PRSociais

SR IE: Est at st ica Bsica - Enf o que : Sociais
Te xto SII: ELEMENTOS DE PROBABILIDADE
SUMRIO
1. INTRODUO....................................................................................................................................................................2
1.1. MODELOS ........................................................................................................................................................................2
1.2. EXPERIMENTO ALEATRIO (NO-DETERMINSTICO) .......................................................................................................2
1.3. O ESPAO AMOSTRAL .....................................................................................................................................................3
1.4. EVENTOS .........................................................................................................................................................................4
1.5. COMBINAO DE EVENTOS .............................................................................................................................................4
1.6. EVENTOS MUTUAMENTE EXCLUDENTES .........................................................................................................................5
2. CONCEITOS DE PROBABILIDADE ..............................................................................................................................6
2.1. CLSSICO ........................................................................................................................................................................6
2.2. FREQENCIAL .................................................................................................................................................................6
2.2.1. Freqncia relativa de um evento......................................................................................................................6

2.2.2. Propriedades da freqncia relativa..................................................................................................................7
2.2.3. Crtica definio freqencial...........................................................................................................................7
2.3. AXIOMTICO ...................................................................................................................................................................7
2.4. PROBABILIDADE CONDICIONADA E INDEPENDNCIA ......................................................................................................8
2.4.1. Teorema da multiplicao..................................................................................................................................8

2.4.2. Independncia de dois eventos ...........................................................................................................................8
3. VARIVEIS ALEATRIAS .............................................................................................................................................9
3.1. INTRODUO ..................................................................................................................................................................9
3.2. VARIVEL ALEATRIA DISCRETA ...................................................................................................................................9
3.2.1. A funo de probabilidade .................................................................................................................................9

3.2.2. Representao da funo de probabilidade .....................................................................................................10
3.3. VARIVEL ALEATRIA DISCRETA (CARACTERIZAO).................................................................................................11
3.4. DISTRIBUIES ESPECIAIS DE PROBABILIDADE DISCRETAS ...........................................................................................13
3.4.1. A distribuio binomial ....................................................................................................................................13

3.4.2. Propriedades da distribuio binomial............................................................................................................14
4. VARIVEIS ALEATRIAS CONTNUAS ..................................................................................................................16
4.1. CLCULO DE PROBABILIDADE COM UMA VAC .............................................................................................................16
4.2. VARIVEL ALEATRIA CONTNUA (CARACTERIZAO)................................................................................................16
4.3. DISTRIBUIES ESPECIAIS CONTNUAS .........................................................................................................................17
4.3.1. A distribuio normal.......................................................................................................................................17

4.3.2. Propriedades da distribuio normal...............................................................................................................17
4.3.3. Outras propriedades.........................................................................................................................................18
4.3.4. Tabelas..............................................................................................................................................................18
4.3.5. Relao entre as distribuies Binomial e Normal..........................................................................................19
5. EXERCCIOS ....................................................................................................................................................................21
6. RESPOSTAS DOS EXERCCIOS ..................................................................................................................................26
7. REFERNCIAS.................................................................................................................................................................29
Prof. Lor Viali, Dr.
viali@mat.pucrs.br
http://www.mat.pucrs.br/~lori/

1. INTRODUO
A cincia manteve-se at pouco tempo atrs, firmemente apegada lei da causa e efeito.
Quando o efeito esperado no se concretizava, atribua-se o fato ou a uma falha na experincia ou a
uma falha na identificao da causa. No poderia haver quebra da cadeia lgica. Segundo Laplace
(Pierre Simon) uma vez conhecidas a vizinhana, a velocidade e a direo de cada tomo no universo,
poder-se-ia, a partir da, predizer com certeza, o futuro at a eternidade.
Sabe-se hoje, atravs do princpio da incerteza , que no bem assim. Que no existem meios
que permitam determinar os movimentos dos eltrons individuais se conhecido a sua velocidade, conforme o estabelecido em 1927, pelo fsico alemo W. Heinsenberg.
1.1. MODELOS
Conforme J. Neymann, toda a vez que se emprega Matemtica com a finalidade de estudar
algum fenmeno deve-se comear por construir um modelo matemtico. Este modelo pode ser: determinstico ou ento probabilstico.
Modelo determnistico
Neste modelo as condies sob as quais o experimento executado, determinam o resultado
do experimento. Tome-se, por exemplo, a lei de Ohm, V = I.R. Se R e I forem conhecidos, ento V estar precisamente determinado.
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 probabilidade. utilizado quando se tem
um grande nmero de variveis influenciando o resultado e estas variveis no podem ser controladas.
Tome-se 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, etc.
O modelo estocstico caracterizado como um modelo probabilstico que depende ou varia
com o tempo.
1.2. EXP ERIMENTO ALEATRIO (NO-DETERMINS TICO)

No existe uma definio satisfatria de Experimento Aleatrio. Por isto necessrio ilustrar
o conceito um grande nmero de vezes para que a idia fique bem clara. Convm lembrar que os exemplos dados so de fenmenos para os quais modelos probabilsticos so adequados e que por simplicidade, so denominados de experimentos aleatrios, quando, de fato, o que deveria ser dito modelo no-determinstico aplicado a um experimento.
Ao descrever um experimento aleatrio deve-se especificar no somente que operao ou
procedimento deva ser realizado, mas tambm o que que dever ser observado. Note-se a diferena
entre E2 e E3.
E1: Joga-se um dado e observa-se o nmero obtido na face superior.
E2: Joga-se uma moeda 4 vezes e o observa-se o nmero de caras obtido.
E3: Joga-se uma moeda 4 vezes e observa-se a seqncia de caras e coroas.
E4: Um lote de 10 peas contm 3 defeituosas. As peas so retiradas uma a uma (sem reposio) at que a ltima defeituosa seja encontrada. Conta-se o nmero de peas retiradas.
E5: Uma lmpada nova ligada e observa-se o tempo gasto at queimar.
viali@mat.pucrs.br

E6: Lana-se uma moeda at que ocorra uma cara e conta-se ento o nmero de lanamentos
necessrios.
E7: Lanam-se dois dados e anota-se o total de pontos obtidos.
E8: Lanam-se dois dados e anota-se o par obtido.
Caractersticas dos Experimentos Aleatrios

Observando-se os exemplos acima pode-se destacar algumas caractersticas comuns:
1. Podem ser repetidos indefinidamente sob as mesmas condies.
2. No se pode adiantar um resultado particular, mas pode-se descrever todos os resultados
possveis
3. Se repetidos muitas vezes apresentaro uma regularidade em termos de freqncia de
resultados.
1.3. O ESPAO AMOSTRAL

Definio
o conjunto de todos os resultados possveis de um experimento aleatrio. Anota-se por S.
Exemplo 1.1
Determinar o espao amostra dos experimentos anteriores. Si refere-se ao experimento Ei.
S1 = { 1, 2, 3, 4, 5, 6 }
S2 = { 0, 1, 2, 3, 4 }
S3 = { cccc, ccck, cckc, ckcc, kccc, cckk, kkcc, ckck, kckc, kcck, ckkc, ckkk, kckk, kkck,
kkkc, kkkk }
S4 = { 3, 4, 5, 6, 7, 8, 9 , 10 }
S5 = { t / t 0 }
S6 = { 1, 2, 3, 4, 5, ... }
S7 = { 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12 }
S8 = { (1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6)
(2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6)
(3, 1), (3, 2), (3, 3), (3, 4), (3, 5), (3, 6)
(4, 1), (4, 2), (4, 3), (4, 4), (4, 5), (4, 6)
(5, 1), (5, 2), (5, 3), (5, 4), (5, 5), (5, 6)
(6, 1), (6, 2), (6, 3), (6, 4), (6, 5), (6, 6) }
Ao descrever um espao amostra de um experimento, deve-se ficar atento para o que se est
observando ou mensurando. Deve-se falar em um espao amostral associado a um experimento e
no de o espao amostral. Deve-se observar ainda que nem sempre os elementos de um espao amostral so nmeros.
Classificao de um espao amostra

Um espao amostral, conforme exemplos anteriores pode ser classificado em:
(a) Finito. So os espaos: S1, S2, S3, S4, S7 e S8
(b) Infinitos. (i) Enumerveis (ou contveis): S6
(ii) No-enumerveis (ou no contveis): S5
viali@mat.pucrs.br

1.4. EVENTOS
DEFINIO:
Qualquer Subconjunto De Um Espao Amostra S Denominado Um Evento.
Assim tem-se que:
S o evento certo;
{ a } o evento elementar e
o evento impossvel.
Convm observar que tecnicamente todo subconjunto de um espao amostra um evento apenas quando ele for finito ou, ento, infinito enumervel. Se o espao amostra infinito noenumervel possvel construir subconjuntos que no so eventos. Se S finito, isto , #(S) = n ento
o nmero de eventos possveis #P(A) = 2n.
1.5. COMB INAO DE EVENTOS

Pode-se realizar operaes entre eventos da mesma forma que elas so realizadas entre conjuntos. Antes de definir as operaes conveniente conceituar o que se entende por ocorrncia de um
evento.
Seja E um experimento com um espao amostra associado S. Seja A um evento de S. dito
que o evento A ocorre se realizada a experincia, isto , se executado E, o resultado for um elemento
de A.
Sejam A e B dois eventos de um mesmo espao amostra S. Diz-se que ocorre o evento:
1. A unio B ou A soma B, anotado por AB, se e somente se A ocorre ou B ocorre.
A
B
2. A produto B ou A interseo B, anotado por AB ou AB, se e somente A ocorre e B ocorre.

A
B
3. A menos B ou A diferena B, anota-se A - B, se e somente se A ocorre e B no ocorre.

A-B
viali@mat.pucrs.br

4. O complementar de A, anotado por A, AC ou ainda A se e somente se A no ocorre.

A'
1.6. EVENTOS MUTUAMENTE EXCLUDENTES

Dois eventos A e B, so denominados mutuamente exclusivos ou excludentes, se eles no puderem ocorrer juntos, isto , se AB = .
viali@mat.pucrs.br

2. CONCEITOS DE PROBABILIDADE
Existem trs formas de se definir probabilidade. A definio clssica, a definio freqencial
e a definio axiomtica.
2.1. CLSSICO
Seja E um experimento aleatrio e S um espao amostra associado formado por n resultados igualmente provveis. Seja A S um evento com m elementos. A probabilidade de A, anotada
por P(A), l-se pe de A, definida como sendo:
P(A) = m / n
Isto , a probabilidade do evento A o quociente entre o nmero m de casos favorveis e o
nmero n de casos possveis.
Exemplo 2.1
Calcular a probabilidade de no lanamento de um dado equilibrado obter-se:
(a) Um resultado igual a 4.
(b) Um resultado mpar.
Soluo:
S = { 1, 2, 3, 4, 5, 6 } n = #(S) = 6
(a) A = { 4 } m = #(A) = 1 ento P(A) = m / n = 1 / 6 = 16,67%
(b) B = { 1, 3, 5 } m = #(B) = 3 ento P(B) = m / n = 3 / 6 = 50%
Crtica definio clssica

(i) A definio clssica dbia, j que a idia 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.
2.2. F REQENCIAL
Na prtica acontece que nem sempre possvel determinar a probabilidade de um evento.
Neste caso necessrio ter um mtodo de aproximao desta probabilidade. Um dos mtodos utilizados a experimentao que objetiva estimar o valor da probabilidade de um evento A com base em valores reais. A probabilidade avaliada atravs deste processo denominada de probabilidade emprica.
2.2.1. Freqncia relativa de um evento

Seja E um experimento e A um evento de um espao amostra associado ao experimento E.
Suponha-se que E seja repetido n vezes e seja m o nmero de vezes que A ocorre nas n repeties de E. Ento a freqncia relativa do evento A, anotada por frA, o quociente:
frA = m / n = (nmero de vezes que A ocorre) / (nmero de vezes que E repetido)
Exemplo 2.2
(i) Uma moeda foi lanada 200 vezes e forneceu 102 caras. Ento a freqncia relativa de caras :
frA = 102 / 200 = 0,51 = 51%
viali@mat.pucrs.br

(ii) Um dado foi lanado 100 vezes e a face 6 apareceu 18 vezes. Ento a freqncia relativa
do evento A = { face 6 } :
frA = 18 / 100 = 0,18 = 18%
2.2.2. Propriedades da f reqncia relativa

Seja E um experimento e A e B dois eventos de um espao amostra associado S. Sejam frA e
frB as freqncias relativas de A e B respectivamente. Ento.
(i) 0 frA 1, isto , a freqncia relativa do evento A um nmero que varia entre 0 e 1.
(ii) frA = 1 se e somente se, A ocorre em todas as n repeties de E.
(iii) frA = 0, se e somente se, A nunca ocorre nas n repeties de E.
(iv) frAUB = frA + fr B se A e B forem eventos mutuamente excludentes.
Definio
Seja E um experimento e A um evento de um espao amostra associado S. Suponhamos que E
repetido n vezes e seja frA a freqncia relativa do evento. Ento a probabilidade de A definida
como sendo o limite de frA quando n tende ao infinito. Ou seja:
P(A) = lim fr A
n
Deve-se notar que a freqncia 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).
2.2.3. Crtica def inio f reqencial

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 freqencial, foi desenvolvida uma teoria moderna, na qual a probabilidade um conceito indefinido, como o
ponto e a reta o so na geometria.
2.3. AXIO MTICO

Seja E um experimento aleatrio com um espao amostra associado S. A cada evento A S
associa-se um nmero real, representado por P(A) e denominado probabilidade de A, que satisfaz as
seguintes propriedades (axiomas):
(i) 0 P(A) 1;
(ii) P(S) = 1;
(iii) P(AUB) = P(A) + P(B) se A e B forem eventos mutuamente excludentes.
Conseqncias dos axiomas (propriedades)

(i) P() = 0
(ii) Se A e A so eventos complementares ento: P(A) + P( A ) = 1 ou P( A ) = 1 - P(A)
(iii) Se A B ento P(A) P(B)
(iv) Se A e B so dois eventos quaisquer ento: P(A - B) = P(A) - P(AB)
(v) Se A e B so dois eventos quaisquer de S, ento: P(AB) = P(A) + P(B) - P(AB)
viali@mat.pucrs.br

(vi) P(ABC) = P(A) + P(B) + P(C) - P(AB) - P(AC) - P(BC) + P(ABC)
2.4. P ROB AB ILIDADE CONDICIONADA E INDEP ENDNCIA

Suponha-se que se quer 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. Define-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 ou no defeituosa. Neste caso necessrio saber se A ocorreu ou no. O que mostra a necessidade do conceito de probabilidade condicionada.
Definio
Sejam A e B dois eventos de um espao amostra S, associado a um experimento E, onde
P(A) > 0. A probabilidade de B ocorrer condicionada a A ter ocorrido, ser representada por P(B/A), e
lida como: probabilidade de B dado A ou probabilidade de B condicionada a A, e calculada por:
P(B/A) = P(A
B) / P(A)
No exemplo acima, ento P(B/A) = 19 / 99, pois se A ocorreu (isto , se saiu pea defeituosa
na primeira retirada) existiro na urna apenas 99 peas das quais 19 defeituosas.
Sempre que se calcular P(B/A) est se calculando a probabilidade de ocorrncia do evento B
em relao ao espao amostra reduzido A, ao invs de faz-lo em relao ao espao amostral original
S.
Quando se calcula P(B) est se calculando a probabilidade de estar em B, sabendo-se que se
est em S, mas quando se calcula P(B/A) est calculando a probabilidade de B, sabendo-se que se est
em A agora e no mais em S, isto , o espao amostra fica reduzido de S para A.
2.4.1. Teorema da multiplicao

Com o conceito de probabilidade condicionada possvel apresentar uma maneira de se
calcular a probabilidade da interseo de dois eventos A e B em funo destes eventos. Esta expresso
denominada de teorema da multiplicao. P(AB) = P(A).P(B/A) = P(A/B).P(B)
2.4.2. Independncia de dois eventos

Sejam A e B dois eventos de um espao amostra S. A e B so ditos independentes se a probabilidade de um deles ocorrer no afetar a probabilidade do outro ocorrer, isto , se:
P(A/B) = P(A) ou
P(B/A) = P(B) ou ainda se
P(A
B) = P(A).P(B)
OBS.: Qualquer uma das 3 relaes acima pode ser usada como definio de independncia.
viali@mat.pucrs.br

3. VARIVEIS ALEATRIAS
3.1. INTRODUO
Ao se descrever o espao amostra de um experimento nota-se que os elementos no so necessariamente nmeros. Assim, por exemplo, no lanamento de duas moedas pode-se ter o seguinte
espao amostra:
S = { cc, ck, kc, kk }
Contudo, na maior parte das vezes, se est interessado num resultado numrico, isto , desejase associar aos elementos do espao amostra S um nmero real x = X(s). Desta forma formula-se a definio:
Seja E um experimento com um espao amostra associado S. Uma funo X que associe a cada elemento de S (s S) um nmero real x = X(s) denominada varivel aleatria.
O conjunto formado por todos os valores x, isto , a imagem da varivel aleatria X, denominado de conjunto de valores de X e anotado por X(S). Desta forma:
X(S) = { x / X(s) = x }
Exemplo 3.1
Seja S o espao amostra formado pelas seqncias obtidas no lanamento de 3 moedas equilibradas. Seja X a varivel aleatria definida como sendo o nmero de caras da seqncia, isto , X(s) =
x = nmeros de caras. O conjunto de valores da varivel X X(S) = { 0, 1, 2, 3 }, pois, neste caso,
tem-se:
X(ccc) = 0
X(ckk) = 1, etc.
Ou ento:
s
kkk
ckk, kck, kkc
cck, ckc, kcc
ccc
X(s)
Conforme o conjunto de valores uma varivel aleatria poder ser discreta ou contnua.
Se o conjunto de valores for finito ou ento infinito enumervel a varivel dita discreta.
Se o conjunto de valores for infinito no enumervel ento a varivel dita contnua.
3.2. VARIVEL ALEATRIA DISCRETA

Uma varivel aleatria X dita discreta se o seu conjunto de valores X(S) finito ou ento infinito contvel ou enumervel.
3.2.1. A f uno de probabilidade

Seja X uma varivel aleatria discreta (VAD), isto , com X(S) finito ou infinito enumervel,
definida num espao amostral S. A cada resultado xi de X(S) associa-se um nmero f(x i) = P(X = xi)
denominado probabilidade de x i e tal que satisfaz as seguintes propriedades:
f(xi) 0, para todo i.
f(x i) = 1
viali@mat.pucrs.br

A funo f assim definida denominada de funo de probabilidade de X

A coleo dos pares (xi, f(x i)) para i = 1, 2, 3, ... denominada de distribuio de probabilidade da VAD X.
Note-se que f(x) = P(X = x) = P({ s S / X(s) = x }) Desta forma quando se calcula f(x) est
se calculando, na realidade, a probabilidade do evento { s S / X(s) = x } S.
Exemplo 3.2
Dois dados so lanados e observa-se o par obtido. O espao amostra formado por 36 resultados eqiprovveis. Sejam X e Y duas variveis aleatrias definidas da seguinte forma:
X = soma do par obtido e Y = maior valor do par
Tem-se ento:
X(S) = { 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12 } e Y(S) = { 1, 2, 3, 4, 5, 6 }
Para X tem-se:
f(2) = P( X = 2) = P({ (1, 1) }) = 1/36
f(3) = P( X = 3) = P({ (2, 1), (1, 2) }) = 2/36
f(4) = P( X = 4) = P({ (1, 3), (2, 2), (3, 1) }) = 3/36
f(5) = P( X = 5) = P({ (1, 4), (2, 3), (3, 2), (4, 1) }) = 4/36
f(6) = P( X = 6) = P({ (1, 5), (2, 4), (3, 3), (4, 2), (5, 1) }) = 5/36
f(7) = P( X = 7) = P({ (1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1) }) = 6/36
f(8) = P( X = 8) = P({ (2, 6), (3, 5), (4, 4), (5, 3), (6, 2) }) = 5/36
f(9) = P( X = 9) = P({ (3, 6), (4, 5), (5, 4), (6, 3) }) = 4/36
f(10) = P( X = 10) = P({ (4, 6), (5, 5), (6, 4) }) = 3/36
f(11) = P( X = 11) = P({ (5, 6), (6, 5) }) = 2/36
f(12) = P( X = 12) = P({ (6, 6)}) = 1/36
Em resumo:
2
3
4
5
6
7
8
8
10
11
12
x
f(x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
Para Y tem-se:
f(1) = P( Y = 1) = P({ (1, 1) }) = 1/36
f(2) = P( Y = 2) = P({ (2, 1), (2, 2), (1, 2) }) = 3/36
f(3) = P( Y = 3) = P({ (1, 3), (2, 3), (3, 3), (3,2), (3, 1) }) = 5/36
f(4) = P( Y = 4) = P({ (1, 4), (2, 4), (3, 4), (4, 4), (4, 3), (4, 2), (4, 1) }) = 7/36
f(5) = P( Y = 5) = P({ (1, 5), (2, 5), (3, 5), (4, 5), (5, 5), (5, 4), (5, 3), (5, 2), (5, 1) }) = 9/36
f(6) = P( Y = 6) = P({ (1, 6), (2, 6), (3, 6), (4, 6), (5, 6), (6, 6), (6, 5), (6, 4), (6, 3), (6, 2),
(6, 1 }) = 11/36
Em resumo:
x
f(x)
1
1/36
2
3/36
3
5/36
4
7/36
5
9/36
6
11/36
3.2.2. Representao da f uno de probabilidade

Existem trs maneiras de representar a funo de probabilidade de uma VAD X:
viali@mat.pucrs.br

(i) Atravs de uma tabela.

(ii) Atravs de uma expresso analtica para f(x) (frmula).
(iii) Atravs de um diagrama, onde os valores da varivel so registrados no eixo das abcissas
e as probabilidades no eixo das ordenadas.
Exemplo 3.3
(i) As duas tabelas acima.
(ii) Considere-se a varivel Y, do exemplo acima, onde Y(S) = {1, 2, 3, 4, 5, 6}. Ento:
f: Y(S)
y (2y - 1)/36
Deste modo: f(1) = (2.1 - 1) / 36 = 1 / 36
f(6) = (6.2 - 1) / 36 = 11/ 36
(iii) Veja o diagrama abaixo.
40,00%
30,00%
20,00%
10,00%
0,00%
1
Figura 3.1 - Diagrama de barras da distribuio de Y
3.3. VARIVEL ALEATRIA DISCRETA (CARACTERIZAO)

Considere X uma varivel aleatria discreta assumindo os valores: x1, x2, ..., x i, ..., com probabilidades f(x1), f(x2), .... , f(x i), ....
Expectncia, esperana, mdia ou valor esperado de X

A mdia, expectncia, valor esperado ou esperana matemtica da varivel aleatria X representada por ou E(X) e calculada por:
= E(X) = x1f(x1) + x2f(x2) +... + xnf(xn) + ... = xi. f ( xi)
Exemplo 3.4
Calcular o nmero esperado de faces caras no lanamento de duas moedas equilibradas.
Soluo:
Seja X = Nmero de caras. Ento a distribuio de X dada por:
x
f(x)
0
1/4
1
2/4
2
1/4
Logo a mdia ou expectncia de X ser:

E(X) = 0.(1/4) + 1.(2/4) + 2.(1/4) = 1/2 + 1/2 = 1 cara.
viali@mat.pucrs.br

A varincia de X
Seja X uma varivel aleatria discreta com mdia = E(X). Ento a varincia de X, anotada
por 2 ou V(X) definida por:
2 = V(X) = f(x1) (x1 - )2 + f(x2) (x2 - )2 + ... + f(xn) (xn - )2 + ... = f ( xi) (xi )2
Pode-se demonstrar que a expresso da varincia, acima, pode ser transformada na seguinte
expresso:
2 = V(X) = f ( x i) ( xi ) 2 = f ( xi) xi2 2 = E(X2) - [E(X)]2 = E(X2) - 2
Exemplo 3.5
Calcular a varincia da distribuio do exemplo anterior.
Soluo:
Tem-se que: E(X) = 1, ento: 2 = V(X) = f ( x i) ( xi ) 2 = (1/4)(0 - 1)2 + (2/4)(1 - 1)2 +
(1/4)(2 - 1)2 = 1/2. Ou ainda: E(X2) = (1/4).02 + (2/4).12 + (1/4).22 = 3/2
2 = V(X) = E(X2) - 2 = 3/2 - 12 = 1/2
O desvio padro
O desvio padro da varivel X, anotado por , a raiz quadrada da varincia.
A varincia relativa e o coeficiente de variao

Seja X uma varivel aleatria discreta com mdia = E(X) e varincia 2 = V(X). Ento a varincia relativa de X, anotada por: 2, e definida por:
2 = 2 / 2
O coeficiente de variao de X definido como a raiz quadrada da varincia relativa:
=/
Exemplo 3.6
Um vendedor recebe uma comisso de R$ 50,00 por uma venda. Baseado em suas experincias anteriores ele calculou a distribuio de probabilidades das vendas semanais:
x
f(x)
0
0,10
1
0,20
2
0,40
3
0,20
4
0,10
(a) Qual o valor esperado de vendas por semana?

(b) Qual a probabilidade de ganhar pelo menos R$ 150,00 por semana?
(c) Qual o desvio padro das vendas semanais?
(d) Qual o coeficiente de variao das vendas semanais?
Soluo:
(a) E(X) = 0.0,10 + 1.0,20 + 2.0,40 + 3.0,20 + 4.0,10 = 2 vendas por semana. Logo, como ele
recebe R$ 50,00 por venda a renda esperada semanal : R$ 100,00.
(b) Para ganhar pelo menos R$ 150,00 por semana ele deve realizar 3 ou 4 vendas por semana. Esta probabilidade : P(X 3) = 0,20 + 0,10 = 0,30 = 30%
(c) Deve-se inicialmente avaliar o valor da varincia e para tanto calcula-se antes a mdia dos
quadrados: E(X2) = 02.0,10 + 12.0,20 + 22.0,40 + 32.0,20 + 42.0,10 = 5,20.
viali@mat.pucrs.br

A varincia ento:
V(X) = E(X2) - 2 = 5,20 - 22 = 5,20 - 4 = 1,20
O desvio padro ser:
,
= 1, 10
= 120
(d) O coeficiente de variao o quociente entre o desvio padro e a mdia, isto :
= / = 1,10 / 2 = 0,55 = 55%
3.4. DISTRIB UIES ESP ECIAIS DE P ROB AB ILIDADE DISCRETAS

Existem algumas distribuies de probabilidade para variveis discretas que pela sua freqncia de uso vale a pena estudar mais detalhadamente. Estas distribuies apresentam expresses para o
clculo das probabilidades, isto , as probabilidades f(x) podem ser avaliadas atravs de um modelo
matemtico conhecido. Duas destas distribuies so a Binomial e a distribuio de Poisson.
3.4.1. A distribuio binomial

Seja E um experimento aleatrio e S um espao amostra associado. Seja A S um evento de
S. Seja n o nmero de vezes que o experimento E repetido e seja p a probabilidade de A ocorrer
em cada uma das n repeties de E, de modo que, p permanea constante durante as n repeties
de E. Como existem apenas duas situaes: A ocorre ou A no ocorre, pode-se determinar a probabilidade de A no ocorrer como sendo q = 1 - p. Em certas situaes a probabilidade p denominada de
probabilidade de sucesso e a probabilidade q de probabilidade de fracasso.
Definio:
Seja X uma VAD definida por X = nmero de vezes que A ocorreu nas n repeties de E. A
varivel aleatria X denominada de varivel aleatria Binomial. O conjunto de valores de X, isto ,
X(S) dado por: { 0, 1, 2, 3, ..., n }
Se X uma varivel aleatria com um comportamento Binomial, ento a probabilidade de X
assumir um dos valores do conjunto X(S) calculada por:
n
x
f(x) = P(X = x) = . px . qn x , para x = 0, 1, 2, ..., n.

Considere-se um elemento particular do espao amostra S, satisfazendo condio X = x.
Como todas as repeties so independentes a probabilidade desta seqncia particular dada por:
pk(1 - p)n - k, mas esta mesma probabilidade est associada a qualquer outro resultado em que X = k. O
nmero de resultados em que isto ocorre dado por
n
,
k
porque se deve escolher exatamente k casos
dentre n possibilidades para o evento A. Como estes resultados so todos mutuamente excludentes,
ento o valor de P(X = k) o da frmula acima.
Representao:
Se X tem um comportamento Binomial de parmetros n e p ento X representada por
B(n, p).
Exemplo 3.7
Considerando X como sendo a VAD igual a nmero de vezes que ocorre face cara em 5 lanamentos de uma moeda equilibrada, determinar a probabilidade de ocorrer:
(a) Duas caras
viali@mat.pucrs.br

(b) Quatro caras

(c) No mximo duas caras
Soluo:
Neste caso, tem-se:
n = 5 = nmero de lanamentos.
X = nmero de caras nos 5 lanamentos X(S) = { 0, 1, 2, 3, 4, 5 }
p = P(Cara em 1 lanamento ) = 0,50, pois a moeda equilibrada. Logo q = 1 - p = 0,50
Ento:
5
x
f(x) = P(X = x) = . 0,5 x . 0,55 x , para x = 0, 1, 2, 3, 4, 5

5
2
(a) P(X = 2) = . 0,52 . 0,53 = 10.0,25.0,125 = 31,25%

5
4
(b) P(X = 4) = . 0,5 4 . 0,51 = 5. 0,0625.0,5 = 15,62%

5
0
5
1
5
2
(c) P(X 2) = . 0,50 . 0,5 5 + . 0,51. 0,54 + . 0,52 . 0,53 = 0,55 + 5.0,55 + 10.0,55 = 50%
15 ,0 0
12 ,0 0
9 ,0 0
6 ,0 0
48
45
42
39
36
33
30
27
24
21
18
15
12
0 ,0 0
3 ,0 0
Figura 3.2 Distribuio B(50; 0,20)
3.4.2. Propriedades da distribuio binomial

A vantagem de se ter um modelo conhecido que podemos determinar suas caractersticas de
um modo geral. Assim se X uma VAD com uma distribuio Binomial tem-se:
Mdia, expectncia ou valor esperado

n
= E(X) = x. f ( x) = x. .px .qn x = np, isto , a mdia de uma varivel aleatria com distrix
buio binomial igual ao produto dos parmetros n e p.
viali@mat.pucrs.br

Varincia
n
2 = E(X2) - 2 = x2 . .px . qn x - (np)2 = npq, isto , a varincia de uma varivel aleatria

x
com distribuio binomial igual ao produto dos parmetros n e p e multiplicados ainda por q.
O desvio padro
= npq
Exemplo 3.8
A probabilidade de um exemplar defeituoso com que opera certo processo produtivo de
10%. Considerando X a varivel nmero de unidades defeituosas em uma amostra ocasional de 20
unidades, determinar:
(a) O nmero mdio de item defeituosos na amostra.
(b) O desvio padro do nmero de item defeituosos na amostra.
Soluo:
(a) E(X) = np = 20.0,10 = 2 itens defeituosos
(b) = npq = 20.0,10.0,90 = 180
,
= 1,34 itens defeituosos.
Exemplo 3.9
[NET74] Num determinado processo de fabricao 10% das peas so consideradas defeituosas. As peas so acondicionadas em caixas com 5 unidades cada uma.
(a) Qual a probabilidade de haver exatamente 3 peas defeituosas numa caixa?
(b) Qual a probabilidade de haver duas ou mais peas defeituosas numa caixa?
(c) Se a empresa paga uma multa de R$ 10,00 por caixa em que houver alguma pea defeituosa, qual o valor esperado da multa num total de 1000 caixas?
Soluo:
5
3
(a) P(X = 3) = .(010

, )3 .(0,90 )2 = 10.0,001.0,81 = 0,81%
(b) P(Duas ou mais defeituosas) = P(X = 2) + P(X = 3) + P(X = 4) + P(X = 5). Ao invs de
calcular desta forma mais conveniente utilizar o complementar. Assim:
P(X 2) = 1 - P(X 1) = 1 - [P(X = 0) + P(X = 1)] = 1 - (0,5905 + 0,3280] = 8,15%
(c) A probabilidade de uma caixa pagar multa :
P(PM) = P(X 1) = 1 - P(X = 0) = 1 - 0,5905 = 40,95%
Neste caso tem-se uma nova Binomial com n = 1000 e p = 40,95%. O nmero esperado de
caixas que vo pagar multa, isto , com uma ou mais peas defeituosas ser:
E(PM) = np = 1000.0,4095 = 409,5 caixas.
Como cada uma paga R$ 10,00 de multa, o valor total da multa ser:
PM = R$ 10,00.409,5 = R$ 4 095,00.
viali@mat.pucrs.br

4. VARIVEIS ALEATRIAS CONTNUAS

Seja E um experimento e S um espao amostra associado. Se X uma varivel aleatria definida em S tal que X(S) seja infinito no-enumervel, isto , X(S) seja um intervalo de nmeros reais,
ento X dita uma varivel aleatria contnua.
Definio
Seja X uma varivel aleatria contnua (VAC). A funo f(x) que associa a cada x X(S) um
nmero real que satisfaz as seguintes condies:
(a) f(x) 0, para todo x X(S) e
(b) rea sob a f(x) igual a 1
denominada de funo densidade de probabilidade (fdp) da varivel aleatria X.
Neste caso f(x) representa apenas a densidade no ponto x, ao contrrio da varivel aleatria
discreta, f(x) aqui no a probabilidade de a varivel assumir o valor x.
4.1. CLCULO DE P ROB AB ILIDADE COM UMA VAC

Seja X uma varivel aleatria contnua com funo densidade de probabilidade f(x). Sejam a
< b, dois nmeros reais. Define-se:
P(a < X < b) = rea sob a curva entre a e b, isto , a probabilidade de que X assuma valores entre os nmeros a e b a rea sob o grfico de f(x) entre os pontos x = a e x = b.
Neste caso, tem-se tambm:
(a) P(X = a) = 0, isto , a probabilidade de que uma varivel aleatria contnua assuma um valor isolado igual a zero. Para variveis contnuas s faz sentido falar em probabilidade em um intervalo, uma vez, que a probabilidade definida como sendo a rea sob o grfico. f(x) no representa nenhuma probabilidade. Somente quando ela for integrada entre dois limites produzir uma probabilidade.
(b) Se a < b so dois nmeros reais ento:
P(a < X < b) = P(a X < b) = P(a < X b) = P(a X b)
Exemplo 4.1
Seja X uma VAC com fdp dada por:
f(x) = 2x se 0 < x < 1
= 0,
para quaisquer outros valores.
Determinar a P(X < 1/2)
Soluo:
P(X <1/2) = 1/4 = 25%
4.2. VARIVEL ALEATRIA CONTNUA (CARACTERIZAO)

Considere X uma varivel aleatria contnua com funo densidade de probabilidade f(x).
Expectncia, esperana, mdia ou valor esperado de X

A mdia, expectncia, valor esperado ou esperana matemtica da varivel aleatria contnua
X, representada por ou E(X), calculada por:
= E(X) = rea sob a curva x.f(x) no intervalo onde ela estiver definida.
viali@mat.pucrs.br

A varincia de X
Seja X uma varivel aleatria contnua com mdia = E(X). Ento a varincia de X, anotada
por 2 ou V(X) definida por:
2 = V(X) = = E(X2) - 2, isto , a mdia dos quadrados menos o quadrado da mdia.
O desvio padro
O desvio padro da varivel aleatria contnua X, anotado por , a raiz quadrada da varincia.
A varincia relativa e o coeficiente de variao

Seja X uma varivel aleatria contnua com mdia = E(X) e varincia 2 = V(X). Ento a
varincia relativa de X, anotada por: 2, definida por: 2 = 2 / 2
O coeficiente de variao definido como a raiz quadrada da varincia relativa: = / .
4.3. DISTRIB UIES ESP ECIAIS CONTNUAS

Assim como ocorre com as variveis discretas, existem algumas distribuies especiais de
probabilidade contnuas que por sua freqncia de uso vale a pena estudar mais detalhadamente. Entre
elas vale destacar as distribuies: uniforme, exponencial e normal.
4.3.1. A distribuio normal

0,8
Um dos principais modelos de distribuio

contnua a curva normal ou de Gauss. Sua importncia para a Estatstica (prtica) reside no fato que
muitas variveis encontradas na natureza se distribuem de acordo com o modelo normal. Este modelo
tambm tem uma importncia terica devido ao fato
de ser uma distribuio limite.
Uma varivel aleatria contnua X tem
uma distribuio normal (ou Gaussiana) se sua funo densidade de probabilidade for do tipo:
f(x) =
1
2
0,6
0,4
0,2
0,0
( x ) 2/ 22 ,
para - x
-5,0
-4,0
-3,0
-2,0
-1,0
0,0
1,0
2,0
3,0
4,0
5,0
Figura 4.1 Algumas distribuies normais
4.3.2. Propriedades da distribuio normal

Se X for uma VAC com distribuio Normal, ento:
Mdia, expectncia ou valor esperado

E(X) = , isto , o parmetro a mdia da distribuio normal.
Varincia
V(X) = 2, isto , a varincia da distribuio normal o parmetro ao quadrado.
viali@mat.pucrs.br

O desvio padro
O desvio padro da distribuio normal o parmetro .
FDA da distribuio Normal

A funo de distribuio (FDA) da normal reduzida representada por:
(z) = P(Z z) = rea esquerda do ponto
z.
0,5
Esta integral, e alis como de qualquer outra

normal, no pode ser avaliada pelo mtodo tradicional
(teorema fundamental do clculo). Ela s pode ser calculada por mtodos numricos. E por isso ela encontrada tabelada em qualquer livro texto de Probabilidade
ou Estatstica.
0,4
4.3.3. Outras propriedades
0,3
0,2
0,1
0,0
-4,0
-3,0
-2,0
-1,0
0,0
1,0
2,0
(a) x = o ponto de mximo de f(x) e este

mximo vale 1
;
2
S1
3,0
4,0
Figura 4.1 Normal padro - N(0; 1)
(b) f(x) simtrica ao redor de x = ;

(c) Se X tem uma distribuio normal de mdia e desvio padro se escrever:
X : N(, )
(d) 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:
(z) =
1
2
e z
2 /2
, para - z
(e) Se X uma N(, ), ento Z = (X - ) / a normal padro ou reduzida. Isto significa

que qualquer curva normal poder ser padronizada, mediante esta transformao.
4.3.4. Tabelas
A forma de se calcular probabilidade com qualquer distribuio normal atravs da tabela da
normal padro. Assim se X : N(, ) ento primeiro necessrio padronizar X, isto , fazer:
Z = (X - ) / .
Em seguida obter em uma tabela o valor da probabilidade, isto , o valor:
P(Z z) = (z)
Este valor (z) pode ser lido como valor tabelado de z e significa a probabilidade de a varivel aleatria contnua Z = (X - ) / assumir valores esquerda (abaixo de) do valor particular z.
Lembrar que qualquer tabela construda fornecendo os valores da FDA de Z. A maioria delas fornece as probabilidades de Z z para valores de z entre -3,09 e +3,09 e com aproximao centesimal. Algumas fornecem valores de z entre 0 e 3,09
Assim o primeiro valor tabelado em geral (-3,09) = P(Z -3,09) que vale 0,0000, isto ,
zero com uma aproximao de 4 decimais. O valor seguinte seria (-3,08) = P(Z -3,08) = 0,0001.
viali@mat.pucrs.br

O ltimo valor tabelado , em geral, (3,09) = P(Z 3,09) = 1,000, pois o valor acumulado,
isto quer dizer, que at este valor tem-se a totalidade da rea til sob a curva avaliada com uma aproximao de 4 decimais.
Convm ressaltar que as tabelas sendo da FDA de Z fornecem a rea esquerda de um valor
qualquer z. No entanto, como a curva simtrica, se quisssemos, a rea direita de z, basta observar que:
P(Z > z) = 1 - P(Z z) = 1 - (z) = (-z)
Exemplo 4.2
Seja Z uma N(0, 1). Determinar as seguintes probabilidades:
(a) P(Z < 2,23)
(b) P(Z > -1,45)
(c) P(-2 < Z 2)
(d) P(-1 Z 1)
Soluo:
(a) P(Z < 2,23) = (2,23) = 98,71%
(b) P(Z > -1,45) = 1 - P(Z -1,45) = 1 - (-1,45) = 1 - 0,0735 = 92,65%
(c) P(-2 < Z 2) = (2) - (-2) = 0,9772 - 0,0228 = 95,44%
(d) P(-1 Z 1) = (1) - (-1) = 0,8413 - 0,1587 = 68,26%
Exemplo 4.3
Seja X uma VAC com distribuio N(10, 2). Determinar:
(a) P(X < 10)
(b) P(X > 11,50)
(c) P(8 < Z 12)
(d) P(6,08 Z 13,92)
Soluo:
Neste caso, antes de se poder procurar os valores na tabela necessrio padronizar cada valor
de X, atravs da expresso:
Z = (X - ) / = (X - 10) / 2
(a) P(X < 10) = P((X - 10) / 2 < (10 - 10) / 2) = P(Z < 0) = (0) = 50%
(b) P(X > 11,50) = P(Z > (11,50 - 10) / 2) = P(Z > 0,75) = 1 - (0,75) = 22,66%
(c) P(8 < X 12) = P(-1 < Z 1) = (1) - (-1) = 0,8413 - 0,1587 = 68,26%
(d) P(6,08 X 13,92) = P(-1,96 < Z 1,96) = (1,96) - (-1,96) = 0,9750 - 0,0250 = 95%
4.3.5. Relao entre as distribuies Binomial e Normal

Seja X uma varivel aleatria distribuda binomialmente com parmetros n e p. Isto :
n
x
P(X = x) = . px . qn x
Quando o nmero de provas n cresce (tende ao infinito) a distribuio binomial tende a uma
distribuio normal de mdia = np e desvio padro = npq
Em geral admite-se que para np 5 e nq 5, n j ser suficientemente grande para se poder
aproximar uma distribuio binomial pela normal.
viali@mat.pucrs.br

No entanto, devido ao fato de se estar aproximando uma distribuio discreta, atravs de uma
contnua, recomenda-se para se obter maior preciso, realizar uma correo de continuidade que consiste em transformar, por exemplo, P(X = x) no intervalo P(x - 0,5 < X < x + 0,5) e o mesmo em qualquer outra situao.
Exemplo 4.4
No lanamento de 30 moedas honestas, qual a probabilidade de sarem:
(a) Exatamente 12 caras?
(b) Mais de 20 caras?
Soluo:
(a) A probabilidade de sarem 12 caras dada pela distribuio binomial por:
30
. 0,512 . 0,518
12
P(X = 12) =
= 8,06%
Aproximando pela normal tem-se:

= np = 30.(1/2) = 15
1 1
2 2
= npq = 30. .
= 2,7386
Ento P(X =12) calculado pela normal com utilizao da correo de continuidade ser:
P(X =12) P(11,5 < X < 12,5) = P(-1,28 < Z < -0,91) = 0,3997 - 0,3186 = 8,11%, que no
muito diferente do valor exato 8,06%.
30 1 i 1 30 i
=
. .
i=21 i 2 2
30
(b) P(X > 20) =
2,14%
Aproximando pela normal, tem-se:

P(X > 20,5) = 0,5000 - 0,4778 = 2,22%
viali@mat.pucrs.br

5. EXERCCIOS
(01) Quatro moedas so lanadas e observa-se a seqncia de caras e coroas obtida. Qual o espao amostra do experimento.
(02) Uma urna contm duas bolas brancas (B) e trs bolas vermelhas (V). Retira-se uma bola ao acaso
da urna. Se for branca, lana-se uma moeda; se for vermelha, ela devolvida urna e retira-se outra
bola. D uma espao amostra para o experimento.
(03) Trs times A, B e C disputam um torneio de futebol. Inicialmente, A joga com B e o vencedor joga com C, e assim por diante. O torneio termina quando um jogador ganha duas vezes em seguida ou
quando so disputadas, ao todo, quatro partidas. Enumere os resultados do espao amostra: resultados
possveis do torneio.
(04) Uma moeda e um dado so lanados. D o espao amostral correspondente.
(05) Considerando dois eventos A e B de um mesmo espao amostra S, expresse em termos de operaes entre eventos:
(5.1) A ocorre mas B no ocorre;
(5.2) Exatamente um dos eventos ocorre;
(5.3) Nenhum dos eventos ocorre.
(06) 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
(07) Uma urna contm 12 moedas de igual tamanho, sendo 7 douradas e 5 prateadas. O experimento
consiste em retirar, sem reposio e ao acaso, duas moedas desta urna. Calcular a probabilidade de que
saiam:
(7.1) Uma moeda dourada e uma prateada, nesta ordem.
(7.2) Uma moeda dourada e uma prateada.
(7.3.) Duas moedas douradas.
(7.4) Duas moedas de mesma cor.
(08) Resolva o exerccio um considerando a retirada das moedas com reposio.
(09) sejam P(A) = 0,3, P(B) = 0,8 e P(AB) = 0,15.
(9.1) A e B so mutuamente exclusivos? Justifique.
(9.3) Determine (a) P(AUB)
(b) P(AB )
(c) P( A B )
(9.2) Qual a P(B )?

(d) P( A B)
(10) Suponha que A e B sejam eventos tais que P(A) = x, P(B) = y e P(AB) = z. Exprima cada uma
das seguintes probabilidades em termos de x, y e z.
(10.3) P(B )
(10.4) P(A/B)
(10.5) P( A UB )
(10.1) P(AUB)
(10.2) P( A )
(10.6) P( A UB)
(10.7) P( A B)
(10.8) P(AB )
(10.9) P( A B )
(10.10) P( A /B )
(11) Uma amostra de 140 investidores de um banco revelou que 80 investem em poupana, 30 investem no fundo e 10 investem na poupana e no fundo. Selecionado um destes investidores ao acaso,
qual a probabilidade de que ele tenha investimentos na poupana ou no fundo?
(12) A probabilidade de um aluno A resolver uma questo de prova 0,80, enquanto que a do aluno B
0.60. Qual a probabilidade de que a questo seja resolvida se os dois alunos tentarem resolv-la independentemente.
viali@mat.pucrs.br

(13) Um atirador A tem probabilidade de 1/4 de acertar um alvo. J um atirador B tem probabilidade
de 2/5 de acertar o mesmo alvo. Se ambos atirarem simultaneamente e independentemente, qual a probabilidade de que: (a) Ao menos um deles acerto o alvo e (b) Ambos acertem o alvo?
(14) Sejam A e B dois eventos mutuamente excludentes. A probabilidade de ocorrncia de ao menos
um destes eventos 0,52 e a probabilidade de A no ocorrer 0,60. Calcule a probabilidade de B ocorrer?
(15) Sejam: P(A) = 0,50; P(B) = 0,40 e P(AUB) = 0,70.
(15.1) A e B so eventos mutuamente excludentes? Por que?
(15.2) Qual o valor de P(AB).
(15.3) A e B so eventos independentes? Por que?
(15.4) Quais os valores de P(A/B) e P(B/A).
(16) Uma turma composta de 9 alunos de Economia, 14 de Administrao e 21 de Contbeis. Desejase eleger ao acaso uma comisso de dois alunos dessa turma. Calcule a probabilidade de que esta comisso seja formada por:
(16.1) Alunos s da Economia.
(16.2) Um aluno da Economia e outro de outro curso.
(16.3) Um aluno da Economia e outro da Contbeis.
(16.4) Dois alunos da Administrao ou dois da Contbeis.
(17) Um produtor de parafusos verificou que em uma amostra de 100 parafusos 5 eram defeituosos.
Numa segunda amostra de 200 parafusos ele encontrou 9 defeituosos. Voc diria que a probabilidade
de o prximo parafuso a ser produzido ter defeito 0,05? Ou 0,045? Explique?
(18) Se o jogo um da loteria esportiva for marcado na coluna dois, ento possvel afirmar que a probabilidade de acertar este jogo de 1/3? Por que?
(19) Dois nmeros so escolhidos ao acaso e sem reposio, dentre 6 nmeros positivos e 8 negativos,
e ento multiplicados. Calcule a probabilidade de que o produto seja positivo.
(20) Suponha-se que so retiradas duas bolas, sem reposio, de uma caixa contendo 3 bolas pretas e 5
bolas vermelhas. Determine:
(20.1) Todos os resultados possveis e suas respectivas probabilidades.
(20.2) Todos os resultados possveis e suas probabilidades supondo a extrao com reposio da
primeira bola retirada.
(21) Uma caixa contm 4 vlvulas defeituosas e 6 perfeitas. Duas vlvulas so extradas juntas. Uma
delas ensaiada e se verifica ser perfeita. Qual a probabilidade de que a outra vlvula tambm seja perfeita?
(22) Um dado viciado, de tal forma que a probabilidade de sair um certo ponto proporcional ao seu
valor (por exemplo o ponto 4 duas vezes mais provvel do que o ponto dois). Calcular:
(22.1) A probabilidade de sair 5, sabendo-se que o ponto que saiu mpar.
(22.2) A probabilidade de sair um nmero par, sabendo que saiu um nmero maior do que 3.
(23) A probabilidade de que dois eventos independentes ocorram so p e q, respectivamente. Qual a
probabilidade de que:
(23.1) Nenhum destes eventos ocorra.
(23.2) Pelo menos um destes eventos ocorra
(24) Calcular a P(A) sabendo que: P(AB) = 0, 72 e P(AB ) = 0,18.
viali@mat.pucrs.br

(25) Um restaurante popular apresenta apenas dois tipos de refeies: salada completa e um prato base de carne. 20% dos fregueses do sexo masculino preferem salada; 30% das mulheres escolhem carne;
75% dos fregueses so homens. Considere os seguintes eventos:
H: o fregus homem
A: O fregus prefere salada
M: O fregus mulher
B: O fregus prefere carne
Calcular:
(25.1) P(H) (25.2) P(A/H) (25.3) P(B/M) (25.4) P(AH)
(25.5) P(AH) (25.6) P(M/A)
(26) Uma companhia de seguros analisou a freqncia com que 2000 segurados (1000 homens e 1000
mulheres) usaram o hospital. Os resultados esto apresentados na tabela:
Usaram o hospital
No usaram o hospital
Homens
100
900
Mulheres
150
850
(26.1) Qual a probabilidade de que uma pessoa segurada use o hospital?

(26.2) O uso do hospital independe do sexo do segurado?
(27) As probabilidades de 3 motoristas serem capazes de dirigir at em casa com segurana, depois de
beber, so: 1/3, 1/4 e 1/5. Se decidirem (erradamente) dirigir at em casa, depois de beber numa festa,
qual a probabilidade de todos os 3 motoristas sofrerem acidentes? Qual a probabilidade de que ao menos um chegue em casa a salvo?
(28) Duas lmpadas queimadas foram misturadas acidentalmente com 6 lmpadas boas. Se as lmpadas forem sendo testadas, uma a uma, at encontrar as duas queimadas, qual a probabilidade de que a
ltima defeituosa seja encontrada no quarto teste?
(29) Num teste com duas marcas que lhe so apresentadas em ordem aleatria, um experimentador de
vinhos faz trs identificaes corretas em trs tentativas.
(29.1) Qual a probabilidade disto ocorrer, se na realidade ele no possui habilidade alguma para
distinguir?
(29.2) E se a probabilidade de distinguir corretamente de 90% em cada tentativa?
(30) Considere uma urna contendo 3 bolas vermelhas e 5 pretas. Retira-se 3 bolas, sem reposio, e
definida a varivel aleatria X = nmero de bolas pretas retiradas. Determine a distribuio de X.
(31) Um dado jogado 3 vezes. Seja X o nmero de pontos um que aparece. Estabelea a distribuio
de probabilidade de X.
(32) Uma caixa contm 3 bolas brancas e uma preta. Uma pessoa vai retirar as bolas uma a uma, at
conseguir apanhar a bola preta. Seja X o nmero de tentativas que sero necessrias. Determine a distribuio de probabilidade de X e calcule a mdia e a varincia de X.
(33) Dois tetraedros regulares tm suas faces numeradas de 1 a 4. Jogam-se ambos e somam-se os pontos das faces que ficarem voltadas para cima. Sabendo-se que a soma obtida maior do que 4, determine a distribuio de probabilidade dessa soma.
(34) Uma caixa contm 4 bolas brancas e 3 bolas pretas. Estabelea a distribuio de probabilidade do
nmero de bolas retiradas uma a uma e sem reposio at sair a ltima bola preta. Calcule a mdia,
moda e desvio padro dessa varivel aleatria.
(35) Uma pessoa joga 3 moedas e ganha R$ 6,00 se obtiver s caras ou s coroas. Quanto deve pagar
se perder, para que o jogo seja eqitativo (no perca e nem ganhe)?
viali@mat.pucrs.br

(36) Dados que dois acontecimentos A e B ocorrem independentemente com probabilidades p e q respectivamente, determine a probabilidade da ocorrncia de um e somente um destes acontecimentos.
(37) Dois aparelhos de alarme funcionam de forma independente, detectando problemas com probabilidades de 0,95 e 0,90. Determinar a probabilidade de que dado um problema, este seja detectado por
somente um dos aparelhos.
(38) Em um certo empreendimento comercial, um empresrio pode ter um lucro de R$ 300 com uma
probabilidade de 0,60 ou ento um prejuzo de R$ 100 com uma probabilidade de 0,40. Determinar o
lucro mdio do empreendimento.
(39) Sejam A e B dois eventos. Suponha que P(A) = 0,40, enquanto P(AB) = 0,70. Seja P(B) = p.
(39.1) Para que valor de p, A e B sero mutuamente excludentes?
(39.2) Para que valor de p, A e B sero independentes?
(40) O tempo T, em minutos, para que um operrio processe certa pea uma VAD com distribuio
dada na tabela abaixo.
t
2
3
4
5
6
7
f(t)
0,10
0,10
0,30
0,20
0,20
0,10
(40.1) Calcule o tempo mdio de processamento.
(40.2) Para cada pea processada o operrio ganha um fixo de R$ 2,00, mas se processa a pea em
menos de 6 minutos, ganha R$ 0,50 por cada minuto poupado. Por exemplo, se ele processa a pea em 4 minutos, recebe a quantia de R$ 1,00. Encontre a mdia e a varincia de G = quantia ganha por pea.
(41) No jogo de roleta, a pessoa escolhe um nmero entre 37 (de 0 a 36) e aposta x, sendo que , se ganhar, recebe 35x. Quantas vezes se espera que jogue um jogador inveterado que aposta sempre R$ 2,00
e um s nmero e dispe de R$ 50,00?
(42) O conjunto de resultados igualmente possveis de uma varivel aleatria X X(S) = { 0, 1, 2, 3,
4}. Represente em uma tabela a distribuio de X e calcule a expectncia e a varincia de X.
(43) Seja f(x) = 0,1x a funo de probabilidade da varivel aleatria com conjunto de resultados X(S)
= { 1, 2, 3, 4 }. Represente a funo de probabilidade em uma tabela e determine: E(x) e V(X).
(44) Um agente quer aplicar no mercado financeiro com o objetivo de fazer muitas aplicaes mensais
sucessivas. Ele dispem de duas opes, mas usar a de maior rentabilidade. Ele deve optar entre:
I - CDB com renda de 3% ao ms e sem riscos ou
II - Bolsa de valores com renda de 6% ao ms com probabilidade 0,46, 4% com probabilidade
0,45 ou prejuzo de 15% ao ms com probabilidade de 0,09.
Qual a opo mais lucrativa para o agente?
(45) Ao apostar R$ 100 no preto de uma roleta um apostador pode ganhar R$ 100 com probabilidade
17/37, perder este mesmo valor com probabilidade de 18/37 ou no ganhar nada com probabilidade
1/37. Utilize a expectncia para determinar qual o lucro ou prejuzo esperado em 370 apostas deste
mesmo valor?
(46) Pilhas de uma certa marca so acondicionadas de modo causal em embalagens de quatro pilhas. O
produtor desta marca opera com probabilidade de 0,04 de uma pilha ser defeituosa.
(46.1) 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.
viali@mat.pucrs.br

(46.2) Quantas defeituosas deve-se esperar que existam, em mdia, por embalagem?
(47) Qual a probabilidade de obtermos exatamente duas caras em 8 lanamentos de uma moeda equilibrada?
(48) Uma turma tem 50 alunos, sendo 20 do sexo masculino. Deseja-se atravs de um sorteio que atribua a cada aluno da turma a mesma probabilidade de ser eleito, formar uma comisso de 4 alunos. Deseja-se tambm, determinar a probabilidade de a comisso resultante ter exatamente um aluno do sexo
feminino. Voc usaria o modelo binomial para calcular tal probabilidade? Por que?
(49) Qual a probabilidade de se obter duas ou menos faces 2 em 7 lanamentos de um dado equilibrado?
(50) A probabilidade de um parafuso produzido por uma empresa ser defeituoso 0,03. Seja X a varivel nmero de parafusos defeituosos em envelopes de 500 parafusos.
(50.1) Calcule E(x) e V(x)
(50.2) Suponha que se compre 100 destes envelopes. Quantos parafusos deve-se esperar que sejam
defeituosos?
(51) Se X : N(10, 2) Calcular:
(51.1) P(8 < X < 10)
(51.2) P(9 X 12)
(51.3) P(X > 10)
(51.4) P(X < 8 ou X > 11)
(52) Se X tem uma distribuio normal com mdia 100 e desvio padro 10, determine:
(52.1) P(X < 115)
(52.2) P(X 80)
(52.3) P(X > 100)
(52.4) O valor de a tal que P(100 - a X 100 + a) = 0,9544
(53) Na distribuio N(; ), encontre:
(53.1) P(X < + 2)
(61.2) P(|X - | )
(53.3) O nmero a, tal que P( - a < X < + a) = 0,90
(53.4) O nmero a, tal que P(X > a) = 0,95
(54) A alturas de 10000 alunos de um colgio tm distribuio aproximadamente normal com mdia
de 170 cm e desvio padro de 5 cm.
(54.1) Qual o nmero esperado de alunos com altura superior a 1,65 m?
(54.2) Qual o intervalo simtrico em torno da mdia, que conter 75% das alturas dos alunos?
(55) As vendas de determinado produto tm distribuio aproximadamente normal, com mdia de 500
e desvio padro de 50. Se a empresa decide fabricar 600 unidades no ms em estudo, qual a probabilidade de que no possa atender a todos os pedidos desse ms, por estar com a produo esgotada?
(56) O nmero de pedidos de compra de certo produto que uma cia recebe por semana distribui-se
normalmente, com mdia 125 e desvio padro de 25. Se em uma dada semana o estoque disponvel
de 150 unidades, qual a probabilidade de que todos os pedidos sejam atendidos? Qual deveria ser o
estoque para se tivesse 99% de probabilidade de que todos os pedidos fossem atendidos?
(57) Numa prova de vestibular com 50 questes objetivas de 5 alternativas cada, qual a probabilidade
de que um candidato, que responde ao acaso (chuta) todas as questes, acerte mais do 15 questes?
(58) Um dado equilibrado lanado 120 vezes. Determinar a probabilidade de que a face 4 (quatro)
aparea: (70.1) 18 vezes ou menos
(70.2) 14 vezes ou menos
viali@mat.pucrs.br

6. RESPOSTAS DOS EXERCCIOS

(01) S = { cccc, ccck, cckc, ckcc, kccc, cckk, ckkc, kkcc, ckck, kckc, kcck, kkkc, kkck, kckk, ckkk,
kkkk}, onde c = cara e k = coroa.
(02) S = { BC, BK, VB, VV}, onde C = cara e K = coroa.
(03) S = { AA, ACC, ACBB, BB, BCC, BCAA, ACBA, BCAB }
(04) S = { (c, 1), (c, 2), ..., (c, 6), (k, 1), (k, 2), ..., (k, 6) }, onde c = cara e k = coroa.
(5.2) (A B )( A B) = AUB - AB
(05) (5.1) A B = A - B
(5.3) A B = AUB
(06) A = { (3,6), (4, 5), (5, 4), (6,3)}

B = { (4,1), ..., (4, 6), (5, 1), ..., (5, 6), (6, 1), ..., (6, 6) }
AB = { (3, 6), (4,1), ..., (4, 6), (5, 1), ..., (5, 6), (6, 1), ..., (6, 6) }
AB = { (4, 5), (5, 4), (6, 3) }
= So 32 pares excetuando-se os pares de A acima.
(07) (7.1) 35/132 = 26,52% (7.2) 70/132 = 53,03% (7.3) 42/132 = 31,82%
(08) (8.1) 35/144 = 24,31%
(7.4) 62/132 = 46,97%
(8.2) 70/144 = 48,61% (8.3) 49/144 = 34,03% (8.4) 74/144 = 51,38%
(09) (9.1) No, pois P(AB)
(9.2) 0,20
(9.3) (a) 0,95
(b) 0,15
(c) 0,05
(d) 0,65
(10) (10.1) x + y + xy (10.2) 1 - x (10.3) 1 - y (10.4) z/y (10.5) 1 - z (10.6) 1 - x + z (10.7) y - z

(10.8) x - z
(10.9) 1 - x - y + z (10.10) (1 - x - y + z) / (1 - y)
(11) 10/14 = 5/7 = 71,43%
(12) 0,92 = 92%
(13) (13.1) 11/20 = 55%
(13.2) 2/20 = 10%
(14) 0,12 = 12%

(15) (15.1) No, pois P(A) + p(B) P(AUB)
(15.2) 0,20 = 20%
(15.3) Sim, pois P(AB) = P(A).P(B)
(15.4) P(A/B) = 0,50 e P(B/A) = 0,40
(16) (16.1) 72/1892 = 3,81% (16.2) 630/1892 = 33,30% (16.3) 378/1892 = 19,98%
(16.4) 602/1892 = 31,82%
(17) No. O que se pode dizer que 0,05 e 0,045 so avaliaes da probabilidade de o prximo parafuso vir a ser defeituoso, pois os dois valores so freqncias relativas.
(18) No. O mtodo clssico no aplicvel ao experimento, pois nada garante que os 3 possveis resultados (coluna um, dois e do meio) sejam igualmente possveis.
(19) 86/182 = 47,25%
(20) (a) Sem reposio
Resultados
Probabilidades
PP
6/56
PV
15/56
VP
15/56
VV
20/56
Total
1
(21) 5/9 = 55,56%
(22) (22.1) 5/9
(b) Com reposio

Resultados
Probabilidades
PP
9/64
PV
15/64
VP
15/64
VV
25/64
Total
1
(22.2) 2/3
viali@mat.pucrs.br

(23) (23.1) 1- p - q + pq = (1 - p)(1 - q)
(23.2) p + q - pq
(24) 90%
(25) (25.1) 75%
(25.2) 20%
(25.3) 30%
(26) (26.1) 0,125
(25.4) 15%
(25.5) 92,50%
(25.6) 7/13 = 53,85%
(26.2) H dependncia
(27) 0,40 = 40% e 0,60 = 60%

(28) 3/28 = 10,71%
(29) (29.1) 0,125 = 12,50%
(29.2) 0,729 = 72,90%
(30)
x
f(x)
0
1/56
x
f(x)
0
125/216
1
15/56
2
30/56
3
10/56
(31)
(32) = 2,50
x
f(x)
(33)
x
f(x)
(34) = 6
x
f(x)
1
75/216
2
15/216
3
1/216
2 = 1,25
1
2
1/4
1/4
3
1/4
4
1/4
5
0,40
7
0,20
8
0,10
6
0,30
2 = 1,20
4
5
3/35
6/35
mo = 7
3
1/35
(35) = 6/4 + 3y/4 = 0 y = -2

x
6
y
f(x)
1/4
3/4
(36) p(1 - q) + (1 - p)q
= 1,10
6
7
10/35 15/35
Ele deve pagar R$ 2,00
(37) 14%
(38) R$ 140
(39) (39.1) p = 0,30
(39.2) p = 0,50
(40) (40.1) = 4,60

g
(40.2)
f(g)
= 2,75
(41) 925 vezes.
x
(42)
f(x)
=2
4,0
0,10
3,5
0,10
3,0
0,30
2,5
0,20
2
0,2
3
0,2
4
0,2
2
0,30
2 = 0,4125
0
0,2
1
0,2
2 = 2
viali@mat.pucrs.br

x
f(x)
(43)
=3
1
0,1
2
0,2
3
0,3
4
0,4
2 = 1
(44) A opo deve ser a bolsa com renda de 3,21% ao ms contra os 3% ao ms do CDB.
(45) Prejuzo de R$ 1000
(46) (46.1) (a) 14,16%
(b) 84,93%
(c) 99,98%
(46.2) 16%
(47) 10,94%
(48) No, pois em cada etapa da srie de 4 sorteios a probabilidade de se obter um aluno do sexo feminino se altera, o que contraria uma das hipteses do modelo binomial.
(49) 90,42%
(50) (50.1) E(X) = 15 e V(x) = 14,55
(50.2) 1500
(51) (59.1) 34,13%
(51.2) 53,28%
(51.3) 50%
(51.4) 46,72%
(52) (52.1) 93,32%
(52.2) 97,72%
(52.3) 50%
(52.4) a = 20
(53) (53.1) 97,72%
(53.2) 68,26%
(53.3) 1,645
(53.4) a = + 1,645
(54) (54.1) 8413
(54.2) (164,25; 175,75)
(55) 0,0228 = 2,28%

(56) (64.1) 84,13%
(56.2) 184
(57) 5,59%
(58) (58.1) 35,57%
(58.2) 8,85%
viali@mat.pucrs.br

7. REFERNCIAS
[BUS86] BUSSAB, Wilton O, MORETTIN, Pedro A. Estatstica Bsica. 3. ed. So Paulo, Atual,
1986.
[FON80] FONSECA, Jairo Simon da, MARTINS, Gilberto de Andrade. Curso de Estatstica. So
Paulo: Editora Atlas S.A., 1980.
[NET74] NETO, Pedro Luiz de Oliveira Costa, CYMBALISTA, Melvin. Probabilidades: resumos
tericos, exerccios resolvidos, exerccios propostos. So Paulo, Edgard Blcher, 1974.
[STE81] STEVENSON, William J. Estatstica Aplicada Administrao. So Paulo. Editora Harbra,
1981.
viali@mat.pucrs.br

PRSociais

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

PRSociais

Diunggah oleh

Hak Cipta:

Format Tersedia

SR IE: Est at st ica Bsica - Enf o que : Sociais

Te xto SII: ELEMENTOS DE PROBABILIDADE

2.2.1. Freqncia relativa de um evento......................................................................................................................6

2.4.1. Teorema da multiplicao..................................................................................................................................8

3.2.1. A funo de probabilidade .................................................................................................................................9

3.4.1. A distribuio binomial ....................................................................................................................................13

4.3.1. A distribuio normal.......................................................................................................................................17

Prof. Lor Viali, Dr.

SR IE: Est at st ica Bsica - Enf o que : Sociais

Modelo no-determinstico ou probabilstico

1.2. EXP ERIMENTO ALEATRIO (NO-DETERMINS TICO)

Prof. Lor Viali, Dr.

SR IE: Est at st ica Bsica - Enf o que : Sociais

Caractersticas dos Experimentos Aleatrios

1.3. O ESPAO AMOSTRAL

Classificao de um espao amostra

SR IE: Est at st ica Bsica - Enf o que : Sociais

1.5. COMB INAO DE EVENTOS

2. A produto B ou A interseo B, anotado por AB ou AB, se e somente A ocorre e B ocorre.

3. A menos B ou A diferena B, anota-se A - B, se e somente se A ocorre e B no ocorre.

Prof. Lor Viali, Dr.

SR IE: Est at st ica Bsica - Enf o que : Sociais

4. O complementar de A, anotado por A, AC ou ainda A se e somente se A no ocorre.

1.6. EVENTOS MUTUAMENTE EXCLUDENTES

Prof. Lor Viali, Dr.

SR IE: Est at st ica Bsica - Enf o que : Sociais

Crtica definio clssica

2.2.1. Freqncia relativa de um evento

SR IE: Est at st ica Bsica - Enf o que : Sociais

2.2.2. Propriedades da f reqncia relativa

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

2.2.3. Crtica def inio f reqencial

2.3. AXIO MTICO

Conseqncias dos axiomas (propriedades)

SR IE: Est at st ica Bsica - Enf o que : Sociais

(vi) P(ABC) = P(A) + P(B) + P(C) - P(AB) - P(AC) - P(BC) + P(ABC)

2.4. P ROB AB ILIDADE CONDICIONADA E INDEP ENDNCIA

2.4.1. Teorema da multiplicao

2.4.2. Independncia de dois eventos

Prof. Lor Viali, Dr.

SR IE: Est at st ica Bsica - Enf o que : Sociais

ckk, kck, kkc

cck, ckc, kcc

3.2. VARIVEL ALEATRIA DISCRETA

3.2.1. A f uno de probabilidade

SR IE: Est at st ica Bsica - Enf o que : Sociais

A funo f assim definida denominada de funo de probabilidade de X

3.2.2. Representao da f uno de probabilidade

SR IE: Est at st ica Bsica - Enf o que : Sociais

(i) Atravs de uma tabela.

Figura 3.1 - Diagrama de barras da distribuio de Y

3.3. VARIVEL ALEATRIA DISCRETA (CARACTERIZAO)

Expectncia, esperana, mdia ou valor esperado de X

Logo a mdia ou expectncia de X ser:

Prof. Lor Viali, Dr.

SR IE: Est at st ica Bsica - Enf o que : Sociais

A varincia relativa e o coeficiente de variao

(a) Qual o valor esperado de vendas por semana?

SR IE: Est at st ica Bsica - Enf o que : Sociais

3.4. DISTRIB UIES ESP ECIAIS DE P ROB AB ILIDADE DISCRETAS

3.4.1. A distribuio binomial

f(x) = P(X = x) = . px . qn x , para x = 0, 1, 2, ..., n.

porque se deve escolher exatamente k casos

SR IE: Est at st ica Bsica - Enf o que : Sociais