# Definição 14: Probabilidade Condicional

Seja A um evento de  e seja P(A) > 0. A probabilidade de um evento B ocorrer dado

que A ocorreu, é dita probabilidade condicional, sendo expressa por:

P(A ∩ B)
P(A|B) =
P(B)
Exemplo:
Dois dados honestos são lançados, registrando-se o par de resultados como (x1, x2), onde
xi é o resultado do i-ésimo dado, i = 1, 2. Considere os seguintes eventos: A = {(x1, x2)/ x1
+ x2 = 10} e B = {(x1, x2)/ x1 > x2}. Determine: P(A), P(B), P(A ∩ B), P(A/B) e P(B/A).

Solução:
Definição do espaço Amostral  = {(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)}
A = {(5,5); (4,6); (6,4)}
B = {(2,1); (3,1); (3,2); (4,1); (4,2); (4,3); (5,1); (5,2); 5,3); (5,4); (6,1); (6,2); (6,3); (6,4);(6,5)
A ∩ B = {(6,4)}

Note que: #n() = 36; #n(A) = 3; #n(B) = 15; e #n(A ∩ B) = 1

Portanto, P(A) = 3/36; P(B) = 15/36; e P(A ∩ B) = 1/36
Daí,
P(A ∩ B) 1/36 1
P(A|B) = = = ou 6,67%
P(B) 15/36 15
Similarmente
P(A ∩ B) 1/36 1
P(B|A) = = = ou 33,33%
P(A) 3/36 3

Representando, assim, as probabilidades de ocorrência de cada evento (A,B), a

probabilidade de ambos os eventos acontecerem (A ∩ B) e, por fim, a probabilidade do evento
A acontecer dado que B já aconteceu P(A|B) e a probabilidade de B acontecer dado que o
evento A já aconteceu.
Uma outra forma de visualizar a probabilidade condicional é adotar a árvore de
probabilidades (ou Diagrama de Árvore). Para facilitar a compreensão atente aos exemplos:

Exemplo:
No trabalho de Joaquim é obrigatório o uso de gravatas.
Como Joaquim é um rapaz de vida social ativa além do
escritório e adota gravatas em seu cotidiano, possui uma
gaveta para suas gravatas, nas mais diversas cores. Para
facilitar, a gaveta está dividida em gravatas na cor Azul (A)
e outras cores (B). Sabendo que Joaquim terá uma reunião
no trabalho e um jantar formal na sexta feira e que não
convém repetir a gravata, qual a probabilidade de que ele
selecione, simultaneamente, uma gravata azul e outra
preta? Tome como base a gaveta abaixo:

17 | Profa. Vanessa (Probabilidade I)

Solução:
Incialmente, note que existem 10 gravatas na gaveta de Joaquim, em que 04 são azuis e 06
não são, logo teremos o diagrama baseado nas escolhas por dia:

Figura 2 - Diagrama de Árvore para seleções de gravata de Joaquim em Aracaju,

Outubro de 2020.

Entendendo os galhos do diagrama:

Para a reunião e para o jantar, Joaquim pode escolher gravatas na cor azul ou não azul.
Gerando 04 cenários distintos

1. Joaquim fez uso de 02 gravatas azuis

P(A ∩ A) = P(A) . P(A|A)
em que:
A = Gravata Azul e B = Gravata de outra cor
A ∩ A = Ambas gravatas Azuis
A|A = Gravata Azul a noite baseada na escolha de gravata azul para a reunião de trabalho
(dependência)

2. Joaquim fez uso de 01 gravata azul para a reunião e outra cor no jantar:
P(A ∩ B) = P(A) . P(B|A)
B|A = Gravata não azul no jantar sabendo que usou gravata azul na reunião
(dependência)

3. Joaquim usou 01 gravata não azul na reunião e azul no jantar: P(B ∩ A) = P(B) .
P(A|B)
A|B = Gravata não azul no jantar dado que usou gravata azul na reunião (dependência)

4. Joaquim usou 01 gravata não azul na reunião e no jantar: P(B ∩ B) = P(B) . P(B|B)
B|B = Gravata não azul no jantar tendo conhecimento que usou gravata não azul na
reunião (dependência)

Numericamente,
P(A) = 4/10 P(B) = 6/10
P(A|A) = 3/9 P(A|B) = 24/90 P(B|A) = 24/90 P(B|B) = 30/90

P(A ∩ A) = P(A) . P(A|A) = 4/10 x 3/9 = 12/90

P(A ∩ B) = P(B) . P(A|B) = 6/10 x 4/9 = 24/90
P(B ∩ A) = P(A) . P(B|A) = 4/10 x 6/9 = 24/90
P(B ∩ B) = P(A) . P(B|B) = 6/10 x 5/9 = 30/90

Por fim,
A probabilidade de que Joaquim selecione uma gravata azul e outra preta, respectivamente,
corresponde a P(A ∩ B) = 24/90 ou 4/15 ou 0,2667 ou 26,67%.

18 | Profa. Vanessa (Probabilidade I)

Exemplo:
Ana e Rosa são apaixonadas por bombons e seus pais resolvem presenteá-las com uma
caixa de contendo nove bombons: três de chocolate branco, três de chocolate ao leite e três
de chocolate amargo. Ana não gosta de chocolate ao leite e Rosa não gosta de chocolate
amargo então para que uma não coma um chocolate branco a mais que a outra elas
resolvem colocar uma venda e selecionar um chocolate, simultaneamente. Se alguma retirar
o branco comerá dois deles e a outra só um. Com base no que foi dito, construa o espaço
amostral.

Solução:
Sabendo que Ana e Rosa estão “brigando” pelo chocolate branco, especificamente, o
chocolate ao leite ou amargo não importam, sendo assim, definamos os eventos:
B: O chocolate é branco (sucesso) e B = O chocolate não é branco (fracasso)
Para descrever as possíveis seleções por tipo de bombom, vamos aproveitar para entender
a diferença entre P(B), P(B|B) e P(B ∩ B) com o auxílio do diagrama de árvore a seguir:

Figura 2 – Diagrama de Árvore para duas retiradas de bombons em uma caixa de

presentes em dezembro.

19 | Profa. Vanessa (Probabilidade I)

 TEOREMA DA MULTIPLICAÇÃO
Indiretamente apresentado nos exemplos acima, o teorema da multiplicação é uma reescrita
da probabilidade condicional, uma vez que o tiramos de sua definição. Sejam A   e B 
, então
P(A ∩ B)
P(A|B) =
P(B)
pode ser reescrita como
P(A ∩ B) = P(B) . P(A|B)

Definindo, assim o teorema da multiplicação. Note que em (1) nosso interesse está no
resultado de um experimento realizado uma única vez, condicionado ao resultado conhecido
deste mesmo experimento realizado anteriormente, já no (2) o nosso interesse está no
resultado gerado a partir da realização consecutiva de um experimento. O experimento pode
ser realizado duas, três ou mais vezes generalizando (2), ou seja:

P(A ∩ B ∩ C) = P(B) x P(A|B) x P(C|A ∩ B)

P(A ∩ B ∩ C ∩ D) = P(B) x P(A|B) x P(C|A ∩ B) x P(D|A ∩ B ∩ C)

P(A1 ∩ A2 … ∩ An) = P(A1) x P(A2|A1) x P(A3|A1 ∩ A2) x … x P(An) x P(A1 ∩ A2 ∩ … ∩ An-1)

OBS: O Teorema da Multiplicação também é conhecido como Teorema do Produto.

Duas bolas vão ser retiradas de uma urna que contém 02 bolas brancas, 03 pretas e 04
verdes. Qual a probabilidade de que ambas
a) sejam verdes? R. 1/6
b) sejam da mesma cor? R. 5/18

20 | Profa. Vanessa (Probabilidade I)

 Aula 17
# Definição 15: Partição do Espaço Amostral

Os eventos P1, P2, ..., Pk formam uma partição do espaço amostral, se eles não têm
intersecção entre si e sua união é igual ao espaço amostral, ou seja,

i) Pi ∩ Pj = ø, para i ≠ j;
ii) Pi = 

A Figura a seguir dá uma ideia de uma partição sendo A o evento/característica de interesse,

em que Fi = partição (parte); i = 1, 2, ..., k (total de partes).

Para exemplificar, observe a imagem abaixo:

em que,
i = 6 (partes, nesse caso fatias)
A = a pizza possui queijo (característica
comum a todas as partições/partes)

# Definição 16: Teorema de Bayes

Dar um palpite sobre que face da moeda vai cair para cima ou se vai chover amanhã sempre
fez parte de nossas vidas. Essencialmente o que a proposta deste teorema traz de inovador
é o caráter subjetivo na previsão de um evento, ou seja, a opinião do pesquisador que
manipula os números entra de modo significativo nos cálculos. Essa opinião é baseada na
quantidade de informação que se tem nas mãos sobre as condições de ocorrer tal evento.
Então, usando esse método na previsão das chances de um time A vencer um time B, deve-
se levar em conta as informações que se tem sobre resultados anteriores a essa disputa,
como quantas vezes A venceu B, e as experiências e opiniões de especialistas sobre esse
jogo, o campeonato e os jogadores.

21 | Profa. Vanessa (Probabilidade I)

Em termos numéricos, sejam A1, A2, ..., An eventos que formam uma partição de e seja B
. Sejam conhecidas P(Ai) e P(B/Ai), i = 1, 2, ..., n. Então,

P(Aj ) x P(A|B)
P(Aj |B) =
∑ki= 1 P(Ai ) x P(A|B)

Exemplo:
Suponha que um fabricante de sorvetes recebe 20% de todo o leite que utiliza de uma
fazenda F1, 30% de uma outra fazenda F2 e 50% de F3. Um órgão de fiscalização inspecionou
as fazendas de surpresa e observou que 20%. Do leite produzido por F1 estava adulterado
por adição de água, enquanto que para F2 e F3, essa proporção era de 5% e 2%,
respectivamente. Na indústria de sorvetes os galões de leite são armazenados em um
refrigerador sem identificação das fazendas. Para um galão escolhido ao acaso, qual a
probabilidade de que a amostra adulterada tenha sido obtida do leite fornecido pela fazenda
F1 ?

Solução:
Inicialmente denote o evento A: o leite está adulterado. Assim,
P(A|F1) = 0,20 P(A|F2) = 0,05 P(A|F3) = 0,02
Além disso, F1, F2 e F3 formam uma partição do espaço amostral, pois uma dada amostra
vem, necessariamente, de uma e apenas uma das três fazendas. Desta forma, o evento A
pode ser escrito em termos de intersecções de A com os eventos F1, F2 e F3, conforme ilustra
a figura a seguir:

Em que,
A = (A ∩ F1) U (A ∩ F2) U (A ∩ F3)
Sabemos também que
P(F1) = 2% P(F2) = 5% P(F3) = 3%
Daí,
P(F1 ∩ A) P(F1)P(A|F1)
P(F1|A) = =
P(A) P(A)P(A|F1) + P(A)P(A|F2) + P(A)P(A|F3)

0,2 ∙ 0,2 0,04

P(F1|A) = = = 0,615
0,2 ∙ 0,2 + 0,05 ∙ 0,3 + 0,02 ∙ 0,5 0,065

Assim, existe 61,5% de chance da amostra adulterada ter sido fornecida pela Fazenda 1
(F1).

Em uma sala de aula composta por 80 alunos 34 alunos são do sexo feminino e 46 são do
sexo masculino, em que metade das mulheres e 1/4 dos homens usam óculos,
respectivamente. Ao escolher um aluno ao acaso, qual a probabilidade de que ele seja do
sexo masculino dado que ele usa óculos?

As maquinas A e B são responsáveis por 60% e 40% da produção de uma empresa,

respectivamente. Os índices de peças defeituosas na produção destas máquinas valem 3%
e 7%, respectivamente. Se uma peça defeituosa foi selecionada da produção desta empresa,
qual é a probabilidade de que tenha sido produzida pela máquina B.

22 | Profa. Vanessa (Probabilidade I)

 Variáveis Aleatórias
Em muitos experimentos, é mais fácil lidar com uma variável condensada do que que
com os elementos que compõem o evento aleatório. Por exemplo, em uma pesquisa de
opinião, podemos optar por perguntar a 50 pessoas se elas concordam ou discordam com
uma determinada questão. Se atribuirmos “1” para concorda e “0” para discorda, o espaço
amostral para este experimento tem 250 elementos, cada um deles sendo uma sequência
de 1’s e 0’s de tamanho 50.
Em outras palavras é, muitas vezes, mais interessante associarmos um número a um
evento aleatório e calcularmos a probabilidade da ocorrência desse número do que a
probabilidade do evento na íntegra, sendo assim, a variável aleatória fornece um meio de
descrever resultados experimentais usando-se valores numéricos.

Exemplos:
a) Número de coroas obtido no lançamento de 2 moedas;
b) Número de defeitos em uma caneca que sai da linha de produção;
d) Número de pessoas que visitam um determinado site, num certo período de tempo;
e) Volume de água perdido por dia, num sistema de abastecimento;
f) Resistência ao desgaste de um certo tipo de aço, num teste padrão;
g) Tempo de resposta de um sistema computacional;
h) Grau de empeno em um azulejo que sai da linha de produção.

# Definição 17: Variável Aleatória (v.a)

É a função que associa um único número real a cada possível resultado do experimento
aleatório.

Exemplo 1:
Lançam-se 03 moedas. Seja X: número de ocorrências da face cara. Determinar a
distribuição de probabilidade da variável aleatória X.

Solução:
O espaço amostral do experimento é:

w1 w2 w3 w4

= {(Cara,Cara,Cara);(Cara,Cara,Coroa);(Cara,Coroa,Cara);(Coroa,Cara,Cara);
(Cara,Coroa,Coroa);(Coroa,Cara,Coroa);(Coroa,Coroa,Cara); Coroa,Coroa,Coroa)}
w5 w6 w7 w8

E sabemos que X é o número de faces caras, assim, X = {0,1,2,3}

É possível associar o número de ocorrências de cada resultado do evento como segue:

X Evento correspondente #n(X)
0 A1 = {(Coroa, Coroa, Coroa)} 1
1 A2 = {(Cara, Coroa, Coroa); (Coroa, Cara, Coroa); (Coroa, Coroa, 3
Cara)}
2 A3 = {(Cara, Cara, Coroa); (Cara, Coroa, Cara); (Coroa, Cara, Cara)} 3
3 A4 = {(Cara, Cara, Cara)} 1
Total 8

23 | Profa. Vanessa (Probabilidade I)

Em termos matemáticos, observe que foi feito o seguinte tipo de associação:

para o Exemplo 1:

Podemos também associar as probabilidades de X assumir tais valores de duas formas

diferentes:
1. Esquematicamente ou 2. Graficamente

X #n(X) P(X = x)
0 1 1/8
1 3 3/8
2 3 3/8
3 1 1/8
Total 8 1

Uma variável aleatória pode ser classificada como discreta ou contínua, a depender dos
valores numéricos que ela pode assumir, no entanto, nesta disciplina, nos limitaremos ao
caso discreto.

#Definição 18: Variável Aleatória Discreta

Uma variável aleatória é dita discreta se pertence a um conjunto finito ou infinito, porém
enumerável/contável, de possíveis resultados a serem listados. Seja X uma variável
aleatória, desde que os possíveis valores de X possam ser organizados em lista como x1,
x2,… no caso finito, a lista possui um valor final xn, ou seja, x1,x2,…, xn serão os elementos
que compõem X e no caso infinito, a lista continua indefinidamente, x1,x2,….

#Definição 19: Função de Probabilidade

É a função que associa uma probabilidade a cada valor assumido pela variável aleatória
do evento correspondente, isto é,

P(X = xi) = P(xi); i = 1,2, ..., n

Ou ainda,
X x1 x2 x3 ...
P(X = xi) p1 p2 p3 ...

Uma função é dita de probabilidade se, e só se, satisfizer as duas condições:

n
i. 0 ≤ P(X= xi ) ≤ 1; ii. P(X=xi )
i=1

24 | Profa. Vanessa (Probabilidade I)

Exemplo:
Suponha que um dado possui 10 faces. Seja X: Número de possíveis divisores da face sorteada.
Construa a função de probabilidade para a variável aleatória X.

Solução:
Sabe-se que  = {1,2,3,4,5,6,7,8,9,10} e X: Número de divisores do número
sorteado. Sendo assim

X 1 2 3 4 Total
P(X = xi) 1/10 4/10 2/10 3/10 1

#Definição 20: Função de Distribuição de Probabilidade

A função de distribuição ou função acumulada de probabilidade de uma variável aleatória
discreta X é definida para qualquer número real x, pela seguinte expressão:

F(x) = P(X ≤ x)

A notação {X = x} é usada para designar o conjunto {w  : X(w) ≤ x}, isto é, denota a

imagem inversa do intervalo (– ∞, x] pela variável aleatória X. Com isso, podemos observar
que a função de distribuição acumulada F tem como domínio os números reais e imagem
o intervalo [0,1].
O conhecimento da função de distribuição acumulada é suficiente para entendermos o
comportamento de uma variável aleatória. Mesmo que a variável assuma valores apenas
num subconjunto dos reais, a função de distribuição é definida em toda a reta. Ela é
chamada de função de distribuição acumulada, pois acumula as probabilidades dos
valores inferiores ou iguais a x.

Na matemática, FUNÇÃO é a relação entre dois conjuntos A e B, em que, para todo

elemento do conjunto A, existe um único correspondente no conjunto B, ou seja,

Perceba que na função os valores do conjunto A,

conhecido como domínio, são relacionados aos seus
correspondentes no conjunto B, conhecido como
contradomínio. Por fim, a imagem da função é um
subconjunto do contradomínio formado por todos os
elementos correspondentes de algum elemento do
domínio.

25 | Profa. Vanessa (Probabilidade I)

Considerando o Exemplo 1. Vamos encontrar a função distribuição acumulada de :
"número de caras obtidas nos três lançamentos".
Os valores que X pode assumir são 0, 1, 2 e 3. Portanto,

1 1 1 1
P(X= 0) = P(k, k, k) = × × =
2 2 2 8
1 1 1 3
P(X = 1) = P(c, k, k) + P(k, c, k) + P(k, k, c) = 3 × × × =
2 2 2 8
1 1 1 3
P(X = 2) = P(c, c, k) + P(k, c, c) + P(c, k, c) = 3 × × × =
2 2 2 8
1 1 1 1
P(X = 3) = P(c, c, c) = × × =
2 2 2 8

Assim temos que a função de distribuição acumulada de é dada por

Exemplo:
Suponha que um número seja sorteado de 1 a 10, inteiros positivos. Seja X: Número de
divisores do número sorteado. Construa a distribuição de probabilidade acumulada para
a variável aleatória X.

Solução:
Sabe-se que = {1,2,3,4,5,6,7,8,9,10} e X: Número de divisores do número sorteado.
Assim,
X 1 2 3 4 Total
P(X = xi) 1/10 4/10 2/10 3/10 1
P(X ≤ x) 1/10 5/10 7/10 1 -

Uma população de 1000 crianças foi analisada num estudo para determinar a efetividade
de uma vacina contra certo tipo de alergia. No estudo, as crianças receberam uma dose de
vacina e após um mês passavam por um novo teste. Caso ainda tivessem tido alguma
reação alérgica, recebiam outra dose da vacina. Ao fim de cinco doses todas as crianças
foram consideradas imunizadas. Os resultados completos estão na tabela a seguir:

Doses 1 2 3 4 5 Total
Frequência 245 288 256 145 66

Supondo que uma criança dessa população é sorteada ao acaso, qual será a probabilidade
dela ter recebido 2 doses?

26 | Profa. Vanessa (Probabilidade I)

 Esperança e Variância de uma Variável Aleatória
Existem características numéricas que são muito importantes em uma distribuição
de probabilidades de uma variável aleatória, são os parâmetros das distribuições, definidos
a seguir:

#Definição 21: Esperança Matemática

É um número real, também chamada média aritmética da variável aleatória, cuja definição
formal é dada abaixo:
n
E(X) = xi ∙ P(X = xi ) , ∀ xi
i=1

 PROPRIEDADES:
i. E(k) = k;
ii. E(k . X) = k . E(X);
iii. E(X ± Y) = E(X) ± E(Y);
iv.
n n
E( Xi ) = E(Xi )
i=1 i=1

v. E(aX ± B) = aE(X) ± b, em que a e b são constantes

vi. E(X – x) = 0

#Definição 22: Variância e Desvio Padrão

Representa a medida que dá o grau de dispersão (ou concentração) de probabilidade em
torno da média. É definida por:

Var(X) = E{ [X – E(X)]2 } = E(X2) – [E(X)]2

em que
n
E(X2 ) = xi 2 ∙ P(X = xi ) , ∀ xi
i=1

OBS: Para minimizar unidades de medidas “incoerentes” aplica-se o conceito de desvio

padrão, em que

DP(X) = Var(X)

Exemplo:
A altura média de um grupo de pessoas é 1,70m e variância 25cm2. (cm2) fica esquisito
em altura.

27 | Profa. Vanessa (Probabilidade I)

  PROPRIEDADES:
i. Var(k) = 0;
ii. Var(k . X) = k2 . Var(X);
iii. Var(X ± Y) = Var(X) + Var(Y) ± 2Cov(x,y);

Definição 23: Covariância a

Mede o grau de dependência entre as duas variáveis aleatórias X e Y
através da expressão:

Cov(X,Y) = E{ [X – E(X)] . [Y – E(Y)] }

iv.
n n n
Var( Xi ) = Var(Xi ) + 2 Cov(Xi , Xj )
i=1 i=1 i<j

v. E(aX ± b) = a2 Var(X), em que a e b são constantes

Num jogo de dados, A paga R$ 20,0 a B e lança 3 dados. Se sair face 1 em um dos dados
apenas, A ganha R$ 200,0. Se sair face 1 em dois dados apenas A ganha R$ 50,0 e se sair
face 1 nos três dados, A ganha R$ 80,0. Calcular o lucro líquido médio de A em uma
jogada. Há alta variabilidade?

28 | Profa. Vanessa (Probabilidade I)