INSTITUTO FEDERAL DE EDUCAO, CINCIA E TECNOLOGIA DO RIO GRANDE DO SUL

CMPUS FARROUPILHA

Maro de 2014
Prof. Jorge Matos

Teoria das Probabilidades

IFRS-Cmpus Farroupilha

Curso: Engenharia
Disciplina: Probabilidade e Estatstica

TEORIA DAS PROBABILIDADES

Sumrio
1 Anlise Combinatria ................................................................................................................... 3
1.1 Fatorial de um Nmero ......................................................................................................... 3
1.2 Princpio Fundamental da Contagem .................................................................................... 3
1.3 Arranjos ................................................................................................................................. 3
1.3.1 Arranjos Simples ............................................................................................................ 3
1.3.2 Arranjos com Repetio ................................................................................................. 3
1.4 Permutaes .......................................................................................................................... 4
1.4.1 Permutaes Simples...................................................................................................... 4
1.4.2 Permutaes com Repetio........................................................................................... 4
1.5 Combinaes ......................................................................................................................... 4
2 Probabilidade ................................................................................................................................ 5
2.1 Objetivo ................................................................................................................................. 5
2.2 Introduo.............................................................................................................................. 5
2.3 Modelos ................................................................................................................................. 5
2.3.1 Modelo Determinstico ................................................................................................... 5
2.3.2 Modelo No-determinstico ou Probabilstico ............................................................... 5
2.4 Definies.............................................................................................................................. 5
2.4.1 Fenmeno aleatrio ou experimento aleatrio ............................................................... 5
2.4.2 Espao Amostral ............................................................................................................ 6
2.4.3 Evento............................................................................................................................. 6
2.4.3.1 Combinao de Eventos .............................................................................................. 6
2.4.3.2 Eventos Complementares ............................................................................................ 7
2.4.3.3 Eventos mutuamente exclusivos ou mutuamente excludentes .................................... 8
2.5 Conceitos de Probabilidade ................................................................................................... 9
2.5.1 Teoria Clssica ou Teoria de Laplace ............................................................................ 9
2.5.2 Teoria Frequencista ........................................................................................................ 9
2.5.3 Definio Axiomtica de Probabilidade ...................................................................... 10
2.6 Probabilidade Condicional .................................................................................................. 11
2.7 Teorema do Produto ............................................................................................................ 11
2.8 Independncia Estatstica .................................................................................................... 12
2.9 Teorema da Probabilidade Total ......................................................................................... 12
2.10 Teorema de Bayes ............................................................................................................. 13
2.11 Varivel Aleatria ............................................................................................................. 14
2.12 Distribuies de Probabilidades ........................................................................................ 15
2.12.1 Distribuio de Bernoulli ........................................................................................... 15
2.12.2 Distribuio Binomial ................................................................................................ 16
2.12.3 Distribuio Hipergeomtrica .................................................................................... 17
2.12.4 Distribuio Geomtrica ............................................................................................ 18
2.12.5 Distribuio de Poisson .............................................................................................. 19
2.12.6 Distribuio Uniforme................................................................................................ 20
2.12.7 Distribuio Exponencial ........................................................................................... 20
2.12.8 Distribuio Normal ................................................................................................... 22
Exerccios .................................................................................................................................. 24
BIBLIOGRAFIA ........................................................................................................................... 26

Prof. Jorge Matos

Teoria das Probabilidades

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

1.2 Princpio Fundamental da Contagem

Se determinado acontecimento ocorre em n etapas diferentes, e se a primeira etapa pode
ocorrer de k1 maneiras diferentes, a segunda de k2 maneiras diferentes, e assim sucessivamente,
ento o nmero total T de maneiras de ocorrer o acontecimento dado por:
T = k1.k2.k3. ... .kn
1.3 Arranjos
So agrupamentos formados com k elementos, de forma que os k elementos sejam
distintos entre si pela ordem ou pela espcie. Os arranjos podem ser simples ou com repetio.
1.3.1 Arranjos Simples
No arranjo simples no ocorre repetio de qualquer elemento em cada grupo de k
elementos.
Considerando um conjunto com n elementos, chama-se arranjo simples de taxa k
todo agrupamento de k elementos distintos dispostos numa certa ordem. Dois arranjos diferem
entre si, pela ordem de colocao dos elementos. Veja um exemplo abaixo:
Conjunto Z
N de elementos dos Grupos
Grupos de Arranjo Simples
Frmula de Clculo

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.

1.3.2 Arranjos com Repetio

No arranjo com repetio todos os elementos podem aparecer repetidos em cada grupo
de k elementos. Veja o exemplo abaixo:
Conjunto Z
N de elementos dos Grupos
Arranjos com Repetio
Frmula de Clculo

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

Prof. Jorge Matos

Teoria das Probabilidades

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

{ABC, ACB, BAC, BCA, CAB, CBA}

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

1.4.2 Permutaes com Repetio

Se entre os n elementos de um conjunto existem a elementos repetidos, b elementos
repetidos, c elementos repetidos e assim sucessivamente, o nmero total de permutaes que
podemos formar dado por:
Conjunto Z
Repetio de elementos
Permutao com Repetio
Frmula de Clculo

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

O nmero acima tambm conhecido como nmero binomial. O nmero binomial

indicado por:

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

Teoria das Probabilidades

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.

Caractersticas dos experimentos aleatrios

a) Cada experimento poder ser repetido um grande nmero de vezes sob as mesmas
condies;
b) No podemos afirmar que resultado particular ocorrer, porm, podemos descrever o
conjunto de todos os possveis resultados do experimento, ou seja, as possibilidades de resultado;
Prof. Jorge Matos
Teoria das Probabilidades
IFRS-Cmpus Farroupilha 5

Curso: Engenharia
Disciplina: Probabilidade e Estatstica

c) Quando o experimento repetido um grande nmero de vezes, surgir uma

regularidade nos resultados. Esta regularidade, chamada de regularidade estatstica, que torna
possvel construir um modelo matemtico preciso com o qual se analisar o experimento.
2.4.2 Espao Amostral
o conjunto de todos os possveis resultados de um experimento aleatrio. Assim, o
espao amostral representa o universo de todos os possveis eventos.
Exemplos:
Definir os espaos amostrais com base nos seguintes experimentos:
a- Lanar uma moeda e observar a face voltada para cima.
Os dois resultados possveis so: cara e coroa: S = {Cara, Coroa}.
b- Jogar um dado e observar o nmero da face superior.
Os seis resultados possveis so: 1, 2, 3, 4, 5 e 6: S = {1, 2, 3, 4, 5, 6}.
c- Jogar duas moedas e observar as faces voltadas para cima.
Os quatro resultados possveis so: cara e cara, cara e coroa, coroa e cara, coroa e coroa
S = {kk, kc, ck , cc}.
d- Altura de homens adultos.
De uma forma genrica poderamos definir indivduo adulto como tendo mais de 1,40m de
altura:
S = {Altura > 1,40m}
e- Observar o nmero de meninos em famlias de 5 filhos.
Cada famlia pode ter no mnimo 0 e no mximo 5 meninos: S = {0, 1, 2, 3, 4, 5}
f) Uma moeda e um dado so lanados. D o espao amostral correspondente.
S = {.............................................................. }
2.4.3 Evento
Dado um espao amostral S, associado a um experimento E qualquer, definimos como
evento, qualquer subconjunto desse espao amostral.
Exemplo:
Considerando o experimento:
E: lanamento de um dado.
alguns possveis eventos associados a esse experimento seriam os seguintes:
A: Sair o nmero 3;
B: Sair um nmero menor ou igual a 6;
C: Sair um nmero mpar;
D: Sair um nmero maior do que 4;
E: Sair um nmero maior do que 6.
2.4.3.1 Combinao de Eventos
Seja o Experimento Aleatrio: lanamento de um dado no viciado e observao da face
voltada para cima: o seu espao amostral ser S = {1, 2, 3, 4, 5, 6}. Definindo trs eventos: A =
{1, 2, 4, 6}, B ={3, 4, 5, 6} e C ={1, 3} sero apresentadas as combinaes de eventos:
- Evento unio ou reunio de A com B ou A soma B ou (AB): evento que ocorre se A ou
B ou ambos ocorrem. Composto por todos os resultados que pertencem a um ou ao outro, ou a
ambos.

AB = {1, 2, 3, 4, 5, 6}

Figura 1: Diagrama de Venn para o evento unio.

Prof. Jorge Matos

Teoria das Probabilidades

IFRS-Cmpus Farroupilha

Curso: Engenharia
Disciplina: Probabilidade e Estatstica

- Evento interseo de A com B ou A produto B ou (AB): evento que ocorre se A e B

ocorrem simultaneamente. Composto por todos os resultados que pertencem a ambos.
AB = {4, 6}

Figura 2: Diagrama de Venn para o evento interseo.

- Evento diferena de A e B ou A menos B ou (A-B): a diferena entre o evento A e B.

Composto pelos resultados que pertencem a A e no pertencem a B.

A-B = {1, 2}

Figura 3: Diagrama de Venn para o evento diferena.

2.4.3.2 Eventos Complementares

Sabemos que um evento pode ocorrer ou no ocorrer. Sendo S o espao amostral, o
complementar de A representado por Ac o evento que ocorrer, se e somente se A no ocorrer,
ou seja, o conjunto dos resultados que no esto em A. De um modo geral, se p a
probabilidade de ocorrncia de um evento A, ento 1-p a probabilidade de no-ocorrncia
daquele evento.

Ac

Ac = {3, 5} P(Ac)=1-P(A)

Figura 4: Diagrama de Venn para o evento complementar.

Obs.: Numa distribuio de probabilidades o somatrio das probabilidades atribudas a cada evento elementar
igual a 1, onde: p1 + p2 + p3 + ... + pn = 1.

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).

4- Seja S = {a, b, c, d} . Consideremos a seguinte distribuio de probabilidades:

P(b) = 1/8 ; P(c) = 1/4 e P(d) = x . Calcule o valor de x . Resp.: x=1/2

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

Prof. Jorge Matos

Teoria das Probabilidades

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:

P(1 2) P(1 e 2) P(1).P(2)

P1 = P(4 dado1) = 1/6

P2 = P(3 dado2) = 1/6
P total = P(4 dado1) x P(3 dado2) = 1/6 x 1/6 = 1/36

2.4.3.3 Eventos mutuamente exclusivos ou mutuamente excludentes

Dois ou mais eventos so mutuamente exclusivos ou excludentes quando a realizao de
um exclui a realizao do(s) outro(s).
Assim, no lanamento de uma moeda, o evento "tirar cara" e o evento "tirar coroa" so
eventos mutuamente exclusivos ou excludentes, j que, ao se realizar um deles, o outro no se
realiza, isto AB=0.

Figura 5: Diagrama de Venn para eventos mutuamente excludentes.

Se dois eventos so mutuamente exclusivos, a probabilidade de que um ou outro se

realize igual soma das probabilidades de que cada um deles se realize:
P(1 2) P(1 ou 2) P(1) P(2)
Exemplo1:
No lanamento de um dado qual a probabilidade de se tirar o n 3 ou o n 4 ?
Como os dois eventos so mutuamente exclusivos ento: P = 1/6 + 1/6 = 2/6 = 1/3
Obs.: Na probabilidade da unio de dois eventos A e B, quando h elementos comuns, devemos excluir as
probabilidades dos elementos comuns a A e B (elementos de A B ) para no serem computadas duas vezes.

Assim: P( A B ) = P(A) + P(B) - P( A B )

Exemplo2:
Retirando-se uma carta de um baralho de 52 cartas, qual a probabilidade da carta retirada
ser um AS ou uma carta de COPAS ?
P(AS Copas) = P(AS) + P(Copas) - P(ASCopas) = 4/52 + 13/52 - 1/52 = 16/52
Exemplo3:
Dois dados so lanados. Define-se os eventos: A = soma dos pontos obtidos igual a 9, e
B = o ponto do primeiro dado maior ou igual a 4. Determine os eventos A e B e ainda os
eventos: AB, AB e A

Prof. Jorge Matos

Teoria das Probabilidades

IFRS-Cmpus Farroupilha

Curso: Engenharia
Disciplina: Probabilidade e Estatstica

2.5 Conceitos de Probabilidade

A maior ou menor possibilidade de ocorrncia de um evento medida por um nmero
que est compreendido entre zero e um ( 0 P 1), ou entre zero e cem por cento
( 0% P 100% ), chamado probabilidade.
2.5.1 Teoria Clssica ou Teoria de Laplace
Se o espao de resultados S constitudo por um nmero finito de n elementos
resultando, assim em n acontecimentos
elementares, todos eles igualmente possveis ou
provveis, define-se Probabilidade de um acontecimento A e representa-se por P(A) como sendo
a razo entre o nmero de resultados favorveis a A e o nmero de resultados possveis.
Chamamos de probabilidade de um evento A (sendo que A est contido no espao
amostral S) o nmero real P(A), tal que:

nmero de casos favorveis

nmero de casos possveis
Crtica definio clssica
(i) A definio clssica dbia, j que a ideia de igualmente provvel a mesma de com
probabilidade igual, isto , a definio circular, porque est definindo essencialmente a
probabilidade com seus prprios termos.
(ii) A definio no pode ser aplicada quando o espao amostral infinito.
P( A)

2.5.2 Teoria Frequencista

Suponha que um experimento repetido n vezes, e seja A e B dois eventos associados ao
experimento. Sejam nA e nB o nmero de vezes que o evento A e o evento B ocorram nas n
repeties. A frequncia relativa do evento A, representada por frA, definida como:
nA nmero de ocorrncia s de A
frA

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:

frAB frA frB

Definio
Seja E um experimento e A um evento de um espao amostral associado S. Suponhamos
que E repetido n vezes e seja frA a frequncia relativa do evento. Ento a probabilidade de A
definida como sendo o limite de frA quando n tende ao infinito. Ou seja:
frA
P( A) lim
n

P( A)

nA
nmero de vezes que A ocorre

n nmero de vezes que E repeti do

Deve-se notar que a frequncia relativa do evento A uma aproximao da probabilidade

de A. As duas se igualam apenas no limite. Em geral, para um valor de n, razoavelmente grande
a frA uma boa aproximao de P(A).
Obs.: Para construir ou utilizar modelos probabilsticos necessrio que haja um grande nmero de realizaes do
fenmeno (experimento) para que uma regularidade possa ser verificada: a Lei dos Grandes Nmeros. No incio
do sculo XX o estatstico ingls Karl Pearson lanou uma moeda no viciada 24000 vezes (!) para verificar a
validade dessa lei: obteve 12 012 faces, dando uma proporo de 0,5005 (praticamente o valor esperado de 12000,
50%).
Prof. Jorge Matos

Teoria das Probabilidades

IFRS-Cmpus Farroupilha

Curso: Engenharia
Disciplina: Probabilidade e Estatstica

Crtica Teoria Frequencista

Esta definio, embora til na prtica, apresenta dificuldades matemticas, pois o limite
pode no existir. Em virtude dos problemas apresentados pela definio clssica e pela definio
frequencista, foi desenvolvida uma teoria moderna.
2.5.3 Definio Axiomtica de Probabilidade
A matemtica toda passou por um processo de axiomatizao a partir da segunda metade
do sculo XIX e a definio de Kolmogoroff faz parte deste processo. Kolmogoroff afirmou que
a teoria das probabilidades poderia ser desenvolvida a partir de axiomas, da mesma forma que a
geometria e a lgebra. Nestes axiomas ficam estabelecidos os entes matemticos a serem
estudados e as relaes entre eles. Toda a teoria construda a partir destes axiomas,
independentemente de qualquer interpretao dos mesmos ou de suas consequncias.
Kolmogoroff colocou como axiomas as propriedades comuns das noes de
probabilidade clssica e frequentista, que desta forma viraram casos particulares da definio
axiomtica. bvio que podero existir outras interpretaes da definio axiomtica sem
relao com as ideias ou os problemas que a originaram.
Dado um espao amostral S, a probabilidade de um evento A ocorrer, representado por
P(A), uma funo definida em que, associa a cada evento um nmero real, satisfazendo os
seguintes axiomas:
(i) para todo evento A pertencente ao espao amostral S vale que 0 P( A) 1;
(ii) P(S ) 1 ;
(iii) Se A pertence a S, B pertence a S e A e B forem mutuamente exclusivos ( A B 0 ),
ento P( A B) P( A) P( B) .
Obs.: A probabilidade de um evento A, denotada por P(A), indica a chance de ocorrncia do evento A. Quanto mais
prxima de 1 P(A), maior a chance de ocorrncia do evento A, e quanto mais prxima de zero, menor a chance
de ocorrncia do evento A.

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%

4- No lanamento de um dado qual a probabilidade de se obter um nmero maior que 6 em um

evento A?
S = {1, 2, 3, 4, 5, 6}
A={ }
P(A) = 0/6 = 0,00 = 0%
Obs.: probabilidade do evento impossvel = 0,00 ou 0%.

Exerccios:
1- Qual a probabilidade de sair um nmero maior do que 5 quando jogamos um dado?
Prof. Jorge Matos

Teoria das Probabilidades

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

Prof. Jorge Matos

9
9
9
9

10
10
10
10

J
J
J
J

Q
Q
Q
Q

K
K
K
K

( )
( )
( )
( ) }

Teoria das Probabilidades

IFRS-Cmpus Farroupilha

11

Curso: Engenharia
Disciplina: Probabilidade e Estatstica

2.7 Teorema do Produto

Das expresses da probabilidade condicional mostradas acima resulta a regra do produto,
que se refere ao clculo da probabilidade do evento interseo.
A probabilidade da ocorrncia simultnea de dois eventos, A e B, do mesmo espao
amostral igual ao produto da probabilidade de um deles pela probabilidade condicional do
outro, dado o primeiro.
P( A B) P( A B) P( B).P( A / B)
P( A / B)
P( B)
P( A B) P( A B) P( A).P( B / A)
P( B / A)
P( A)

2.8 Independncia Estatstica

Um evento A considerado independente de um outro evento B se a probabilidade de A
ocorrer igual probabilidade condicional de A dado que B tenha ocorrido.
P( A) P( A / B)
evidente que, se A independente de B, B independente de A, assim:
P( B) P( B / A)
Considerando o teorema do produto, pode-se afirmar que: se A e B so independentes,
ento:
P( A B) P( A).P( B)
Exemplo:
Em um lote de 12 peas, 4 so defeituosas, 2 peas so retiradas uma aps a outra com
reposio. Qual a probabilidade de que ambas sejam boas?
A={a 1 pea boa}
B={a 2 pea boa}
Observem que A e B so independentes, pois P( B) P( B / A) , logo:
P( A B) P( A).P( B) 8 / 12 x8 / 12 4 / 9
Exemplo:
Trs componentes C1, C2, e C3, de um mecanismo so postos em srie (em linha reta). Suponha que esses
componentes sejam dispostos em ordem aleatria. Seja A o evento {C2 est direita de C1}, e seja B o evento {C3
est direita de C1}. Os eventos A e B so independentes? Por qu?
Soluo:
Para que A e B sejam independentes deve-se ter:
P(AB) = P(A).P(B).
O espao amostral para este caso :
S = {C1C2C3, C1C3C2, C2C1C3, C2C3C1, C3C1C2, C3C2C1}
As sequncias em que C2 est direita de C1 so:
A = {C1C2C3, C1C3C2, C3C1C2}. Logo: P(A) = 3/6 = 50%
As sequncias em que C3 est direita de C1 so:
B = {C1C2C3, C1C3C2, C2C1C3 }. Logo: P(B) = 3/6 = 50%
As sequncias em que C2 est direita de C1 e C3 est tambm direita de C1 so:
AB = {C1C2C3, C1C3C2}. Logo,
P(AB) = 2/6 = 1/3 = 33,33% P(A).P(B) = 0,5.0,5 = 0,25 = 25%
Portanto os eventos A e B no so independentes.

2.9 Teorema da Probabilidade Total

A partio de um conjunto uma coleo de eventos tal que a sua unio igual ao
conjunto original, e que a interseo de quaisquer dois deles nula. Ao se particionar um evento
possvel calcular a sua probabilidade somando-se a probabilidade dos eventos da partio.
Atravs do particionamento de conjuntos, possvel no apenas se calcular a probabilidade de
eventos a partir de outras probabilidades j conhecidas como tambm deduzir diversas
propriedades e implicaes do prprio conceito de probabilidade.
Prof. Jorge Matos

Teoria das Probabilidades

IFRS-Cmpus Farroupilha

12

Curso: Engenharia
Disciplina: Probabilidade e Estatstica

Figura 6: Partio de um conjunto S em B1, B2, ..., Br.

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 )

Pela Probabilidade condicional temos que: P( A / B)

Ento podemos escrever a frmula do Teorema da Probabilidade Total como: P( A)

[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 )

P(ganhar) = P(ganhar chuva) + P(ganhar no chuva)

P(ganhar) = P(chuva) . P(ganhar/chuva) + P(no chuva).P(ganhar/no chuva)
P(ganhar) = (0,40.0,50) + (0,60.0,70) = 0,20 + 0,42 = 0,62 ou 62%

2.10 Teorema de Bayes

O Teorema de Bayes obtido diretamente da aplicao da regra do produto na lgebra da
teoria de probabilidades, sendo descrito como apresentado abaixo:
Sabemos que:
P( A Br )
, P( A Br ) P( Br ).P( A / Br ) e P( A) [ P( Br ).P( A / Br )] ento,
P( Br / A)
P( A)
substituindo teremos:
P( Br ).P( A / Br )
, que a frmula do Teorema de Bayes.
P( Br / A)
P( Br ).P( A / Br )
Exemplos:
1- Certo professor de Farroupilha 4/5 das vezes vai trabalhar usando um fusca e usando um carro
importado nas demais vezes. Quando ele usa o fusca, 75 % das vezes ele chega em casa antes
das 21 horas e quando usa o carro importado s chega em casa antes das 21 horas em 60% das
vezes. Ontem o professor chegou em casa aps s 21 horas. Qual a probabilidade de que ele, no
dia de ontem, tenha usado o fusca ?
Soluo:
B1 = usar o fusca
B2 = usar carro importado
A = chegar em casa aps 19 horas
P(B1) = 4/5 = 0,80
P(B2) = 1/5 = 0,20
P(A/B1) = 1 - 0,75 = 0,25
P(A/B2) = 1 - 0,60 = 0,40
P(B1/A) = P(B1).P(A/B1)/ [P (B1).P(A/B1) +P (B2).P(A/B2)]
P(B1/A) = 0,80 x 0,25/[(0,80 x 0,25) + (0,20 x 0,40)]
P(B1/A) = 0,20 /(0,20 + 0,08) = 0,7143 ou 71,43 %

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

Teoria das Probabilidades

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

3- Trs mquinas A, B e C apresentam respectivamente 10%, 20% e 30% de peas defeituosas

na sua produo. A mquina A produz o equivalente a 40% da produo diria; a mquina B,
25%; e a mquina C, 35%. Ao final de um dia, as peas so todas misturadas. Selecionando-se
uma destas peas ao acaso e verificando-se que era defeituosa, qual a probabilidade dela ter
vindo da mquina A?
Soluo:
Sejam os eventos:
A: a pea selecionada da mquina A.
P(A) = 0,40
P(D/A) = 0,10
B: a pea selecionada da mquina B.
P(B) = 0,25
P(D/B) = 0,20
C: a pea selecionada da mquina C.
P(C) = 0,35
P(D/C) = 0,30
D: a pea selecionada defeituosa.
Queremos saber P(A/D)
P(D) = P(A).P(D/A) + P(B).P(D/B) + P(C).P(D/C)
P(D) = 0,40.0,10 + 0,25.0,20 + 0,35.0,30 = 0,195
Logo, P(A/D) = 0,040/0,195 = 0,205
P(C/D) = 0,050/0,195 = 0,256
P(B/D) = 0,105/0,195 = 0,538

2.11 Varivel Aleatria

Suponhamos um espao amostral S e que a cada ponto amostral seja atribudo um nmero
real representado por X. Fica, ento, definida uma funo X(S), chamada varivel aleatria.
Variveis aleatrias so funes matemticas que associam nmeros reais aos eventos de um
espao amostral. Cada varivel aleatria tem associada a si uma distribuio de probabilidade
cujo conhecimento necessrio para a perfeita caracterizao do seu comportamento. Se o
espao amostral for finito ou infinito enumervel a varivel aleatria dita discreta. Se o espao
amostral for infinito a varivel aleatria dita contnua.
Assim, se o espao amostral relativo ao "lanamento simultneo de duas moedas"
S={(k, k), (k, c), (c, k), (c, c)} e se X representa o "nmero de caras" que aparecem, a cada ponto
amostral podemos associar um nmero para X, de acordo com a tabela abaixo:
Ponto amostral
amostral
(k, k)
Ponto(k,
amostral
c)
k)
Ponto(c,amostral
(c, c)

Logo, podemos escrever

Nmero de caras (X) Probabilidade P(X)
2
1/4
1
1/2
0
1/4
Total
4/4 = 1

X
2
1
1
0

Exemplo prtico de uma distribuio de probabilidade:

Consideremos a distribuio de frequncias relativa ao nmero de acidentes dirios na Rodovia do SOL
durante o ms de nov/2008:
No de acidentes
0
1
2
3
latoT
Prof. Jorge Matos

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

2.12 Distribuies de Probabilidades

Existem muitas relaes, tais como a exponencial, a quadrtica, a linear, a parablica, que
so usadas para descrever a funcionalidade entre as variveis determinsticas. No caso das
variveis aleatrias, certas distribuies de probabilidade so usadas com mais frequncia para
descrever a grande maioria dos fenmenos fsicos.
Distribuio de probabilidade um modelo matemtico que relaciona certo valor da
varivel em estudo com a sua probabilidade de ocorrncia. De acordo com a natureza das
variveis envolvidas, h dois tipos de distribuio de probabilidade.
1- Distribuies para variveis discretas: quando a varivel que est sendo medida s
pode assumir certos valores inteiros. As distribuies de probabilidade, para variveis aleatrias
discretas, mais comumente usadas em engenharia e que desenvolvem um papel importante na
metodologia estatstica so: Bernoulli, Binomial, Hipergeomtrica, Poisson e Geomtrica.
P( X x0 ) P( x0 )
2- Distribuies para variveis contnuas: quando a varivel que est sendo medida
expressa em uma escala contnua.
b

P{a X b} f ( X )dX
a

2.12.1 Distribuio de Bernoulli

Este processo anlogo quele de jogar uma moeda. As seguintes suposies se aplicam:
a) Cada experimento dito ser uma tentativa. Existe uma srie de tentativas, cada uma
tendo dois resultados: sucesso ou falha;
b) A probabilidade de sucesso igual a algum valor constante para todas as tentativas;
c) Os resultados sucessivos so estatisticamente independentes. A probabilidade de
sucesso na prxima tentativa no pode variar, no importando quantos sucessos ou falhas tenham
sido obtidos.
O processo de Bernoulli comumente utilizado em aplicaes de engenharia envolvendo
controle de qualidade. Cada novo item criado no processo de produo pode ser considerado
como uma tentativa resultando em uma unidade com ou sem defeito. Este processo no se limita
a objetos; podendo ser usado em pesquisas eleitorais e de preferncias dos consumidores por
determinados produtos.
Prof. Jorge Matos

Teoria das Probabilidades

IFRS-Cmpus Farroupilha

15

Curso: Engenharia
Disciplina: Probabilidade e Estatstica

p
(1 p) q

A varivel aleatria X com funo de probabilidade: P( x)

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

Figura 7: Grfico da distribuio Binomial com n=50 e p=0,1 - B(50; 0,1)

Os parmetros da distribuio binomial so n e p. A mdia e a varincia so calculadas

como:
n. p

2 n. p.q
n. p.q
Prof. Jorge Matos

Teoria das Probabilidades

IFRS-Cmpus Farroupilha

16

Curso: Engenharia
Disciplina: Probabilidade e Estatstica

P(X) = a probabilidade de que o evento se realize x vezes em n provas do experimento.

p = a probabilidade de que o evento se realize no decurso do experimento = sucesso.
q = a probabilidade de que o evento no se realize no decurso do experimento = insucesso ou
falha.
Obs.: O nome binomial devido frmula, pois representa o termo geral do desenvolvimento do binmio de
Newton.

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

2- Determine a probabilidade de obtermos exatamente 3 caras em 6 lances de uma moeda.

3- Dois times de futebol, A e B, jogam entre si 6 vezes. Encontre a probabilidade de o time A:
a- ganhar dois jogos;
b- ganhar dois ou trs jogos;
c- ganhar pelo menos um jogo;
4- Jogando-se um dado trs vezes, determine a probabilidade de se obter um mltiplo de 3 duas
vezes.
5- A probabilidade de um atirador acertar o alvo 2/3. Se ele atirar 5 vezes, qual a probabilidade
de acertar exatamente 2 tiros ?
6- Seis parafusos so escolhidos ao acaso da produo de certa mquina, que apresenta 10% de
peas defeituosas. Qual a probabilidade de serem defeituosos dois deles ?
2.12.3 Distribuio Hipergeomtrica
A distribuio hipergeomtrica uma das mais importantes distribuies de
probabilidade para variveis discretas usadas em amostragem estatstica. Ela fornece
probabilidades para o nmero de observaes amostrais de uma categoria particular que pode ser
obtida. A diferena bsica entre esta distribuio hipergeomtrica e a binomial que esta ltima
requer independncia entre as tentativas, o que torna impraticvel sua utilizao na avaliao de
investigaes amostrais de populaes pequenas, a menos que a amostragem seja feita com
reposio. Por exemplo, em controle de qualidade de equipamentos eletrnicos, testes so feitos
com a destruio da amostra, no podendo, pois haver reposio. A distribuio hipergeomtrica
pode ser melhor entendida atravs do seguinte exemplo:
Exemplo: Considere um carregamento de 25 transformadores, dos quais uma amostra de 4 deles
ser testada do ponto de vista ambiental. Cada transformador do carregamento ser considerado
satisfatrio (S) ou defeituoso (D). Supondo que 20% dos transformadores so defeituosos (o que
representa 5 transformadores do total). Naturalmente, este fato desconhecido do setor de testes,
que deve aceitar ou rejeitar o carregamento com base no nmero de itens defeituosos
encontrados na amostra.
A distribuio hipergeomtrica indicada quando consideramos extraes casuais feitas
sem reposio de uma populao dividida segundo dois atributos. Considere N objetos, r dos
quais tem o atributo A e N-r tem o atributo B. Um grupo de n elementos escolhido ao acaso,
Prof. Jorge Matos

Teoria das Probabilidades

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).

2.12.4 Distribuio Geomtrica

A distribuio geomtrica a menos usada dentre as distribuies. Ela est relacionada
ao nmero de tentativas de um processo de Bernoulli, antes do primeiro sucesso ser obtido. Em
problemas de confiabilidade, este fato passa a ser algo importante, que deve ser considerado. Por
exemplo: a clula de potncia de um satlite pode durar indefinidamente at que haja uma
coliso com um micro meteoro. Cada dia considerado como uma tentativa no processo de
Bernoulli.
A expresso matemtica para esta distribuio dada abaixo:
P( X x) p.(1 p) x1 , para x=1,2,3,..., sendo X o nmero de tentativas no processo de
Bernoulli at que o primeiro sucesso seja atingido e p a probabilidade de sucesso.
Exemplo1: uma moeda viciada apresenta "cara" em 75% das vezes em que jogada. Ento, a
probabilidade de que ocorra X jogadas antes da primeira cara P(x) = 0,75.0,25x.
Exemplo 2: Cada dia h uma probabilidade de p = 0,01 de que um satlite seja danificado em
uma coliso. A probabilidade de sobrevivncia diria consequentemente igual a 1-p = 0,99.
Prof. Jorge Matos

Teoria das Probabilidades

IFRS-Cmpus Farroupilha

18

Curso: Engenharia
Disciplina: Probabilidade e Estatstica

Calcule a probabilidade de que o satlite seja danificado exatamente no vigsimo e centsimo

dias de operao.
Soluo: P( X 20) P(20) 0,01.(0,99)19 0,0083
P( X 100) P(100) 0,01.(0,99)99 0,0037
A funo de distribuio de probabilidade geomtrica expressa a probabilidade
cumulativa de que o primeiro sucesso ocorra em, ou antes, da n-sima tentativa.
x

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

Figura 9: Grfico da distribuio Geomtrica com p=0,1 - G(0,1)

2.12.5 Distribuio de Poisson

A distribuio de Poisson adequada para descrever situaes onde existe uma
probabilidade de ocorrncia em um campo ou intervalo contnuo, geralmente tempo ou rea. Por
exemplo, o nmero de acidentes por ms, o nmero de defeitos por metro quadrado, nmero de
clientes atendidos por hora, etc.
Nota-se que a varivel aleatria discreta (nmero de ocorrncias), no entanto, a unidade
de medida contnua (tempo, rea). Alm disso, as falhas no so contveis, pois no possvel
contar o nmero de acidentes que no ocorreram, nem tampouco o nmero de defeitos que no
ocorreram.
A distribuio de Poisson fica completamente caracterizada por um nico parmetro,
denominado , que representa a taxa mdia de ocorrncias por unidade de medida.
Condies para a aplicao do modelo de Poisson:
a) nmero de ocorrncias durante qualquer intervalo depende somente da extenso do intervalo;
b) as ocorrncias ocorrem independentemente, ou seja, um excesso ou falta de ocorrncias em
algum intervalo no exerce efeito sobre o nmero de ocorrncias em outro intervalo;
c) a possibilidade de duas ou mais ocorrncias acontecerem em um pequeno intervalo muito
pequena quando comparada de uma nica ocorrncia. A equao para calcular a probabilidade
de x ocorrncias dada por:
e x
P( X x)
, para x 1, 2, 3, ..., n
x!
A mdia e a varincia da distribuio de Poisson so: e 2
Uma aplicao tpica da distribuio de Poisson no controle da qualidade, utilizada
como um modelo para a determinao do nmero de defeitos (no conformidades) que ocorrem
por unidade de produto (por m2, por volume ou por tempo, etc.). Como exemplo, suponha que o
nmero de defeitos de pintura siga uma distribuio de Poisson com 2 defeitos / pea .
Ento, a probabilidade de que uma pea apresente mais de 4 defeitos de pintura vir dada por:
Prof. Jorge Matos

Teoria das Probabilidades

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

Figura 10: Grfico da distribuio de Poisson com =2,0 - P(2)

2.12.6 Distribuio Uniforme

utilizada como primeira aproximao para representar uma varivel aleatria continua
que pode assumir valores entre a e b e cujas caractersticas pouco se conhece.
1
, se a X b

Densidade de Probabilid ade: f(X) b a

0, nos outros casos

0, se X a
X a

Probabilid ade acumulada : F(X)

, se a X b
ba

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

Figura 11: Grfico da distribuio Uniforme.

2.12.7 Distribuio Exponencial

Na distribuio de Poisson, a varivel aleatria definida como o nmero de ocorrncias
em determinado perodo, sendo a mdia das ocorrncias no perodo definida como . Na
Distribuio Exponencial a varivel aleatria definida como o tempo entre duas ocorrncias,
sendo a mdia de tempo entre ocorrncias de 1/ . Por exemplo, se a mdia de atendimentos no
Prof. Jorge Matos

Teoria das Probabilidades

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

A distribuio Exponencial acumulada vem dada por:

t

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

Figura 12: Grfico da distribuio Exponencial com =0,35 - E(0,35).

A distribuio Exponencial amplamente utilizada no campo da confiabilidade, como

um modelo para a distribuio dos tempos at a falha de componentes eletrnicos. Nessas
aplicaes o parmetro representa a taxa de falha para o componente, e 1/ o tempo mdio
at a falha. Por exemplo, suponha que uma mquina falhe em mdia uma vez a cada dois anos
1/ 2 0,5 . Calcule a probabilidade de a mquina falhar durante o prximo ano.
F (t ) P(T 1) 1 e 0,5.1 1 0,607 0,3935
A probabilidade de falhar no prximo ano de 0,393 e de no falhar no prximo ano de
1-0,393=0,607. Ou seja, se forem vendidos 100 mquinas 39,3% iro falhar no perodo de um
ano.
Conhecendo-se os tempos at a falha de um produto possvel definir os perodos de
garantia.
Prof. Jorge Matos

Teoria das Probabilidades

IFRS-Cmpus Farroupilha

21

Curso: Engenharia
Disciplina: Probabilidade e Estatstica

2.12.8 Distribuio Normal

A distribuio de probabilidade contnua mais importante e mais utilizada a distribuio
normal, geralmente citada como curva normal ou curva de Gauss. Sua importncia em anlise de
dados resulta do fato de que muitas tcnicas estatsticas aplicadas nas cincias e engenharias,
como anlise de varincia, de regresso, inferncias e alguns testes de hiptese, assumem e
exigem a normalidade dos dados. Alm disso, a ampla aplicao dessa distribuio vem em parte
devido ao teorema do limite central. Este teorema declara que para dados provenientes de
qualquer distribuio, na medida em que o tamanho da amostra aumenta, a distribuio amostral
das mdias amostrais tende para uma distribuio normal.
Muitas das variveis analisadas nas pesquisas cientficas correspondem distribuio
normal ou dela se aproximam.
Uma varivel aleatria contnua X tem uma distribuio normal (ou Gaussiana) se sua
funo densidade de probabilidade for do tipo:

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).

Propriedades da distribuio normal:

1 - A varivel aleatria X pode assumir qualquer valor do conjunto dos nmeros reais.
2 - A representao grfica da distribuio normal uma curva em forma de sino,
simtrica em torno da mdia, que recebe o nome de curva normal ou curva de Gauss.
3 - A rea total limitada pela curva e pelo eixo das abscissas igual a 1, j que essa rea
corresponde probabilidade de a varivel aleatria X assumir qualquer valor real.
4 - A curva normal assinttica em relao ao eixo das abscissas, isto , aproxima-se
indefinidamente do eixo das abscissas sem, contudo, alcan-lo.
5 - Como a curva simtrica em torno da mdia, a probabilidade de ocorrer valor maior
que a mdia igual probabilidade de ocorrer valor menor do que a mdia, isto , ambas as
probabilidades so iguais a 0,5 ou 50%. Cada metade da curva representa 50% de probabilidade.
6 Quando 0 e 1 tem-se uma distribuio normal padro ou normal reduzida. A
varivel normal padro ser anotada por Z. Ento Z: N(0,1). A funo densidade de
probabilidade da varivel aleatria Z ser representada por:

f ( z)

1
2

Prof. Jorge Matos

z2
-
2

, para - z

(distribuio normal padro)

Teoria das Probabilidades

IFRS-Cmpus Farroupilha

22

Curso: Engenharia
Disciplina: Probabilidade e Estatstica

F ( z)

1
e
2

z2
-
2

dz

(distribuio normal padro acumulada)

f(Z)

Distribuio Normal Padro

0,420
0,400
0,380
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

-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

Utilizaremos tambm uma tabela normal reduzida, que nos d a probabilidade de z

assumir qualquer valor entre e um dado valor de z, isto : P(Z z ) .
Temos, ento, que se X uma varivel aleatria com distribuio normal de mdia X e
desvio-padro S, podemos escrever: P( xi X xs ) P( zi Z z s ) .
No nosso problema queremos calcular a probabilidade P(1,95 <X<2,05). Para obter essa
probabilidade, precisamos, em primeiro lugar, calcular os valores de z que correspondem a xi =
1,95 e xs = 2,05.
2,05 2,00
1,95 2,00
zs
1,25
zi
1,25
0,04
0,04
Utilizao da Tabela da distribuio Normal padronizada Z
Procuremos, agora, na tabela Z o valor de zi = -1,25 e zs = 1,25. Na primeira coluna
encontramos o valor at uma casa decimal = 1,2. Em seguida, encontramos, na primeira linha, o
valor 0,05, que corresponde ao ltimo algarismo do nmero 1,25. Na interseo da linha e coluna
correspondentes encontramos o valor 0,8944, o que nos permite escrever:
Prof. Jorge Matos

Teoria das Probabilidades

IFRS-Cmpus Farroupilha

23

Curso: Engenharia
Disciplina: Probabilidade e Estatstica

P(Z 1,25) 0,8944 ou 89,44 %, assim a probabilidade de um certo parafuso apresentar

um dimetro menor do que 1,25 89,44 %. Mas precisamos saber a probabilidade do dimetro
estar entre 1,95 e 2,05, para tanto teremos que determinar a probabilidade do valor de z entre
1,25 e 1,25 que calculada como segue:
P(1,95 X 2,05) P(1,25 Z 1,25) P(Z 1,25) P(Z 1,25)
consultando a tabela: P(Z 1,25) P(Z 1,25) 0,8944 0,1056 0,7888 78,88%

Tabela da distribuio Normal padronizada

Probabilidade e Estatstica
Distribuio
(cauda da esquerda)
P(Z<Zalfa) = alfa
z
-3,9
-3,8
-3,7
-3,6
-3,5
-3,4
-3,3
-3,2
-3,1
-3,0
-2,9
-2,8
-2,7
-2,6
-2,5
-2,4
-2,3
-2,2
-2,1
-2,0
-1,9
-1,8
-1,7
-1,6
-1,5
-1,4
-1,3
-1,2
-1,1
-1,0
-0,9
-0,8
-0,7
-0,6
-0,5
-0,4
-0,3
-0,2
-0,1
0,0

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

Normal Padronizada - reas sob a curva Normal

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

Teoria das Probabilidades

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

Teoria das Probabilidades

IFRS-Cmpus Farroupilha

25

Curso: Engenharia
Disciplina: Probabilidade e Estatstica

aparelhos/dia. Indique a probabilidade de um aparelho indicado ao acaso ser vendido logo no

primeiro dia.
16- Determine as probabilidades:
a) P(-0,50 < Z < 1,48) =
b) P(Z < 0,92) =
c) P(Z > 0,60) =
d) P(Z>-1,50) =
17- A resistncia trao do papel usado em supermercados uma caracterstica de qualidade
importante. Sabe-se que essa resistncia segue um modelo normal com mdia 40,0 psi e desviopadro de 2,00 psi. Se a especificao estabelece que a resistncia deve ser maior ou igual a 35,0
psi, qual a probabilidade que uma sacola produzida com este material satisfaa a especificao?
18- A resistncia trao de isoladores cermicos apresenta distribuio Normal com mdia 95,0
kg e desvio-padro 4,00 kg. Se forem produzidas 10.000 unidades desses isoladores, quantos
apresentaro resistncia inferior a 85,0 kg? E quantos apresentaro resistncia superior a 90,0
kg?
19- O consumo de gasolina por km rodado para certo tipo de carro, tem distribuio normal com
mdia de 100 ml com desvio padro de 5 ml.
a) calcular a probabilidade de um carro consumir entre 90 e 110 ml.
b) sabe-se que 99,50% dos carros consumem menos que certa quantidade de gasolina
qual essa quantidade?
c) calcular a probabilidade de um carro consumir mais que 107 ml?
20- Em uma indstria trabalham 1260 pessoas, cujos salrios seguem uma curva normal com
mdia de R$920,00 e desvio-padro R$ 58,00. Calcule o nmero provvel de funcionrios com
salrios inferiores R$ 950,00.

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.

Prof. Jorge Matos

Teoria das Probabilidades

IFRS-Cmpus Farroupilha

26