 +x5 = 18 exatamente
2 variveis so iguais a 1?
3.35 De quantas maneiras 8 meninos e 8 meninas podem formar uma roda na qual
(a) pessoas do mesmo sexo no fiquem juntas?
(b) todas as meninas fiquem juntas?
3.36 De um grupo de n pessoas, k (k n) sero escolhidas para um comit, das quais uma
ser o presidente do comit. Neste contexto, interprete cada uma das expresses:
(a)
(b)
(c)

n
k
k

n
(n k + 1)
k 1

n1
n
k 1
Conclua e demonstre que

n
n
n1
k =
(n k + 1) = n
k
k 1
k 1
Curso de Estatstica
79
Captulo 4
Probabilidade: axiomas e propriedades
4.1
Introduo
Considere, mais uma vez, o experimento aleatrio que consiste no lanamento de um dado
equilibrado. Como j visto, o espao amostral desse experimento = {1, 2, 3, 4, 5, 6}, e
alguns eventos de interesse so A =sair face 2, B =sair face par, etc. A questo que se
coloca, agora, como atribuir probabilidade a esses eventos. Ou seja, queremos determinar
um nmero que expresse a verossimilhana de cada um desses eventos.
Uma soluo seria lanar o dado um grande nmero de vezes e observar a proporo
dos lanamentos que resultam no evento A. Se denotarmos por n(A) o nmero de vezes que
ocorreu o evento A em n lanamentos, a definio de probabilidade com base na frequncia
relativa
n(A)
P(A) = lim
n n
Essa definio tem alguns problemas, a saber: quo grande deve ser n? quem garante
que a razo n(A)
converge e converge sempre para o mesmo nmero cada vez que repetimos
n
o experimento? Temos que buscar, ento, uma nova forma de definir probabilidade.
4.2
Definio axiomtica de probabilidade
A abordagem que adotaremos ser a utilizao da definio axiomtica da probabilidade.

Isto , vamos estabelecer algumas propriedades mnimas que se espera sejam satisfeitas pela
probabilidade de qualquer evento. Tais propriedades so os axiomas da probabilidade.1 .
Axioma: (1) Premissa imediatamente evidente que se admite como universalmente verdadeira sem exigncia
de demonstrao. (2) Proposio que se admite como verdadeira porque dela se podem deduzir as proposies
1
CAPTULO 4. PROBABILIDADE: AXIOMAS E PROPRIEDADES

A ttulo de motivao, vamos usar o experimento do lanamento de um dado, bem como
a definio frequentista vista acima. A primeira observao que podemos fazer a seguinte:
dado um experimento aleatrio, desejamos atribuir probabilidade aos eventos do respectivo
espao amostral, ou seja, para cada evento, queremos determinar um nmero que indique
a probabilidade desse evento. Assim, probabilidade uma funo definida no conjunto de
todos os eventos de um espao amostral . Vamos denotar tal funo por P.
Uma primeira propriedade bastante intuitiva que a probabilidade de qualquer evento
deve ser um nmero no negativo, ou seja, para qualquer evento A, P(A) 0.
Para apresentar a segunda propriedade, considere o seguinte evento associado ao
experimento do lanamento de um dado: C =face menor que 7. bastante intuitivo ver
que, ao lanarmos um dado, sempre obteremos uma face menor que 7, ou seja, a proporo de
vezes que obteremos o evento C ser sempre 1, no importa quantas vezes lancemos o dado.
Note, tambm, que C = . Assim, a segunda propriedade que vamos exigir da probabilidade
que P() = 1.
A terceira propriedade envolve a unio de eventos mutuamente exclusivos. Vimos que,
se A B = , ento n(A B) = n(A) + n(B) e, assim, a definio frequentista da probabilidade
nos daria que P(A B) = P(A) + P(B). Esse o terceiro e ltimo axioma que precisamos
para definir probabilidade.
DEFINIO Definio axiomtica de probabilidade

Seja um espao amostral associado a um experimento aleatrio. Probabilidade uma funo, denotada por P, que associa a cada evento A de
um nmero real P(A), que satisfaz os seguintes axiomas:
I. Axioma 1: P(A) 0
II. Axioma 2: P() = 1
III. Axioma 3: A B = P(A B) = P(A) + P(B)
Vamos, agora, apresentar propriedades da probabilidade que resultam dos Axiomas I a

III.
1. P() = 0
2. P(A) = 1 P(A)
3. P(A \ B) = P(A B) = P(A) P(A B)
de uma teoria ou de um sistema lgico ou matemtico. (dicionrio Aurlio)
Curso de Estatstica
81

Veja a Figura 4.1 para visualizar melhor esse resultado. um erro comum pensar que
P(A \ B) = P(A) P(B), o que pode resultar em uma probabilidade negativa. O evento
A \ B a parte sombreada mais escura; a parte sombreada mais clara corresponde a
A B e o evento A a unio dessas duas partes, ou seja,
A = (A \ B) (A B)
de onde segue o resultado pela aplicao do Axioma III, j que as partes sombreadas
no tm interseo.
Figura 4.1 Diferena de dois eventos A \ B = A B.

Volte Figura 4.1 para ver que o evento B \ A = B A corresponde parte no
sombreada do evento B e que
P(B \ A) = P(B A) = P(B) P(A B)

4. Para dois eventos A e B quaisquer,
P(A B) = P(A) + P(B) P(A B).
Note que esse resultado generaliza o Axioma III para dois eventos quaisquer, ou seja,
no estamos exigindo que A e B sejam mutuamente exclusivos. Veja a Figura 4.2:
Figura 4.2 Unio de dois eventos quaisquer A B
Curso de Estatstica
82

Toda a parte sombreada representa a unio dos dois eventos, que pode ser decomposta
nas duas partes com diferentes sombreamentos. Se somssemos P(A)+P(B) estaramos
contando duas vezes a probabilidade da interseo, da o resultado.
5. Se A B, ento P(A) P(B).
6. P(A) 1 para qualquer evento A .
Eis um resumo dos axiomas e propriedades da probabilidade:
Axiomas
P(A) 0
P() = 1
A B = P(A B) = P(A) + P(B)
Propriedades
P() = 0
P(A) = 1 P(A)
P(A \ B) = P(A B) = P(A) P(A B)
P(A B) = P(A) + P(B) P(A B)
A B P(A) P(B)
P(A) 1
4.3
Espaos amostrais finitos e equiprovveis
Vamos considerar, agora, uma situao especial, em que o espao amostral finito e
todos os seus eventos elementares so igualmente provveis. Esse contexto leva definio
clssica de probabilidade, que foi a primeira definio formal de probabilidade, explicitada
por Girolamo Cardano (1501-1576).
Sejam E1 , E2 , EN os eventos elementares de . Ento,
= E1 E2 EN
e esses eventos elementares so mutuamente exclusivos dois a dois. Pode-se provar, por
induo, que
P() = 1 = P(E1 E2 EN ) = P(E1 ) + P(E2 ) + + P(EN )
Como estamos supondo que todos eles so igualmente provveis, resulta
P(Ei ) =
1
1
=
N
n()
Mas, qualquer evento A pode ser escrito como unio de eventos elementares. Logo,
P(A) =
Curso de Estatstica
n(A)
n(
83
DEFINIO Definio clssica de probabilidade

Seja um espao amostral finito, cujos eventos elementares so todos
igualmente provveis, isto , podemos escrever
= E1 E2 EN
onde
P(Ei ) =
1
1
=
N
n()
Ento, para qualquer evento A ,

P(A) =
n(A)
n()
No lanamento de um dado, qual a probabilidade de se obter face maior que 4?

Soluo
Note que esse um espao amostral finito em que os eventos elementares so igualmente provveis, pois estamos supondo que o dado seja honesto. J sabemos que n() = 6
2
1
e que o evento de interesse A = {5, 6). Logo, P(A) = = .
6
3

EXEMPLO 4.2 Carta de um baralho
Considere um baralho usual composto de 52 cartas divididas em 4 naipes: ouros, copas, paus
e espadas, cada naipe com 13 cartas. As cartas dos 2 primeiros naipes so vermelhas e as
dos dois ltimos, pretas. Em cada naipe, as cartas podem ser s, 2, 3, 4, 5, 6, 7, 8, 9, 10,
Valete, Dama e Rei. Essas trs ltimas so figuras que representam a realeza. Retira-se,
ao acaso, uma carta desse baralho. Qual a probabilidade de que seja
(a) uma figura?
(b) uma carta preta?
(c) uma figura ou uma carta preta?
Curso de Estatstica
84

Soluo
Temos um espao amostral finito em que os eventos elementares so igualmente provveis, pois estamos retirando a carta aleatoriamente. Como h 52 cartas ao todo, n() = 52.
Vamos denotar por F o evento carta retirada uma figura e por P o evento carta retirada
preta.
(a) Em cada um dos 4 naipes h trs figuras. Logo, o nmero total de figuras 4 3, ou
seja, n(F ) = 12. Logo,
12
3
P(F ) =
=
.
52
13
(b) Metade das cartas de cor preta. Logo,
P(P) =
26
1
= .
52
2
P(F P) = P(F ) + P(P) P(F P) =
6
32
8
12 26
+
=
=
52 52 52
52
13

EXEMPLO 4.3 Escolha de um nmero
Um nmero escolhido entre os 20 primeiros inteiros, de 1 a 20. Qual a probabilidade de

que o nmero escolhido seja
(a) par?
(b) primo?
(c) quadrado perfeito?
Soluo
Temos um espao amostral finito com eventos elementares equiprovveis, pois estamos
escolhendo o nmero aleatoriamente.
(a) Vamos denotar por P o evento nmero par. Logo,
P = {2, 4, 6, 8, 10, 12, 14, 16, 18, 20} P(P) =
10
1
=
20
2
(b) Seja R o evento nmero primo

R = {1, 3, 5, 7, 11, 13, 17, 19} P(R) =
Curso de Estatstica
8
2
=
20
5
85

(c) Se Q o evento quadrado perfeito, ento,
Q = {1, 4, 9, 16} P(Q) =
4
1
=
20
5

EXEMPLO 4.4 Bolas em uma urna
Uma urna contm 6 bolas pretas, 2 bolas brancas e 8 bolas verdes. Uma bola escolhid,a
ao acaso, desta urna. Qual a probabilidade de que essa bola
(a) no seja verde?
(b) seja branca?
(c) no seja nem branca nem verde?
Soluo
Temos um total de 6 + 2 + 8 = 16 bolas. Logo, n() = 16. Vamos denotar por P, B, V
os eventos bola preta, branca e verde, respectivamente.
(a) Queremos a probabilidade de V , ou seja, do complementar de V .
P(V ) = 1 P(V ) = 1
(b)
P(B) =
8
8
1
=
=
16
16
2
2
1
n(B)
=
= .
n()
16
8
(c) Se a bola no branca nem verde, ela tem de ser preta. Observe que estamos pedindo
P(B V ). Pela lei de De Morgan e pela Propriedade 2 e Axioma III, temos
P(B V ) = P(B V ) = 1 P(B V )
= 1 [P(B) + P(V )] = 1
=
2
8
6
=
16 16
16
3
= P(P)
8

Curso de Estatstica
86

Consideremos, novamente, o lanamento de dois dados e vamos definir os seguintes eventos:
A = soma das faces par, B = soma das faces maior que 9, C = soma das faces mpar
menor que 9. Agora vamos calcular a probabilidade de tais eventos.
Soluo
A visualizao do espao amostral desse experimento pode ser vista na tabela a seguir,
onde, para cada par possvel de resultados, apresentamos tambm a soma das faces:
Dado 2
1
Dado
1
1
2
3
4
5
6
(1, 1)
(2, 1)
(3, 1)
(4, 1)
(5, 1)
(6, 1)
2
3
4
5
6
7
2
(1, 2)
(2, 2)
(3, 2)
(4, 2)
(5, 2)
(6, 2)
3
4
5
6
7
8
3
(1, 3)
(2, 3)
(3, 3)
(4, 3)
(5, 3)
(6, 3)
4
5
6
7
8
9
4
(1, 4)
(2, 4)
(3, 4)
(4, 4)
(5, 4)
(6, 4)
5
6
7
8
9
10
5
(1, 5)
(2, 5)
(3, 5)
(4, 5)
(5, 5)
(6, 5)
6
7
8
9
10
11
6
(1, 6)
(2, 6)
(3, 6)
(4, 6)
(5, 6)
(6, 6)
7
8
9
10
11
12
Podemos ver que :
(1, 1) , (1, 2) , (1, 3) , (1, 4) , (1, 5) , (1, 6) ,
(2, 1) , (2, 2) , (2, 3) , (2, 4) , (2, 5) , (2, 6) ,
(3, 1) , (3, 2) , (3, 3) , (3, 4) , (3, 5) , (3, 6) ,

=
(4, 1) , (4, 2) , (4, 3) , (4, 4) , (4, 5) , (4, 6) ,
(5, 1) , (5, 2) , (5, 3) , (5, 4) , (5, 5) , (5, 6) ,
(6, 1) , (6, 2) , (6, 3) , (6, 4) , (6, 5) , (6, 6)
(1, 1) , (1, 3) , (1, 5) , (2, 2) , (2, 4) , (2, 6) ,

(3, 1) , (3, 3) , (3, 5) , (4, 2) , (4, 4) , (4, 6) ,
A=
(5, 1) , (5, 3) , (5, 5) , (6, 2) , (6, 4) , (6, 6)
n() = 36
n(A) = 18
B = {(4, 6) , (5, 5) , (5, 6) , (6, 4) , (6, 5) , (6, 6)} n(B) = 6

(1, 2) , (1, 4) , (1, 6) , (2, 1) , (2, 3) , (2, 5) ,
n(C ) = 12
C=
(3, 2) , (3, 4) , (4, 1) , (4, 3) , (5, 2) , (6, 1) ,
Logo,
P (A) =
18
1
=
36
2
P (B) =
6
1
=
36
6
P (C ) =
12
1
=
36
3

EXEMPLO 4.6 Bolas de uma urna
Em uma urna ,h 4 bolas brancas e 3 verdes. Duas bolas so retiradas dessa urna, seqencialmente e sem reposio. Qual a probabilidade de obtermos
(a) 2 bolas brancas?
Curso de Estatstica
87

(b) 2 bolas verdes?
(c) 2 bolas de cores diferentes?
Soluo
Vamos indicar por B1 , B2 , B3 e B4 as quatro bolas brancas e por V1 , V2 e V3 as trs
bolas verdes. O espao amostral para este experimento
= {(C1 , C2 );
C1 , C2 = B1 , B2 , B3 , B4 , V1 , V2 , V3 ;
C1 6= C2 }
A primeira bola pode ser qualquer uma, logo, h 7 bolas possveis. Como a extrao sem
reposio, para a segunda bola, s h 6 possibilidades. Assim, o nmero total de pares
7 6 = 42, ou seja, n() = 42.
(a) Para os pares do evento A = 2 bolas brancas, a primeira bola pode ser qualquer uma
das brancas, e a segunda, qualquer uma das brancas restantes. Logo,
n(A) = 4 3 P(A) =
12
2
=
42
7
(b) Analogamente, se B = 2 bolas verdes,

n(B) = 3 2 P(B) =
6
1
=
42
7
(c) O evento C = bolas de cores diferentes o complementar do evento D = bolas de

cores iguais. Por sua vez, D = A B, e assim, como A e B so mutuamente exclusivos,
temos
2 1
3
3
4
P(D) = P(A) + P(B) = + = P(C ) = 1 P(D) = 1 =
7 7
7
7
7

EXEMPLO 4.7 Extrao de bolas de uma urna
interessante notar o seguinte fato sobre a extrao das bolas: em vez de fazermos extraes
sequenciais, podemos retirar 2 bolas simultaneamente. Em ambos os casos, as extraes so
sem reposio, ou seja, a mesma bola no pode sair duas vezes. O que muda, ento?
Soluo
Nas extraes simultneas, no podemos diferenciar a ordem das bolas: por exemplo,
os pares V1 V2 e V2 V1 so os mesmos. Dessa forma, a cardinalidade do espao amostral fica
reduzida por 2, que 2!, nmero de maneiras de organizar as 2 bolas. Se fossem 3 bolas,
Curso de Estatstica
88

ficaria reduzido por 3! = 6. Para ajudar na compreenso dessa diferena, vamos listar o
espao amostral nos dois casos, bem como os eventos que estudamos.
Evento
2 bolas
brancas
2 bolas
verdes
Branca
e verde
Verde
e
branca
Extraes sequenciais
B1 B2 , B1 B3 , B1 B4 ,
B2 B1 , B2 B3 , B2 B4 ,
B3 B1 , B3 B2 , B3 B4 ,
B4 B1 , B4 B2 , B4 B3 ,
V1 V2 , V 1 V3 ,
V2 V1 , V 2 V3 ,
V3 V1 , V 3 V2 ,
B1 V1 , B1 V2 , B1 V3 ,
B2 V1 , B2 V2 , B2 V3 ,
B3 V1 , B3 V2 , B3 V3 ,
B4 V1 , B4 V2 , B4 V3 ,
V1 B1 , V 1 B2 , V 1 B3 , V 1 B4 ,
V2 B1 , V 2 B2 , V 2 B3 , V 2 B4 ,
V3 B1 , V 3 B2 , V 3 B3 , V 3 B4
Evento
2 bolas
brancas
Extraes simultneas
B1 B2 , B1 B3 , B1 B4 ,
B2 B3 , B2 B4 ,
B3 B4 ,
2 bolas
verdes
V1 V2 , V 1 V3 ,
V2 V3 ,
Uma
branca
e uma
verde
B 1 V1 , B 1 V2 , B 1 V3 ,
B 2 V1 , B 2 V2 , B 2 V3 ,
B 3 V1 , B 3 V2 , B 3 V3 ,
B 4 V1 , B 4 V2 , B 4 V3
Note que as probabilidades so as mesmas em ambos os casos:
Extraes sequenciais
P(2 verdes)
6
= 71
42
Extraes simultneas
3
21
1
7
P(2 brancas)
12
= 27
42
6
21
2
7
P(cores diferentes)
24
= 47
42
12
21
4
7

EXEMPLO 4.8 Ou exclusivo
Prove que:

P

A B A B = P(A) + P(B) 2 P(A B)
Observe que a afirmao trata da probabilidade da ocorrncia de exatamente um dos eventos

A ou B.
Soluo
Pela Propriedade 3, temos que
P AB
= P(A) P (A B)
P AB
= P(B) P (A B)
Somando essas igualdades termo a termo, obtm-se que:

P A B + P A B = P(A) P (A B) + P(B) P (A B)
Curso de Estatstica
89

Como A B e A B so mutuamente exclusivos, a soma de suas probabilidades a probabilidade da sua unio, ou seja,

P AB +P AB =P AB AB
Logo,

P

A B A B = P(A) + P(B) 2 P (A B)

EXEMPLO 4.9 Questes certas em uma prova prova

Em uma prova, caram dois problemas. Sabe-se que 132 alunos acertaram o primeiro, 86
erraram o segundo, 120 acertaram os dois e 54 acertaram apenas um. Sorteando-se, ao
acaso, um desses alunos, qual a probabilidade de que o sorteado:
(a) no tenha acertado qualquer um dos dois problemas?
(b) tenha acertado apenas o segundo problema?
Soluo
Vamos denotar por P1 e P2 os eventos acertar problema 1 e acertar problema 2
respectivamente. Os dados do problema nos do que:
n(P1 P2 )
n(P1 )
n(P 2 )

n P1 P 2 (P 1 P2 )
Usando o resultado do exemplo anterior,

n P1 P 2 (P 1 P2 )
54
n(P2 )
=
=
=
=
120
132
86
54
(acertar os 2)
(acertar o primeiro)
(errar o segundo)
(acertar apenas um)
tem-se que:
= n(P1 ) + n(P2 ) 2n(P1 P2 )
= 132 + n(P2 ) 2 120
= 162
Logo, o nmero total de alunos

n() = n(P2 P 2 ) = n(P2 ) + n(P 2 ) = 162 + 86 = 248
(a) Pela lei de De Morgan, tem-se que:

P P 1 P 2 = P P1 P2 = 1 P (P1 P2 ) =
= 1 [P(P1 ) + P(P2 ) P(P1 P2 )] =
132 162 120
= 1
+
248 248 248
74
37
=
=
248
124
Curso de Estatstica
90

(b) Pela Propriedade 3, tem-se que:

42
21
162 120
P P2 P 1 = P(P2 ) P(P1 P2 ) =
=
=
248
248
124

EXEMPLO 4.10 Atribuio de probabilidade

Dado que = {1, 0, 1} , verifique se possvel definir uma medida de probabilidade em
tal que
P ({1, 1}) = 0, 6
P ({0, 1}) = 0, 9
P ({1, 0}) = 0, 5
Justifique sua resposta.
Soluo
Note que o evento {1, 1} = {1}{1}. Logo, as probabilidades dadas se transformam
no seguinte sistema de 3 equaes com 3 incgnitas:
P (1) + P(1) = 0, 6
P(0) + P(1) = 0, 9
P(1) + P(0) = 0, 5
Da primeira equao, obtemos P(1) = 0, 6 P(1). Substituindo na segunda, obtemos o
seguinte sistema de 2 equaes e 2 incgnitas:
P(0) + 0, 6 P(1) = 0, 9
P(1) + P(0) = 0, 5
ou
P(0) P(1) = 0, 3
P(0) + P(1) = 0, 5
Somando termo a termo, resulta
2 P(0) = 0, 8 P(0) = 0, 4
Substituindo, obtemos
P(1) = 0, 5 P(0) = 0, 5 0, 4 P(1) = 0, 1
Substituindo novamente, obtemos
P(1) = 0, 6 P(1) = 0, 6 0, 1 = 0, 5
Como todos os valores obtidos esto no intervalo (0, 1), a atribuio dada vlida.
Curso de Estatstica

91
4.4
Exerccios propostos

4.1 Se P (A) = 1/3 e P B = 1/4, A e B podem ser mutuamente exclusivos?
4.2 Sejam A e B eventos mutuamente exclusivos tais que P(A) = 0, 5 e P(B) = 0, 4.
(a) Calcule P(A B).
(b) Calcule P(B A).
4.3 Em uma cidade h trs clubes A, B, C . Em um grupo de 1000 famlias constatou-se que
470 so scias do clube A; 420 so scias do clube B, 315 so scias do clube C ; 110 so
scias dos clubes A e B; 220 so scias dos clubes A e C ; 140 so scias dos clubes B e C
e 75 so scias dos 3 clubes. Escolhendo-se ao acaso uma famlia, qual a probabilidade
de que ela
(a) no seja scia de qualquer um dos clubes?
(b) seja scia de apenas um clube?
(c) seja scia de pelo menos dois clubes?
4.4 Em um levantamento em um bairro de 1.000 moradores, verifica-se que:
220 tm curso superior;
160 so casados;
100 esto desempregados;
50 tm curso superior, so casados e esto empregados;
60 tm curso superior e esto desempregados;
20 tm curso superior, so casados e esto desempregados.
Escolhe-se ao acaso um morador desse bairro. Qual a probabilidade de que ele
(a) tenha curso superior e seja casado?
(b) ou tenha curso superior e seja casado ou esteja empregado?
(c) ou tenha curso superior ou esteja desempregado?
Curso de Estatstica
92

4.5 Um lote formado por 10 artigos bons, 4 com defeitos menores e 2 com defeitos graves.
Um artigo escolhido ao acaso. Ache a probabilidade de que:
(a) ele no tenha defeitos;
(b) ele no tenha defeitos graves;
(c) ele seja perfeito ou tenha defeitos graves.
4.6 Quatro bolsas de estudo sero sorteadas entre 30 estudantes, dos quais 12 so do sexo
masculino e 18 so do sexo feminino. Qual a probabilidade de que haja entre os sorteados:
(a) uma pessoa do sexo masculino?
(b) no mximo uma pessoa do sexo feminino?
(c) pelo menos uma pessoa de cada sexo?
4.7 Em uma urna h 15 bolas numeradas de 1 a 15. Trs bolas so retiradas da urna sem
reposio. Qual a probabilidade de que:
(a) o menor nmero seja 7?
(b) o maior nmero seja 7?
4.8 Num perodo de um ms, 100 pacientes sofrendo de determinada doena foram internados em um hospital. Informaes sobre o tipo de tratamento aplicado em cada paciente e
o resultado final obtido esto resumidas no quadro a seguir.
Tratamento
A
B
Cura total (T)
24
16
Resultado Cura parcial (P) 24
16
Morte (M)
12
8
Total
60
40
Total
40
40
20
100
Sorteia-se o registro de um desses pacientes.

(a) Qual a probabilidade de que seja de um paciente que teve cura total?
(b) Qual a probabilidade de que esse registro seja de um paciente que faleceu ou que
recebeu o tratamento A?
Curso de Estatstica
93
Captulo 5
Probabilidade condicional e
independncia de eventos
5.1
Probabilidade condicional
Consideremos o lanamento de um dado equilibrado e o evento A = sair face 2. J vimos

que o espao amostral desse experimento = {1, 2, 3, 4, 5, 6} e, se no tivermos qualquer
informao alm de o dado ser equilibrado, P(A) = 16 .
Suponhamos, agora, que o dado tenha sido lanado e a seguinte informao fornecida:
saiu face par. Qual a probabilidade de ter sado face 2?
Note a diferena: agora ns temos uma informao parcial sobre o experimento e devemos us-la para reavaliar a nossa estimativa. Mais precisamente, sabemos que ocorreu o
evento B = face par. Com essa informao, podemos nos concentrar no evento B = {2, 4, 6} ,
uma vez que as faces 1, 3, 5 ficam descartadas em funo da informao dada. Dentro dessas
trs possibilidades, a probabilidade do evento A passa a ser 13 .
Calculamos, assim, a probabilidade do evento A, sabendo que ocorreu o evento B. Essa
probabilidade ser denotada P (A | B) (l-se probabilidade de A dado B).
Consideremos, agora, o lanamento de dois dados equilibrados e os eventos A = soma
das faces par e B = soma das faces maior ou igual a 9. Se sabemos que ocorreu B,
qual a probabilidade de ter ocorrido A?
Queremos calcular P(A|B). Temos que

(1, 1) , (1, 3) , (1, 5) , (2, 2) , (2, 4) , (2, 6) , (3, 1) , (3, 3) , (3, 5) ,
A=
(4, 2) , (4, 4) , (4, 6) , (5, 1) , (5, 3) , (5, 5) , (6, 2) , (6, 4) , (6, 6)
B = {(3, 6) , (4, 5) , (4, 6) , (5, 4) , (5, 5) , (5, 6) , (6, 3) , (6, 4) , (6, 5) , (6, 6)}
CAPTULO 5. PROBABILIDADE CONDICIONAL E INDEPENDNCIA DE EVENTOS

Se ocorreu B, a nica chance de ter ocorrido A que tenha ocorrido o evento
A B = {(4, 6) , (5, 5) , (6, 4) , (6, 6)}
e, nesse caso, a probabilidade
4
,
10
ou seja,
P(A|B) =
4
=
10
4
36
10
36
P(A B)
P(B)
Esses dois exemplos ilustram o fato geral que est representado na Figura 5.1. Se
sabemos que aconteceu o evento B, esse evento passa a ser o novo espao amostral e,
nesse novo espao amostral, a nica parte de A presente A B a parte sombreada mais
clara.
Figura 5.1 Probabilidade condicional P(A|B).

Com esses exemplos, ilustramos uma situao bastante comum, em que temos de calcular a probabilidade de um evento tendo uma informao parcial. Esse o conceito de
probabilidade condicional.
DEFINIO Probabilidade condicional

A probabilidade condicional do evento A, dada a ocorrncia do evento
B,
P (A B)
P(A|B) =
P (B)
Note que, nessa definio, temos que supor que o evento B um evento possvel, j
que ele ocorreu. Logo, bvio que P(B) > 0.
EXEMPLO 5.1 Gnero e esporte
Curso de Estatstica
95

Um grupo de 100 alunos foi classificado quanto ao sexo e atividade de lazer preferida,
obtendo-se a distribuio dada na tabela a seguir.
Sexo
Atividade de lazer
Cinema Praia Esporte Total
Masculino
10
12
13
35
Feminino
15
41
9
65
Total
25
53
22
100
1. Qual a probabilidade de que uma pessoa, escolhida ao acaso nesse grupo, seja do
sexo masculino?
2. Se a pessoa escolhida preferir a praia como atividade de lazer, qual ser a probabilidade
de ser um homem?
Soluo
Vamos definir os seguintes eventos: M = masculino; F = feminino; C = cinema;
P = praia; E = esporte.
1. O problema pede P(M). Como h 35 homens dentre as 100 pessoas,
P(M) =
35
= 0, 35
100
2. O problema pede P(M|P). Por definio,

P(M|P) =
P(M P)
=
P(P)
12
100
53
100
12
0, 2264
53
Note que a probabilidade do evento aluno do sexo masculino se modifica quando

sabemos que a pessoa prefere ir praia como atividade de lazer.

EXEMPLO 5.2 Aposentadoria
De um total de 500 empregados de uma empresa, 200 possuem plano pessoal de aposentadoria complementar, 400 contam com o plano de aposentadoria complementar oferecido
pela empresa e 200 empregados possuem ambos os planos. Sorteia-se, aleatoriamente, um
empregado dessa empresa.
(a) Qual a probabilidade de que ele tenha algum plano de aposentadoria complementar?
Curso de Estatstica
96

(b) Qual a probabilidade de que ele no possua qualquer plano de aposentadoria complementar?
(c) Se o empregado conta com o plano de aposentadoria complementar oferecido pela empresa, qual a probabilidade de que ele tenha plano pessoal de aposentadoria complementar?
(d) Se o empregado tem plano pessoal de aposentadoria complementar, qual a probabilidade de que ele conte com o plano de aposentadoria complementar da empresa?
Soluo
Vamos denotar por E o evento empregado tem o plano aposentadoria complementar
da empresa e por P o evento empregado possui plano pessoal de aposentadoria complementar. O problema diz que
P(P) =
2
200
=
500
5
P(E) =
400
4
=
500
5
P(P E) =
200
2
=
500
5
Note que essas informaes podem ser dispostas em forma de tabela, como podemos
ver a seguir:
Plano pessoal
Sim
No
Plano da Sim 200
200
Empresa No
0
100
Total
200
300
Total
400
100
500
Os nmeros em negrito so as informaes dadas no problema. O restante calculado

observando-se os totais de linha e de coluna.
(a) O problema pede
P(P E) = P(P) + P(E) P(P E) =
2 4 2
4
+ =
5 5 5
5
(b) O problema pede

P(P E) = P(P E) = 1 P(P E) = 1
(c) O problema pede
P(P|E) =
Curso de Estatstica
P(P E)
=
P(E)
2
5
4
5
4
1
=
5
5
1
2
97

(d) O problema pede
P(E|P) =
P(P E)
=
P(P)
2
5
2
5
=1

EXEMPLO 5.3 Campanha publicitria
A probabilidade de que uma nova campanha publicitria fique pronta antes do prazo
estipulado pela diretoria foi estimada em 0,60. A probabilidade de que a diretoria aprove
essa campanha de 0,50. A probabilidade de que ambos os objetivos sejam atingidos 0,30.
(a) Qual a probabilidade de que pelo menos um dos objetivos seja atingido?
(b) Qual a probabilidade de que nenhum objetivo seja atingido?
(c) Se a campanha ficar pronta antes do prazo estipulado, qual a probabilidade de ela ser
a provada pela diretoria?
Soluo
Vamos definir os eventos P = campanha pronta antes do prazo e A = diretoria aprova
campanha. O problema fornece as seguintes informaes:
P(P) = 0, 6
P(A) = 0, 5
P(A P) = 0, 3
(a) P(A P) = P(A) + P(P) P(A P) = 0, 6 + 0, 5 0, 3 = 0, 8

(b) P(A P) = P(A P) = 1 P(A P) = 0, 2
(c) P(A|P) =
P(A P)
0, 3
=
= 0, 5.
P(P)
0, 6

interessante notar que a probabilidade condicional apresentada acima realmente

define uma lei de probabilidade, ou seja, a funo que associa o nmero P(A|B) a cada
evento A de satisfaz os axiomas de probabilidade. De fato:
Axioma 1:
P(A|B) =
P(A B)
0
P(B)
pois P(A B) 0 e P(B) > 0.

Axioma 2:
P(|B) =
Curso de Estatstica
P( B)
P(B)
=
=1
P(B)
P(B)
98

P(B)
= 1, toda a probabilidade condicional est concentrada
P(B)
em B, o que justifica considerarmos B como o novo espao amostral para essa nova lei de
probabilidade.
Na verdade, como P(B|B) =
Axioma 3:
Sejam A1 e A2 dois eventos mutuamente exclusivos (veja a Figura 5.2). Usando a propriedade distributiva, temos
P(A1 A2 |B) =
P[(A1 B) (A2 B)]

P[(A1 A2 ) B]
=
P(B)
P(B)
Figura 5.2 P(A1 A2 |B) = P(A1 |B) + P(A2 |B).

Mas, como A1 e A2 so mutuamente exclusivos, resulta que (A1 B) e (A2 B) tambm
o so esses dois eventos correspondem parte sombreada mais clara da figura. Logo,
P[(A1 B) (A2 B)]
=
P(B)
P(A1 B) + P(A2 B)
=
=
P(B)
P(A1 B) P(A2 B)
=
+
=
P(B)
P(B)
= P(A1 |B) + P(A2 |B)
P(A1 A2 |B) =
Sendo a probabilidade condicional uma lei de probabilidade, todas as propriedades vistas anteriormente, que eram consequncia dos axiomas, valem tambm para a probabilidade
condicional. A propriedade que usaremos com maior frequncia P(A|B) = 1 P(A|B).
Observe que a definio de probabilidade condicional est vinculada ao evento B ao
qual estamos condicionando. Ou seja, se condicionarmos a outro evento C , estaremos definindo uma outra funo de probabilidade a funo de probabilidade condicional em C .
Curso de Estatstica
99
5.1.1
Regra da multiplicao
A definio de probabilidade condicional leva a um resultado importante, conhecido como

regra da multiplicao.
Regra da multiplicao para dois eventos
Sejam A e B eventos de um espao amostral . Ento,
P(B) P(A|B)
P(A B) =
P(A) P(B|A)
Esse resultado nos permite calcular a probabilidade da interseo de dois eventos e

muito til para modelar experimentos que tm carter sequencial, isto , que so executados
em etapas, uma seguida da outra. Em tais situaes, pode ser til desenhar um diagrama
de rvore para ilustrar os eventos em questo. Vamos ver alguns exemplos.
EXEMPLO 5.4 Radar
Se um avio est presente em determinada rea, um radar detecta sua presena com
probabilidade 0,99. No entanto, se o avio no est presente, o radar detecta erradamente
a presena de um avio com probabilidade 0,02. A probabilidade de um avio estar presente
nessa rea de 0,05. Qual a probabilidade de um falso alarme? Qual a probabilidade
de o radar deixar de detectar um avio? (Note que esses so os dois erros possveis nessa
situao.)
Soluo
Vamos definir os eventos a seguir.
A = avio presente
D = radar detecta presena de avio
Os eventos complementares so:
A = avio no est presente
D = radar no detecta avio
O problema nos fornece as seguintes informaes:

Pr (D|A) = 0, 99
Pr D|A = 0, 02
Curso de Estatstica
Pr(A) = 0, 05
100

Pela lei do evento complementar, temos que

Pr D|A = 0, 01
Pr D|A = 0, 98
Pr(A) = 0, 95
Na Figura 5.3, este experimento ilustrado atravs de um diagrama de rvore. Cada n na

rvore corresponde ocorrncia de um evento condicionada ocorrncia de todos os eventos
representados pelos ns anteriores no caminho correspondente. Assim, a parte superior da
rvore corresponde ocorrncia do evento radar detecta avio, condicionada ocorrncia
do evento avio presente. J a parte inferior corresponde ocorrncia do evento radar
no detecta avio, condicionada ocorrncia do evento avio no est presente.
Figura 5.3 Problema do radar

O problema pede
Pr(D A)
Pr(D A)
falso alarme
Pela regra da multiplicao, temos:

P(D A) = P A P D|A = 0, 95 0, 02 = 0, 019

P(D A) = P (A) P D|A = 0, 05 0, 01 = 0, 0005
Note que a probabilidade de um erro a soma dessas probabilidades.

EXEMPLO 5.5 Extrao de 2 cartas
Considere que duas cartas de um baralho (13 cartas de cada um dos naipes copas, paus,
ouros, espadas) sejam extradas, sem reposio, uma depois da outra. Qual a probabilidade
de
Curso de Estatstica
101

(a) nenhuma das duas ser de copas?
(b) pelo menos uma carta ser de copas?
Soluo
Para solucionar esse problema, devemos notar que as cartas no baralho so igualmente
provveis, antes e depois da primeira extrao. Vamos definir os seguintes eventos:
C1 =
C2 =
copas na primeira extrao

copas na segunda extrao
Na Figura 5.4, temos o diagrama de rvore que representa esse experimento.
Figura 5.4 Extrao de 2 cartas de um baralho

A parte superior da rvore corresponde ocorrncia de copas na primeira extrao
evento C1 e a parte inferior no-ocorrncia de copas na primeira extrao evento C 1 .
Na primeira extrao, temos 13 cartas de copas e 39 que no so de copas. Logo,
13
52
39
P(C 1 ) =
52
P(C1 ) =
Na segunda extrao, dado que na primeira saiu copas, temos 12 cartas de copas e 39
cartas que no so de copas em um baralho com 51. O evento representado pelo caminho
superior da rvore C1 C2 e sua probabilidade
P(C1 C2 ) = P(C1 ) P(C2 |C1 ) =
Curso de Estatstica
13 12
52 51
102

Continuando com a parte superior, vemos que
P(C1 C 2 ) = P(C1 ) P(C 2 |C1 ) =
13 39
52 51
Note que, pela lei do complementar, P(C2 |C1 ) + P(C 2 |C1 ) = 1.

Na parte inferior, temos:
P(C 1 C2 ) = P(C 1 ) P(C2 |C 1 ) =
39 13
52 51
39 38
P(C 1 C 2 ) = P(C 1 ) P(C 2 |C 1 ) =
52 51
Novamente, pela lei do complementar, P(C2 |C 1 ) + P(C 2 |C 1 ) = 1.
A partir desse diagrama de rvore podemos calcular qualquer probabilidade desejada.
Por exemplo, o evento nenhuma carta de copas o evento C 1 C 2 , e o evento pelo menos
uma carta de copas, o complementar do evento nenhuma carta de copas.

EXEMPLO 5.6 Trs cartas de um baralho
Suponhamos agora a extrao de trs cartas sem reposio e o evento nenhuma carta
de copas. Como podemos generalizar a regra da multiplicao para esse caso?
Soluo
Como antes, vamos definir os eventos Ci = carta de copas na isima extrao, i =
1, 2, 3. Veja a Figura 5.5, que ilustra o espao amostral desse experimento.
Como antes, quando caminhamos ao longo de cada galho no diagrama de rvores, cada
n representa a ocorrncia de um evento condicional ocorrncia dos eventos anteriores.
Por exemplo, vamos considerar o galho superior: o primeiro n corresponde ao evento C1 ;
o segundo, ao evento C2 , condicionado ocorrncia de C1 ; e o terceiro e ltimo, ao evento
C3 , condicionado ocorrncia de C1 C2 . Quando multiplicamos as probabilidades desses 3
eventos, obtemos a seguinte probabilidade da interseo:
P(C1 C2 C3 ) = P(C1 ) P(C2 |C1 ) P(C3 |C1 C2 ) =
13 12 11
52 51 50
Analogamente, a probabilidade de no sair qualquer carta de copas nas 3 estraes

P(C 1 C 2 C 3 ) = P(C 1 ) P(C 2 |C 1 ) P(C 3 |C 1 C 2 ) =
39 38 37
52 51 50

Curso de Estatstica
103

11/50
C3
12/51
C2
13/52
C1
C3
39/50
12/50
C3
C2
39/51
C3
38/50
12/50
C3
C1
39/52
13/51
C2
C2
38/51
C3
38/50
13/50
C3
C3
37/50
Figura 5.5 Extrao de 3 cartas de um baralho

Estes exemplos ilustram a regra geral da multiplicao.
Regra geral da multiplicao
Seja A1 , A2 , . . . , An uma sequncia de eventos de um espao amostral .

Ento,
P (A1 A2 An ) = P (A1 ) P (A2 |A1 ) P (An |A1 A2 An1 )
EXEMPLO 5.7 Transporte pblico e bandejo
Curso de Estatstica
104

Em uma pesquisa realizada com um grupo de alunos da UFF, constatou-se que 10%
dos estudantes no utilizam transporte pblico para ir s aulas e que 65% dos estudantes
que utilizam o transporte pblico fazem refeies no bandejo do campus. Selecionando-se,
aleatoriamente, um estudante desse grupo, calcule a probabilidade de que ele use transporte
pblico e faa refeies no bandejo.
Soluo
Vamos definir os seguintes eventos: T = aluno utiliza transporte pblico e B = aluno
come no bandejo. O problema nos fornece
P(T ) = 0, 10
O problema pede
P(B|T ) = 0, 65
P(T B) = P(T ) P(B|T ) = 0, 9 0, 65 = 0, 585

EXEMPLO 5.8 Bolas de uma urna
Uma urna contm seis bolas pretas e cinco bolas amarelas. Extraem-se, sequencialmente, trs bolas dessa urna, sem reposio. Qual a probabilidade de que as trs bolas
sejam da mesma cor?
Soluo
Vamos definir os eventos Pi = bola preta na extrao ie Ai = bola amarela na
extrao i, i = 1, 2, 3.
Seja M = 3 bolas de mesma cor. Ento,
P(M) = P(P1 P2 P3 ) + P(A1 A2 A3 )
= P(P1 ) P(P2 |P1 ) P(P3 |P1 P2 ) + P(A1 ) P(A2 |A1 ) P(A3 |A1 A2 )
6
5
4
5
4
3
=
11 10 9 11 10 9
4
2
2
=
+
=
33 33
11

Curso de Estatstica
105
5.2
Independncia de eventos
Considere novamente um baralho usual, com 52 cartas, 13 de cada naipe, do qual ser
retirada uma carta. Vamos definir os seguintes eventos:
C =
R =
V =
J vimos que P(C ) =
13
52
= 41 ; P(R) =
4
52
carta de copas
carta um rei
carta vermelha
=
1
13
e P(V ) =
26
52
= 12 .
Vamos agora calcular as seguintes probabilidades condicionais: P(R|C ) e P(V |C ). No

primeiro caso, estamos calculando a probabilidade de sair um rei, dado que a carta de
copas. No segundo caso, estamos calculando a probabilidade de sair uma carta vermelha,
dado que saiu uma carta de copas.
P(R|C ) =
P(R C )
=
P(C )
P(V |C ) =
P(V C )
P(C )
=
= 1 6= P(V )
P(C )
P(C )
1
52
1
4
1
4
=
= P(R)
52
13
No primeiro caso, saber que a carta de copas no acrescentou informao til para
avaliarmos a probabilidade de sair rei, ou seja, saber ou no que saiu copas no altera a
probabilidade de sair rei.
J no segundo caso, saber que saiu carta de copas faz com que mudemos a probabilidade
de sair carta vermelha. Como podemos ver, se sabemos que saiu carta de copas, ento a
carta tem de ser vermelha.
Esses exemplos ilustram um conceito importante. No primeiro caso, dizemos que os
eventos R e C so independentes e, no segundo caso, que os eventos V e C so dependentes. No primeiro caso, o conhecimento da ocorrncia de C no ajuda para reavaliarmos a
probabilidade de C . J, no segundo caso, o conhecimento da ocorrncia de C faz com que
mudemos nossa estimativa da probabilidade de V .
DEFINIO Eventos independentes

Sejam A e B eventos de um espao amostral . Ento, A e B so independentes se
P(A|B) = P(A)
Curso de Estatstica
106

Essa definio tem algumas implicaes importantes.
A e B so independentes P(A B) = P(A) P(B).
Demonstrao
A, B independentes P(A|B) = P(A)
P(A B)
= P(A) P(A B) = P(A) P(B)
P(B)
P(A B) = P(A) P(B) = A e B so independentes.

Demonstrao
P(A B) = P(A) P(B) P(A|B) =
P(A B)
P(A) P(B)
=
= P(A) A, B independentes.
P(B)
P(B)
Provamos, ento, que A e B so independentes P(A B) = P(A) P(B). Esse resultado

nos permite estabelecer uma outra definio equivalente para a independncia de dois
eventos.
DEFINIO Eventos independentes

Sejam A e B eventos de um espao amostral . Ento, A e B so
independentes se
P(A B) = P(A) P(B)
Se A e B so independentes, ento B e A tambm o so (comutatividade).

Demonstrao
A, B independentes P(B|A) =
P(A) P(B)
P(B A)
=
= P(B) B, A independentes.
P(A)
P(A)
Se A e B so independentes A, B so independentes.
Demonstrao
P(AB) = P(B)P(AB) = P(B)P(A) P(B) = P(B)[1P(A)] = P(B) P(A) A, B independentes.
A e B independentes A, B independentes.
Demonstrao
Curso de Estatstica
107

P(A B) =
=
=
=
=
=
=
=
P(A B)
1 P(A B)
1 P(A) P(B) + P(A B)
1 P(A) P(B) + P(A) P(B)
[1 P(A)] P(B)[1 P(A)]
P(A) P(B) P(A)
P(A)[1 P(B)]
P(A) P(B) A, B independentes.
Se A e B so eventos possveis e independentes A B 6= .

Demonstrao
Por hiptese, temos que P(A) > 0 e P(B) > 0. Pela hiptese de independncia, P(A
B) = P(A) P(B) > 0 A B 6= .
Logo, se A e B so eventos possveis e independentes, ento A e B no so mutuamente
exclusivos.
Se A e B so eventos possveis tais que A B = A, B no so independentes.
Demonstrao
P(A|B) =
P(A B
= 0 6= P(A) A, B no so independentes.
P(B)
Logo, se A e B so eventos possveis e mutuamente exclusivos, ento A e B no so

independentes.
EXEMPLO 5.9 Previdncia, continuao
No Exemplo 5.2, analisamos os dados que sero apresentados na tabela a seguir,

referentes participao de funcionrios de uma empresa em planos de aposentadoria complementar:
Plano pessoal
Sim
No
Plano da Sim 200
200
0
100
Empresa No
Total
200
300
Total
400
100
500
Naquele exemplo, estudamos os eventos E = empregado tem o plano de aposentadoria complementar da empresa e P = empregado possui plano pessoal de aposentadoria
complementar. Vamos ver se esses eventos so independentes.
Curso de Estatstica
108

Soluo
Temos
2
4
P(E) =
5
5
2
6
=
P(P) P(E)
P(P E) =
5
P(P) =
Logo, os eventos P e E no so independentes. Outra forma de ver isso

P(E|P) =
200
4
= 1 6= P(E) =
200
5

5.3
Exerccios propostos
5.1 Num perodo de um ms, 100 pacientes sofrendo de determinada doena foram internados em um hospital. Informaes sobre o tipo de tratamento aplicado em cada paciente e
o resultado final obtido esto resumidas no quadro a seguir.
Tratamento
A
B
Cura total (T)
24
16
16
Resultado Cura parcial (P) 24
Morte (M)
12
8
Total
60
40
Total
40
40
20
100
Sorteia-se o registro de um desses pacientes. Sabendo-se que esse paciente recebeu o

tratamento A, qual a probabilidade de que tenha tido cura total?
5.2 Sejam A e B eventos de um espao amostral. Sabe-se que P(A) = 0, 3; P(B) = 0, 7
e P(A B) = 0, 21. Verifique se as seguintes afirmativas so verdadeiras. Justifique sua
resposta.
(a) A e B so mutuamente exclusivos;
(b) A e B so independentes;
(c) A e B so independentes;
(d) A e B so mutuamente exclusivos;
(e) A e A so independentes.
Curso de Estatstica
109

5.3 Dois dados equilibrados so lanados.
(a) Calcule a probabilidade de sair seis em pelo menos um dado.
(b) Sabendo-se que saram faces diferentes nos dois dados, determine a probabilidade de
sair seis em pelo menos um dado.
(c) Os eventos seis em pelo menos um dado e faces diferentes nos dois dados so independentes?
5.4 Na urna I h cinco bolas vermelhas, trs brancas e oito azuis. Na urna II h trs bolas
vermelhas e cinco brancas. Lana-se um dado equilibrado. Se sair trs ou seis, escolhe-se
uma bola da urna I; caso contrrio, escolhe-se uma bola da urna II. Calcule a probabilidade
de
(a) sair uma bola vermelha;
(b) sair uma bola branca;
(c) sair uma bola azul.
5.5 Sejam A e B dois eventos tais que P(A) = 0, 4 e P(A B) = 0, 7. Seja P(B) = p.
Determine o valor de p para que
(a) A e B sejam mutuamente exclusivos;
(b) A e B sejam independentes.
5.6 Sejam A e B eventos possveis de um mesmo espao amostral . Se P(A|B) = 1 verifique
a veracidade das seguintes afirmativas, justificando sua resposta.
(a) A e B so independentes.
(b) A e B so mutuamente exclusivos.
5.7 Sejam A, B, C eventos de um mesmo espao amostral. Sabe-se que
B um subconjunto de A;
A e C so independentes e
B e C so mutuamente exclusivos.
Curso de Estatstica
110

A probabilidade do complementar da unio dos eventos A e C 0,48; a probabilidade da
unio dos eventos B e C 0,3 e a probabilidade do evento C o dobro da probabilidade do
evento B. Calcule P(A B).
5.8 Uma comisso de dois estudantes deve ser sorteada de um grupo de 5 alunas e 3 alunos.
Sejam os eventos:
M1 = primeiro estudante sorteado mulher
M2 = segundo estudante sorteado mulher
(a) Construa um diagrama de rvore que represente o espao amostral deste experimento,
indicando as probabilidades.
(b) Calcule P(M1 ) e P(M2 ).
(c) Verifique se M1 e M2 so independentes.
5.9 Em um campeonato de natao, esto competindo trs estudantes: Alberto, Bosco e
Carlos. Alberto e Bosco tm a mesma probabilidade de ganhar, que o dobro da de Carlos
ganhar.
(a) Ache a probabilidade de que Bosco ou Carlos ganhe a competio.
(b) Que hiptese voc fez para resolver essa questo? Essa hiptese razovel?
5.10 Joga-se um dado duas vezes. Considere os seguintes eventos: A =resultado do
primeiro lanamento par e B =soma dos resultados par. A e B so independentes?
Justifique.
5.11 Um empreiteiro apresentou oramentos separados para a execuo da parte eltrica
e da parte hidrulica de um edifcio. Ele acha que a probabilidade de ganhar a concorrncia
da parte eltrica de 1/2. Caso ele ganhe a parte eltrica, a chance de ganhar a parte
hidrulica de 3/4; caso contrrio, essa probabilidade de 1/3. Qual a probabilidade de
ele:
(a) ganhar os dois contratos?
(b) ganhar apenas um?
(c) no ganhar qualquer contrato?
Curso de Estatstica
111
Captulo 6
Teorema da Probabilidade Total e
Teorema de Bayes
Neste captulo, voc estudar dois importantes teoremas da teoria das probabilidades e
ver suas aplicaes em diversas situaes envolvendo tomadas de deciso. Esses teoremas,
conhecidos como Teorema da Probabilidade Total e Teorema de Bayes, resultam diretamente
da definio de probabilidade condicional e das propriedades j vistas da probabilidade.
Sua apresentao ser feita, inicialmente, atravs de exemplos, para que voc compreenda
bem o contexto de sua aplicao. Em seguida, ser apresentada a formulao geral desses
teoremas.
6.1
Exemplos
EXEMPLO 6.1 Produo de duas mquinas

Em uma linha de produo de certa fbrica, determinada pea produzida em duas
mquinas. A mquina 1, mais antiga, responsvel por 35% da produo, e os 65% restantes vm da mquina 2. A partir dos dados passados e das informaes do fabricante das
mquinas, estima-se em 5% a proporo de peas defeituosas produzidas pela mquina 1 e
em 2,5% a proporo de peas defeituosas produzidas pela mquina 2. As peas produzidas
pelas duas mquinas seguem para o departamento de armazenamento e embalagem para
venda posterior, sem distino de qual mquina a produziu.
(a) Qual a proporo de peas defeituosas colocadas no mercado por essa fbrica?
(b) Se um cliente identificar uma pea defeituosa, qual ser a probabilidade de ela ter sido
produzida pela mquina 1?
Soluo
CAPTULO 6. TEOREMA DA PROBABILIDADE TOTAL E TEOREMA DE BAYES

(a) Na Figura 6.1, representa-se a situao em anlise. Nosso experimento aleatrio o
sorteio de uma pea produzida por essa fbrica, e nosso espao amostral, representado
pelo retngulo, o conjunto de todas as peas produzidas em determinado perodo.
Podemos ver que o espao amostral est dividido em 2 eventos mutuamente exclusivos:
M1 , peas produzidas pela mquina 1, e M2 , peas produzidas pela mquina 2. Mais
precisamente, = M1 M2 isso significa que M1 e M2 formam uma partio do espao
amostral1 . Outro evento de interesse D = pea defeituosa. Podemos ver que esse
evento tem interseo com os eventos M1 e M2 , ou seja, h peas defeituosas produzidas
na mquina 1 e na mquina 2.
Figura 6.1 Espao amostral para o Exemplo 6.1

Pelos dados do problema, temos uma estimativa a priori das propores de peas produzidas em cada mquina, ou seja, as probabilidades a priori dos eventos M1 e M2 so:
P(M1 ) = 0, 35
P(M2 ) = 0, 65
Sabemos, tambm, a proporo de peas defeituosas produzidas por cada mquina. Essa
proporo se traduz em uma probabilidade condicional: se a pea foi produzida pela
mquina 1, existe 5% de chance de ser defeituosa. Para a mquina 2, essa chance reduzse a 2,5%. Em termos de probabilidade, temos
P(D|M1 ) = 0, 05
P(D|M2 ) = 0, 025
Como M1 e M2 formam uma partio de , podemos escrever
D = (D M1 ) (D M2 )
Mas M1 e M2 so mutuamente exclusivos; logo, (D M1 ) (parte sombreada mais clara)
e (D M2 ) (parte sombreada mais escura) tambm o so. Assim, pelo Axioma 3 da
probabilidade, resulta que
P(D) = P [(D M1 ) (D M2 )]
= P(D M1 ) + P(D M2 )
1
A1 , A2 , , An formam uma partio do espao amostral se (i) Ai Aj = i 6= j; (ii)
Curso de Estatstica
n
S
i=1
Ai =
113

Pelo teorema da multiplicao, sabemos que P(A B) = P(A) P(B|A). Logo,
P(D) = P(M1 ) P(D|M1 ) + P(M2 ) P(D|M2 )
= 0, 35 0, 05 + 0, 65 0, 025 = 0, 03375
Observe que a probabilidade de uma pea ser defeituosa uma mdia ponderada das
probabilidades de defeito em cada mquina. Os pesos so definidos de acordo com o
nvel de produo (probabilidade) de cada mquina.
(b) Na segunda parte do exemplo, temos uma informao sobre a pea: ela defeituosa,
isto , sabemos que ocorreu o evento D. O que o problema pede que, com essa
informao, reavaliemos a probabilidade de a pea ter sido produzida pela mquina 1.
Essa probabilidade chamada de probabilidade a posteriori, ou seja, a probabilidade
que calculamos com base em informao parcial obtida depois de realizado o experimento
de sorteio e teste da pea. Em notao matemtica, temos de calcular P(M1 |D). Por
definio, temos
P(M1 D)
P(M1 |D) =
P(D)
Usando a regra da multiplicao e o resultado encontrado no item anterior, resulta
P(M1 |D) =
P(M1 ) P(D|M1 )
P(M1 )Pr(D|M1 ) + P(M2 ) P(D|M2 )
0, 35 0, 05
=
0, 35 0, 05 + 0, 65 0, 025
0, 0175
=
= 0, 5185
0, 03375
Compare os resultados:
Sem qualquer informao sobre o resultado do experimento, nossa estimativa para
a probabilidade de ocorrncia de M1 pea produzida pela mquina 1 era 0,35.
Com a informao de que a pea defeituosa, a probabilidade de ter sido produzida
pela mquina 1 aumenta para 0,5185.

EXEMPLO 6.2 Produo de trs mquinas
Considere novamente a situao do Exemplo 6.1, mas com a seguinte modificao:

as peas so produzidas em trs mquinas, que so responsveis por 30%, 35% e 35% da
produo, respectivamente. As propores de peas defeituosas produzidas por tais mquinas
so 5%, 2,5% e 2%.
(a) Qual a proporo de peas defeituosas produzidas na fbrica?
Curso de Estatstica
114

(b) Se um cliente identificar uma pea defeituosa, qual ser a probabilidade de ela ter sido
produzida na mquina 1? E na mquina 2? E na mquina 3?
Soluo
(a) O espao amostral desse experimento est ilustrado no diagrama de rvore da Figura
6.2.

Como j visto anteriormente, cada galho da rvore corresponde ao condicionamento do
evento aos eventos dos galhos anteriores. Assim, na parte superior da rvore, temos os
eventos D|M1 e D|M1 . Na parte do meio, temos os eventos D|M2 e D|M2 ; e na parte
inferior, D|M3 e D|M3 .
Os dados do problema do que
P(M1 ) = 0, 30
P(M2 ) = P(M3 ) = 0, 35
P(D|M1 ) = 0, 05
P(D|M2 ) = 0, 025
P(D|M3 ) = 0, 02
Como antes, M1 , M2 e M3 formam uma partio de e, portanto, podemos escrever

D = (D M1 ) (D M2 ) (D M3 )
Mas M1 , M2 e M3 so mutuamente exclusivos; logo, (D M1 ), (D M2 ) e (D M3 ) tambm
o so. Pelo Axioma 3 da probabilidade, resulta que
P(D) = P [(D M1 ) (D M2 ) (D M3 )]
= P(D M1 ) + P(D M2 ) + P(D M3 )
Pelo teorema da multiplicao, sabemos que
P(A B) = P(A) P(B|A).
Curso de Estatstica
115

Logo,
P(D) = P(M1 ) P(D|M1 ) + P(M2 ) P(D|M2 ) + P(M3 ) P(D|M3 )
= 0, 30 0, 05 + 0, 35 0, 025 + 0, 35 0, 02 = 0, 03075
Como antes, a probabilidade de uma pea ser defeituosa uma mdia ponderada das
probabilidades de defeito em cada mquina, com os pesos definidos de acordo com o
nvel de produo de cada mquina.
(b) Na segunda parte do exemplo, deseja-se saber P(M1 |D), P(M2 |D) e P(M3 |D). Por definio, temos
P(M1 D)
P(M1 |D) =
P(D)
Usando a regra da multiplicao e o resultado encontrado no item anterior, temos
P(M1 |D) =
P(M1 ) P(D|M1 )
P(M1 ) P(D|M1 ) + P(M2 ) P(D|M2 ) + P(M3 ) P(D|M3 )
0, 30 0, 05
=
0, 30 0, 05 + 0, 35 0, 025 + 0, 35 0, 02
0, 015
= 0, 487805
=
0, 03075
P(M2 |D) =
P(M2 ) P(D|M2 )
0, 35 0, 025
=
0, 30 0, 05 + 0, 35 0, 025 + 0, 35 0, 02
0, 00875
=
= 0, 284553
0, 03075
P(M3 |D) =
P(M3 ) P(D|M3 )
0, 35 0, 02
=
0, 30 0, 05 + 0, 35 0, 025 + 0, 35 0, 02
0, 007
=
= 0, 227642
0, 03075
Note que 0, 487805 + 0, 284553 + 0, 227642 = 1, 000000. Esse resultado imediato a

partir do fato de que P() = 1. Se a pea sorteada defeituosa, ela s pode ter vindo
de umas das trs mquinas.

EXEMPLO 6.3 Soro da verdade
Curso de Estatstica
116

Sabe-se que um soro da verdade, quando aplicado em um suspeito, 90% eficaz
quando a pessoa culpada e 99% eficaz quando inocente. Um suspeito retirado de um
grupo de pessoas em que 95% jamais cometeram qualquer crime.
(a) Qual a probabilidade de o soro dar a resposta certa?
(b) Se o soro indica culpado, qual a probabilidade de o suspeito ser inocente?
Soluo
(a) Vamos definir os seguintes eventos (veja a Figura 6.3):

C = suspeito culpado C = suspeito inocente
U = soro indica culpado U = soro indica inocente

Note que voc deve definir os eventos de acordo com a execuo do experimento. Ao se
aplicar um soro da verdade, a resposta ser culpado ou inocente e no soro acerta
ou soro erra. Errar ou acertar depender de o suspeito ser culpado ou inocente.
Os dados do problema nos do as seguintes probabilidades:
P(U|C ) = 0, 90
P(U|C ) = 0, 99
P(C ) = 0, 95
Usando o resultado sobre probabilidade do evento complementar, completamos as probabilidades necessrias:
P(U|C ) = 0, 90
P(U|C ) = 0, 99
P(C ) = 0, 95
Curso de Estatstica
P(U|C ) = 0, 10
P(U|C ) = 0, 01
P(C ) = 0, 05
117

A partio do espao amostral definida pelos eventos C e C , para os quais temos as
probabilidades a priori. Os eventos de interesse so U e U.
Seja o evento A = soro acerta o diagnstico. Note que o soro pode diagnosticar
corretamente se o suspeito culpado ou inocente, ou seja:

A = (C U) C U
Logo,
P(A) = P (C U) + P C U
= P(C ) P(U|C ) + P(C ) P(U|C )

= 0, 05 0, 90 + 0, 95 0, 99 = 0, 9855
(b) Queremos calcular P(C |U). Por definio, temos:
P(C |U) =
P(C U)
P (U)
O soro pode indicar culpado, sendo o suspeito culpado (acerto do diagnstico), ou inocente (erro no diagnstico), ou seja:

P (U) = P (U C ) + P U C

= P (U|C ) P(C ) + P U|C P(C )
= 0, 90 0, 05 + 0, 01 0, 95
= 0, 045 + 0, 0095 = 0, 0545

P U C = P U|C P(C ) = 0, 01 0, 95 = 0, 0095
Logo,
P(C |U) =
0, 0095
= 0, 1743
0, 0545

EXEMPLO 6.4 Trs moedas
Uma caixa contm trs moedas. A moeda 1 honesta, a moeda 2 tem duas caras e a
moeda 3 viciada de tal modo que cara duas vezes mais provvel que coroa. Uma moeda
escolhida ao acaso e lanada.
(a) Qual a probabilidade de observarmos cara e moeda 1?
(b) Qual a probabilidade de observarmos cara?
Curso de Estatstica
118

(c) Se o resultado foi cara, qual a probabilidade de que a moeda lanada tenha sido a moeda
1?
Soluo
Vamos definir os eventos
K = cara
C = coroa
M1 = moeda 1 M2 = moeda 2 M3 = moeda 3
dado que
P(K |M1 ) =
1
2
P(K |M2 ) = 1
Para a moeda 3, como a probabilidade de cara duas vezes a probabilidade de coroa

e a soma dessas probabilidades tem de ser 1, resulta que
P(K |M3 ) =
2
3
Como a moeda lanada escolhida aleatoriamente, temos

P(M1 ) = P(M2 ) = P(M3 ) =
1
3
Veja a Figura 6.4:
(a) Aqui a soluo consequncia direta da regra de multiplicao:

P (K M1 ) = P (M1 ) P (K |M1 ) =
Curso de Estatstica
1 1
1
=
3 2
6
119

(b) Os eventos que formam a partio do espao amostral so M1 , M2 e M3 . Logo,
P (K ) = P (K M1 ) + P (K M2 ) + P (K M3 )
= P (M1 ) P (K |M1 ) + P (M2 ) P (K |M2 ) + P (M3 ) P (K |M3 )

1
1
2
1 13
13
=
+1+
=
=
3
2
3
3
6
18
(c) O problema pede
P (M1 ) P (K |M1 )
P (K M1 )
=
=
P (M1 |K ) =
P (K )
P (K )
1
6
13
18
3
13

EXEMPLO 6.5 Deciso gerencial
Um gerente de banco tem de decidir se concede ou no emprstimo aos clientes que

o solicitam. Ele analisa diversos dados para estudar a possibilidade de o cliente vir a ficar
inadimplente. Com base em dados passados, ele estima em 15% a taxa de inadimplncia.
Dentre os inadimplentes, ele tem 80% de chance de tomar a deciso certa, enquanto essa
chance aumenta para 90% entre os clientes adimplentes. Esse gerente acaba de recusar um
emprstimo. Qual a probabilidade de ele ter tomado a deciso correta?
Soluo
Os fatos envolvidos nesse processo decisrio so: cliente inadimplente ou no e
gerente concede ou no o emprstimo. Vamos definir os seguintes eventos:
I = cliente inadimplente
C = gerente concede emprstimo
Usaremos a notao de evento complementar para definir
I = cliente adimplente
C = gerente no concede emprstimo
Note que temos duas possibilidades de acerto e duas possibilidades de erro. Os acertos
so cliente inadimplente e gerente no concede o emprstimo e cliente adimplente e
gerente concede o emprstimo. Os erros so: cliente inadimplente e gerente concede o
emprstimo e cliente adimplente e gerente no concede o emprstimo.
A rvore que representa o espao amostral dada na Figura 6.5.
Curso de Estatstica
120

As probabilidades dadas so
P(I) = 0, 15 P(C |I) = 0, 80 P(C |I) = 0, 90
Pela lei do complementar, temos
P(I) = 0, 85 P(C |I) = 0, 20 P(C |I) = 0, 10
Com relao ao que o problema pede, temos que, dado que o gerente recusou o emprstimo, a deciso s ser certa se o cliente for inadimplente. Logo, temos de calcular
P(I|C ) =
P(I C )
P(C )
Mas o gerente pode recusar o emprstimo sendo o cliente inadimplente ou no, ou seja,
P(C ) = P(C I) + P(C I)
= P(I) P(C |I) + P(I) P(C |I)
= 0, 15 0, 80 + 0, 85 0, 10 = 0, 205
Logo,
P(I C )
P(C )
P(I) P(C |I)
=
P(I) P(C |I) + P(I) P(C |I)
0, 15 0, 80
=
= 0, 5854
0, 205
P(I|C ) =
6.2
Os teoremas
Considere a Figura 6.6, onde A1 , A2 , . . . , An uma partio do espao amostral e B um

evento qualquer em .
Curso de Estatstica
121
A2
A1
A3
B
A6
A4
A7
A8
A9
A5
Figura 6.6 Partio do espao amostral

Como a unio de todos os Ai s o espao amostral, segue que
B = (A1 B) (A2 B) (An B) .
O fato de alguns desses termos serem o conjunto vazio (por exemplo, B A4 = )
no invalida o resultado, uma vez que A = A. Por definio de partio, os Ai s so
mutuamente exclusivos dois a dois; logo, os eventos Ai B tambm o so. Ento, pela lei da
probabilidade de eventos disjuntos, podemos escrever
P (B) = P [(A1 B) (A2 B) (An B)] =
= P (A1 B) + P (A2 B) + + P (An B)
e a regra da multiplicao fornece
P(B) = P(A1 ) P(B|A1 ) + P(A2 ) P(B|A2 ) + + P(An ) P(B|An )
Esse resultado conhecido como Teorema da probabilidade total.
Teorema da Probabilidade Total
Seja A1 , A2 , . . . , An uma partio do espao amostral e seja B um evento

qualquer em . Ento,
n
X
P (Ai ) P (B|Ai )
P(B) =
i=1
Como visto, a probabilidade P(Ai ) denominada probabilidade a priori do evento Ai .

Continuando no contexto da Figura 6.6, suponhamos agora que B tenha ocorrido. Vamos
Curso de Estatstica
122

usar essa informao para calcular a probabilidade a posteriori do evento Ai , ou seja, vamos
calcular P(Ai |B). Por definio, temos
P (Ai |B) =
P (Ai B)
P(B)
Usando a regra da multiplicao e o teorema da probabilidade total, resulta que

P (Ai ) P (B|Ai )
P (Ai |B) = P
n

P Aj P B|Aj
j=1
Esse resultado conhecido como Teorema de Bayes.
Teorema de Bayes
Seja A1 , A2 , . . . , An uma partio do espao amostral e seja B um evento

qualquer em . Ento
P (Ai ) P (B|Ai )
P (Ai |B) = P
n

P Aj P B|Aj
j=1
importante que, na resoluo de exerccios e tambm na aplicao prtica desses

teoremas, voc identifique os eventos de interesse, os que definem a partio do espao
amostral e quais so as probabilidades a priori. Em geral, so essas probabilidades que
identificam a partio de . Vamos considerar mais um exemplo para ilustrar esses pontos.
EXEMPLO 6.6 Alunos e carros
Em uma turma de Administrao, 65% dos alunos so do sexo masculino. Sabe-se

que 30% dos alunos tm carro, enquanto essa proporo entre as alunas se reduz para 18%.
Sorteia-se ao acaso um estudante dessa turma usando o seu nmero de matrcula e constatase que ele possui um carro. Qual a probabilidade de que o estudante sorteado seja do
sexo feminino?
Soluo
Os eventos em questo envolvem o sexo do aluno e a posse de um carro. Vamos definir
os eventos de interesse da seguinte forma:
Curso de Estatstica
123

H = homem
M = mulher
C = possui carro C = no possui carro
Note que H e M definem uma partio do espao amostral, assim como C e C . No
entanto, as probabilidades a priori dadas referem-se a H e M (o fato de ter, ou no, carro,
no altera o sexo do aluno). Assim, a partio de ser definida em termos desses eventos.
Os dados do problema fornecem que
P(H) = 0, 65
P(C |H) = 0, 30
P(C |M) = 0, 18
P(M) = 0, 35
P(C |H) = 0, 70
P(C |M) = 0, 82
O problema pede P(M|C ), e para calcular essa probabilidade, temos de calcular P(C ). Pelo
teorema da probabilidade total, sabemos que
P(C ) = P(C M) + P(C H)
= P(M) P(C |M) + P(H) P(C |H)
= 0, 35 0, 18 + 0, 65 0, 30 = 0, 518
Logo,
P(M) P(C |M)
P(C M)
=
P(C )
P(C )
0, 35 0, 18
= 0, 12162
=
0, 518
P(M|C ) =

6.3
Exerccios propostos
6.1 O Ministrio da Economia da Espanha acredita que a probabilidade de a inflao ficar

abaixo de 3% este ano de 0,20; entre 3% e 4% de 0,45 e acima de 4% de 0,35. O
Ministrio acredita que, com inflao abaixo de 3%, a probabilidade de se criar mais 200.000
empregos de 0,6, diminuindo essa probabilidade para 0,3 caso a inflao fique entre 3% e
4%; no entanto, com inflao acima de 4%, isso totalmente impossvel.
(a) Qual a probabilidade de se criarem 200.000 empregos nesse ano?
(b) No ano seguinte, um economista estrangeiro constata que foram criados 200.000 empregos novos. Qual a probabilidade de a inflao ter ficado abaixo de 3%?
Curso de Estatstica
124

6.2 Na urna I h cinco bolas vermelhas, trs brancas e oito azuis. Na urna II h trs bolas
vermelhas e cinco brancas. Lana-se um dado equilibrado. Se sair trs ou seis, escolhe-se
uma bola da urna I; caso contrrio, escolhe-se uma bola da urna II. Calcule a probabilidade
de
(a) sair uma bola vermelha;
(b) sair uma bola branca;
(c) sair uma bola azul;
(d) ter sido sorteada a urna I, sabendo-se que a bola retirada vermelha.
6.3 Joana quer enviar uma carta a Camila. A probabilidade de que Joana escreva a carta
9
A probabilidade de que o correio no a perca 10
. A probabilidade de que o carteiro a
9
entregue tambm 10 .
8
.
10
(a) Construa o diagrama de rvore representando o espao amostral deste problema.

(b) Calcule a probabilidade de Camila no receber a carta.
(c) Dado que Camila no recebeu a carta, qual a probabilidade de que Joana no a tenha
escrito?
6.4 Solicita-se a dois estudantes, Maria e Pedro, que resolvam determinado problema. Eles
trabalham na soluo do mesmo independentemente, e tm, respectivamente, probabilidade
0,8 e 0,7 de resolv-lo.
(a) Qual a probabilidade de que nenhum deles resolva o problema?
(b) Qual a probabilidade de o problema ser resolvido?
(c) Dado que o problema foi resolvido, qual a probabilidade de que tenha sido resolvido
apenas por Pedro?
6.5 Um aluno responde a uma questo de mltipla escolha com quatro alternativas, com
uma s correta. A probabilidade de que ele saiba a resposta certa da questo de 30%.
Se ele no sabe a resposta, existe a possibilidade de ele acertar no chute. No existe a
possibilidade de ele obter a resposta certa por cola.
(a) Qual a probabilidade de ele acertar a questo?
(b) Se o aluno acertou a questo, qual a probabilidade de ele ter chutado a resposta?
Curso de Estatstica
125

Teoria Das Probabilidades I

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Teoria Das Probabilidades I

Caricato da

Copyright:

Formati disponibili

Universidade Federal Fluminense

Instituto de Matemtica e Estatstica

GET00142 Teoria das Probabilidades I

Ana Maria Lima de Farias

1 Probabilidade - Conceitos Bsicos

Experimento aleatrio, espao amostral e evento . . . . . . . . . . . . . . . . . .

Operaes com eventos aleatrios . . . . . . . . . . . . . . . . . . . . . . . . . . .

Propriedades das operaes . . . . . . . . . . . . . . . . . . . . . . . . . .

2 Princpio da Induo Matemtica

Soma dos n primeiros nmeros naturais . . . . . . . . . . . . . . . . . . .

Soma dos produtos de dois naturais consecutivos . . . . . . . . . . . . .

Soma dos quadrados dos n primeiros nmeros naturais . . . . . . . . .

Soma dos n primeiros mpares positivos . . . . . . . . . . . . . . . . . . .

Soma dos cubos de trs nmeros naturais consecutivos . . . . . . . . .

Definio por recorrncia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Princpio Fundamental da Adio . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Princpio Fundamental da Multiplicao . . . . . . . . . . . . . . . . . . . . . . .

Tringulo de Pascal e Binmio de Newton . . . . . . . . . . . . . . . . . . . . . .

Permutaes de objetos no todos distintos . . . . . . . . . . . . . . . . . . . . .

Solues inteiras de equaes lineares . . . . . . . . . . . . . . . . . . . . . . . .

3.10 Combinaes com repetio ou combinaes completas . . . . . . . . . . . . . .

3.11 Exerccios propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4 Probabilidade: axiomas e propriedades

Definio axiomtica de probabilidade . . . . . . . . . . . . . . . . . . . . . . . .

Espaos amostrais finitos e equiprovveis . . . . . . . . . . . . . . . . . . . . . .

5 Probabilidade condicional e independncia de eventos

Regra da multiplicao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100

Independncia de eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106

Exerccios propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109

6 Teorema da Probabilidade Total e Teorema de Bayes

Exerccios propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124

Experimento aleatrio, espao amostral e evento

Consideremos o lanamento de um dado. Queremos estudar a proporo de ocorrncias das

CAPTULO 1. PROBABILIDADE - CONCEITOS BSICOS

Nesses exemplos, vemos que a especificao de um modelo probabilstico para um

Um experimento aleatrio um processo que acusa variabilidade em seus resultados, isto

O espao amostral de um experimento aleatrio o conjunto de todos os resultados possveis

Os subconjuntos de so chamados eventos aleatrios e os elementos de so chamados

CAPTULO 1. PROBABILIDADE - CONCEITOS BSICOS

Consideremos o experimento aleatrio lanamento de um dado. O espao amostral

Uma urna contm 4 bolas, das quais 2 so brancas (numeradas de 1 a 2) e 2 so pretas

CAPTULO 1. PROBABILIDADE - CONCEITOS BSICOS

a primeira bola branca;

todas as cartas selecionadas so vermelhas;

CAPTULO 1. PROBABILIDADE - CONCEITOS BSICOS

(V , A, P), (V , P, A), (A, V , P), (A, P, V ), (P, V , A), (P, A, V ),

(V , A, B), (V , B, A), (A, V , B), (A, B, V ), (B, V , A), (B, A, V ),

Operaes com eventos aleatrios

O evento interseo de dois eventos A e B o evento que equivale ocorrncia simultnea

Figura 1.1 Interseo de dois eventos: A B

EXEMPLO 1.7 Lanamento de dois dados - continuao

CAPTULO 1. PROBABILIDADE - CONCEITOS BSICOS

Figura 1.2 Eventos mutuamente exclusivos: A B =

Consideremos novamente o experimento lanamento de dois dados e sejam os eventos

A unio de dois eventos A e B o evento que corresponde ocorrncia de pelo menos

EXEMPLO 1.9 Lanamento de duas moedas

CAPTULO 1. PROBABILIDADE - CONCEITOS BSICOS

Figura 1.3 Unio de dois eventos: A B

Figura 1.4 Complementar do evento A = A

EXEMPLO 1.10 Lanamento de um dado

CAPTULO 1. PROBABILIDADE - CONCEITOS BSICOS

A diferena entre dois eventos A e B, representada por A \ B, o evento formado pelos

Figura 1.5 Diferena A \ B