Avançado
Probabilidade
Calcule probabilidades usando espaço amostral. Estude eventos mutuamente exclusivos, independentes, probabilidade condicional e a regra de Laplace. Aplique em jogos, genética e situações do cotidiano.
Exercícios
60
Questões
453
PDF's
6
Teoria
Exercícios
Questões
PDFs
Def
Definição
O que é probabilidade?
Probabilidade é a medida numérica da chance de um evento ocorrer,
variando de \(0\) (evento impossível) a \(1\) (evento certo).
É calculada pela razão entre os resultados favoráveis e o total de resultados possíveis (quando todos são igualmente prováveis). A probabilidade é usada para fazer previsões, analisar riscos e tomar decisões em jogos, estatística, economia e ciências.
Representação: a probabilidade pode ser expressa como fração,
decimal ou porcentagem. Ex.: \(\frac{1}{4} = 0{,}25 = 25\%\).
Visão clássica vs. frequentista: na definição clássica (Laplace),
todos os resultados são igualmente prováveis e \(P(A) = \frac{n(A)}{n(\Omega)}\).
Na visão frequentista, \(P(A)\) é o limite da frequência relativa de \(A\)
em muitas repetições do experimento. Ambas levam às mesmas fórmulas na prática escolar,
mas a distinção é importante em estatística aplicada.
1
Espaço Amostral
Resultados, eventos e nomenclatura
O espaço amostral \(\Omega\) é o conjunto de todos os resultados
possíveis de um experimento aleatório. Cada elemento de \(\Omega\) é chamado de
ponto amostral. Um evento \(A\) é qualquer subconjunto de \(\Omega\).
Exemplo — lançamento de um dado
Espaço amostral: \(\Omega = \{1,2,3,4,5,6\}\), \(n(\Omega)=6\)
Evento "número par": \(A = \{2,4,6\}\), \(n(A)=3\)
Evento "maior que 4": \(B = \{5,6\}\), \(n(B)=2\)
Evento certo: \(\Omega\) — sempre ocorre, \(P(\Omega)=1\)
Evento impossível: \(\varnothing\) — nunca ocorre, ex.: "sair 7"; \(P(\varnothing)=0\)
Eventos exclusivos: \(A \cap B = \varnothing\) — não ocorrem juntos
Ax
Propriedades Fundamentais
Axiomas de Kolmogorov que toda probabilidade deve satisfazer
Qualquer função de probabilidade válida obedece aos três axiomas de Kolmogorov:
Axioma 1 — Não-negatividade:
\(0 \leq P(A) \leq 1\) para todo evento \(A\)
Axioma 2 — Normalização:
\(P(\Omega) = 1 \qquad P(\varnothing) = 0\)
Axioma 3 — Aditividade:
Se \(A \cap B = \varnothing\) (eventos mutuamente exclusivos), então
\[P(A \cup B) = P(A) + P(B)\]
De modo geral, se \(A \subset B\), então \(P(A) \leq P(B)\).
\(P(\text{sair 1 no dado}) = \frac{1}{6} \approx 0{,}167\)
\(0 \leq \frac{1}{6} \leq 1\) ✓ — Axioma 1 satisfeito
"Par" \(\subset\) "Par ou Ímpar" = \(\Omega\)
\(P(\text{par}) = \frac{1}{2} \leq P(\Omega) = 1\) ✓ — Axioma 2 e 3
2
Cálculo de Probabilidade
Fórmula clássica de Laplace
Válida quando todos os resultados do espaço amostral são igualmente prováveis:
\[P(A) = \dfrac{n(A)}{n(\Omega)}\]
\(n(A)\) = número de resultados favoráveis a \(A\).
\(n(\Omega)\) = número total de resultados possíveis.
\(n(\Omega)\) = número total de resultados possíveis.
Exemplo
Probabilidade de obter face par ao lançar um dado:
\(n(A) = 3\) (faces 2, 4 e 6) \(\quad n(\Omega) = 6\)
\(P(A) = \dfrac{3}{6} = \dfrac{1}{2} = 50\%\)
Ac
Eventos Complementares
Probabilidade do evento não ocorrer
\[P(A^c) = 1 - P(A)\]
O complementar \(A^c\) reúne todos os pontos de \(\Omega\) que não
pertencem a \(A\). Como \(A\) e \(A^c\) particionam \(\Omega\): \(P(A) + P(A^c) = 1\).
Exemplo
Pote com 12 lápis pretos, 16 azuis e 2 vermelhos.
Qual a probabilidade de não tirar um lápis vermelho?
\(n(A)=2\), \(n(\Omega)=30\) \(\Rightarrow P(A)=\dfrac{2}{30}=\dfrac{1}{15}\)
\(P(A^c)=1-\dfrac{1}{15}=\dfrac{14}{15} \approx 93{,}3\%\)
Estratégia útil: quando calcular \(P(A)\) diretamente é difícil
(muitos casos favoráveis), calcule \(P(A^c)\) e subtraia de 1. Muito comum em problemas de concurso.
≥1
Probabilidade de "Ao Menos Um"
Aplicação direta do evento complementar
Problemas do tipo "probabilidade de que ao menos um evento ocorra" são resolvidos pelo complementar: é mais fácil calcular a chance de nenhum evento ocorrer e subtrair de 1.
\[P(\text{ao menos um}) = 1 - P(\text{nenhum})\]
Exemplo 1 — lançamento de moeda
Uma moeda é lançada 3 vezes. Qual a probabilidade de sair
ao menos uma cara?
Complementar: P(nenhuma cara) = P(3 coroas) \(= \left(\dfrac{1}{2}\right)^3 = \dfrac{1}{8}\)
\(P(\text{ao menos uma cara}) = 1 - \dfrac{1}{8} = \dfrac{7}{8} = 87{,}5\%\)
Exemplo 2 — lançamento de dado
Um dado é lançado 4 vezes. Qual a probabilidade de sair o número 6
em ao menos um lançamento?
P(não sair 6 em um lançamento) \(= \dfrac{5}{6}\)
P(não sair 6 em nenhum dos 4) \(= \left(\dfrac{5}{6}\right)^4 = \dfrac{625}{1296}\)
\(P(\text{ao menos um 6}) = 1 - \dfrac{625}{1296} = \dfrac{671}{1296} \approx 51{,}8\%\)
Atenção: essa técnica funciona quando os lançamentos/tentativas são
independentes. Se os eventos forem dependentes (ex.: retiradas sem reposição),
é necessário listar os casos ou usar combinações.
P|A
Probabilidade Condicional
Probabilidade de B dado que A ocorreu
Quando a ocorrência de um evento \(A\) fornece informação sobre \(B\), usamos a probabilidade condicional:
\[P(B \mid A) = \dfrac{P(A \cap B)}{P(A)}, \quad P(A) \neq 0\]
Lê-se: "probabilidade de \(B\) dado que \(A\) ocorreu."
Exemplo — urna sem reposição
Urna com 3 bolas vermelhas e 2 azuis.
Sabendo que a 1ª retirada foi vermelha, qual a probabilidade de a 2ª ser azul?
Após retirar 1 bola vermelha, restam 4 bolas na urna: 2 vermelhas e 2 azuis.
\(P(B \mid A) = \dfrac{2}{4} = \dfrac{1}{2} = 50\%\)
Interpretação: a informação de que a 1ª bola foi vermelha
atualiza o espaço amostral — passamos de 5 para 4 bolas. A probabilidade
condicional captura exatamente essa atualização.
Bayes
Teorema de Bayes
Invertendo a condicional — atualização de probabilidades
O Teorema de Bayes permite calcular \(P(A \mid B)\) a partir de \(P(B \mid A)\), invertendo a direção da condicional. É a base do raciocínio bayesiano, presente em diagnósticos médicos, filtros de spam e inteligência artificial.
\[P(A \mid B) = \dfrac{P(B \mid A) \cdot P(A)}{P(B)}\]
onde \(P(B) = P(B \mid A)\cdot P(A) + P(B \mid A^c)\cdot P(A^c)\)
é a probabilidade total de \(B\).
Exemplo — teste médico
Uma doença afeta 1% da população. Um teste tem
sensibilidade de 95% (detecta a doença quando ela existe)
e 5% de falso-positivo (indica positivo em quem não tem a doença).
Uma pessoa testa positivo — qual a probabilidade real de estar doente?
\(P(D) = 0{,}01\) — prevalência da doença
\(P(+ \mid D) = 0{,}95\) — sensibilidade
\(P(+ \mid D^c) = 0{,}05\) — falso-positivo Probabilidade total de testar positivo:
\(P(+) = 0{,}95 \times 0{,}01 + 0{,}05 \times 0{,}99 = 0{,}0095 + 0{,}0495 = 0{,}059\) \(P(D \mid +) = \dfrac{0{,}95 \times 0{,}01}{0{,}059} = \dfrac{0{,}0095}{0{,}059} \approx 16{,}1\%\)
\(P(+ \mid D) = 0{,}95\) — sensibilidade
\(P(+ \mid D^c) = 0{,}05\) — falso-positivo Probabilidade total de testar positivo:
\(P(+) = 0{,}95 \times 0{,}01 + 0{,}05 \times 0{,}99 = 0{,}0095 + 0{,}0495 = 0{,}059\) \(P(D \mid +) = \dfrac{0{,}95 \times 0{,}01}{0{,}059} = \dfrac{0{,}0095}{0{,}059} \approx 16{,}1\%\)
Resultado contraintuitivo: mesmo com um teste 95% preciso, apenas
~16% dos que testam positivo estão de fato doentes — porque a doença é rara (1%).
Esse fenômeno, chamado de paradoxo do falso-positivo, reforça a importância
da probabilidade a priori \(P(D)\) no cálculo de Bayes.
∪
Regra da Soma
Probabilidade de A ou B ocorrerem
Para eventos mutuamente exclusivos (\(A \cap B = \varnothing\)):
\[P(A \cup B) = P(A) + P(B)\]
Para eventos não exclusivos (podem ocorrer ao mesmo tempo), subtrai-se a interseção para não contá-la duas vezes:
\[P(A \cup B) = P(A) + P(B) - P(A \cap B)\]
Exemplo 1 — eventos mutuamente exclusivos
Probabilidade de sair 2 ou 5 ao lançar um dado:
\(P(A) = \dfrac{1}{6}\), \(P(B) = \dfrac{1}{6}\) — exclusivos: dado não mostra 2 e 5 simultaneamente
\(P(A \cup B) = \dfrac{1}{6}+\dfrac{1}{6} = \dfrac{2}{6} = \dfrac{1}{3}\)
Exemplo 2 — eventos não exclusivos
Turma de 30 alunos: 18 estudam Matemática (\(A\)), 12 estudam Física (\(B\)), 5 estudam ambas.
\(P(A)=\dfrac{18}{30}\), \(P(B)=\dfrac{12}{30}\), \(P(A \cap B)=\dfrac{5}{30}\)
\(P(A \cup B) = \dfrac{18}{30}+\dfrac{12}{30}-\dfrac{5}{30} = \dfrac{25}{30} = \dfrac{5}{6}\)
∩
Regra do Produto
Probabilidade de A e B ocorrerem juntos
Para eventos independentes (o resultado de um não afeta o outro), a caracterização formal é: \(A\) e \(B\) são independentes se e somente se \(P(A \cap B) = P(A) \cdot P(B)\).
\[P(A \cap B) = P(A) \cdot P(B) \quad \text{(eventos independentes)}\]
Para eventos dependentes, utiliza-se a probabilidade condicional:
\[P(A \cap B) = P(A) \cdot P(B \mid A) \quad \text{(eventos dependentes)}\]
Exemplo 1 — independentes (moeda e dado)
Probabilidade de obter cara na moeda e número 4 no dado:
\(P(A) = \dfrac{1}{2}\), \(P(B) = \dfrac{1}{6}\) — lançamentos independentes
\(P(A \cap B) = \dfrac{1}{2} \cdot \dfrac{1}{6} = \dfrac{1}{12}\)
Exemplo 2 — dependentes (bolas sem reposição)
Caixa com 5 bolas vermelhas e 3 azuis. Probabilidade de tirar 1 vermelha e depois 1 azul, sem reposição:
\(P(A) = \dfrac{5}{8}\) — 1ª retirada vermelha
Após remover 1 vermelha restam 7 bolas, 3 azuis: \(P(B \mid A) = \dfrac{3}{7}\)
\(P(A \cap B) = \dfrac{5}{8} \cdot \dfrac{3}{7} = \dfrac{15}{56}\)
Atenção: sorteios sem reposição sempre geram eventos dependentes —
use obrigatoriamente \(P(A) \cdot P(B \mid A)\).
Sorteios com reposição produzem eventos independentes — use \(P(A) \cdot P(B)\).
Cn
Probabilidade e Combinatória
Usando combinações para contar casos
Em problemas de sorteio, baralho e urnas com múltiplas retiradas simultâneas, \(n(A)\) e \(n(\Omega)\) são contados com combinações:
\[P(A) = \dfrac{C_{n,k}}{C_{N,k}} \quad \text{onde} \quad C_{n,k} = \dfrac{n!}{k!\,(n-k)!}\]
Exemplo 1 — urna com retirada simultânea
Urna com 4 bolas brancas e 3 pretas. Retira-se 2 bolas simultaneamente.
Qual a probabilidade de as duas serem brancas?
\(n(\Omega) = C_{7,2} = \dfrac{7!}{2!\cdot 5!} = 21\) \(\quad\)
\(n(A) = C_{4,2} = \dfrac{4!}{2!\cdot 2!} = 6\)
\(P(A) = \dfrac{6}{21} = \dfrac{2}{7} \approx 28{,}6\%\)
Exemplo 2 — cores diferentes
Mesma urna. Qual a probabilidade de as 2 bolas serem de cores diferentes?
\(n(B) = C_{4,1} \cdot C_{3,1} = 4 \cdot 3 = 12\) — escolher 1 branca e 1 preta
\(P(B) = \dfrac{12}{21} = \dfrac{4}{7} \approx 57{,}1\%\)
Verificação: \(P(\text{BB}) + P(\text{BP}) + P(\text{PP}) =
\dfrac{6}{21} + \dfrac{12}{21} + \dfrac{3}{21} = \dfrac{21}{21} = 1\) ✓
B(n,p)
Distribuição Binomial
Experimentos de Bernoulli repetidos
Um experimento de Bernoulli tem exatamente dois resultados possíveis: sucesso (probabilidade \(p\)) ou fracasso (probabilidade \(1-p\)). Quando o experimento é repetido \(n\) vezes de forma independente, a variável aleatória \(X\) = "número de sucessos" segue a distribuição binomial \(X \sim B(n, p)\).
\[P(X = k) = \binom{n}{k} \cdot p^k \cdot (1-p)^{n-k}, \quad k = 0, 1, 2, \ldots, n\]
onde \(\binom{n}{k} = C_{n,k} = \dfrac{n!}{k!\,(n-k)!}\).
Exemplo 1 — lançamento de dado
Um dado é lançado 5 vezes. Qual a probabilidade de o número 6
sair exatamente 2 vezes?
\(n=5\), \(k=2\), \(p=\dfrac{1}{6}\), \(1-p=\dfrac{5}{6}\)
\(P(X=2) = C_{5,2} \cdot \left(\dfrac{1}{6}\right)^2 \cdot \left(\dfrac{5}{6}\right)^3
= 10 \cdot \dfrac{1}{36} \cdot \dfrac{125}{216}\)
\(P(X=2) = \dfrac{1250}{7776} \approx 16{,}1\%\)
Exemplo 2 — controle de qualidade
Uma fábrica produz peças com 10% de defeito. Num lote de
4 peças, qual a probabilidade de nenhuma ser defeituosa?
\(n=4\), \(k=0\), \(p=0{,}10\)
\(P(X=0) = C_{4,0} \cdot (0{,}10)^0 \cdot (0{,}90)^4 = 1 \cdot 1 \cdot 0{,}6561\)
\(P(X=0) = 0{,}6561 = 65{,}61\%\)
Quando usar: a distribuição binomial exige que os experimentos sejam
(1) independentes entre si, (2) com a mesma probabilidade \(p\) de sucesso, e
(3) o número de repetições \(n\) deve ser fixo. Se qualquer condição falhar, o modelo
binomial não se aplica.
Ex
Problema Contextualizado
Aplicação integrando os conceitos do capítulo
Estratégia geral:
(1) identificar o experimento e definir \(\Omega\);
(2) identificar o evento pedido;
(3) contar \(n(A)\) e \(n(\Omega)\) — se necessário, usar combinações;
(4) aplicar as regras de complementar, soma ou produto conforme o enunciado.
Problema — baralho comum
Um baralho comum tem 52 cartas: 4 naipes (copas, ouros, paus, espadas) com 13 cartas cada. Uma carta é retirada ao acaso. Calcule:
(a) P(carta de copas)
\(n(A)=13\), \(n(\Omega)=52\)
\(P=\dfrac{13}{52}=\dfrac{1}{4}\)
(b) P(carta de figura: J, Q ou K)
\(n(B)=4\times 3=12\)
\(P=\dfrac{12}{52}=\dfrac{3}{13}\)
(c) P(figura de copas) — interseção de (a) e (b)
\(n(A \cap B)=3\) (J, Q e K de copas)
\(P=\dfrac{3}{52}\)
(d) P(copas ou figura) — não exclusivos
\(P(A \cup B)=\dfrac{13}{52}+\dfrac{12}{52}-\dfrac{3}{52}\)
\(=\dfrac{22}{52}=\dfrac{11}{26} \approx 42{,}3\%\)
!
Dicas e Erros Comuns
O que mais cai em vestibular e concurso
⚠ Com vs. sem reposição
Retiradas sem reposição — eventos dependentes: use \(P(A) \cdot P(B \mid A)\).
Retiradas com reposição — eventos independentes: use \(P(A) \cdot P(B)\).
⚠ "Ao menos um" — use o complementar
Calcular diretamente exige somar vários casos. O caminho rápido:
\(P(\text{ao menos um}) = 1 - P(\text{nenhum})\)
⚠ Regra da Soma — não esqueça a interseção
Para eventos não exclusivos, somar apenas \(P(A)+P(B)\) conta a interseção em dobro.
Sempre subtraia: \(P(A \cup B) = P(A)+P(B)-P(A \cap B)\).
⚠ Independência ≠ Exclusividade
Eventos mutuamente exclusivos com \(P(A),P(B) \gt 0\) são dependentes
(se \(A\) ocorre, \(B\) não pode ocorrer).
Independência significa \(P(A \cap B) = P(A)\cdot P(B)\), não \(A \cap B = \varnothing\).
Checklist rápido: (1) Os eventos são excludentes? Use Soma simples.
(2) As retiradas têm reposição? Eventos independentes. (3) O enunciado diz "ao menos"?
Use complementar. (4) Há "dado que"? Use probabilidade condicional ou Bayes.
