CMPUS FARROUPILHA
Maro de 2014
Prof. Jorge Matos
IFRS-Cmpus Farroupilha
Curso: Engenharia
Disciplina: Probabilidade e Estatstica
IFRS-Cmpus Farroupilha
Curso: Engenharia
Disciplina: Probabilidade e Estatstica
1 Anlise Combinatria
A Anlise Combinatria um conjunto de procedimentos que possibilita a construo,
sob certas circunstncias, de grupos diferentes formados por um nmero finito de elementos de
um conjunto.
Na maior parte das vezes, tomaremos conjuntos Z com n elementos e os grupos formados
com elementos de Z tero k elementos, isto , k ser a taxa do agrupamento, com k<n.
Dois conceitos so fundamentais para a anlise combinatria: fatorial de um nmero e o
Princpio Fundamental da Contagem.
Os trs tipos principais de agrupamentos so as Permutaes, os Arranjos e as
Combinaes. Estes agrupamentos podem ser simples, com repetio ou circulares.
1.1 Fatorial de um Nmero
Considere n um nmero inteiro no negativo. O fatorial de n, indicado por n!, definido
como sendo a seguinte multiplicao:
n! = n.(n-1).(n-2).....3.2.1
A definio acima refere-se a nmeros maiores ou igual a 2, ou seja, n > 2. Se n for
igual a zero ou um, define-se: 0! = 1 e 1! = 1
Exemplo: 7! = 7 6 5 4 3 2 1 = 5040
Z = {A, B, C}
k=2
{AB, AC, BA, BC, CA, CB}
An, k=n!/(n-k)!
n=3
Taxa de 2 elementos
An, k
A3,2= 3!/(3-2)! = 6
Exemplo:
Quantas chapas para Presidente da Repblica (Presidente e Vice-Presidente) podemos obter com os candidatos Lula,
Jobim, Rigoto e FHC.
Soluo:
A4,2 = 4!/(4-2)!=(4.3.2.1)/2 =12 chapas distintas com os trs candidatos.
Z = {A, B, C}
k=2
{AA, AB, AC, BA, BB, BC, CA, CB, CC}
An(k) = nk
n=3
Taxa de 2 elementos
An(k)
(2)
A3 = 32 = 9
Exemplo:
Quantas placas de trs letras e quatro algarismos podemos obter utilizando 26 letras e 10 algarismos.
nmero total de placas =A26(3).A10(4) = 263.104 = 175760000 placas
IFRS-Cmpus Farroupilha
Curso: Engenharia
Disciplina: Probabilidade e Estatstica
1.4 Permutaes
So agrupamentos com n elementos, de forma que os n elementos sejam distintos entre
si pela ordem. As permutaes podem ser simples, com repetio ou circulares.
1.4.1 Permutaes Simples
Permutao simples de n elementos distintos so os agrupamentos formados com todos
os n elementos e que diferem uns dos outros pela ordem de seus elementos. Veja o exemplo a
seguir:
Conjunto Z
Grupos de Permutao
Simples
Frmula de Clculo
Z = {A, B, C}
n=3
Pn
Pn = n!
P3 = 3! = 6
Exemplo:
Calcular o nmero de anagramas da palavra tranco.
Soluo: Anagrama qualquer palavra, com significado ou no, que pode ser formada com as letras da palavra dada
. Para esse clculo, basta determinarmos o total de permutaes das 6 letras, t, r, a, n, c, o .
P6 = 6! = 6 . 5 . 4 . 3 . 2 . 1 = 720 arranjos distintos da palavra tranco
Z = {B, A, B, A}
B = 2, A = 2
{BABA, BAAB, BBAA, AABB, ABAB, ABBA}
Pn(a,b,c,...) = n! / (a!b!c!...)
n=4
a = 2, b = 2
Pn(a,b,c,...)
(2,2)
P4
= 4! / (2!.2!) = 6
Exemplo:
Quantos so os anagramas da palavra estatstica?
Soluo: J sabemos que um anagrama corresponde a uma permutao das letras da palavra.
estatstica - 11 letras 2s, 2a, 2i, 3t
P4(2, 2, 2, 3) = 11! / (2!.2!2!.3!) = 831600 arranjos distintos da palavra estatstica.
1.5 Combinaes
So agrupamentos de k elementos, de forma que os k elementos sejam distintos entre si
apenas pela espcie. A posio dos elementos no importa e no os distingue.
Combinaes simples de n elementos distintos tomados k a k so subconjuntos formados
por k elementos distintos escolhidos entre os n elementos dados. Duas combinaes so
diferentes quando possuem elementos distintos, no importando a ordem em que os elementos
so colocados.
Conjunto Z
N de elementos dos Grupos
Grupos de Combinao Simples
Frmula de Clculo
Z = {A, B, C}
k=2
{AB, AC, BC}
Cn, k = n! / [k!(n-k)!]
n=3
Taxa de 2 elementos
Cn,k
C3,2 = 3! / 2!(3-2)! = 3
k!.(nn! k )!
n
k
Exemplo:
Quantas comisses de 3 elementos podemos formar com um grupo de 8 pessoas?
Soluo: Temos 8 pessoas e devemos escolher 3 pessoas, onde importa apenas a natureza , pois se mudarmos a
ordem das pessoas dentro de uma comisso, esta comisso continua a mesma. Assim a quantidade de comisses
dada por:
C8,3 = 8!/[3!.(8-3)!] = 56 comisses com trs elementos distintos.
Prof. Jorge Matos
IFRS-Cmpus Farroupilha
Curso: Engenharia
Disciplina: Probabilidade e Estatstica
2 Probabilidade
2.1 Objetivo
Definir um modelo matemtico probabilstico que seja conveniente descrio e
interpretao de fenmenos aleatrios.
2.2 Introduo
Ao jogarmos uma moeda para o ar, de um modo geral, no podemos afirmar se vai sair
cara ou coroa, da mesma forma, quando lanamos um dado no sabemos quais das faces 1, 2, 3,
4, 5, ou 6 ficar voltada para cima. H vrios exemplos de tais situaes nos campos da
engenharia, da computao, da administrao e dos negcios em geral. A previso da aceitao
de um produto novo, o clculo dos custos de produo, a opinio pblica sobre determinado
assunto, a contratao de um novo empregado, o desempenho de um candidato a um
determinado cargo eletivo tudo isso contm algum elemento do acaso, ou de incerteza, quanto
ocorrncia ou no de um evento futuro. Em muitos casos, pode ser impossvel afirmar com
antecipao o que ocorrer; mas possvel dizer o que pode ocorrer. O ponto central em todas
essas situaes a possibilidade de se quantificar o quo provvel a ocorrncia de
determinado evento.
2.3 Modelos
Conforme Jerzi Neymann (18941981), matemtico e estatstico russo, toda a vez que se
emprega a matemtica com a finalidade de se estudar algum fenmeno deve-se comear pela
construo de um modelo matemtico. Este modelo pode ser: determinstico ou ento
probabilstico.
2.3.1 Modelo Determinstico
Neste modelo as condies sob as quais o experimento executado, determinam o
resultado do experimento. Analisando-se, por exemplo, a lei de Ohm V=R.I, se R e I forem
conhecidos, ento V estar determinado.
2.3.2 Modelo No-determinstico ou Probabilstico
um modelo em que de antemo no possvel explicitar ou definir um resultado
particular. Este modelo especificado atravs de uma distribuio de probabilidades. utilizado
quando se tem um grande nmero de variveis influenciando o resultado e estas variveis no
podem ser controladas. Tomemos, por exemplo, o lanamento de um dado onde se tenta prever o
nmero da face que ir sair; a retirada de uma carta de um baralho onde se deseja prever o naipe
que sair, etc. O modelo estocstico caracterizado como um modelo probabilstico que depende
ou varia com o tempo.
2.4 Definies
2.4.1 Fenmeno aleatrio ou experimento aleatrio
aquele fenmeno onde o processo de experimentao est sujeito a influncias de
fatores casuais e conduz a resultados incertos. o fenmeno que mesmo repetido vrias vezes
sob condies semelhantes, apresenta resultados imprevisveis. O resultado final do experimento
depende do acaso.
Exemplos:
E1: Joga-se uma moeda cinco vezes e observa-se o nmero de coroas obtidas;
E2: Lana-se um dado e observa-se o nmero mostrado na face superior;
E3: Retira-se uma carta de um baralho e observa-se seu naipe.
E4: Uma lmpada nova ligada e observa-se o tempo decorrido at queimar.
Curso: Engenharia
Disciplina: Probabilidade e Estatstica
AB = {1, 2, 3, 4, 5, 6}
IFRS-Cmpus Farroupilha
Curso: Engenharia
Disciplina: Probabilidade e Estatstica
A-B = {1, 2}
Ac
Ac = {3, 5} P(Ac)=1-P(A)
Exemplos:
1- Sabemos que a probabilidade de sair n 4 no lanamento de um dado p = 1/6. logo, a
probabilidade de no tirar o n 4 no lanamento de um dado: q = 1 - p ou q = 1 - 1/6 = 5/6.
2- Calcular a probabilidade de um piloto de automveis vencer uma dada corrida, onde as suas
"chances", segundo os especialistas, so de "3 para 2". Calcule tambm a probabilidade dele
perder:
Obs.: O termo "3 para 2" significa que: de cada 5 corridas ele ganha 3 e perde 2. Ento p = 3/5 (ganhar) e q = 2/5
(perder).
P(a) = 1/8 ;
5- As chances de um time de futebol G ganhar o campeonato que est disputando so de "5 para
2". Determinar a probabilidade de G ganhar e a probabilidade de G perder.
6- Trs cavalos C1, C2 e C3 disputam um preo, onde s se premiar o vencedor. Um conhecedor
dos 3 cavalos afirma que as "chances" de C1 vencer so o dobro das de C2, e que C2 tem o triplo
das "chances" de C3. Calcule as probabilidades de cada cavalo vencer o preo. Resp.: C1=3/5,
C2=3/10 e C3=1/10
IFRS-Cmpus Farroupilha
Curso: Engenharia
Disciplina: Probabilidade e Estatstica
7- Quando lanamos dois dados, o resultado obtido em um deles independe do resultado obtido
no outro. Ento qual seria a probabilidade de obtermos, simultaneamente, o n 4 no primeiro
dado e o n 3 no segundo dado?
Soluo:
Sendo P1 a probabilidade de ocorrncia do primeiro evento e P2 a probabilidade de ocorrncia do segundo
evento, a probabilidade de que tais eventos se realizem simultaneamente dada pela frmula:
IFRS-Cmpus Farroupilha
Curso: Engenharia
Disciplina: Probabilidade e Estatstica
n
nmero total de repeties
Propriedades:
(i) 0 frA 1
(ii) frA 1 , se, e somente se, A ocorrer em todas as n repeties;
(iii) frA 0 , se, e somente se, A nunca ocorrer nas n repeties;
(iv) Se A e B forem eventos mutuamente excludentes, e se frAB for a freqncia relativa
associada ao evento A B ento:
P( A)
nA
nmero de vezes que A ocorre
IFRS-Cmpus Farroupilha
Curso: Engenharia
Disciplina: Probabilidade e Estatstica
Principais Teoremas
a) Se denota o conjunto vazio, ento: P( ) 0 ;
b) Se Ac o evento complementar de A, ento: P(Ac) = 1 P(A) ;
c) P(B - A) = P(B) P(BA);
d) Se A e B so dois eventos quaisquer, ento: P( A B) P( A) P( B) P( A B) .
Obs.: Quando todos os elementos do espao amostral tem a mesma chance de acontecer, o espao amostral
chamado de conjunto equiprovvel.
Exemplos:
1- No lanamento de uma moeda qual a probabilidade de obter cara em um evento A?
S = {k, c} = 2
A = {k} = 1
P(A) = 1/2 = 0,5 = 50%
2- No lanamento de um dado qual a probabilidade de se obter um nmero par em um evento A?
S = {1, 2, 3, 4, 5, 6}
A = {2, 4, 6}
P(A) = 3/6 = 0,5 = 50%
3- No lanamento de um dado qual a probabilidade de obter um nmero menor ou igual a 6 em
um evento A ?
S = {1, 2, 3, 4, 5, 6} = 6
A = {1, 2, 3, 4, 5, 6} = 6
P(A) = 6/6 = 1,0 = 100%
Obs.: a probabilidade do evento certo = 1,00 ou 100%
Exerccios:
1- Qual a probabilidade de sair um nmero maior do que 5 quando jogamos um dado?
Prof. Jorge Matos
IFRS-Cmpus Farroupilha
10
Curso: Engenharia
Disciplina: Probabilidade e Estatstica
2- Qual a probabilidade de sair uma cara e uma coroa quando jogamos duas moedas?
3- Qual a probabilidade de sair o AS de ouros quando retiramos 1 carta de um baralho de 52
cartas?
4- Qual a probabilidade de sair o um REI quando retiramos 1 carta de um baralho de 52 cartas ?
5- Qual a probabilidade de sair uma cara quando jogamos duas moedas?
2.6 Probabilidade Condicional
Suponha que se queira extrair duas peas ao acaso de um lote que contm 100 peas das
quais 80 peas so boas e 20 defeituosas, de acordo com os critrios (a) com reposio e (b) sem
reposio. Definem-se os seguintes eventos:
A={A primeira pea defeituosa} e B={A segunda pea defeituosa}.
Ento, se a extrao for com reposio P(A) = P(B) = 20 / 100 = 1 / 5 = 20%, porque
existem 20 peas defeituosas num total de 100.
Agora, se a extrao for sem reposio tem-se ainda que P(A) = 20 / 100 = 20%, mas o
mesmo no verdadeiro para P(B). Neste caso, necessrio conhecer a composio do lote no
momento da extrao da segunda pea, isto , preciso saber se a primeira pea retirada foi
defeituosa ou no. Ento, precisamos saber se A ocorreu, o que mostra a necessidade de
conhecermos o conceito de probabilidade condicional.
Se A e B so dois eventos: a probabilidade de A ocorrer, depois de B ter acontecido
definida por: P(A/B), ou seja, chamada probabilidade condicional de A depois de B ter
ocorrido. Neste caso os eventos so dependentes e definidos pela frmula:
P( A B)
, para P( B) 0
P( A / B)
P( B)
P( A B)
, para P( A) 0
P( B / A)
P( A)
Obs. Se a ocorrncia ou no de B no afetar a probabilidade da ocorrncia de A, ento P(A/B)=P(A). Neste caso, A e
B so independentes.
Exemplo:
Duas cartas so retiradas de um baralho sem haver reposio. Qual a probabilidade de
ambas serem COPAS?
P(1a Copas) 13 / 52
P(2a Copas) 12 / 51
P(1a Copas e 2a Copas) P(1a Copas) xP(2a Copas / 1a Copas) 13 / 52 x12 / 51 3 / 51 =0,0588
Obs.: No exemplo anterior se a 1 carta retirada voltasse ao baralho o experimento seria do tipo com reposio e
seria um evento independente. O resultado seria:
P(1a Copas) xP(2a Copas) 13 / 52 x13 / 52 0,625
Espao amostral do baralho de 52 cartas:
S={A 2 3 4 5 6 7 8
A 2 3 4 5 6 7 8
A 2 3 4 5 6 7 8
A 2 3 4 5 6 7 8
9
9
9
9
10
10
10
10
J
J
J
J
Q
Q
Q
Q
K
K
K
K
( )
( )
( )
( ) }
IFRS-Cmpus Farroupilha
11
Curso: Engenharia
Disciplina: Probabilidade e Estatstica
IFRS-Cmpus Farroupilha
12
Curso: Engenharia
Disciplina: Probabilidade e Estatstica
Seja B1, B2, B3...Br um conjunto de eventos mutuamente exclusivos cuja unio forma o
espao amostral S. Seja A outro evento no mesmo espao amostral, tal que P(A) > 0. Ento:
P( A) P( A B1 ) P( A B2 ) P( A B3 ) ... P( A Br )
P( A B)
P( A B) P( B).P( A / B) , logo:
P( B)
P( A) P( B1 ).P( A / B1 ) P( B2 ).P( A / B2 ) ... P( Br ).P( A / Br )
[P(B ).P( A / B )]
r
Exemplo:
Segundo especialistas esportivos, a probabilidade de que o Flamengo vena o prximo
jogo estimada em 0,70 se no chover, e s de 0,50 se chover. Se os registros meteorolgicos
anunciam uma probabilidade de 0,40 de chover na data do jogo, qual ser ento a probabilidade
desse time ganhar o prximo jogo?
P( A) P( Br ).P( A / Br )
2- Suponha que a populao de uma certa cidade constituda por 40% de homens e 60% de
mulheres. Suponha ainda que 50% dos homens e 30% das mulheres so fumantes. Determine a
probabilidade de que fumante escolhido ao acaso seja homem.
Prof. Jorge Matos
IFRS-Cmpus Farroupilha
13
Curso: Engenharia
Disciplina: Probabilidade e Estatstica
Soluo:
Sejam os eventos:
H: a pessoa selecionada homem.
M: a pessoa selecionada mulher.
F: a pessoa selecionada fumante.
N: a pessoa selecionada no fumante.
P(H) = 0,40
P(M) = 0,60
P(F/H) = 0,50
P(F/M) = 0,30
Queremos saber P(H/N). Sabemos que HM = S e HM = . Logo, {H, M} uma partio do conjunto das
pessoas. Temos, S = (FM) (FH)
P(F) = P(FM) + P(FH)
P(F) = P(M).P(F/M) + P(H).P(F/H) = 0,60.0,30 + 0,40.0,50 = 0,18 + 0,20 = 0,38
Logo, P(H/F) = 0,20/0,38 = 0,5263=52,36
X
2
1
1
0
freq. absoluta
22
5
2
1
03
freq. relativa
0,73
0,17
0,07
0,03
0033
Teoria das Probabilidades
IFRS-Cmpus Farroupilha
14
Curso: Engenharia
Disciplina: Probabilidade e Estatstica
Construmos acima uma tabela onde aparecem os valores de uma varivel aleatria X e as
probabilidades de X ocorrer que a tabela de distribuio de probabilidades.
Funes de probabilidades: f(X) = P(X= xi)
Ao definir a distribuio de probabilidade, estabelecemos uma correspondncia unvoca
entre os valores da varivel aleatria X e os valores da varivel P (probabilidade). Esta
correspondncia define uma funo onde os valores xi formam o domnio da funo e os valores
pi o seu conjunto imagem. Assim, ao lanarmos um dado, a varivel aleatria X, definida por
"pontos de um dado", pode tomar os valores 1, 2, 3, 4, 5 e 6. Ento resulta a seguinte distribuio
de probabilidade:
X
P(X)
1
2
3
4
5
6
Total
1/6
1/6
1/6
1/6
1/6
1/6
6/6 = 1
P{a X b} f ( X )dX
a
IFRS-Cmpus Farroupilha
15
Curso: Engenharia
Disciplina: Probabilidade e Estatstica
p
(1 p) q
X 1
chamada
X 0
uma varivel do tipo Bernoulli. Cada observao dessa varivel chamada uma observao de
Bernoulli. Uma sequncia de observaes chamada um processo de Bernoulli.
Seja uma amostra de n observaes, X1, X2, ..., Xn, extrada de um processo de
Bernoulli, com probabilidade de sucesso constante igual a p e de falha 1-p. ento, a soma das
observaes seguir o modelo binomial com parmetros n e p . Alm disso, cada Xi pode ser 0 ou
1, a mdia:
1 n
X Xi
n i 1
2.12.2 Distribuio Binomial
A distribuio binomial est relacionada ao nmero de sucessos encontrados em um
nmero especfico de tentativas de um processo de Bernoulli. Ela caracterizada por dois
parmetros: a probabilidade de sucesso p, e o nmero de tentativas n (nmero positivo).
Vamos imaginar fenmenos cujos resultados s podem ser de dois tipos, um dos quais
considerado como sucesso e o outro insucesso ou falha. Este fenmeno pode ser repetido tantas
vezes quanto se queira (n vezes), nas mesmas condies. As provas repetidas devem ser
independentes, isto , o resultado de uma no deve afetar os resultados das sucessivas provas. No
decorrer do experimento, a probabilidade p do sucesso e a probabilidade de q (q = 1 - p) da falha
manter-se-o constantes. Nessas condies X uma varivel aleatria discreta que segue uma
distribuio binomial.
Condies de aplicao do modelo binomial:
a) so feitas n repeties do experimento, onde n uma constante;
b) h apenas dois resultados possveis em cada repetio, denominados sucesso e falha;
c) a probabilidade p de um sucesso e (1-p) de falha permanece constante em todas as repeties;
d) as repeties so independentes, ou seja, o resultado de uma repetio no influenciado por
outros resultados.
n!
P( X x) C xn . p x .q ( n x ) , onde C xn
x!.(n x)!
Distribuio Binomial
0,200
0,180
0,160
0,140
f(X)
0,120
0,100
0,080
0,060
0,040
0,020
0,000
0
9 10 11 12 13 14 15 16 17 18 19 20
2 n. p.q
n. p.q
Prof. Jorge Matos
IFRS-Cmpus Farroupilha
16
Curso: Engenharia
Disciplina: Probabilidade e Estatstica
Exemplos:
1- Uma moeda lanada 5 vezes seguidas e independentes. Calcule a probabilidade de serem
obtidas 3 caras nesses 5 experimentos.
n=5
X= 3
p = 1/2
q = 1 - (1/2) = 1/2
P(X=3) = 5/16
IFRS-Cmpus Farroupilha
17
Curso: Engenharia
Disciplina: Probabilidade e Estatstica
sem reposio. Estamos interessados em calcular a probabilidade de que esse grupo contenha x
elementos com o atributo A.
r N r
x n x
P( X x)
, onde : 0 x min (r , n)
N
n
n. p
2 n. p.q.
N n
N 1
onde: p
r
N
Exemplos:
1) Uma caixa contm 12 lmpadas das quais 5 esto queimadas. So escolhidas 6 lmpadas ao
acaso. Qual a probabilidade de que:
a) exatamente 2 lmpadas estejam queimadas?
b) pelo menos uma lmpada esteja boa?
2) Pequenos motores so guardados em caixas com 50 unidades. Um inspetor de qualidade
examina cada caixa, antes da posterior remessa, testando 10 motores. Se nenhum motor for
defeituoso, a caixa aceita. Se pelo menos um for defeituoso, todos os 50 motores so testados.
Supe-se que h 5 motores defeituosos numa caixa. Qual a probabilidade de que seja necessrio
examinar todos os motores dessa caixa?
Distribuio Hipergeomtrica
0,440
0,400
0,360
0,320
f(X)
0,280
0,240
0,200
0,160
0,120
0,080
0,040
0,000
0
10
Figura 8: Grfico da distribuio Hipergeomtrica com r=5, n=10 e N=50 - H(5; 10; 50).
IFRS-Cmpus Farroupilha
18
Curso: Engenharia
Disciplina: Probabilidade e Estatstica
F ( X ) P( X x) P( X ) 1 (1 p) x
x 1
Distribuio Geomtrica
0,120
0,110
0,100
0,090
0,080
f(X)
0,070
0,060
0,050
0,040
0,030
0,020
0,010
0,000
0
10
20
30
40
50
60
70
80
90
100
IFRS-Cmpus Farroupilha
19
Curso: Engenharia
Disciplina: Probabilidade e Estatstica
e 2 .2 x
x!
x 0
P( X 4) 1 0,135 0,270 0,270 0,180 0,090 0,055 5,5%
4
P( X 4) 1 P( 4) 1
f(X)
Distribuio de Poisson
0,300
0,280
0,260
0,240
0,220
0,200
0,180
0,160
0,140
0,120
0,100
0,080
0,060
0,040
0,020
0,000
0
10 11
12
13
14 15
16
17
18 19 20
1, se X b
Mdia : X
ab
2
Varincia : 2
(b a) 2
12
f(X)
Distribuio Uniform e
0,300
0,270
0,240
0,210
0,180
0,150
0,120
0,090
0,060
0,030
0,000
IFRS-Cmpus Farroupilha
20
Curso: Engenharia
Disciplina: Probabilidade e Estatstica
caixa bancrio de 6 atendimentos por minuto, ento o tempo mdio entre atendimentos
1/ = 1/6 de minuto ou 10 segundos.
Condio de aplicao do modelo exponencial:
O nmero de ocorrncias deve seguir uma distribuio de Poisson. Se considerarmos a
distribuio de Poisson como o modelo para o nmero de ocorrncias de um evento no intervalo
de 0, t teremos:
e .t (.t ) x
P( X x)
x!
E nesse caso pode ser demonstrado que a distribuio dos intervalos entre ocorrncias ir
seguir o modelo Exponencial com parmetro . O modelo da distribuio Exponencial o
seguinte:
f (t ) .e .t , para t 0 ,
Onde: 0 uma constante.
A mdia e o desvio-padro da distribuio Exponencial so calculados usando:
1
1
F (t ) P(T t ) .e .t dt 1 e .t , para t 0
0
9,
5
10
,0
6,
5
7,
0
7,
5
8,
0
8,
5
9,
0
4,
0
4,
5
5,
0
5,
5
6,
0
0,360
0,340
0,320
0,300
0,280
0,260
0,240
0,220
0,200
0,180
0,160
0,140
0,120
0,100
0,080
0,060
0,040
0,020
0,000
1,
0
1,
5
2,
0
2,
5
3,
0
3,
5
f(t)
Distribuio Exponencial
IFRS-Cmpus Farroupilha
21
Curso: Engenharia
Disciplina: Probabilidade e Estatstica
f (X )
( X - )2
2
2
, para - X
Distribuio Normal
0,220
0,200
0,180
0,160
f(x)
0,140
0,120
0,100
0,080
0,060
0,040
0,020
9,0
10,2 11,4 12,6 13,8 15,0 16,2 17,4 18,6 19,8 21,0 22,2 23,4 24,6 25,8
Figura 13: Grfico da distribuio Normal com mdia =17,48 e=2,00 N(17,48; 2,00).
f ( z)
1
2
z2
-
2
, para - z
IFRS-Cmpus Farroupilha
22
Curso: Engenharia
Disciplina: Probabilidade e Estatstica
F ( z)
1
e
2
z2
-
2
dz
f(Z)
-4,2
-3,6
-3,0 -2,4
-1,8
-1,2 -0,6
0,0
0,6
1,2
1,8
2,4
3,0
3,6
4,2
Figura 14: Grfico da distribuio Normal padro com mdia =0 e=1 N(0; 1).
Quando temos em mos uma varivel aleatria com distribuio normal, nosso principal
interesse obter a probabilidade de essa varivel aleatria assumir um valor em um determinado
intervalo. Vejamos com proceder, por meio de um exemplo concreto.
Exemplo:
Seja X a varivel aleatria que representa os dimetros dos parafusos produzidos por certa
mquina. Vamos supor que essa varivel tenha distribuio normal com mdia X 2,00cm e
desvio-padro 0,04cm . Qual a probabilidade de um parafuso ter o dimetro com valor entre
1,95 cm e 2,05 cm ?
P(1,95< X < 2,05) = ?
Com o auxlio de uma distribuio normal reduzida, isto , uma distribuio normal de
mdia = 0 e desvio-padro = 1 resolveremos o problema atravs da transformao da varivel X
na varivel reduzida z , onde Z
XX
.
S
IFRS-Cmpus Farroupilha
23
Curso: Engenharia
Disciplina: Probabilidade e Estatstica
0,09
0,0000
0,0001
0,0001
0,0001
0,0002
0,0002
0,0003
0,0005
0,0007
0,0010
0,0014
0,0019
0,0026
0,0036
0,0048
0,0064
0,0084
0,0110
0,0143
0,0183
0,0233
0,0294
0,0367
0,0455
0,0559
0,0681
0,0823
0,0985
0,1170
0,1379
0,1611
0,1867
0,2148
0,2451
0,2776
0,3121
0,3483
0,3859
0,4247
0,4641
0,08
0,0000
0,0001
0,0001
0,0001
0,0002
0,0003
0,0004
0,0005
0,0007
0,0010
0,0014
0,0020
0,0027
0,0037
0,0049
0,0066
0,0087
0,0113
0,0146
0,0188
0,0239
0,0301
0,0375
0,0465
0,0571
0,0694
0,0838
0,1003
0,1190
0,1401
0,1635
0,1894
0,2177
0,2483
0,2810
0,3156
0,3520
0,3897
0,4286
0,4681
0,07
0,0000
0,0001
0,0001
0,0001
0,0002
0,0003
0,0004
0,0005
0,0008
0,0011
0,0015
0,0021
0,0028
0,0038
0,0051
0,0068
0,0089
0,0116
0,0150
0,0192
0,0244
0,0307
0,0384
0,0475
0,0582
0,0708
0,0853
0,1020
0,1210
0,1423
0,1660
0,1922
0,2206
0,2514
0,2843
0,3192
0,3557
0,3936
0,4325
0,4721
0,06
0,0000
0,0001
0,0001
0,0001
0,0002
0,0003
0,0004
0,0006
0,0008
0,0011
0,0015
0,0021
0,0029
0,0039
0,0052
0,0069
0,0091
0,0119
0,0154
0,0197
0,0250
0,0314
0,0392
0,0485
0,0594
0,0721
0,0869
0,1038
0,1230
0,1446
0,1685
0,1949
0,2236
0,2546
0,2877
0,3228
0,3594
0,3974
0,4364
0,4761
0,05
0,0000
0,0001
0,0001
0,0001
0,0002
0,0003
0,0004
0,0006
0,0008
0,0011
0,0016
0,0022
0,0030
0,0040
0,0054
0,0071
0,0094
0,0122
0,0158
0,0202
0,0256
0,0322
0,0401
0,0495
0,0606
0,0735
0,0885
0,1056
0,1251
0,1469
0,1711
0,1977
0,2266
0,2578
0,2912
0,3264
0,3632
0,4013
0,4404
0,4801
0,04
0,0000
0,0001
0,0001
0,0001
0,0002
0,0003
0,0004
0,0006
0,0008
0,0012
0,0016
0,0023
0,0031
0,0041
0,0055
0,0073
0,0096
0,0125
0,0162
0,0207
0,0262
0,0329
0,0409
0,0505
0,0618
0,0749
0,0901
0,1075
0,1271
0,1492
0,1736
0,2005
0,2296
0,2611
0,2946
0,3300
0,3669
0,4052
0,4443
0,4840
0,03
0,0000
0,0001
0,0001
0,0001
0,0002
0,0003
0,0004
0,0006
0,0009
0,0012
0,0017
0,0023
0,0032
0,0043
0,0057
0,0075
0,0099
0,0129
0,0166
0,0212
0,0268
0,0336
0,0418
0,0516
0,0630
0,0764
0,0918
0,1093
0,1292
0,1515
0,1762
0,2033
0,2327
0,2643
0,2981
0,3336
0,3707
0,4090
0,4483
0,4880
(cauda da esquerda)
0,02
0,0000
0,0001
0,0001
0,0001
0,0002
0,0003
0,0005
0,0006
0,0009
0,0013
0,0018
0,0024
0,0033
0,0044
0,0059
0,0078
0,0102
0,0132
0,0170
0,0217
0,0274
0,0344
0,0427
0,0526
0,0643
0,0778
0,0934
0,1112
0,1314
0,1539
0,1788
0,2061
0,2358
0,2676
0,3015
0,3372
0,3745
0,4129
0,4522
0,4920
0,01
0,0000
0,0001
0,0001
0,0002
0,0002
0,0003
0,0005
0,0007
0,0009
0,0013
0,0018
0,0025
0,0034
0,0045
0,0060
0,0080
0,0104
0,0136
0,0174
0,0222
0,0281
0,0351
0,0436
0,0537
0,0655
0,0793
0,0951
0,1131
0,1335
0,1562
0,1814
0,2090
0,2389
0,2709
0,3050
0,3409
0,3783
0,4168
0,4562
0,4960
0,00
0,0000
0,0001
0,0001
0,0002
0,0002
0,0003
0,0005
0,0007
0,0010
0,0013
0,0019
0,0026
0,0035
0,0047
0,0062
0,0082
0,0107
0,0139
0,0179
0,0228
0,0287
0,0359
0,0446
0,0548
0,0668
0,0808
0,0968
0,1151
0,1357
0,1587
0,1841
0,2119
0,2420
0,2743
0,3085
0,3446
0,3821
0,4207
0,4602
0,5000
z
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
0,00
0,5000
0,5398
0,5793
0,6179
0,6554
0,6915
0,7257
0,7580
0,7881
0,8159
0,8413
0,8643
0,8849
0,9032
0,9192
0,9332
0,9452
0,9554
0,9641
0,9713
0,9772
0,9821
0,9861
0,9893
0,9918
0,9938
0,9953
0,9965
0,9974
0,9981
0,9987
0,9990
0,9993
0,9995
0,9997
0,9998
0,9998
0,9999
0,9999
1,0000
0,01
0,5040
0,5438
0,5832
0,6217
0,6591
0,6950
0,7291
0,7611
0,7910
0,8186
0,8438
0,8665
0,8869
0,9049
0,9207
0,9345
0,9463
0,9564
0,9649
0,9719
0,9778
0,9826
0,9864
0,9896
0,9920
0,9940
0,9955
0,9966
0,9975
0,9982
0,9987
0,9991
0,9993
0,9995
0,9997
0,9998
0,9998
0,9999
0,9999
1,0000
0,02
0,5080
0,5478
0,5871
0,6255
0,6628
0,6985
0,7324
0,7642
0,7939
0,8212
0,8461
0,8686
0,8888
0,9066
0,9222
0,9357
0,9474
0,9573
0,9656
0,9726
0,9783
0,9830
0,9868
0,9898
0,9922
0,9941
0,9956
0,9967
0,9976
0,9982
0,9987
0,9991
0,9994
0,9995
0,9997
0,9998
0,9999
0,9999
0,9999
1,0000
Probabilidade e Estatstica
P(Z<Zalfa) = alfa
0,03
0,5120
0,5517
0,5910
0,6293
0,6664
0,7019
0,7357
0,7673
0,7967
0,8238
0,8485
0,8708
0,8907
0,9082
0,9236
0,9370
0,9484
0,9582
0,9664
0,9732
0,9788
0,9834
0,9871
0,9901
0,9925
0,9943
0,9957
0,9968
0,9977
0,9983
0,9988
0,9991
0,9994
0,9996
0,9997
0,9998
0,9999
0,9999
0,9999
1,0000
0,04
0,5160
0,5557
0,5948
0,6331
0,6700
0,7054
0,7389
0,7704
0,7995
0,8264
0,8508
0,8729
0,8925
0,9099
0,9251
0,9382
0,9495
0,9591
0,9671
0,9738
0,9793
0,9838
0,9875
0,9904
0,9927
0,9945
0,9959
0,9969
0,9977
0,9984
0,9988
0,9992
0,9994
0,9996
0,9997
0,9998
0,9999
0,9999
0,9999
1,0000
0,05
0,5199
0,5596
0,5987
0,6368
0,6736
0,7088
0,7422
0,7734
0,8023
0,8289
0,8531
0,8749
0,8944
0,9115
0,9265
0,9394
0,9505
0,9599
0,9678
0,9744
0,9798
0,9842
0,9878
0,9906
0,9929
0,9946
0,9960
0,9970
0,9978
0,9984
0,9989
0,9992
0,9994
0,9996
0,9997
0,9998
0,9999
0,9999
0,9999
1,0000
0,06
0,5239
0,5636
0,6026
0,6406
0,6772
0,7123
0,7454
0,7764
0,8051
0,8315
0,8554
0,8770
0,8962
0,9131
0,9279
0,9406
0,9515
0,9608
0,9686
0,9750
0,9803
0,9846
0,9881
0,9909
0,9931
0,9948
0,9961
0,9971
0,9979
0,9985
0,9989
0,9992
0,9994
0,9996
0,9997
0,9998
0,9999
0,9999
0,9999
1,0000
0,07
0,5279
0,5675
0,6064
0,6443
0,6808
0,7157
0,7486
0,7794
0,8078
0,8340
0,8577
0,8790
0,8980
0,9147
0,9292
0,9418
0,9525
0,9616
0,9693
0,9756
0,9808
0,9850
0,9884
0,9911
0,9932
0,9949
0,9962
0,9972
0,9979
0,9985
0,9989
0,9992
0,9995
0,9996
0,9997
0,9998
0,9999
0,9999
0,9999
1,0000
0,08
0,5319
0,5714
0,6103
0,6480
0,6844
0,7190
0,7517
0,7823
0,8106
0,8365
0,8599
0,8810
0,8997
0,9162
0,9306
0,9429
0,9535
0,9625
0,9699
0,9761
0,9812
0,9854
0,9887
0,9913
0,9934
0,9951
0,9963
0,9973
0,9980
0,9986
0,9990
0,9993
0,9995
0,9996
0,9997
0,9998
0,9999
0,9999
0,9999
1,0000
0,09
0,5359
0,5753
0,6141
0,6517
0,6879
0,7224
0,7549
0,7852
0,8133
0,8389
0,8621
0,8830
0,9015
0,9177
0,9319
0,9441
0,9545
0,9633
0,9706
0,9767
0,9817
0,9857
0,9890
0,9916
0,9936
0,9952
0,9964
0,9974
0,9981
0,9986
0,9990
0,9993
0,9995
0,9997
0,9998
0,9998
0,9999
0,9999
0,9999
1,0000
Exerccios
1- Pilhas de uma certa marca so acondicionadas ao acaso em embalagens de quatro pilhas. O
produtor desta marca opera com probabilidade de 0,04 de uma pilha ser defeituosa. Calcule a
probabilidade de que uma embalagem tomada ao acaso contenha:
a) Exatamente uma pilha defeituosa;
b) Somente pilhas perfeitas;
c) No mximo duas pilhas defeituosas.
2- Em um lote de 12 peas, 4 so defeituosas. Sendo retirada uma pea, calcule:
a) a probabilidade de essa pea ser defeituosa.
b) a probabilidade de essa pea no ser defeituosa.
3- Qual a probabilidade de sair uma figura (REI ou DAMA ou VALETE) quando retiramos uma
carta de um baralho de 52 cartas ?
4- Um fabricante de lmpadas verifica, atravs de uma distribuio de frequncias, que o tempo
de queima de um determinado modelo de lmpada distribudo normalmente. Uma amostra de
Prof. Jorge Matos
IFRS-Cmpus Farroupilha
24
Curso: Engenharia
Disciplina: Probabilidade e Estatstica
50 lmpadas foi testada e o tempo mdio de vida encontrado foi de 60 dias, com um desviopadro de 20 dias. Quantas lmpadas, na populao total de lmpadas fabricadas por ele, pode se
esperar que ainda estejam funcionando aps 100 dias de vida?
5- Os salrios dos bancrios so distribudos normalmente, em torno da mdia R$ 1.000,00, com
desvio-padro de R$ 80,00. Calcule a probabilidade de um bancrio ter o salrio situado entre R$
780,00 e R$ 1.140,00.
6- Um teste padronizado de escolaridade tem distribuio normal com mdia = 100 e desviopadro = 10,0. Determine a probabilidade de um aluno submetido ao teste ter nota:
a) maior que 120
b) maior que 80
c) entre 85 e 115
7- Num lote que tem 2,0% de defeituosos, foram retiradas 100 peas.
a) Qual a probabilidade de no encontrar pea defeituosa?
b) Qual a probabilidade de encontrar 1 pea defeituosa?
c) Qual a probabilidade de encontrar mais do que uma pea defeituosa?
8- Um processo industrial opera com mdia de 1,00% de defeituosos. Baseado em amostras de
50 unidades, calcule as probabilidades de uma amostra apresentar 0, 1, 2, 3 e 4 defeituosos.
9- Os registros de uma pequena companhia indicam que 40,0% das faturas por ela emitidas so
pagas aps o vencimento. De 14 faturas expedidas, determine a probabilidade de:
a) no mximo 1 ser paga com atraso.
b) pelo menos 2 serem pagas com atraso.
c) 3 serem pagas com atraso.
10- Em uma indstria automotiva, defeitos superficiais de pintura ocorrem a uma taxa de 0,15
defeitos/unidade.
a) Encontre a probabilidade que uma unidade escolhida ao acaso apresente 1 ou mais
defeitos superficiais.
b) Encontre a probabilidade que uma unidade escolhida ao acaso apresente at dois
defeitos superficiais
11- O setor financeiro de uma loja de departamentos est tentando controlar o nmero de erros
cometidos na emisso das notas fiscais. Suponha que esses erros sigam o modelo de Poisson com
mdia lambda = 0,03 erros/nota
a) Qual a probabilidade de que uma nota selecionada ao acaso no contenha erros?
b) Qual a probabilidade de que uma nota selecionada ao acaso contenha at dois erros?
12- Em um jogo com um baralho de 52 cartas cada jogador recebe 9 cartas. Qual a probabilidade
de que um jogador receba um AS de ouros?
13- Numa central telefnica chegam, em mdia, 300 telefonemas por hora. Qual a probabilidade
de que:
a) num minuto no haja nenhum chamado;
b) em 2,0 minutos haja 2 chamados;
14- Os tempos at a falha de um dispositivo eletrnico seguem o modelo Exponencial, com uma
taxa de falha lambda = 0,012 falhas/hora. Indique qual a probabilidade de um dispositivo
escolhido ao acaso sobreviver mais do que 50 horas? E a 100 horas?
15- O tempo at a venda de certo modelo de eletrodomstico, que regularmente abastecido em
um supermercado, segue uma distribuio Exponencial, com parmetros lambda = 0,40
Prof. Jorge Matos
IFRS-Cmpus Farroupilha
25
Curso: Engenharia
Disciplina: Probabilidade e Estatstica
BIBLIOGRAFIA
BARBETA, P. A.; REIS, M. M; BORNIA, A. C. Estatstica Para Cursos de Engenharia e
Informtica. 2. ed. So Paulo: Atlas, 2009.
COSTA NETO, P. L. O.; CYMBALISTA, M. Probabilidades. So Paulo: Edgard Blcher, 2001.
COSTA NETO, P. L. O. Estatstica. 2. ed. So Paulo: Edgard Blcher, 2002.
DOWING, D.; CLARK, J. Estatstica aplicada. 2. ed. So Paulo: Saraiva, 2003.
FONSECA, J. S.; MARTINS, G. A. Curso de Estatstica. 6. ed. So Paulo: Atlas, 1996.
FREUND, J. E. Estatstica aplicada: economia, administrao e contabilidade. 9. ed. Porto
Alegre: Bookman, 2000.
MONTGOMERY D. C., RUNGER, G. C., HUBELE, N.F., Estatstica Aplicada Engenharia.
Rio de Janeiro: LTC, 2004.
MORETIN, P. A.; BUSSAB, W. O. Estatstica Bsica, 5. ed. So Paulo: Saraiva, 2005.
TRIOLA, M. F. Introduo Estatstica. 7. ed. Rio de Janeiro: LTC, 1999.
IFRS-Cmpus Farroupilha
26