Escolar Documentos
Profissional Documentos
Cultura Documentos
SUMRIO
1. COMBINATRIA ......................................................................................................................... 3
1.1. CONJUNTOS ................................................................................................................................ 3
1.2. OPERAES COM CONJUNTOS......................................................................................................3
1.3. APLICAES DOS DIAGRAMAS DE VENN ...................................................................................... 4
1.4. FATORIAL ................................................................................................................................... 4
1.5. PRINCPIO FUNDAMENTAL DA CONTAGEM (PRINCPIO MULTIPLICATIVO) ....................................... 5
1.6. 1.6. PERMUTAES (ARRANJOS) ................................................................................................. 5
1.6.1. Permutaes (arranjos) com itens duplicados ...................................................................... 6
1.6.2. Permutaes (arranjos) com repetio ................................................................................. 6
1.7. COMBINAES. ........................................................................................................................... 6
1.8. O TEOREMA BINOMIAL. .............................................................................................................. 7
2. PROBABILIDADE ........................................................................................................................ 9
2.1. INTRODUO .............................................................................................................................. 9
2.2. MODELOS ................................................................................................................................... 9
2.2.1. Modelo determnistico.......................................................................................................... 9
2.2.2. Modelo no-determinstico ou probabilstico .......................................................................9
2.3. EXPERIMENTO ALEATRIO (NO-DETERMINSTICO) ..................................................................... 9
2.4. O ESPAO AMOSTRAL................................................................................................................ 10
2.4.1. Definio ........................................................................................................................... 10
2.4.2. Classificao de um espao amostra .................................................................................. 11
2.5. EVENTOS .................................................................................................................................. 11
2.5.1. Combinao de eventos...................................................................................................... 11
Eventos mutuamente excludentes ................................................................................................. 12
2.6. CONCEITOS DE PROBABILIDADE ................................................................................................. 12
2.6.1. Definio clssica de probabilidade .................................................................................. 12
2.6.2. A definio de probabilidade como freqncia relativa ..................................................... 13
2.6.3. Definio axiomtica de probabilidade.............................................................................. 14
2.7. PROBABILIDADE CONDICIONADA E INDEPENDNCIA .................................................................. 15
2.7.1. Definio ........................................................................................................................... 15
2.7.2. Teorema da multiplicao.................................................................................................. 16
2.7.3. Independncia de dois eventos ........................................................................................... 16
2.7.4. Teoremas da probabilidade total e de Bayes ...................................................................... 17
3. VARIVEIS ALEATRIAS ....................................................................................................... 19
3.1. INTRODUO ............................................................................................................................ 19
3.2. VARIVEL ALEATRIA DISCRETA............................................................................................... 19
3.2.1. A funo de probabilidade ................................................................................................. 19
3.2.2. Representao da funo de probabilidade ........................................................................ 21
3.2.3. A funo de distribuio acumulada .................................................................................. 21
3.2.4. Varivel aleatria discreta (caracterizao) ...................................................................... 22
3.3. DISTRIBUIES ESPECIAIS DE PROBABILIDADE DISCRETAS .......................................................... 23
3.3.1. A distribuio binomial...................................................................................................... 24
3.3.2. Propriedades da distribuio binomial .............................................................................. 25
3.3.3. A distribuio Hipergeomtrica ......................................................................................... 26
1
Ap ost i la IV
Elemen t o s d e Pro b ab i li d a d e
M at 02 21 4 - Est a t st i ca G era l I
3.3.4. Propriedades da distribuio Hipergeomtrica .................................................................. 27
3.3.5. A distribuio de Poisson................................................................................................... 28
3.3.6. Propriedades da distribuio de Poisson ........................................................................... 30
3.3.7. Relao entre as distribuies Binomial e Poisson ............................................................. 31
3.4. VARIVEIS ALEATRIAS CONTNUAS ......................................................................................... 31
3.4.1. Clculo de probabilidade com uma VAC ........................................................................... 32
3.4.2. A funo de distribuio acumulada .................................................................................. 32
3.4.3. Varivel aleatria contnua (caracterizao) ..................................................................... 33
3.5. DISTRIBUIES ESPECIAIS DE PROBABILIDADE CONTNUAS ......................................................... 34
3.5.1. A distribuio uniforme ..................................................................................................... 34
3.5.2. Propriedades da distribuio uniforme .............................................................................. 34
3.5.3. A distribuio exponencial ................................................................................................. 35
3.5.4. Propriedades da distribuio Exponencial ......................................................................... 36
3.5.5. A distribuio normal ........................................................................................................ 37
3.5.6. Propriedades da distribuio normal ................................................................................. 37
3.5.7. Tabelas .............................................................................................................................. 38
3.5.8. Relao entre as distribuies Binomial e Normal ............................................................. 40
3.6. PROPRIEDADES DA MDIA E VARINCIA DE VARIVEIS ALEATRIAS .......................................... 41
3.6.1. Mdia ................................................................................................................................ 41
3.6.2. Varincia ........................................................................................................................... 41
3.6.3. A mediana e a moda .......................................................................................................... 41
3.6.4. Desigualdades de Tchebycheff e Camp-Meidell ................................................................. 42
4. EXERCCIOS .............................................................................................................................. 43
5. RESPOSTAS DOS EXERCCIOS .............................................................................................. 52
6. REFERNCIAS ........................................................................................................................... 56
viali@mat.ufrgs.br
http://www.mat.ufrgs.br/~viali/
1. COMBINATRIA
1.1. CONJUNTOS
As idias bsicas da teoria dos conjuntos foram desenvolvidas pelo Matemtico Alemo Georg
Cantor (1845-1918) em 1875 mais ou menos.
A palavra conjunto indefinida. Para escrever um conjunto usam-se chaves. Os elementos de
um conjunto so escritos separados por vrgula e a ordem em que so escritos irrelevante. Se o conjunto infinito usa-se trs pontos para indicar o fato. O nome de um conjunto escrito com letra maiscula, enquanto os dos seus elementos com letra minscula. Alguns conjuntos tem representao especial como, por exemplo, o conjunto dos nmeros naturais: .
O nmero de elementos de um conjunto denominado de nmero cardinal ou simplesmente
cardinal do conjunto. Representa-se por n(A) e l-se ene de A.
Em muitas situaes existe a idia declarada ou implcita de um universo de discurso. Este
universo inclui todas as coisas em discusso a um dado tempo. Com conjuntos, o universo do discurso
denominado de conjunto universal ou conjunto universo. Este conjunto normalmente representado pela letra U. O conjunto universo pode variar de situao para situao.
A idia de conjunto universal foi dada pelo logicista John Venn (1834-1923) que desenvolveu
diagramas de conjuntos conhecidos como Diagramas de Venn. Venn comparou o conjunto universo
ao nosso campo de viso. Ele mantm as coisas que focamos e ignora tudo o resto.
Ap ost i la IV
Elemen t o s d e Pro b ab i li d a d e
M at 02 21 4 - Est a t st i ca G era l I
No par ordenado (a, b), a denominado de primeira componente e b chamada de segunda componente. Em geral (a, b) (b, a).
Assim AxB = { (a, b) | a A e b B }.
Note-se que AxB no igual a BxA, embora a ordem em que os pares so escritos dentro de
cada conjunto no seja importante, o que importa a ordem dentro do par e no entre pares.
Se n(A) = a e n(B) = b ento n(AxB) = ab.
U
A
(AB)C = A(BC)
Propriedade distributiva:
A(BUC) = (AB)U(AC)
AU(BC) = (AUB) (AUC)
Propriedades da identidade:
AU = A
AU = A
1.4. FATORIAL
Um professor comprou 5 novos livros e quer coloc-los lado a lado em uma estante. Quantos
maneiras diferentes existem de colocar os 5 livros?
Para o primeiro espao, existem 5 escolhas possveis, uma para cada livro. Uma vez colocado
o primeiro livro, restam 4 escolhas para o segundo espao e assim por diante. Ento o nmero de escolhas diferentes : 5.4.3.2.1 = 120. Este tipo especial de multiplicao tem um smbolo prprio: 5!. De
um modo geral se dispomos de um nmero n, ento o produto acima representado por n! e lido ene
fatorial, isto :
n! = n(n - 1)(n - 2) ... 3.2.1 e tm-se tambm que 0! = 1
A relao n! = n(n -1)! poder ser til em algumas situaes.
viali@mat.ufrgs.br
http://www.mat.ufrgs.br/~viali/
Ap ost i la IV
Elemen t o s d e Pro b ab i li d a d e
M at 02 21 4 - Est a t st i ca G era l I
O nmero de permutaes pode ser expresso em funo do fatorial da seguinte forma:
P(n, r) = n! / (n - r)!
1.6.1. P E R M U T A E S ( A R R A N J OS )
C OM I T E N S D U P L I C A D OS
Permutaes tambm podem ser realizadas com itens duplicados. Por exemplo, de quantas
maneiras diferentes pode-se arranjar a palavra zoo? (A idia aqui que o conjunto, das letras, da palavra zoo, contm dois elementos o indistingveis, no que um nico o repetido. Desta forma, se
est lidando com itens duplicados e no com repeties. Uma vez que, dois o podem ser arranjados
em 2! diferentes maneiras, o nmero de arranjos diferentes (ou distinguveis) :
3! / 2! = 3 (zoo, ozo, ooz)
Desta forma, pode-se definir:
Se uma coleo de n objetos contm n1 que so idnticos, outros, n2 que so idnticos
entre si, mas diferentes dos primeiros n1 e assim sucessivamente , at nk, ento o nmero de arranjos distinguveis de todos os n objetos dado por:
n! / (n1!n2!...nk!)
Exemplo 1.3
Quantos arranjos distintos podem ser feitos com as letras da palavra estatstica?
Soluo:
Neste caso tem-se um total de 11 letras, das quais n1 = 2 (o s ocorre duas vezes), n2 = 3 ( o
t ocorre 3 vezes), n3 = 2 ( o a ocorre duas vezes) e n4 = 2 ( a letra i ocorre duas vezes). Ento,
existem:
11! / 2! 3! 2! 2! = 831 600 arranjos distintos de letras da palavra estatstica.
1.6.2. P E R M U T A E S ( A R R A N J OS )
C OM R E P E T I O
1.7. COMBINAES.
Existem certos arranjos onde a ordem entre os elementos no importante, por exemplo, para
calcular a probabilidade de acertar a sena, a quina, etc. no necessrio saber a ordem em que os nmeros foram sorteados, mas apenas a combinao de nmeros. Permutaes (arranjos) onde a ordem no
interessa so denominadas de combinaes.
viali@mat.ufrgs.br
http://www.mat.ufrgs.br/~viali/
r) ou por: .
O nmero de combinaes, ou subconjuntos, de n objetos tomados em grupos de r,
onde r n dado por:
C(n, r) = P(n, r) / r! = n! / r!(n - r)!
Exemplo 1.5
Uma forma comum de pquer consiste em mos (conjuntos) de cinco cartas cada, retiradas de
um baralho padro de 52 cartas. Quantas mos diferentes so possveis?
Soluo:
Neste caso a ordem no importante, pois uma dada mo de cartas depende apenas das cartas
que ela contm e no da ordem especfica que elas foram dadas. Neste caso, ento, aplica-se o conceito
de combinao:
Assim C(52, 5) = 52! / 5!.47! = 2 598 960.
n - 1
(x + y)n = xn +
n - 2
xn-1y +
n
2
n
1
n
0
Um outro mtodo de encontrar os coeficientes dos termos da expanso binomial dado pelo
tringulo de Pascal (ou Tartaglia, de acordo com NOG75), onde cada nmero no tringulo pode ser
encontrado somando-se os dois nmeros imediatamente superiores a ele. Veja-se o exemplo, abaixo,
mostrando uma parte do tringulo.
1
1 1
1 2 1
1 3 3 1
1 4 6 4 1
1 5 10 10 5 1
1 6 15 20 15 6 1
............................................
Ap ost i la IV
Elemen t o s d e Pro b ab i li d a d e
M at 02 21 4 - Est a t st i ca G era l I
Pode-se observar que a soma de cada linha do tringulo acima 2n onde n o nmero da linha.
Assim para a primeira linha tem-se 1 = 20, para a segunda: 1 + 1 = 21, para a terceira 1 + 2 + 1 = 22 e
assim por diante.
Este tringulo expresso como coeficientes fica:
0
0
1 1
0 1
2 2 2
0 1 2
3 3 3 3
0 1 2 3
4
4
4
4
4
1
2
3
0 4
.......................................
Note que a primeira linha do tringulo contm os coeficientes do desenvolvimento de (x + a)0.
A segunda linha do tringulo contm os coeficientes do desenvolvimento de (x + a)1. A terceira linha do
tringulo contm os coeficientes do desenvolvimento de (x + a)2 e assim por diante.
n
r
n 1
n 1
,
r - 1
para
n 2.
n
r
n - r
E tambm que: =
A propriedade vista de que a soma das linhas igual a 2n pode ento ser expressa como:
n n
= 2n.
r =0 r
viali@mat.ufrgs.br
http://www.mat.ufrgs.br/~viali/
2. PROBABILIDADE
2.1. 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.
2.2. 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.
2.2.1. M OD E L O
D E T E R M I N ST I C O
2.2.2. M OD E L O
N O - D E T E R M I N ST I C O OU P R OB A B I L ST I C O
Ap ost i la IV
Elemen t o s d e Pro b ab i li d a d e
M at 02 21 4 - Est a t st i ca G era l I
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.
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.
viali@mat.ufrgs.br
http://www.mat.ufrgs.br/~viali/
10
2.4.2. C L A SSI F I C A O
D E U M E SP A O A M OST R A
2.5. 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 no-enumervel
possvel construir subconjuntos que no so eventos. Se S finito, isto , #(S) = n ento o nmero de
eventos possveis #P(A) = 2n.
2.5.1. C OM B I N A O
D E E V E N T OS
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
11
Ap ost i la IV
Elemen t o s d e Pro b ab i li d a d e
M at 02 21 4 - Est a t st i ca G era l I
A-B
4. O complementar de A, anotado por A , AC ou ainda A se e somente se A no ocorre.
A'
2.5.2. E V E N T OS
MUTUAMENTE EXCLUDENTES
Dois eventos A e B, so denominados mutuamente exclusivos ou excludentes, se eles no puderem ocorrer juntos, isto , se AB = .
2.6.1. D E F I N I O
C L SSI C A D E P R OB A B I L I D A D E
viali@mat.ufrgs.br
http://www.mat.ufrgs.br/~viali/
12
2.6.2. A
D E F I N I O D E P R OB A B I L I D A D E C OM O F R E Q N C I A R E L A T I V A
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.
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
13
Ap ost i la IV
Elemen t o s d e Pro b ab i li d a d e
M at 02 21 4 - Est a t st i ca G era l I
2.6.3. D E F I N I O
A X I OM T I C A D E P R OB A B I L I D A D E
i=1
i=1
P( U Ai) = P( Ai)
viali@mat.ufrgs.br
http://www.mat.ufrgs.br/~viali/
14
i=1
i=1
P( U Ai) = P( Ai) +
P( Ai A j) +
i< j= 2
k+1
P( Ai A j Ar ) + ... + (-1) P(A1A2...An)
i< j<r = 3
2.7.1. D E F I N I O
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.
simples verificar as seguintes propriedades de P(B/A) para A fixado:
(i) 0 P(B/A) 1,
15
Ap ost i la IV
Elemen t o s d e Pro b ab i li d a d e
M at 02 21 4 - Est a t st i ca G era l I
(ii) P(S/A) = 1,
(iii) P(B1B2/A) = P(B1 / A) + P(B2 / A) se B1 B2 =
(iv) P(B1B2 ..../A) = P(B1/A) + P(B2/A) + ... se Bi Bj = para i j.
Observe-se que estas propriedades so idnticas aos axiomas de probabilidade.
Pode-se tambm comparar P(A/B) e P(A). Para tanto considere-se os quatro casos ilustrados
nos diagramas abaixo:
Tem-se:
(a) P(A/B) = 0, porque A no poder ocorrer se B tiver ocorrido.
(b) P(A/B) = P(AB) / P(B) = [P(A) / P(B)] P(A), j que P(A) P(B), pois A B.
(c) P(A/B) = P(AB) / P(B) = [P(B) / P(B)] = 1 P(A).
(d) Neste caso nada se pode afirmar sobre o relacionamento entre P(A/B) e P(A).
a) AB =
(b) A B
(c) B A
B
A
2.7.2. T E OR E M A
A
B
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)
2.7.3. I N D E P E N D N C I A
D E D OI S E V E N T OS
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)
Qualquer uma das 3 relaes acima pode ser usada como definio de independncia.
Exemplo 2.4
[MEY78] Trs componentes C1, C2, e C3, de um mecanismo so postos em srie (em linha reta). Suponha que esses componentes sejam dispostos em ordem aleatria. Seja R o evento { C2 est
direita de C1 }, e seja S o evento { C3 est direita de C1 }. Os eventos R e S so independentes? Por
qu?
Soluo:
Para que R e S sejam independentes deve-se ter:
P(RS) = P(R).P(S).
O espao amostra para este caso :
S = { C1C2C3, C1C3C2, C2C1C3, C2C3C1, C3C1C2, C3C2C1 }
As seqncias em que C2 est direita de C1 so:
Prof. Lor Viali, Dr.
viali@mat.ufrgs.br
http://www.mat.ufrgs.br/~viali/
16
2.7.4. T E OR E M A S
D A P R OB A B I L I D A D E T OT A L E D E
BAYES
17
Ap ost i la IV
Elemen t o s d e Pro b ab i li d a d e
M at 02 21 4 - Est a t st i ca G era l I
Exemplo 2.6
Uma determinada pea manufaturada por 3 fbricas: A, B e C. Sabe-se que A produz o dobro de peas que B e que B e C produzem o mesmo nmero de peas. Sabe-se ainda que 2% das peas
produzidas por A e por B so defeituosas, enquanto que 4% das produzidas por C so defeituosas. Todas as peas produzidas so misturadas e colocadas em um depsito. Se do depsito for retirada uma
pea ao acaso, qual a probabilidade de que ela seja defeituosa?
Soluo:
Considerem-se os seguintes eventos:
D = { A pea defeituosa }, A = { A pea provm da fbrica A }, B = { A pea provm da
mquina B } e C = { A pea provm da mquina C }.
Tem-se ento que: P(A) = 50%, P(B) = P(C) = 25%, uma vez que s existem as 3 fbricas e
que A produz o dobro de B e esta por sua vez produz a mesma quantidade que C. Sabe-se tambm que
P(D/A) = P(D/B) = 2% e que P(D/C) = 4%.
Pela teorema da probabilidade total pode-se escrever que:
P(D) = P(A).P(D/A) + P(B).P(D/B) + P(C).P(D/C) = 0,5.0,02 + 0,25.0,02 + 0,25.0,04 =
2,50%, pois A, B e C formam uma partio do espao amostra S.
Teorema de Bayes
Suponha-se que no exemplo acima, uma pea retirada do depsito e se verifica que defeituosa. Qual a probabilidade de que tenha sido produzida pela fbrica A? ou B? ou ainda C?
Neste caso, o que se quer calcular a probabilidade condicionada P(A/D).
Pela notao j vista acima, e generalizando a questo o que se est interessado em obter a
probabilidade de ocorrncia de um dos Ai dado que B ocorreu, isto , o que se quer saber o valor de
P(Ai / B), onde os eventos A1, A2, ..., An formam uma partio de S e B um evento qualquer de S.
Aplicando a definio de probabilidade condicionada segue que:
P(Ai / B) = P(Ai B) / P(B) = P(Ai).P(B / Ai) / P(B), onde P(B) avaliado pelo teorema da
probabilidade total. Este resultado conhecido como teorema de Bayes. Assim:
P(Ai / B) = P(Ai).P(B / Ai) / [P(A1).P(B/A1) + P(A2).P(B/A2) + ... + P(An).P(B/An)]
Exemplo 2.7
Considerando a pergunta acima vem ento:
P(A / D), isto a probabilidade de ter sido produzida pela mquina A dado que a pea defeituosa :
P(A / D) = P(A). P(D / A) / P(D) = 0,02.0,50 / (0,5.0,02 + 0,25.0,02 + 0,25.0,04) = 0,40 =
40%
viali@mat.ufrgs.br
http://www.mat.ufrgs.br/~viali/
18
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, temse:
X(ccc) = 0
X(ckk) = 1, etc.
Ou ento:
s
kkk
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.
3.2.1. A
F U N O D E P R OB A B I L I D A D E
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(xi) = P(X = xi)
denominado probabilidade de xi e tal que satisfaz as seguintes propriedades:
19
Ap ost i la IV
Elemen t o s d e Pro b ab i li d a d e
M at 02 21 4 - Est a t st i ca G era l I
f(xi) 0, para todo i.
f(xi) = 1
A funo f assim definida denominada de funo de probabilidade de X
A coleo dos pares (xi, f(xi)) 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
Y = maior valor do par
Tem-se ento:
X(S) = { 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12 }
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:
x
f(x)
2
1/36
3
2/36
4
3/36
5
4/36
6
5/36
7
6/36
8
5/36
8
4/36
10
3/36
11
2/36
12
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:
Prof. Lor Viali, Dr.
viali@mat.ufrgs.br
http://www.mat.ufrgs.br/~viali/
20
1
1/36
2
3/36
3.2.2. R E P R E SE N T A O
3
5/36
4
7/36
5
9/36
6
11/36
D A F U N O D E P R OB A B I L I D A D E
40,00%
30,00%
20,00%
10,00%
0,00%
1
3.2.3. A
F U N O D E D I ST R I B U I O A C U M U L A D A
Seja X uma VAD com funo densidade f(x). Ento a funo de distribuio acumulada FDA, ou simplesmente funo de distribuio de X a funo F em escada definida por:
F(x) = P(X x) = f ( xi)
xi x
Exemplo 3.4
Seja X uma VAD com a distribuio da tabela abaixo:
x
f(x)
-2
1/4
1
1/8
2
1/2
4
1/8
21
Ap ost i la IV
Elemen t o s d e Pro b ab i li d a d e
M at 02 21 4 - Est a t st i ca G era l I
F(x) = 0
= 1/4
= 3/8
= 7/8
= 1
3.2.4. V A R I V E L
se
se
se
se
se
x < -2
-2 x 1
1x2
2x<4
x4
A L E A T R I A D I SC R E T A ( C A R A C T E R I Z A O )
Considere X uma varivel aleatria discreta assumindo os valores: x1, x2, ..., xi, ..., com probabilidades f(x1), f(x2), .... , f(xi), ....
0
1/4
1
2/4
2
1/4
A varincia de X
Seja X uma varivel aleatria discreta com mdia = E(X). Ento a varincia de X, anotada
por ou V(X) definida por:
2
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 ( xi) ( xi ) 2 = f ( xi) xi2 2 = E(X2) - [E(X)]2 = E(X2) - 2
Exemplo 3.6
Calcular a varincia da distribuio do exemplo anterior.
Soluo:
Tem-se que:
E(X) = 1, ento:
viali@mat.ufrgs.br
http://www.mat.ufrgs.br/~viali/
22
O desvio padro
O desvio padro da varivel X, anotado por , a raiz quadrada da varincia.
2 = 2 / 2
O coeficiente de variao de X definido como a raiz quadrada da varincia relativa:
=/
Exemplo 3.7
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
23
Ap ost i la IV
Elemen t o s d e Pro b ab i li d a d e
M at 02 21 4 - Est a t st i ca G era l I
3.3.1. A
D I ST R I B U I O B I N OM I A L
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) :
X(S) = { 0, 1, 2, 3, ..., n }
15,00
12,00
9,00
6,00
48
45
42
39
36
33
30
27
24
21
18
15
0,00
12
3,00
Teorema:
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
n
,
k
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 representa-se X por
B(n, p).
viali@mat.ufrgs.br
http://www.mat.ufrgs.br/~viali/
24
5
0
5
2
(c) P(X 2) = . 0,50 . 0,55 + . 0,51. 0,54 + . 0,52 . 0,53 = 0,55 + 5.0,55 + 10.0,55 = 50%
3.3.2. P R OP R I E D A D E S
D A D I ST R I B U I O B I N OM I A L
= E(X) = x. f ( x) = x. .px. qn x = np, isto , a mdia de uma varivel aleatria com distri x
Varincia
n
com distribuio binomial igual ao produto dos parmetros n e p e multiplicados ainda por q.
O desvio padro
= npq
Exemplo 3.9
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:
25
Ap ost i la IV
Elemen t o s d e Pro b ab i li d a d e
M at 02 21 4 - Est a t st i ca G era l I
(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 3.10
[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
3.3.3. A
D I ST R I B U I O
H I P E R GE OM T R I C A
r N r
x n x
N
n
Uma vez que X = x, se e somente se, forem retirados x elementos dentre os r que possuem a
caracterstica e forem retirados n - x dentre os n - r que no possuem a caracterstica.
viali@mat.ufrgs.br
http://www.mat.ufrgs.br/~viali/
26
3.3.4. P R OP R I E D A D E S
D A D I ST R I B U I O
H I P E R GE OM T R I C A
Varincia
r N r
2
2
2
2 x n x
= E(X ) - = x .
- (np)2 = npq N n .
N1
N
n
n
(c) P(X = x) . px . qn x para N grande.
x
Note-se que se as extraes fossem feitas com reposio, ter-se-ia uma distribuio Binomial.
A propriedade (c) afirma que para N suficientemente grande a distribuio hipergeomtrica pode ser aproximada pela distribuio Binomial. Em geral, esta aproximao ser boa se (n / N) 0,1.
A distribuio hipergeomtrica ser representada por H(r; n; N)
0,25
0,20
0,15
0,10
0,05
0,00
0
10
11
12
13
14
15
Ap ost i la IV
Elemen t os d e Prob ab i li d ad e
M at 02214 - Est at st i ca Geral I
(d) O nmero esperado de lmpadas queimadas?
(e) A varincia do nmero de lmpadas queimadas?
Soluo:
Tem-se N = 12, r = 5 e n = 6, ento:
5 7
(a) P(X = 2) = 2 4 = 37,88%
12
6
(b) Se so retiradas 6 lmpadas e somente 5 esto queimadas, ento necessariamente uma ser
boa, portanto:
P(pelo menos uma boa) = 100%.
(c) P(X 2) = 1 - P(X < 2) = 1 - [P(X = 0) + P(X = 1)] = 1 -
5 7
0 6
12
6
5 7
1 5
12
6
= 87,88%.
3.3.5. A
( N 1)
D I ST R I B U I O D E
P OI SSON
Na distribuio binomial, a varivel de interesse era o nmero de sucessos (ocorrncias do evento A) em um intervalo discreto (n repeties do experimento E). Muitas vezes, entretanto, o interesse reside no nmero de sucessos em um intervalo contnuo, que pode ser de tempo, comprimento, superfcie, etc. Para se caracterizar uma distribuio que leve em conta o nmero de sucessos (valores) em
um intervalo contnuo, ser suposto que:
(i) Eventos definidos em intervalos no sobrepostos so independentes;
(ii) Em intervalos de mesmo comprimento, so iguais as probabilidades de ocorrncia de um
mesmo nmero de sucessos;
(iii) Em intervalos muito pequenos, a probabilidade de mais de um sucesso desprezvel;
(iv) Em intervalos muito pequenos, a probabilidade de um sucesso proporcional ao comprimento do intervalo.
Se os valores de uma varivel satisfazem as hipteses (i) a (iv) acima se dir que ela segue um
processo de Poisson.
Definio:
Seja X uma VAD definida por um processo de Poisson, assumindo os valores: 0, 1, ..., n, ..,
com taxa > 0.
Ento:
x
f(x) = P(X = x) = e , para x = 0, 1, 2, 3, ... , onde x o nmero de eventos que ocorrem
x!
viali@mat.ufrgs.br
http://www.mat.ufrgs.br/~viali/
28
( t )
, para x = 0, 1, 2, 3, ...
x!
A distribuio de Poisson ser representada por P().
e
f(x) = P(X = x) =
0,18
0,16
0,14
0,12
0,10
0,08
0,06
0,04
20
18
16
14
12
10
0,00
0,02
x!
1 0
x
(a) P(X = 0) = e = e 1 = e-1 = 36,79%
x!
0!
1 0
1 1
1 2
1
(b) P(X 2) = e 1 + e 1 + e 1 = 5e = 91,97%
0!
1!
2!
1 0
1 1
(c) P(X 2) = 1 - P(X 1) = 1 - [ e 1 + e 1 ] = 1 - 2e-1 = 26,42%
0!
29
1!
Ap ost i la IV
Elemen t os d e Prob ab i li d ad e
M at 02214 - Est at st i ca G eral I
Exemplo 3.13
[NET74] Um dado formado por chapas de plstico de 10x10 cm. Em mdia aparecem 50 defeitos por metro quadrado de plstico, segundo uma distribuio de Poisson.
(a) Qual a probabilidade de uma determinada face apresentar exatamente 2 defeitos?
(b) Qual a probabilidade de o dado apresentar no mnimo dois defeitos?
(c) Qual a probabilidade de que pelo menos 5 faces sejam perfeitas?
Soluo:
(a) Em mdia aparecem:
d = 50 defeitos/m2 = 50/10 000 defeitos/cm2
Como cada face tem a = 10cm x 10 cm = 100 cm2, tem-se ento:
= (50/10000) defeitos/cm2 x 100 cm2 = 0,5 defeitos por face.
A probabilidade de uma face apresentar dois defeitos ser:
0,5 ( 0,5)2
P(X = 2) = e
= 7,58%
2!
(b) No dado inteiro, a rea total ser a = 6x100 cm2 = 600 cm2 e o nmero mdio de defeitos
ser ento:
= (50/10000) defeitos /cm2 x 600 cm2 = 3 defeitos
A probabilidade de o dado apresentar no mnimo dois defeitos ser:
P(X 2) = P(X = 2) + P(X = 3) + ... = 1 - P(X 1) = 1 - [P(X = 0) + P(X =1)] =
3 0
3 1
= 1 - [ e 3 + e 1 ] = = 1 - [0,0498 + 0,1494] = 80,08%
0!
1!
0!
Tem-se ento uma binomial Y com n = 6 (nmero de faces do dado) e p = 60,65% = probabilidade de uma face ser perfeita. Ento a probabilidade de pelo menos 5 perfeitas, ser:
6
5
6
6
3.3.6. P R OP R I E D A D E S
D A D I ST R I B U I O D E
P OI SSON
x!
Varincia
x
2 = E(X2) - 2 = x2 e
x!
- 2 = 2 + - 2 =
viali@mat.ufrgs.br
http://www.mat.ufrgs.br/~viali/
30
O desvio padro
=
3.3.7. R E L A O
E N T R E A S D I ST R I B U I E S
B I N OM I A L
P OI SSON
Seja X uma varivel aleatria discreta com distribuio Binomial de parmetros n e p. Isto
:
n
f(x) = P(X = x) = . px . qn x
x
O teorema diz essencialmente, que possvel obter uma aproximao das probabilidades binomiais com as probabilidades da distribuio de Poisson, toda vez que n seja grande e p seja pequeno.
Exemplo 3.14
Uma amostra de 50 peas retirada da produo de uma mquina que trabalha com um ndice
de defeitos de 2%. Determinar a probabilidade de se encontrarem duas peas defeituosas na amostra.
Soluo:
(a) Pela Binomial, tem-se:
50
2
48
.(0,02) .(0,98)
2
P(X = 2) =
= 18,57%
2!
2e
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) X(S)f(x)dx = 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.
31
Ap ost i la IV
Elemen t os d e Prob ab i li d ad e
M at 02214 - Est at st i ca G eral I
3.4.1. C L C U L O
D E P R OB A B I L I D A D E C OM U M A
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) = abf( x)dx , 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) = abf( x)dx ,
exigir que
f ( x)dx = 1. Assim, sempre que a f(x) for especificada apenas num intervalo finito, deve-se
supor que seja zero para todos os demais valores no pertencentes ao intervalo.
Exemplo 3.15
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) = 01/ 2 (2 x)dx = 1/4 = 25%
3.4.2. A
F U N O D E D I ST R I B U I O A C U M U L A D A
Seja X uma VAC com funo densidade de probabilidade f(x). Ento a funo de distribuio acumulada (FDA), ou simplesmente funo de distribuio (FD) de X a funo F definida por:
x
F(x) = P(X x) =
f (u)du
Soluo:
Suponha-se que X seja uma VAC com fdp dada por:
f(x) = 2x se 0 < x < 1
= 0,
para quaisquer outros valores.
Determinar a FD de X
Prof. Lor Viali, Dr.
viali@mat.ufrgs.br
http://www.mat.ufrgs.br/~viali/
32
3.4.3. V A R I V E L
x
f (u)du
x
2udu
0 se x 0
= x2 se 0 < x 1
1
se x > 1
A L E A T R I A C ON T N U A ( C A R A C T E R I Z A O )
Considere X uma varivel aleatria contnua com funo densidade de probabilidade f(x).
= E(X) =
x. f ( x)dx
A varincia de X
Seja X uma varivel aleatria contnua com mdia = E(X). Ento a varincia de X, anotada
por ou V(X) definida por:
2
2
2
2
2
2
2 = V(X) =
( x ) . f ( x)dx =
x . f ( x)dx - = E(X ) -
O desvio padro
O desvio padro da varivel aleatria contnua X, anotado por , a raiz quadrada da varincia.
Exemplo 3.16
Determinar a expectncia e a varincia da VAC cuja fdp dada por:
f(x) = 3x2 se
-1 x 0
=0
caso contrrio
Soluo:
0
= E(X) =
33
x. f ( x)dx
0
1 x.(3 x2)dx
0
1(3 x3 )dx
4
= 3. x = 3/4 = 0,75
4 1
Ap ost i la IV
Elemen t os d e Prob ab i li d ad e
M at 02214 - Est at st i ca G eral I
2
2
2
2
x
2
2 = V(X) =
x . f ( x)dx - = x2 .(3 x2)dx - (3/4) = 3x4 dx - (3/4) = 3. - (3/4)
5 1
= 3/80.
3.5.1. A
D I ST R I B U I O U N I F OR M E
Definio:
Seja X uma VAC que pode tomar todos os valores num intervalo [a, b]. Se a probabilidade de
a varivel assumir valores num subintervalo for a mesma que para qualquer outro subintervalo de mesmo comprimento teremos ento uma distribuio uniforme. A funo densidade de probabilidade de
uma VAC deste tipo ser:
f(x) = 1 / (b - a) para a x b
=0
para qualquer outro valor.
3.5.2. P R OP R I E D A D E S
D A D I ST R I B U I O U N I F OR M E
As principais medidas para a distribuio uniforme podem ser determinadas de uma forma geral em termos dos extremos a e b do intervalo.
= E(X) =
x. f ( x)dx = a x.
dx = (a + b) / 2
b a
Varincia
2
2 = V(X) =
x .
1
(a + b)
2
dx -
= (b - a) / 12
ba
2
Desvio padro
=
(b a)2
12
1
x
F(x) = P(X x) = x
du =
, se a x b
ba
b a
1,
se x b
Exemplo 3.17
Seja X uma VAC com distribuio uniforme no intervalo [5, 10]. Determinar as probabilidades:
Prof. Lor Viali, Dr.
viali@mat.ufrgs.br
http://www.mat.ufrgs.br/~viali/
34
Soluo:
Utilizando a FDA da varivel vem:
(a) P(X < 7) = F(7) = (7 - 5) / (10 - 5) = 2 / 5 = 40%
(b) P(X > 8,5) = 1 - P(X < 8,5) = 1 - F(8,5) = 1 - (8,5 - 5) / (10 - 5) = 1 - 3,5 / 5 = 1 - 0,70 =
30%
(c) P(8 < X < 9) = F(9) - F(8) = (9 - 5) / (10 - 5) - (8 - 5) / (10 - 5) = 4 / 5 - 3 / 5 = 1 / 5 =
20%
(d) P(|X - 7,5| > 2) = P(X - 7,5 > 2 ou X - 7,5 < -2) = P(X > 9,5 ou X < 5,5) = 1 - F(9,5) +
F(5,5) = 20%
3.5.3. A
D I ST R I B U I O E X P ON E N C I A L
Definio:
Uma varivel aleatria contnua T tem uma distribuio exponencial de parmetro se sua
funo densidade de probabilidade f(t) for do tipo:
f(t) = e-t para t > 0
=0
caso contrrio
2.0
1.8
1.6
1.4
1.2
1.0
0.8
0.6
0.4
0.2
0.0
1.0
S3
S2
S1
11.0
21.0
31.0
41.0
51.0
61.0
71.0
81.0
91.0
101.0
Ap ost i la IV
Elemen t os d e Prob ab i li d ad e
M at 02214 - Est at st i ca G eral I
A probabilidade de um componente durar menos de 900 horas dada por:
0,9
x
f(x)
-2
0,5934
3
0,4066
3.5.4. P R OP R I E D A D E S
E X P ON E N C I A L
D A D I ST R I B U I O
= E(X) = 0 t. f ( t)dt = 0 t. e t dt = 1/
Varincia
2 = E(X2) - 2 = 0 t2 . e t dx - 2 = 1/2
O desvio padro
=
1 =1
F(x) = P(X x) = 0t e u du =
1 e
se x < 0
t
se x 0
= e-t
Portanto P(X s + t / X s) = P(X t)
viali@mat.ufrgs.br
http://www.mat.ufrgs.br/~viali/
36
3.5.5. A
D I ST R I B U I O N OR M A L
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
( x )2 / 2 2
, para - x
0,8
0,6
0,4
0,2
0,0
-5,0
-4,0
-3,0
-2,0
-1,0
0,0
1,0
2,0
3,0
4,0
5,0
3.5.6. P R OP R I E D A D E S
D A D I ST R I B U I O N OR M A L
Varincia
V(X) = 2, isto , a varincia da distribuio normal o parmetro ao quadrado.
O desvio padro
O desvio padro da distribuio normal o parmetro .
37
Ap ost i la IV
Elemen t os d e Prob ab i li d ad e
M at 02214 - Est at st i ca G eral I
u2 / 2
du
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.
Outras propriedades
(a) Transformao linear de uma varivel aleatria normal
Se X tiver uma distribuio N(,) e se Y = aX + b, ento Y ter a distribuio N(a + b, a)
(b) Combinao linear de variveis aleatrias normais independentes
A combinao linear de variveis aleatrias normais independentes ser uma varivel aleatria
normalmente distribuda.
(c) f(x) 0 quando x ou -.
(d) - e + so os pontos de inflexo da funo f(x), isto , so os valores onde o grfico
da funo muda o sinal da curvatura.
(e) x = o ponto de mximo de f(x) e este mximo vale 1
(z) =
1
2
2
e z / 2 , para -
(i) Se X uma N(, ), ento Z = (X - ) / a normal padro ou reduzida. Isto significa que
qualquer curva normal poder ser padronizada, mediante esta transformao.
3.5.7. T A B E L A S
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
viali@mat.ufrgs.br
http://www.mat.ufrgs.br/~viali/
38
-3,0
-2,0
-1,0
0,0
1,0
2,0
S1
3,0
4,0
Exemplo 3.19
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%
Figura 3.7 Distribuio normal padro - N(0; 1)
(d) P(-1 Z 1) = (1) - (-1) = 0,8413 - 0,1587 = 68,26%
Exemplo 3.20
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:
39
Ap ost i la IV
Elemen t os d e Prob ab i li d ad e
M at 02214 - Est at st i ca G eral I
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%
3.5.8. R E L A O
E N T R E A S D I ST R I B U I E S
B I N OM I A L
N OR M A L
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.
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 3.21
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
12
= npq = 30. .
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%.
i
30 30 1
1
(b) P(X > 20) = . .
i
2
2
i= 21
30 i
= 2,14%
viali@mat.ufrgs.br
http://www.mat.ufrgs.br/~viali/
40
3.6.2. V A R I N C I A
(1) A varincia de uma constante nula
V(k) = 0
(2) Se multiplicarmos os valores de uma varivel aleatria por uma constante, a varincia fica multiplicada pelo quadrado da constante.
V(kX) = k2.V(X)
(3) Se os valores de uma varivel aleatria forem somados a uma constante a varincia no se altera.
V(X k) = V(X)
(4) A varincia de uma soma ou diferena de duas variveis aleatrias independentes igual a soma
das varincias dessas variveis.
V(X Y) = V(X) + V(Y)
3.6.3. A
M E D I A N A E A M OD A
A mediana de uma varivel aleatria o valor que divide a distribuio em duas partes eqiprovveis. Ser representada por md. Ento:
P(X < md) = P(X > md) = 0,50.
Este ponto sempre existe se a varivel contnua, onde a mediana pode ser definida como sendo o ponto tal que F(md) = 0,50. No caso discreto pode haver todo um intervalo que satisfaz a relao
acima, convenciona-se em geral adotar o ponto mdio deste intervalo. Pode-se ainda, neste caso, definir
a mediana como sendo o menor valor para o qual F(md) > 0,5.
A moda o(s) ponto(s) de maior probabilidade, no caso discreto, ou maior densidade de probabilidade no caso contnuo. representada por mo.
41
Ap ost i la IV
Elemen t os d e Prob ab i li d ad e
M at 02214 - Est at st i ca G eral I
3.6.4. D E SI GU A L D A D E S
DE
T C HE B Y C HE F F
C A M P -M E I D E L L
Pode-se demonstrar que, para qualquer distribuio de probabilidade que possua mdia e
desvio padro , tem-se, para qualquer nmero k > 1:
P(|X - | k) 1/k2 (Desigualdade de Tchebycheff, Tchebichev ou Chebyshev, 1821 1894), ou de forma equivalente
P(|X - | < k) 1 - 1/k2
Se a distribuio for unimodal e simtrica, ento:
P(|X - | k) 4/9k2 (Desigualdade de Camp-Meidell)
Estas desigualdades fornecem as probabilidades de que os valores de uma varivel aleatria
(qualquer) esteja num intervalo simtrico em torno da mdia de amplitude igual a 2k desvios padres.
Assim se k = 2, por exemplo, a desigualdade de Tchebycheff estabelece que o percentual de valores da
varivel aleatria que est compreendida no intervalo 2 de pelo menos 1 - 1/4 = 75%. Conforme
visto pela normal este percentual vale exatamente 95,44%. Mas como a normal simtrica e unimodal,
neste caso, um resultado mais prximo dado pela desigualdade de Camp-Meidell, isto , 1 - 4/9k2 =
= 1 - 1/9 = 88,89%.
Exemplo 3.22
Compare o limite superior da probabilidade P[(X - | 2)], obtida pela desigualdade de Tchebycheff, com a probabilidade exata se X for uniformemente distribuda sobre (-1, 3).
Soluo:
Para uma distribuio uniforme tem-se = (a + b) / 2 = (-1 + 3) / 2 = 1 e
V(X) = (b - a)2 / 12 = 4/3
Ento: P(|X - | k) = P(|X - 1| 4
3
) = 0 a probabilidade exata.
3
3
) = 1 / 4.
3
viali@mat.ufrgs.br
http://www.mat.ufrgs.br/~viali/
42
4. EXERCCIOS
(01) Encontre a quantidade de nmeros de dois dgitos que no contenham dgitos repetidos.
(02) Quantos divisores positivos tm o nmero 3 888?
(03) As novas placas de automveis contm 3 letras seguidas de 4 nmeros. Quantas placas diferentes
podem ser formadas com esta combinao.
(04) Em relao a palavra filtro, quantos:
(04.1) Anagramas existem?
(04.2) Anagramas comeam com L?
(04.3) Anagramas comeam com O e terminam em I?
(04.4) Anagramas comeam com consoante?
(05) Um conjunto A tem 45 subconjuntos com dois elementos. Quantos so os elementos de A?
(06) Em uma urna colocam-se bolas numeradas de 1 a 3; numa segunda urna, bolas numeradas de 4 a 7
e em uma terceira urna, bolas numeradas com os algarismos 0, 5, 9 e 8. Retiram-se sucessivamente duas
bolas da primeira urna, uma da segunda, e trs da terceira, enfileirando-as da esquerda para direita
medida que forem sendo retiradas. Os algarismos das seis bolas extradas, dispostas desta forma, formam um nmero. Pergunta-se:
(06.1) Quantos so os nmeros possveis?
(06.2) Quantos so os pares que se consegue obter desta forma?
(06.3) Quantos so divisveis por 25?
(07) Em um computador digital um bit um dos algarismos 0 ou 1 e uma palavra uma seqncia de bits. Qual o nmero de palavras distintas em um computador de 32 bits?
(08) Dados n pontos de um plano, sendo trs quaisquer no alinhados, quantos so:
(08.1) Os segmentos de reta que os ligam 2 a 2?
(08.2) Os tringulos, cujos vrtices so escolhidos entre os pontos?
(09) Em uma urna h m bolas coloridas, sendo m1 brancas, m2 pretas, m3 vermelhas e m4 azuis. Retiram-se simultaneamente p bolas, onde p m. Quantos so:
(09.1) Os casos possveis?
(09.2) Os casos em que aparecem p1 brancas, p2 pretas, p3 vermelhas e p4 azuis, sendo p1 + p2 + p3 +
p4 = p?
(09.3) Os casos em que no aparecem bolas brancas?
(10) Com as 6 letras: a, b, c, d, e, f quantas palavras-cdigo de 4 letras podero se formadas se:
(10.1) Nenhum letra puder ser repetida?
(10.2) Qualquer letra puder ser repetida qualquer nmero de vezes?
(11) Em um certo hospital, os seguintes dados de pacientes foram registrados:
25 com antgeno A
17 com os antgenos A e B
27 com o antgeno B
22 com os antgenos B e Rh
43
30 com o antgeno Rh
12 sem antgenos
16 com os antgenos A e Rh
15 com os trs antgenos
Elem entos de Probabilidade
Ap ost i la IV
Elemen t os d e Prob ab i li d ad e
M at 02214 - Est at st i ca G eral I
Com base nestes dados, determine quantos pacientes:
(12) Quatro moedas so lanadas e observa-se a seqncia de caras e coroas obtida. Qual o espao amostra do experimento.
(13) 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 um espao amostra para o experimento.
(14) 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.
(15) Uma moeda e um dado so lanados. D o espao amostral correspondente.
(16) Considerando dois eventos A e B de um mesmo espao amostra S, expresse em termos de operaes entre eventos:
(16.1) A ocorre mas B no ocorre;
(16.2) Exatamente um dos eventos ocorre;
(16.3) Nenhum dos eventos ocorre.
(17) 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
(18) 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:
(18.1) Uma moeda dourada e uma prateada, nesta ordem.
(18.2) Uma moeda dourada e uma prateada.
(18.3.) Duas moedas douradas.
(18.4) Duas moedas de mesma cor.
(19) Resolva o exerccio um considerando a retirada das moedas com reposio.
(20) sejam P(A) = 0,3, P(B) = 0,8 e P(AB) = 0,15.
(20.1) A e B so mutuamente exclusivos? Justifique.
(20.2) Qual a P(B )?
(20.3) Determine (a) P(AUB)
(b) P(AB )
(c) P( A B )
(d) P( A B)
(21) 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.
(21.1) P(AUB)
(21.2) P( A )
(21.3) P(B )
(21.4) P(A/B)
(21.5) P( A UB )
(21.6) P( A UB)
(21.7) P( A B) (21.8) P(AB ) (21.9) P( A B )
(21.10) P( A / B )
viali@mat.ufrgs.br
http://www.mat.ufrgs.br/~viali/
44
Ap ost i la IV
Elemen t os d e Prob ab i li d ad e
M at 02214 - Est at st i ca G eral I
(34) 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:
(34.1) A probabilidade de sair 5, sabendo-se que o ponto que saiu mpar.
(34.2) A probabilidade de sair um nmero par, sabendo que saiu um nmero maior do que 3.
(35) A probabilidade de que dois eventos independentes ocorram so p e q, respectivamente. Qual a
probabilidade de que:
(35.1) Nenhum destes eventos ocorra.
(35.2) Pelo menos um destes eventos ocorra
(36) Calcular a P(A) sabendo que: P(AB) = 0, 72 e P(AB ) = 0,18.
(37) 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:
(37.1) P(H)
(37.2) P(A/H)
(37.3) P(B/M)
(37.4) P(AH)
(37.5) P(AH)
(37.6) P(M/A)
(38) 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:
Homens
100
900
Usaram o hospital
No usaram o hospital
Mulheres
150
850
viali@mat.ufrgs.br
http://www.mat.ufrgs.br/~viali/
46
Ap ost i la IV
Elemen t os d e Prob ab i li d ad e
M at 02214 - Est at st i ca G eral I
t
f(t)
2
0,10
3
0,10
4
0,30
5
0,20
6
0,20
7
0,10
viali@mat.ufrgs.br
http://www.mat.ufrgs.br/~viali/
48
3
(x 1)2 para 0
2
(80.1) A mdia
(81)
x < 2. Determinar:
(80.2) A varincia
2kx
Uma varivel aleatria contnua tem a seguinte fdp: f ( x) = kx
0
se 0 x < 3;
se 3 x < 5;
caso contrario
49
Ap ost i la IV
Elemen t os d e Prob ab i li d ad e
M at 02214 - Est at st i ca G eral I
(82) Uma varivel X uniformemente distribuda no intervalo [10, 20]. Determine a expectncia e a varincia de X e calcule ainda a P(12,31 < X < 16,50).
(83) Suponha que X seja uniformemente distribuda entre [-, ], onde > 0. Determinar o valor de
de modo que as seguintes relaes estejam satisfeitas:
(83.1) P(X > 1) = 1/3
(83.2) P(X < 1/2) = 0,7
(84) Suponha que um mecanismo eletrnico tenha um tempo de vida X (em unidades de 1000 horas)
que considerado uma varivel aleatria com fdp dada por:
f(x) = e-x , x > 0
= 0, caso contrrio.
Suponha ainda que o custo de fabricao de um item seja 2,00 um e o preo de venda seja 5,00 um. O
fabricante garante total devoluo se x 0,8. Qual o lucro esperado por item?
(85) Uma lmpada tem durao de acordo com a seguinte densidade de probabilidade:
f(t) = 0,001e-0,001t para t > 0
= 0 caso contrrio
Determinar
(85.1) A probabilidade de que uma lmpada dure mais do que 1200 horas.
(85.2) A probabilidade de que uma lmpada dure menos do que sua durao mdia.
(85.3) A durao mediana.
(86) Se as interrupes no suprimento de energia eltrica ocorrem segundo uma distribuio de Poisson
com a mdia de uma por ms (quatro semanas), qual a probabilidade de que entre duas interrupes
consecutivas haja um intervalo de:
(86.1) Menos de uma semana.
(86.2) Mais de trs semanas.
viali@mat.ufrgs.br
http://www.mat.ufrgs.br/~viali/
50
51
Ap ost i la IV
Elemen t os d e Prob ab i li d ad e
M at 02214 - Est at st i ca G eral I
(16.3) A B = A B
(18) (18.1) 35/132 = 26,52% (18.2) 70/132 = 53,03% (18.3) 42/132 = 31,82% (18.4) 62/132 =
46,97%
(19) (19.1) 35/144 = 24,31% (19.2) 70/144 = 48,61% (19.3) 49/144 = 34,03% (19.4) 74/144 =
51,38%
(20) (20.1) No, pois P(AB)
(20.2) 0,20
(20.3) (a) 0,95
(b) 0,15
(c) 0,05
(d)
0,65
(21) (21.1) x + y - z (21.2) 1 - x (21.3) 1 - y (21.4) z/y (21.5) 1 - z (21.6) 1 - x + z (21.7) y - z
(21.8) x - z
(21.9) 1 - x - y + z
(21.10) (1 - x - y + z) / (1 - y)
(22) 10/14 = 5/7 = 71,43%
(23) 0,92 = 92%
(24) (24.1) 11/20 = 55%
(24.2) 2/20 = 10%
(25) 0,12 = 12%
(26) (26.1) No, pois P(A) + p(B) P(AUB) (26.2) 0,20 = 20% (26.3) Sim, pois P(AB) = P(A).P(B)
(26.4) P(A/B) = 0,50 e P(B/A) = 0,40
viali@mat.ufrgs.br
http://www.mat.ufrgs.br/~viali/
52
Probabilidades
6/56
15/56
15/56
20/56
1
Resultados
PP
PV
VP
VV
Total
Probabilidades
9/64
15/64
15/64
25/64
1
x
f(x)
0
1/56
1
15/56
2
30/56
3
10/56
(53)
x
f(x)
0
125/21
6
1
75/216
2
15/216
3
1/216
53
Ap ost i la IV
Elemen t os d e Prob ab i li d ad e
M at 02214 - Est at st i ca G eral I
(54)
x
f(x)
(55)
1
1/4
x
f(x)
(56)
x
f(x)
(57)
5
0,40
2
1/4
6
0,30
3
1/35
x
f(x)
3
1/4
4
3/35
6
1/4
4
1/4
7
0,20
8
0,10
5
6/35
y
3/4
2 = 1,25
= 2,50
6
10/35
7
15/35
=6
2 = 1,20
mo = 7
= 1,10
= 6/4 + 3y/4 = 0 y = -2
Ele deve pagar R$ 2,00
(58) R$ 140
(59) (59.1) = 4,60
(59.2)
g
f(g)
= 2,75
(60) 925 vezes.
(61)
(62)
4,0
0,10
2 = 0,4125
3,5
0,10
3,0
0,30
2,5
0,20
x
f(x)
0
0,2
1
0,2
2
0,2
3
0,2
x
f(x)
1
0,1
2
0,2
3
0,3
4
0,4
2
0,30
4
0,2
=2
2 = 2
=3
2 = 1
viali@mat.ufrgs.br
http://www.mat.ufrgs.br/~viali/
54
(80.2) 2 = 0,60
(86.2) 47,24%
V(X) = 8,33
(83.2) 5/4
(85.2) 63,21%.
(85.3)
55
Ap ost i la IV
Elemen t os d e Prob ab i li d ad e
M at 02214 - Est at st i ca G eral I
6. REFERNCIAS
BACHX, Arago de C., POPPE, Luiz M. B., TAVARES, Raymundo N. O. Preldio Anlise Combinatria. So Paulo: Companhia Editora Nacional, 1975.
BARBOSA, Ruy Madsen. Combinatria e Probabilidades. So Paulo: Grupo de Estudos do Ensino
da Matemtica (GEEM), 1972.
BUSSAB, Wilton O, MORETTIN, Pedro A. Estatstica Bsica. 3a ed. So Paulo: Atual, 1986.
COSTA NETO, Pedro Lus de Oliveira, CYMBALISTA, Melvin. Probabilidades: resumos tericos,
exerccios resolvidos, exerccios propostos. So Paulo: Editora Edgard Blcher, 1977.
FELLER, William. An Introduction to Probability Theory and Its Applications (vol. 1). John New
York: Wiley & Sons, 1968. 509 p.
FONSECA, Jairo Simon da, MARTINS, Gilberto de Andrade. Curso de Estatstica. So Paulo: Atlas,
1980.
GUELLI, Cid A., IEZZI, Gelson, DOLCE, Osvaldo. lgebra II: Anlise combinatria, probabilidade,
matrizes, determinantes e sistemas lineares. So Paulo: Editora Moderna, 1981.
HAZZAN, Samuel. Matemtica Elementar: Combinatria e Probabilidades. So Paulo: Atual, 1977.
HILLIER, Frederick S., LIEBERMAN, Gerald J. Introduo Pesquisa Operacional. So Paulo:
Campus e Editora da Universidade de So Paulo, 1988.
HOFFMAN, Rodolfo. Estatstica para Economistas. So Paulo: Pioneira, 1980.
LIPSCHUTZ, Seymour. Teoria e Problemas de Probabilidade. So Paulo: McGraw-Hill, 1974. 225
p.
MARKLAND, Robert E., SWEIGART, James R. Quantitative Methods: Applications to Managerial
Decision Making. New York: John Wiley & Sons, 1987. 827p.
MASON, Robert D., DOUGLAS, Lind A. Statistical Techniques in Business And Economics. IRWIN,
Boston, 1990.
MEYER, Paul L. Probabilidade: aplicaes Estatstica. Rio de Janeiro: Livros Tcnicos e Cientficos, 1978.
MILLER, Charles D., HEEREN, Vern E., HORNSBY Jr., E. John. Mathematical Ideas. USA: Harper
Collins Publishers, 1990.
NOGUEIRA, Rio. Anlise Combinatria. So Paulo: Atlas, 1975.
ROTHENBERG, Ronald I. Probability and Statistics. Orlando (FL), Hartcourt Brace Jovanovich Publishers, 1991.
ROSS, Sheldon M. Introduction to Probability Models. Orlando (FL): Academic Press, 1985, 502 p.
viali@mat.ufrgs.br
http://www.mat.ufrgs.br/~viali/
56