Isabel Cristina Gomes

APOSTILA DE PROBABILIDADE

Universidade Federal de Minas Gerais

Departamento de Estatstica
Belo Horizonte MG
2012

Probabilidade

CONTEDO

Contedo
1 Fundamentos

2 Denio

3 Regra da adio de probabilidades

4 Probabilidade condicional

1.1 Operaes bsicas de conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.2 Exerccios: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1 Exerccios: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.1 Exerccios: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1 Denio: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2 Regra do produto de probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.3 Exerccios: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4
5
7
8

9
9
10

5 Independncia de eventos

10

6 Teorema da Probabilidade Total

11

7 Teorema de Bayes

12

5.1 Exerccios: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.1 Partio do espao amostral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.2 Denio: Teorema da Probabilidade Total . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.3 Exerccios: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.1 Exerccios: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

8 Variveis aleatrias discretas

8.1
8.2
8.3
8.4

Funo discreta de probabilidade . . . . . . . . . . .

Funo de distribuio de probabilidade . . . . . . .
Mdia e varincia de uma varivel aleatria discreta
Exerccios: . . . . . . . . . . . . . . . . . . . . . . . .

9 Variveis aleatrias contnuas

9.1
9.2
9.3
9.4

Funo de densidade de probabilidade . . . . . . . .

Funo de distribuio acumulada . . . . . . . . . .
Mdia e varincia de uma varivel aleatria contnua
Exerccios: . . . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

11

11
11
12
12

13

13
14
15
16

16

16
17
18
18

10 A distribuio Normal

19

11 Referncias

23

10.1 A tabela Normal Padro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

10.2 Teorema Central do Limite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.3 Exerccios: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

20
22
23

Probabilidade

1 Fundamentos
Alguns experimentos so determinsticos, isto , produzem os mesmos resultados, desde que tenham sido
xadas as condies em que eles ocorrem. Por exemplo, na geometria, sabendo o lado de um quadrado,
a rea estar determinada, ou ainda se clicar sobre um cone em um computador, saber que funo ele
ir desempenhar. Existem tambm os experimentos probabilsticos, nos quais mesmo que as condies de
ocorrncia tenham sido xadas, os resultados no so previsveis. O resultado de uma observao no tem
efeito sobre o resultado de outra e tm um padro de comportamento previsvel a longo prazo. Ou seja,
os experimentos tm um componente de acaso. Como j foi dito neste curso, a probabilidade a teoria
matemtica utilizada para se estudar a incerteza oriunda de fenmenos de carter aleatrio. Vejamos a
seguir alguns conceitos importantes:
Experimentos aleatrios:

so experimentos cujos resultados no podem ser previstos com certeza.

O nmero de gols em uma partida de futebol, a altura de um aluno sorteado casualmente

na sala de aula, a taxa de inao no ms de abril, face observada no lanamento de um dado,
face observada no lanamento de uma moeda.
Ex.:

Denotado pela letra grega (mega), o conjunto de todos os resultados possveis de

um experimento aleatrio.

Espao amostral:

Experimento: Lanamento de uma moeda. Resultados possveis: cara (c) ou coroa ().
c
Espao amostral: = {c, c}.

Ex.:

Ex.:

Ex.:

Experimento: Lanamento de um dado. Resultados possveis: 1, 2, 3, 4, 5, 6. Espao

amostral: = {1, 2, 3, 4, 5, 6}.
Experimento: Contar o no de lhos de famlias de um determinado bairro. Resultados
possveis: de 0 a 50. Espao amostral: = {0, 1, 2, 3, ...}.

so os subconjuntos de , um resultado ou um conjunto de resultados do experimento aleatrio,

so denotados por letras maisculas A, B, .... O conjunto vazio denotado por .

Evento:

Ex.:

Experimento: Lanamento de uma moeda. Evento A: Sair cara no lanamento da moeda.

A = {cara}

Ex.:

Experimento: Lanamento de um dado. Evento B: Sair uma face par do dado. B = {2, 4, 6}.

Ex.:

Experimento: Contar o no de lhos de famlias de um determinado bairro. Evento C: ter

no mximo 2 lhos. C = {0, 1, 2}.

Eventos especiais:

Evento simples: um resultado ou um evento que no pode mais ser decomposto em compo-

nentes mais simples.

uma moeda.

Ex.:

Sair face 4 no lanamento de um dado, sair coroa no lanamento de

Evento impossvel (Notao: ): o evento que nunca ocorre.

Ex.:

Sair face par e mpar ao

mesmo tempo em um nico lanamento de um dado.

Evento Certo: o evento que sempre ocorre.

dado.

Ex.:

Sair face par ou mpar no lanamento de um

1.1

Probabilidade

Operaes bsicas de conjuntos

1.1 Operaes bsicas de conjuntos

A unio de dois eventos A e B, denotada por A B , representa a ocorrncia de pelo menos um
dos eventos A ou B, ou seja, o evento que consiste em todos os resultados que esto contidos nos dois
eventos.
Unio.

Experimento: Lanamento de uma moeda. Se denimos por A: ocorrncia de cara e B: ocorrncia

de coroa, A B = {c, c}.

Ex.:

Ex.:

Ex.:

Experimento: Lanamento de um dado. Se denimos por C: ocorrncia de face par no lanamento, D: ocorrncia da face 4 no lanamento, teremos C D = {2, 4, 6}.
Experimento: Contar o no de lhos de famlias de um determinado bairro. Se denimos E: ter
menos de dois lhos e F: ter entre 1 e 5 lhos, E F = {0, 1, 2, 3, 4, 5}.

Unio

A interseco de dois eventos A e B, denotada por A B , a ocorrncia simultnea de

A e B, ou seja, o evento que consiste em todos os resultados que esto contidos em ambos os eventos,
simultaneamente.

Interseco.

Ex.:

Experimento: Lanamento de uma moeda. A B = .

Ex.:

Experimento: Lanamento de um dado. C D = 4.

Ex.:

Experimento: Contar o no de lhos de famlias de um determinado bairro. E F = {1, 2}.

Interseco

Observemos que, sabendo que e so tambm eventos por serem subconjuntos do espao amostral:
a unio de qualquer evento com o espao amostral ser o prprio espao amostral.
a unio de qualquer evento com o conjunto vazio ser o prprio evento.
a interseco de qualquer evento com o espao amostral ser o prprio evento.
a interseco de qualquer evento com o conjunto vazio ser o conjunto vazio.

1.2

Probabilidade

Exerccios:

Outros conceitos importantes so:

dizemos que dois eventos A e B so disjuntos ou mutualmente exclusivos, quando
no tm elementos em comum, ou seja, A B = .
Eventos disjuntos:

Ex.:

Experimento: Lanamento de um dado. Os eventos A e B so disjuntos.

A

Eventos disjuntos

O complemento de um evento em um espao amostral o conjunto dos

resultados no espao amostral que no esto no evento. O complementar de A ser denotado por Ac e
temos A Ac = e A Ac = .
Eventos complementares:

Ex.:

Experimento: Lanamento de um dado. Os eventos A e B so complementares.

Ac

Complementar de A

1.2 Exerccios:
1.2.1 Suponha que iremos selecionar 1 estudante ao acaso de uma turma de estatstica. Construa o espao amostral
se o interesse :

(a)
(b)
(c)
(d)

Saber o sexo do estudante.

Saber a altura do estudante (em metros).
Saber a idade do estudante (em anos).
Saber o estado civil do estudantes.

1.2.2 No contexto do exerccio 1, especique dois eventos possveis de cada uma das 4 situaes.
1.2.3 Considere um experimento que consiste no lanamento de um dado equilibrado. Como j foi visto, o espao
amostral = {1, 2, 3, 4, 5, 6}. Considere os seguintes eventos: A = {2, 4, 6}, B = {1, 3, 5}, C = {1, 4, 5} e D = {4}.

(a)
(b)
(c)
(d)

Obtenha A B , A C e A D.
Obtenha B A, B C e B D.
Identique os dois eventos disjuntos entre estes 4 e explique por que o so.
Obtenha Ac , B c , C c e Dc .

Probabilidade

2 Denio
Uma funo P(.) denominada

probabilidade

se satisfaz as seguintes condies:

1. 0 P(A) 1, A . Ou seja, qualquer probabilidade de um evento um nmero entre 0 e 1.

2. P() = 1. Ou seja, todos os resultados possveis juntos devem ter probabilidade 1.
3. P n Aj = n P(Aj ), com os Aj 's disjuntos. Isto , se n eventos no tm resultados em
j=1
i=1
comum, a probabilidade de que um ou outro ocorra a soma das probabilidades individuais.
Em outras palavras, probabilidade uma funo P(.) que atribui valores numricos aos eventos do espao
amostral. Uma pergunta natural seria: como atribuir probabilidades aos elementos do espao amostral?
H trs formas bsicas:
1.

Clssica:

Supe que cada um dos eventos simples tenha igual chance de ocorrer.
P(A) =

Nmero de maneiras como o evento A pode ocorrer

Nmero de diferentes eventos simples

(1)

2.

Ex.: Experimento: Lanamento de uma moeda. Espao amostral: = {c, c}. Considerando

que seja uma moeda 'honesta', ou seja, que as duas faces tenham a mesma chance de ocorrer,
temos P({c}) = P({}) = 1/2.
c

Experimento: Lanamento de um dado. O espao amostral = {1, 2, 3, 4, 5, 6}. Admitindo que o dado seja equilibrado, ou seja, no haja nenhuma face com maior chance de
ocorrer, podemos considerar P({1}) = P({2}) = P({3}) = P({4}) = P({5}) = P({6}) = 1/6.
Ex.:

Baseia-se nas frequncias observadas de ocorrncia do evento. Observando as diversas

repeties do experimento podemos anotar o nmero de ocorrncias de cada valor da varivel. Para
um nmero grande de realizaes, a frequncia relativa poderia ser usada como probabilidade.
Frequentista:

P(A) =

Nmero de vezes em que A ocorreu

Nmero de vezes em que o experimento foi repetido

(2)

3.

Experimento: Em 135 lanamentos de uma moeda 'honesta', foram obtidas 72 caras e 63

coroas, ento P({c}) = 72/135 = 0, 53 e P({}) = 63/135 = 0, 47.
c
Ex.:

Ex.:

Experimento: Em 160 lanamento de um dado 'equilibrado' a face '1' foi observada em

24, a '2' em 31, a '3' em 25, a '4' em 23, a '5' em 20 e a '6' em 37 lanamentos. Assim,
P({1}) = 0, 15, P({2}) = 0, 19, P({3}) = 0, 16, P({4}) = 0, 14, P({5}) = 0, 13, P({6}) = 0, 23.

Sub jetiva: A Probabilidade de ocorrncia do evento A estimada como um nmero entre 0 e 1 que
representa um ponto de vista pessoal sobre a possibilidade de ocorrer determinado evento.

Um empresrio abre um restaurante em uma cidade turstica, acreditando que a probabilidade subjetiva de sucesso 0,8 (otimista!)

Ex.:

Ex.:

Se voc for perguntado sobre qual a probabilidade de, diante da gravidez de uma amiga,
o beb ser do sexo masculino, qual valor responderia? (sem assumir que os sexos masculino e
feminino so equiprovveis, e sem ter uma amostra para estimar essa probabilidade.)

2.1

Probabilidade

Exerccios:

2.1 Exerccios:
2.1.1 Considere o experimento de lanar duas moedas honestas.
(a) Escreva o espao amostral e as respectivas probabilidades.
(b) Qual a probabilidade de ocorrer uma cara?
2.1.2 Joga-se um dado equilibrado. Qual a probabilidade de ocorrer um nmero menor que 3?
2.1.3 O gestor de um supermercado quer saber a probabilidade de um cliente pagar com carto de crdito e tambm
a probabilidade de pagar com carto de dbito. Dos 1728 clientes que passaram pelo caixa em uma semana, 864
optaram pelo carto de crdito como forma de pagamento e 174 pagaram pelo dbito. Calcule as probabilidades
pedidas.

2.1.4 O diretor de uma escola perguntou aos 575 alunos se eles eram destros ou canhotos. Encontrou 46 canhotos.
Estime a probabilidade de um aluno selecionado aleatoriamente nessa escola ser destro.

3 Regra da adio de probabilidades

Vimos anteriormente trs formas de atribuir probabilidades a eventos simples. Porm, mais comum em
situaes reais termos eventos compostos, ou seja, que envolvem mais de um resultado possvel do espao
amostral. Estes tipos de eventos so gerados pela aplicao de operaes bsicas de conjuntos a eventos
simples. Unies, interseces e complementares de eventos so comumente de interesse. A probabilidade de
um evento composto pode frequentemente ser determinada a partir de probabilidades dos eventos simples
que o compreendem. Vamos pensar em como atribuir probabilidade para um evento que a unio de dois
eventos, ou seja, a probabilidade de ocorrncia de A ou B:

Unio

Estaremos ento interessados em calcular P(A B). Note que se simplesmente somarmos P(A) com P(B),
estaremos somando a regio de interseco entre os dois eventos duas vezes (a regio mais escura da
representao da unio acima). Assim, precisamos subtrair uma vez P(A B). Assim, sejam A e B eventos
de . Ento:
P(A B) = P(A) + P(B) P(A B)

(3)

Observe que, se A e B foram disjuntos, a expresso acima se reduz a:

P(A B) = P(A) + P(B)

(4)

porque neste caso P(A B) = . Da denio de probabilidade e a regra da adio implicam os seguintes
resultados:
7

3.1

Probabilidade

Exerccios:

1. Se A e Ac so eventos complementares ento P(Ac ) = 1 P(A);

2. P() = 0;
3. Sejam A e B eventos de . Ento P(A) = P(A B) + P(A B c ).
O espao amostral de um experimento aleatrio : = {a, b, c, d, e}, com probabilidades 0,1;
0,1; 0,2; 0,4 e 0,2, respectivamente. Sejam os eventos A = {a, b, c} e B = {c, d, e}. Determine as seguintes
probabilidades: a. P(A); b. P(B); c. P(Ac ); d. P(A B); e. P(A B).
Exemplo 3.1.

Soluo:
Para encontramos a probabilidade do evento A, precisamos somar as probabilidades dos eventos simples que o compem.
Assim, P(A) = P({a}) + P({b}) + P({c}) = 0, 1 + 0, 1 + 0, 2 = 0, 4.

a.

b.

c.
d.

e.

Para encontramos a probabilidade do evento B faremos o mesmo processo da letra (a). Assim, P(B) = P({c}) + P({d}) +
P({e}) = 0, 2 + 0, 4 + 0, 2 = 0, 8.
Para encontramos a probabilidade do evento Ac : P(Ac ) = 1 P(A) = 1 0, 4 = 0, 6.
Para encontramos a probabilidade do evento A B devemos somar as probabilidades dos eventos simples
eventos A e B. Assim, P(A B) = P({c}) = 0, 2.

comuns

aos

Para encontramos a probabilidade do evento A B devemos usar a frmula da adio. Assim, P(A B) = P(A) + P(B)
P(A B) = 0, 4 + 0, 8 0, 2 = 1.

Exemplo 3.2. Um estudo sobre hbitos de fumantes compreendeu 200 indivduos casados (54 fumavam), 100
divorciados (38 fumavam) e 50 solteiros (11 fumavam). Escolhido aleatoriamente 1 indivduo, determine a
probabilidade de obter algum divorciado ou fumante.

Soluo:
Precisamos primeiro denir os eventos: C = ser casado, P(C) = 200/350 = 0, 571; D = ser divorciado, P(D) = 100/350 =
0, 286; S = ser solteiro, P(S) = 50/350 = 0, 143 e F = ser fumante, P(F ) = (54 + 38 + 11)/350 = 0, 294. Observemos ainda
que P(D F ) = 38/350 = 0, 109. Precisamos calcular P(D F ).
P(D F ) = P(D) + P(F ) P(D F ) = 0, 286 + 0, 294 0, 109 = 0, 471.

3.1 Exerccios:
3.1.1 Se P(A) = 0, 3, P(B) = 0, 2 e P(A B) = 0, 1, determine as seguintes probabilidades:
(a) P(Ac ).
(b) P(A B).
(c) P(Ac B).
(d) P(A B c ).
(e) P(Ac B).
3.1.2 Uma universidade tem 10.000 alunos dos quais 4.000 so considerados esportistas. Sabe-se ainda que 500
alunos so do curso de biologia diurno, 700 da biologia noturno, 100 so esportistas e da biologia diurno e 200 so
esportistas e da biologia noturno. Um aluno escolhido, ao acaso, e pergunta-se a probabilidade de:

(a)
(b)
(c)
(d)
(e)

Ser esportista.
Ser esportista e aluno da biologia noturno.
No ser da biologia.
Ser esportista ou aluno da biologia.
No ser esportista nem aluno da biologia.

3.1.3 Sejam A e B dois eventos em um dado espao amostral tais que P(A) = 0, 2,
P(A B) = 0, 1. Determine o valor de p.

P(B) = p, P(A B) = 0, 5 e

Probabilidade

4 Probabilidade condicional
Algumas vezes o experimento aleatrio com o qual trabalhamos pode ser separado em etapas. A informao
do que ocorreu em uma determinada etapa pode inuenciar nas probabilidades de ocorrncias nas etapas
sucessivas. O que acontece que 'ganhamos' informao e podemos recalcular as probabilidades de interesse.
A essas probabilidades recalculadas denominamos probabilidade condicional, denida da seguinte forma:

4.1 Denio:
Dados dois eventos A e B, a probabilidade condicional de A dado que ocorreu B denotada por P(A|B) e
dada por:
P(A|B) =

P(A B)
, P(B) > 0
P(B)

(5)

Se P(B) = 0, ento P(A|B) arbitrariamente denida.

Interpretao: A probabilidade P(A|B) revela a incerteza que se tem sobre o evento A supondo que
ocorreu o evento B. Podemos interpret-la como a chance relativa de A restrita ao fato que B ocorreu.
Exemplo 4.1.

Dois dados equilibrados so lanados. Calcule a probabilidade de:

a.

Obter o par (3,4), sabendo-se que ocorreu face mpar no primeiro dado;

b.

Ocorrer face mpar no segundo dado, sabendo-se que ocorreu face par no primeiro dado.

Soluo:
Para o experimento lanamento de dois dados equilibrados, o espao amostral ser:
= {(1, 1), ..., (1, 6), (2, 1), ..., (2, 6), (3, 1), ..., (3, 6), (4, 1), ..., (4, 6), (5, 1), ..., (5, 6), (6, 1), ..., (6, 6)}

sendo que cada resultado possvel tem probabilidade 1/36 de ocorrer.

a. Denamos dois eventos: A = {(3, 4)} e B = obter face mpar no primeiro dado = {(1, 1), ..., (1, 6), (3, 1), ..., (3, 6), (5, 1), ..., (5, 6)}.
Sabemos que P(A) = 1/36, P(B) = 18/36 = 1/2 e P(A B) = 1/36. Ento:
P(A|B) =

P(A B)
1/36
1
=
=
= 0, 056.
P(B)
1/2
18

Denamos dois eventos: C = obter face mpar no segundo dado = {(1, 1), (2, 1), ..., (6, 1), (1, 3), (2, 3), ..., (6, 3), (1, 5), (2, 5), ..., (6, 5)}
e D = obter face par no primeiro dado = {(2, 1), ..., (2, 6), (4, 1), ..., (4, 6), (6, 1), ..., (6, 6)}.
Sabemos que P(C) = 18/36 = 1/2, P(D) = 18/36 = 1/2 e P(C D) = 9/36 = 1/4. Ento:
b.

P(C|D) =

P(C D)
1/4
1
=
= = 0, 5.
P(D)
1/2
2

4.2 Regra do produto de probabilidades

A denio de probabilidade condicional dada em (5) pode ser reescrita de modo a fornecer uma expresso
para a probabilidade de interseco de eventos. Sejam A e B eventos de , temos:

P(A B) = P(A|B)P(B), com P(B) > 0

(6)

P(A B) = P(B|A)P(A), com P(A) > 0

(7)

ou similarmente,

Dois armrios guardam bolas de voleibol e basquete. O armrio 1 tem 3 bolas de volei e 1 de
basquete, enquanto o armrio 2 tem 3 bolas de volei e 2 de basquete. Escolhendo-se, ao acaso, um armrio
e, em seguida, uma de suas bolas, calcule a probabilidade dela ser:
Exemplo 4.2.

4.3

Probabilidade

Exerccios:

a.

De volei, sabendo-se que o armrio 1 foi escolhido;

b.

De basquete, sabendo-se que o armrio 2 foi escolhido;

c.

De basquete.

Soluo:
Denindo os seguintes eventos: A1 = Armrio 1; A2 = Armrio 2; V = bola de volei e B = bola de basquete, temos:
a. P(V |A1) = 3/4 = 0, 75, porque sabemos que no armrio 1, 3 das 4 bolas so de volei.
b. P(B|A2) = 2/5 = 0, 4, porque sabemos que no armrio 2, 2 das 5 bolas so de basquete.
c. Usaremos que P(B) = P(B A1)+P(B A2) = P(B|A1)P(A1)+P(B|A2)P(A2) = 1/41/2+2/51/2 = 1/8+1/5 = 0, 325.

Uma escola de ensino mdio do interior de So Paulo tem 40% de estudantes do sexo
masculino. Entre estes, 20% nunca viram o mar, ao passo que, entre as meninas, essa porcentagem de
50%. Qual a probabilidade de que um aluno selecionado ao acaso seja:
Exemplo 4.3.

a.

Do sexo masculino e nunca ter visto o mar;

b.

Do sexo feminino e nunca ter visto o mar.

Soluo:
Denindo os seguintes eventos: M = sexo masculino; F = sexo feminino e N = nunca ter visto o mar, temos:
a. P(M N ) = P(N |M )P(M ) = 0, 2 0, 4 = 0, 08.
b. P(F N ) = P(N |F )P(F ) = 0, 5 0, 6 = 0, 30.

4.3 Exerccios:
4.3.1 Numa cidade do interior de So Paulo, estima-se que cerca de 20% dos habitantes tm algum tipo de alergia.
Sabe-se que 50% dos alrgicos praticam esporte, enquanto essa porcentagem entre os no alrgicos de 40%. Para
um indivduo escolhido aleatoriamente nessa cidade, obtenha a probabilidade de:

(a) No praticar esporte.

(b) Ser alrgico dado que no pratica esportes.
4.3.2 A tabela a seguir apresenta dados dos 1000 ingressantes de uma universidade, com informaes sobre a rea
de estudo e classe scio-econmica:

rea / Classe
Exatas
Humanas
Biolgicas

Alta
120
72
169

Mdia
156
85
145

Baixa
68
112
73

Se um aluno ingressante escolhido ao acaso, determine a probabilidade de:

(a) Estudar na rea de exatas.

(b) Estudar na rea de humanas, sendo de classe mdia.
(c) Ser da classe baixa, dado que estuda na rea de biolgicas.

5 Independncia de eventos
Dois eventos A e B so independentes se a informao da ocorrncia ou no de B no altera a probabilidade
de ocorrncia de A, ou seja, P(A|B) = P(A) e consequentemente tem-se:
10

5.1

Probabilidade

Exerccios:

(8)

P(A B) = P(A)P(B)

Estatsticas dos ltimos anos do departamento estadual de estradas so apresentadas na

tabela a seguir, contendo o nmero de acidentes, incluindo vtimas fatais e as condies do motorista
envolvido, sbrio ou alcoolizado. Voc diria que o fato de o motorista estar ou no alcoolizado interfere na
ocorrncia de vtimas fatais?

Exemplo 5.1.

Motorista
Sbrio
Alcoolizado
Total

Vtimas fatais
No
Sim
1228
275
2393
762
3621 1037

Total
1503
3155
4658

Soluo:
Denindo os seguintes eventos: S = motorista sbrio; A = motorista alcoolizado e F = vtimas fatais, o que desejamos saber
se o evento vtimas fatais independente da situao do motorista (sbrio ou alcoolizado). Para vericar isso, precisamos
vericar se P(F |A) = P(F ) e se P(F |S) = P(F ). Assim:
P(F |A) = 762/3155 = 0, 242 e P(F ) = 1037/4658 = 0, 223. Assim, P(F |A) = P(F ).
P(F |S) = 275/1503 = 0, 183 e P(F ) = 1037/4658 = 0, 223. Assim, P(F |S) = P(F ). Ento, o fato de o motorista estar ou no
alcoolizado interfere na ocorrncia de vtimas fatais.

5.1 Exerccios:
5.1.1 Se P(A|B) = 0, 4, P(B) = 0, 8 e P(A) = 0, 5, os eventos A e B so independentes? Por qu?
5.1.2 Se P(A|B) = 0, 3, P(B) = 0, 8 e P(A) = 0, 3, os eventos B e Ac so independentes? Por qu?
5.1.3 Se P(A) = 0, 2, P(B) = 0, 2, com A e B mutuamente excludentes, eles so independentes? Por qu?

6 Teorema da Probabilidade Total

6.1 Partio do espao amostral
Os eventos C1 , C2 ,...,Ck formam uma partio do espao amostral se eles no tm interseco entre si e
se sua unio igual ao espao amostral, isto :
1. Ci Cj = , i = j
2.

k
i=1

Ci =

C2
C1

C4
C3

C5
C6

Partio do espao amostral (k=6)

6.2 Denio: Teorema da Probabilidade Total

Suponha que os eventos C1 , C2 ,...,Ck formam uma partio de e que suas probabilidades P(C1 ), P(C2 ),
..., P(Ck ) so conhecidas. Suponha tambm que para um evento A, as probabilidades P(A|C1 ), P(A|C2 ),
..., P(A|Ck ) sejam conhecidas. Assim:
P(A) = P(A C1 ) + P(A C2 ) + ... + P(A Ck ) = P(A|C1 )P(C1 ) + P(A|C2 )P(C2 ) + ... + P(A|Ck )P(Ck )

11

(9)

6.3

Probabilidade

Exerccios:

Exemplo 6.1.

Suponha P(A|B) = 0, 2, P(A|B c ) = 0, 3 e P(B) = 0, 8. Qual o valor de P(A)?

Soluo:
Sabemos que B e B c formam uma partio de , ento podemos usar o teorema da probabilidade total para calcular P(A):
P(A) = P(A B) + P(A B c ) = P(A|B)P(B) + P(A|B c )P(B c ) = 0, 2 0, 8 + 0, 3 0, 2 = 0, 16 + 0, 06 = 0, 22.

6.3 Exerccios:
6.3.1 Suponha que 2% dos rolos de tecido de algodo e 3% dos rolos de tecido de nilon contenham falhas. Dos

rolos usados por um fabricante, 70% so de algodo e 30% so de nilon. Qual ser a probabilidade de um rolo
selecionado aleatoriamente, usado pelo fabricante, conter falhas?

7 Teorema de Bayes
Suponha que os eventos C1 , C2 , ..., Ck formam uma partio de e que suas probabilidades P (C1 ),
P (C2 ),...,P (Ck ) so conhecidas. Suponha tambm que para um evento A, as probabilidades P (A|C1 ),
P (A|C2 ), ..., P (A|Ck ) sejam conhecidas. Assim, para qualquer j,
P(Cj |A) =

P(A|Cj )P(Cj )
k
i=1

P(A|Ci )P(Ci )

(10)

Este um resultado til por permitir resolver P(Cj |A) em termos de P(A|Cj ).
Exemplo 7.1. O ELISA o tipo mais comum de teste de triagem para deteco do HIV. Um resultado
positivo em ELISA indica que o HIV est presente. Suponha que a probabilidade de uma pessoa estar
infectada com o HIV, para uma certa populao, seja 0,015. Se o HIV estiver efetivamente presente, a
probabilidade de que o teste ELISA apresente um resultado positivo 0,995. Se o HIV no estiver efetivamente presente, a probabilidade de um resultado positivo a partir do ELISA 0,01. Se o ELISA tiver
apresentado um resultado positivo, utilize o teorema de Bayes para encontrar a probabilidade de que o HIV
esteja efetivamente presente.
Soluo:
Vamos denir os seguintes eventos: P = resultado positivo no teste ELISA; N = resultado negativo no teste ELISA e H =
vrus HIV efetivamente presente. Sabemos que P(H) = 0, 015, P(P |H) = 0, 995 e P(P |H c ) = 0, 01 e precisamos encontrar
P(H|P ):
P(H|P )

=
=

P(H P )
P(P |H)P(H)
=
P(P )
P(P H) + P(P H c )
P(P |H)P(H)
0, 995 0, 015
0, 0149
=
=
= 0, 601
P(P |H)P(H) + P(P |H c )P(H c )
0, 995 0, 015 + 0, 01 0, 985
0, 0248

7.1 Exerccios:
7.1.1 Um mdico descona que um paciente tem um tumor no abdmen, pois isto ocorreu em 70% dos casos

similares que tratou. Se o paciente de fato tiver o tumor, o exame de ultrassom o detectar com probabilidade 0,9.
Entretanto, se ele no tiver o tumor, o exame pode, erroneamente, indicar que tem com probabilidade 0,1. Se o
exame detectou um tumor, qual a probabilidade de o paciente t-lo de fato?

7.1.2 Das pacientes de uma Clnica de Ginecologia com idade acima de 40 anos, 60% so ou foram casadas e 40%
so solteiras. Sendo solteira, a probabilidade de ter tido um distrbio hormonal no ltimo ano de 10%, enquanto
que para as demais essa probabilidade aumenta para 30%. Pergunta-se:

a. Qual a probabilidade de uma paciente escolhida ao acaso ter tido um distrbio hormonal?
b. Se a paciente sorteada tiver distrbio hormonal, qual a probabilidade de ser solteira?
12

Probabilidade

7.1.3 Numa certa regio, a probabilidade de chuva em um dia qualquer de primavera 0,1. Um meteorologista da
TV acerta suas previses em 80% dos dias em que chove e em 90% dos dias em que no chove.
a. Qual a probabilidade do meteorologista acertar sua previso?
b. Se houve acerto na previso feita, qual a probabilidade de ter sido um dia de chuva?

8 Variveis aleatrias discretas

Uma varivel aleatria uma funo que atribui um nmero real a cada resultado do espao amostral de
um experimento aleatrio. geralmente representada por uma letra maiscula, como X. Depois que um
experimento conduzido, o valor medido da varivel aleatria denotado por uma letra minscula, como
x = 25 anos.
Como j dissemos antes, uma varivel aleatria discreta uma varivel que assume valores em um conjunto
nito, ou innito enumervel de possibilidades. Muitas vezes so resultantes de contagens e assumem
valores inteiros.

8.1 Funo discreta de probabilidade

A funo que atribui a cada valor da varivel aleatria a sua probabilidade denominada funo discreta
de probabilidade, ou simplesmente, funo de probabilidade. A notao a ser utilizada :
P(X = xi ) = p(xi ) = pi , i = 1, 2, ...

(11)

ou ainda,
X

x1

x2

x3

pi

p1

p2

p3

Sendo uma funo de probabilidade, satisfaz 0 pi 1 e

Exemplo 8.1.

...
...
i

pi = 1.

Experimento: Lanamento de um dado equilibrado. X = face obtida no lanamento do dado.

X
pi

1
1/6

2
1/6

3
1/6

4
1/6

5
1/6

6
1/6

ou, equivalentemente, P(X = 1) = P(X = 2) = ... = P(X = 6) = 1/6.

Exemplo 8.2.

Experimento: Lanamento de dois dados equilibrados. X = soma dos valores obtidos nas 2

faces.
dado 2
1
2
3
4
5
6

1
2
3
4
5
6
7

dado 1
3 4
5
4 5
6
5 6
7
6 7
8
7 8
9
8 9 10
9 10 11

2
3
4
5
6
7
8

6
7
8
9
10
11
12

Acima esto os 36 resultados possveis desta varivel aleatria. Assim, as probabilidades so obtidas contando-se o nmero
de vezes que cada resultado apareceu e dividindo-se pelos 36 resultados possveis:

13

8.2

Probabilidade

Funo de distribuio de probabilidade

2
1/36

3
2/36

4
3/36

5
4/36

6
5/36

7
6/36

8
5/36

9
4/36

10
3/36

11
2/36

12
1/36

0.10
0.00

0.05

Probabilidades

0.15

0.20

pi

10

11

12

Soma dos valores das duas faces dos dados

8.2 Funo de distribuio de probabilidade

A funo de distribuio ou funo acumulada de probabilidade de uma varivel aleatria discreta X
denida, para qualquer nmero real x, pela seguinte expresso:
F (x) = P(X x) =

(12)

p(xi )
xi x

Uma populao de 1000 crianas foi analisada num estudo para determinar a efetividade de
uma vacina contra um tipo de alergia. No estudo, as crianas recebiam uma dose de vacina e, aps um
ms, passavam por um novo teste. Caso ainda tivessem tido alguma reao alrgica, recebiam outra dose
de vacina. Ao m de 5 doses todas as crianas foram consideradas imunizadas. Os resultados completos
esto na tabela a seguir:
Exemplo 8.3.

Doses
Freq.

1
245

2
288

3
256

4
145

5
66

Calcule as probabilidades de:

a.

Uma criana desta populao sorteada ao acaso tenha recebido 2 doses.

b.

Uma criana desta populao sorteada ao acaso tenha recebido at 2 doses.

Soluo:
a. Utilizando a abordagem frequentista para atribuir probabilidades, a probabilidade de uma criana ter recebido exatamente
duas doses 288/1000=0,288. A funo de probabilidade da varivel aleatria X = nmero de doses recebidas :
b. Para isso precisamos obter a funo de distribuio no ponto 2, ou seja, calcular a probabilidade acumulada de ocorrncia
dos valores menores ou iguais a 2. Assim:
F (2) = P(X 2) = P(X = 1) + P(X = 2) = 0, 245 + 0, 288 = 0, 533.

Observe que, como a varivel s assume valores inteiros, esse valor ca inalterado no intervalo [2,3), ou seja, F(2,1)=F(2,45)=F(2,99).
Por essa razo, escrevemos F (x) = P(X x) = 0, 533, para 2 x < 3. Assim, a funo de distribuio :

0, 245

0, 533
F (x) =

0, 789

0, 934

14

se x < 1;

se 1 x < 2;

se 2 x < 3;

se 3 x < 4;

se 4 x < 5;

se x 5.

8.3

Probabilidade

Mdia e varincia de uma varivel aleatria discreta

1
0,245

2
0,288

3
0,256

4
0,145

1.0

Doses
Freq.

5
0,066

0.8

0.6

0.4

F(x)

0.0

0.2

Nmero de doses de vacina

8.3 Mdia e varincia de uma varivel aleatria discreta

Duas quantidades so frequentemente usadas para resumir uma distribuio de probabilidade de uma varivel aleatria X. A mdia (ou valor esperado) uma medida do centro da distribuio de probabilidade. A
varincia uma medida da disperso ou variabilidade da distribuio. Veremos agora como calcular esses
dois valores de uma varivel aleatria discreta.
A mdia ou

valor esperado

de uma varivel aleatria discreta X, denotada por ou E(X), :

n

(13)

xi p(xi )

= E(X) =
i=1

Ea

varincia

de uma varivel aleatria discreta X, denotada por 2 ou V (x) :

n

2 = V (x) = E(X )2 =

(xi )2 p(xi )

(14)

i=1

Ou alternativamente:
n

2 = V (x) = E(X 2 ) + (E(X)) , onde E(X 2 ) =

2

x2 p(xi )
i
i=1

Clculo da mdia e da varincia no Exemplo 8.2:

11

E(X)

xi p(xi ) = 2 1/36 + 3 2/36 + 4 3/36 + 5 4/36 + 6 5/36 + 7 6/36 + 8 5/36

=
i=1

+9 4/36 + 10 3/36 + 11 2/36 + 12 1/36 = 7

11

E(X 2 )

x2 p(xi ) = 22 1/36 + 32 2/36 + 42 3/36 + 52 4/36 + 62 5/36 + 72 6/36 + 82 5/36

i

=
i=1

+92 4/36 + 102 3/36 + 112 2/36 + 122 1/36 = 54, 833
V (X)

E(X 2 ) (E(X))2 = 51, 167 72 = 54, 833 49 = 5, 833

15

(15)

8.4

Probabilidade

Exerccios:

Clculo da mdia e da varincia no Exemplo 8.3:

E(X)

xi p(xi ) = 1 0, 245 + 2 0, 288 + 3 0, 256 + 4 0, 145 + 5 0, 066 = 2, 499

=
i=1
5

E(X 2 )

x2 p(xi ) = 12 0, 245 + 22 0, 288 + 32 0, 256 + 42 0, 145 + 52 0, 066 = 7, 671

i

=
i=1

V (X)

E(X 2 ) (E(X))2 = 7, 671 2, 4992 = 1, 426

8.4 Exerccios:
8.4.1 Seja P(X = x) = 2x+1 ,
25
a. P(X = 4); b. P(X 1);

x = 0, 1, 2, 3, 4. Calcule:

c.

d.

P(2 X < 4);

P(X > 1);

e. Calcule a mdia e a varincia de X .

8.4.2 Uma varivel aleatria discreta X tem a seguinte funo de distribuio:

F (x) =

se x < 10;

0, 25
0, 75

se 10 x < 30;
se 30 x < 50;
se x 50.

Determine as seguintes probabilidades:

a. P(X 50); b. P(X 40); c. P(40 X < 60);

d.

P(X < 0);

e.

P(0 X < 10);

f.

P(10 < X < 10).

8.4.3 Uma varivel aleatria discreta X tem a seguinte funo de distribuio:

F (x) =

se x < 10;

se 10 x < 12;

0, 2

se 12 x < 13;
se 13 x < 25;
se x 25.

c.

d.

0, 5

0, 9

Determine:
a. A funo de probabilidade de X ; b. P(X 12);
f. Calcule a mdia e a varincia de X .

P(X < 12);

P(12 X 20);

e.

P(X > 18);

8.4.4 As rvores so sujeitas a diferentes nveis de atmosfera de dixido de carbono, sendo que 6% das rvores em

uma condio de crescimento mnimo a 350 partes por milho (ppm) de CO2 , 10% a 450 ppm (crescimento lento) de
CO2 , 47% a 550 ppm (crescimento moderado) de CO2 e 37% a 650 ppm (crescimento rpido) de CO2 . Determine

a mdia e o desvio-padro do nvel da atmosfera de dixido de carbono (em ppm) para essas rvores.

9 Variveis aleatrias contnuas

Uma varivel aleatria contnua assume valores em um intervalo dos nmeros reais e geralmente proveniente de mensurao. Precisamos estabelecer uma forma para atribuir probabilidades s diversas realizaes deste tipo de varivel, que pode assumir um nmero innito de valores diferentes.

9.1 Funo de densidade de probabilidade

Uma funo f (x) uma funo de densidade de probabilidade para uma varivel aleatria contnua X se
satisfaz as seguintes condies:
16

9.2

Probabilidade

Funo de distribuio acumulada

1. f (x) 0, x (, );

2. A rea denida por f (x) igual a 1, ou seja,

3. P(a X b) =

f (x)dx = 1;

f (x)dx = rea sob a curva de f (x) de a at b.

b
a

i. Como consequncia da forma com a qual atribumos probabilidades no caso contnuo, teremos
rea zero sob qualquer valor individual, ou seja, P(X = k) = 0 para qualquer k. Isso signica que, em
se tratando de variveis aleatrias contnuas, a probabilidade de ocorrncia de um valor isolado sempre
zero e, consequentemente, as probabilidades calculadas sobre os intervalos [a, b], [a, b), (a, b] e (a, b) so as
mesmas, para quaisquer valores de a e b.
ii. Um histograma que tem nas ordenadas a densidade de frequncia uma aproximao da funo de
densidade. A rea de cada barra igual a frequncia relativa dos valores do respectivo intervalo. A
frequncia relativa uma estimativa da probabilidade de um valor medido cair naquele intervalo.
Obs.:

Exemplo 9.1.

a.

P(X < 4)

Suponha f (x) = x/8, 3 < x < 5. Determine as seguintes probabilidades:

b. P(X > 3, 5) c. P(4 < X < 5) d. P(X < 4, 5) e. P(X < 3, 5) ou P(X > 4, 5)

Soluo:
a.

P(X < 4) =

4 x
3 8 dx

P(X > 3, 5) =

c.

P(4 < X > 5) =

d.

P(X < 4, 5) =

4
x2
2 3

1
8

5 x
3,5 8 dx

b.

e.

1
8

5 x
4 8 dx

1
8

4,5 x
dx
3
8

1
8

1
8

5
x2
2 3,5

16
2

1
8

9
2

7
16

25
2

12,25
2

= 0, 4375
12,75
16

= 0, 7969

5
x2
9
= 1 25 16 = 16 = 0, 5625
2 4
8
2
2
4,5
x2
= 1 20,25 9 = 11,25 = 0, 7031
2 3
8
2
2
16

P(X < 3, 5) ou P(X > 4, 5) como os dois eventos so disjuntos, equivale a somar as duas probabilidades.
Assim, P(X < 3, 5 X > 4, 5) = (1 P(X > 3, 5)) + (1 P(X < 4, 5)) = (1 0, 7969) + (1 0, 7031)
= 0, 2031 + 0, 2969 = 0, 5

9.2 Funo de distribuio acumulada

A funo de distribuio acumulada de uma varivel aleatria contnua X dada por:
x

F (x) = P(X x) =

Existe uma relao entre f (x) e F (x): f (x) =

Exemplo 9.2.

f (u)du, para < x <

(16)

d
dx F (x).

Suponha que a funo de distribuio acumulada de uma varivel aleatria X seja:

F (x) =

Determine as seguintes probabilidades:

a.

se x < 0;

0, 2x se 0 x < 5;

se x 5;

P(X < 2, 8)

P(1 < X < 2)

Soluo:
a.

P(X < 2, 8) = F (2, 8) = 0, 2 2, 8 = 0, 56

b.

P(X > 1, 5) = 1 F (1, 5) = 1 0, 2 1, 5 = 1 0, 3 = 0, 7

17

b.

P(X > 1, 5)

c.

P(X < 2)

d.

P(X > 6)

e.

9.3

c.

Probabilidade

Mdia e varincia de uma varivel aleatria contnua

P(X < 2) = F (2) = 0

d.

P(X > 6) = 1 F (6) = 1 1 = 0

e.

P(1 < X < 2) = P(X < 2) P(X < 1) = F (2) F (1) = 0, 2 2 0, 2 1 = 0, 4 0, 2 = 0, 2

9.3 Mdia e varincia de uma varivel aleatria contnua

A

mdia

ou

valor esperado

de uma varivel aleatria contnua X, com funo de densidade dada por

f (x), dada pela expresso:

E(X) = =

(17)

xf (x)dx

Ea

varincia

de uma varivel aleatria contnua X com funo de densidade f (x) dada por:

(18)

(x )2 f (x)dx

2 = V (x) =

podemos usar a expresso alternativa para varincia:

(19)

2 = E(X 2 ) 2

onde

E(X 2 ) =

(20)

x2 f (x)dx

f (x) = x/8, 3 < x < 5

Clculo da mdia e varincia no exemplo 9.1.

E(X)

xf (x)dx =
3

3
5

E(X 2 )

V (X)

x2 f (x)dx =

x
1
x dx =
8
8

x3
3

1
x
x2 dx =
8
8

=
3

x4
4

1
8

=
3

27
125

3
3

81
625

4
4

1
8

98
= 4, 083
24
=

544
= 17
32

E(X 2 ) (E(X))2 = 17 4, 0832 = 0, 329

9.4 Exerccios:
9.4.1 Seja f (x) = 1, 5x2 , 1 < x < 1. Calcule:
a. P(X > 0); b. P(X > 0, 5); c. P(0, 5 < X < 0, 5);
X ; f. Determine x tal que P(X > x) = 0, 05 .

d.

e. Calcule a mdia e a varincia de

P(X < 2);

9.4.2 Suponha que a funo de distribuio acumulada de uma varivel aleatria X seja:
F (x) =

0, 25x + 0, 5

Determine:
a. A funo de densidade de X ;
A mdia e a varincia de X .

b.

se x < 2;

0
1

c.

P(X < 1, 8);

se 2 x < 2;

se x 2;

P(X > 1, 5);

d.

P(X < 2);

e.

P(1 < X < 1);

f.

9.4.3 A quantia gasta anualmente, em milhes de reais, na manuteno do asfalto em uma cidade do interior
representada por uma varivel aleatria Y com funo de densidade dada por:
f (x) =

8
y
9

4
9

18

se 0, 5 y < 2;
caso contrrio.

Probabilidade

Determine:

a.

P(Y < 0, 8);

b.

P(Y > 1, 5|Y 1);

c. O valor esperado e a varincia de Y ;

d. A mediana de Y .

10 A distribuio Normal
Dizemos que uma varivel aleatria contnua X tem distribuio
funo de densidade dada por:
f (x) =

Normal

com parmetros e 2 se a sua

(x)2
1
e 22 , < x < , 2 > 0, R
2

(21)

e usamos a notao X N (, 2 ) para indicar que X tem distribuio Normal com parmetros e
2 . Esses parmetros representam a mdia e a varincia da distribuio, respectivamente. A densidade
representada na gura abaixo:
f(x)

Figura 1: Densidade Normal

Propriedades:
i.

f (x) simtrica em relao ;

ii.

f (x) 0 quando x ;

iii.

f (x) alcana o seu mximo em x = ;

iv.

Os parmetros e 2 representam, respectivamente, a mdia e a varincia da distribuio.

Para calcular probabilidades para uma varivel contnua com distribuio normal, teramos que fazer a
seguinte conta:
b

P(a < X < b) =

a

(x)2
1
e 22 dx
2

a qual no uma integral fcil de resolver. Por isso as probabilidades para o modelo Normal so calculadas
com o auxlio de tabelas. Para se evitar a utilizao de vrias tabelas (uma para cada par de valores
(, 2 )), utiliza-se uma transformao de forma que a varivel tenha sempre os parmetros (0,1), isto ,
19

10.1

Probabilidade

A tabela Normal Padro

mdia 0 e varincia 1.
Considere X N (, 2 ) e dena uma nova varivel:
Z=

e assim Z N (0, 1) e ser denominada

procedemos da seguinte forma:

(22)

. Para determinar a probabilidade de X [a, b],

Normal Padro

P(a < X < b)

= P (a < X < b )
a
X
b
= P
<
<

a
b
= P
<Z<

Para quaisquer valores de e , utilizamos a Normal Padro para obter probabilidades.

10.1 A tabela Normal Padro

Como dissemos, as probabilidades so obtidas a partir de valores tabelados da Normal Padro. A tabela
que utilizaremos nos dar a probabilidade P(Z < z), como mostra a gura abaixo:
f(x)

Devemos considerar algumas informaes importantes para obter as probabilidades, como o fato de a rea
total sob a curva ser igual a 1 e P(Z > 0) = P(Z < 0) = 0, 5, consequncia direta da simetria desta
densidade. Outra consequncia P(Z < 1, 5) = P(Z > 1, 5), porque a simetria em torno do zero.
Portanto, se quisermos encontrar P(Z < 1, 5) = 1 P(Z < 1, 5).
A tabela organizada da seguinte forma: somando os cabealhos de linha e coluna, obtemos os valores de Z
que deixam as reas correspondentes s clulas no corpo da tabela sua esquerda no grco da densidade.
Por exemplo, abaixo do valor 1,0 temos 0,8413 de rea (probabilidade), o qual encontramos olhando na
coluna 0 e na linha 1,0.
Exemplo 10.1.

a.

Obtenha as probabilidades:

Se X N (2, 9), obtenha P(2 < X < 5) e P(X > 4).

20

10.1

Probabilidade

A tabela Normal Padro

b.

Se X N (6, 1), obtenha P(5 < X < 7) e P(X < 3).

c.

Se Z N (0, 1) e P(0 < z < a) = 0, 3212, determine a.

Soluo:
a.

X2

P(X > 4) = P

b.

22

P(2 < X < 5) = P

P(5 < X < 7) = P

X6
1

P(X < 3) = P

>

42

<

X2

<

52

= P(0 < Z < 1) = 0, 8413 0, 5 = 0, 3413

= P(Z > 2/3) = P(Z > 0, 67) = 1 0, 7486 = 0, 2514

56
< X6 < 76
1
1
1
36
< 1
= P(Z < 3)

= P (1 < Z < 1) = 2 P(0 < Z < 1) = 2 (0, 8413 0, 5) = 0, 6826

= 1 P(Z < 3) = 1 0, 9987 = 0, 0013

P(0 < z < a) = 0, 3212. Para encontrar o valor a, devemos somar 0,5 e procurar no corpo da tabela o valor que deixa
0,8212 de rea abaixo dele, que o 0,92. Ento, a = 0,92.
c.

f(x)

f(x)

Figura 2:

Figura 3:

item (a) P(2 < X < 5)

f(x)

item (a) P(X > 4)

f(x)

Figura 4:
Exemplo 10.2.

Seja X N (10/3, 2/3), determine:

O valor de b tal que P(X < b) = 0, 025.

b.

O valor de c tal que P(X > c) = 0, 050.

c.

o valor de d tal que P(X > d) = 0, 350.

d.

o valor de e tal que P(3 < X < e) = 0, 500.

Soluo:

P(X < b) = 0, 025 P

X10/3

1/3

b10/3
<
1/3

Figura 5:

item (b) P(5 < X < 7)

a.

a.

0.67

b10/3
=P Z<
1/3

21

= 0, 025

item (b) P(X < 3)

10.2

Probabilidade

Teorema Central do Limite

Deve-se ento procurar na tabela Normal padro o valor que deixe 0,025 de rea abaixo dele. Usando a simetria, podemos
buscar no corpo da tabela o valor que deixa 0,975 de rea abaixo dele, que 1,96, e usar o simtrico negativo do mesmo, que

-1,96. Assim: b10/3 = 1, 96 b = 1, 96 1/3 + 10/3 = 2, 20.

1/3

b.

P(X > c) = 0, 05 P

X10/3

1/3

c10/3
>

X10/3

1/3

d10/3
>

1/3

c10/3
=P Z>
1/3

= 0, 05

Deve-se ento procurar na tabela Normal padro o valor que deixe 0,95 de rea abaixo dele. Esse valor o 1,64. Assim:
c10/3

= 1, 64 c = 1, 64 1/3 + 10/3 = 4, 28.

1/3

c.

P(X > d) = 0, 35 P

1/3

c10/3
=P Z>
1/3

= 0, 35

Deve-se ento procurar na tabela Normal padro o valor que deixe 0,65 de rea abaixo dele. Esse valor o 0,39. Assim:
d10/3

= 0, 39 c = 0, 39 1/3 + 10/3 = 3, 56.

1/3

c.

P(3 < X < e) = 0, 50 P

310/3

1/3

X10/3
e10/3
<
<
1/3

1/3

e10/3
= P 1 < Z <
1/3

= 0, 50

Atravs da tabela Normal padro, temos que P(X < 1) = 0, 1587. Somamos 0, 5 a essa probabilidade e procuraremos o valor

que deixa 0, 6587 de rea abaixo dele, que o 0, 41. Assim e10/3 = 0, 41 c = 0, 41 1/3 + 10/3 = 3, 57.
1/3

10.2 Teorema Central do Limite

O Teorema Central do Limite diz que, para uma amostra grande, a distribuio da mdia amostral, devidamente padronizada, se comporta segundo um modelo normal com mdia 0 e varincia 1, ou seja:

X n

N (0, 1)
/ n

(23)

Em resumo:
uma varivel aleatria x com distribuio (normal ou no) com mdia e desvio-padro e
amostras aleatrias de tamanho n extradas dessa populao;

Se temos...

medida que o tamanho da amostra aumenta, a distribuio das mdias

amostrais x tende para uma distribuio normal, com mdia e desvio-padro / n;

Podemos concluir que...

tivermos amostras de tamanho n > 30, sendo que a aproximao melhora quanto maior for o tamanho da amostra e, se a prpria distribuio original for normal, ento
as mdias amostrais tero distribuio normal para qualquer tamanho de amostra;

E podemos usar isso quando...

quando o interesse for estudar a mdia amostral, podemos usar

a distribuio normal para estudar X probabilisticamente.

Este teorema importante porque...

Uma varivel aleatria X assume os valores 3, 6 e 8 com, respectivamente, probabilidades

0,4; 0,3 e 0,3. Uma amostra com 40 observaes sorteada. A varivel X no tem distribuio Normal
e obtemos = 5, 4 e 2 = 4, 44. Apesar de no ser simtrica, consideramos que 40 observaes uma
amostra grande o suciente para usar o Teorema Central do Limite. Para calcular a probabilidade da mdia
amostral superar o valor 5, temos:
Exemplo 10.3.

P(X > 5) = P

X 5, 4
4, 44/40

>

5 5, 4
4, 44/40

= P(Z > 1, 20) = 1 P(X < 1, 20) = 0, 8849.

22

10.3

Probabilidade

Exerccios:

10.3 Exerccios:
10.3.1 Seja X N (4, 1). Determine:
a. P(X 4); b. P(4 < X < 5); c.

d.

P(2 < X < 5);

10.3.2 Seja X N (5, 10). Determine:

a. P(5 < X 2); b. P(X 0); c.

d.

P(X > 6);

10.3.3 Seja X N (5/4, 1/9). Determine:

a. P(X 7/5); b. P(0 X 6/5); c.

P(5 X 7);

P(X 3/5);

e.

P(X 1);

f.

P(2 X 2).

P(7 X 6).

d.

P(X 3).

10.3.4 Uma clnica de emagrecimento recebe pacientes adultos com peso seguindo uma distribuio Normal com

mdia 130 Kg e desvio-padro 20 kg. Para efeito de determinar o tratamento mais adequado, os 25% pacientes de
menor peso so classicados como 'magros', enquanto os 25% de maior peso de 'obesos'. Dtermine os valores que
delimitam cada uma dessas classicaes.

10.3.5 Coleta-se uma amostra de 10 observaes independentes de uma N (2, 2). Determine a probabilidade de a
mdia amostral:
a. Ser inferior a 1;

b. Ser superior a 2,5;

c. Estar entre 0 e 2.

11 Referncias
1. Magalhes MN, Lima ACP. Noes de Probabilidade e Estatstica. 6a edio. So Paulo: Editora Edusp (2005).
2. Triola MF. Introduo Estatstica. 10a edio. Rio de Janeiro: Editora LTC (2008).

3. Montgomery DC, Runger GC. Estatstica Aplicada e Probabilidade para Engenheiros. 5a Edio. Rio de Janeiro:
Editora LTC (2012).

4. Moore DS. A Estatstica Bsica e Sua Prtica. 5a Edio. Rio de Janeiro: Editora LTC (2011).

5. Vieira S. Estatstica Bsica. 1a Edio. So Paulo: Editora Cenange Learning (2012).

23

Probabilidade

Tabela da Distribuio Normal Padro

P(Z<z)
0

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
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

1
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

2
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

3
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

4
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

24

5
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

6
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

7
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

8
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

9
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