Você está na página 1de 105

UNIVERSIDADE FEDERAL DA BAHIA

INSTITUTO DE MATEMTICA
DEPARTAMENTO DE ESTATSTICA


NOTAS DE AULA
MAT236 MTODOS ESTATSTICOS
1 UNIDADE



Elaborada pelos professores:
Giovana Silva, Lia Moraes,
Rosana Castro e Rosemeire Fiaccone


Revisada em 2010.2
Monitora: Tatiana Felix da Matta

1

1. INTRODUO

1.1. O que estatstica e suas divises

Para muitos a Estatstica no passa de conjuntos de tabelas de dados numricos.
Mas ser que a estatstica s isso?
A Estatstica originou-se com a coleta e construo de tabelas de dados para o
governo. A situao evoluiu e esta coleta de dados representa somente um dos aspectos
da Estatstica. Hoje em dia podemos adotar a seguinte definio para a Estatstica:
A Estatstica constitui-se num conjunto de tcnicas e mtodos cientficos que
tratam da coleta, anlise e interpretao de informaes numricas, cujo objetivo
principal auxiliar na tomada de decises ou tirar concluses em situaes de
incerteza, a partir de informaes numricas.
A Teoria Estatstica moderna se divide em dois grandes campos:
Estatstica Descritiva - consiste num conjunto de mtodos que ensinam a reduzir
uma quantidade de dados bastante numerosa por um nmero pequeno de
medidas, substitutas e representantes daquela massa de dados.
Estatstica Indutiva ou Inferncia Estatstica - consiste em inferir (deduzir ou
tirar concluses a respeito das) propriedades de um universo a partir de
uma amostra. O processo de generalizao, que caracterstico do
mtodo indutivo, est associado a uma margem de incerteza. A medida
da incerteza tratada mediante tcnicas e mtodos que se fundamentam
na Teoria das Probabilidades.
A Estatstica Descritiva abrange mtodos grficos e numricos, utilizados para
resumir dados de maneira que caractersticas importantes da amostra possam ser
expostas.
A disponibilidade de uma grande quantidade de dados e de mtodos
computacionais muito eficientes revigorou a rea da Estatstica denominada Estatstica
Descritiva.
Na maioria das vezes no podemos investigar o fenmeno que estamos
interessados em estudar em todos os elementos da populao por ser o custo muito alto,
por necessitar de muito tempo para o levantamento dos dados. Para resolver o problema
devemos trabalhar com um subconjunto da populao, chamado de AMOSTRA.
Se selecionarmos os elementos da amostra de acordo com critrios estatsticos,
podemos conhecer as informaes relativas populao atravs da amostra.
A inferncia estatstica procura com base nos dados amostrais tirar concluses
sobre a populao. Considere o exemplo abaixo para ilustrar as definies dadas.
2


Exemplo: (Notas de Aula da Disciplina MAT116 - USP) Numa pesquisa eleitoral um
Instituto de Pesquisa procura com base nos resultados de um levantamento aplicado a
uma amostra da populao prever o resultado da eleio. Considere o candidato A:
a) Denomine por p a proporo de pessoas que votaro em A na eleio.
b) Denomine por a proporo de pessoas no levantamento de opinio (amostra)
que expressam inteno de voto em A.
Podemos usar o valor de para estimar a proporo p da populao.
O esquema a seguir resume as etapas de um trabalho estatstico:



















1.2. Por que precisamos aprender Estatstica?

Quase toda atividade e experincia humana envolvem coleta e anlise de algum
tipo de informao (dados). Na coleta de dados relativos ao comportamento ou outras
caractersticas de um grupo de indivduos, amostras aleatrias de um processo ou
resultados de repetitivas medies, sempre envolvem variao.
Mtodos estatsticos representam as ferramentas bsicas para compreender as
variaes, porque a anlise estatstica a nica base para tentar entender variabilidade.
p
p
Tcnicas de Amostragem
Populao
Amostra
Anlise
Descritiva
Concluses sobre as
caractersticas da
populao
Inferncia
Estatstica
Informaes contidas
nos dados
3

Os mtodos estatsticos so consciente ou inconscientemente usados em vrias
situaes, especialmente na apresentao de informaes oriundas de dados numricos.
Diversas vezes, apresentaes so baseadas, principalmente, em algum tipo de tcnica
utilizando teorias matemticas; porm durante a preparao e apresentao dos dados,
mtodos estatsticos so utilizados para definir a tcnica de coleta de dados e chegar a
uma concluso atravs das informaes coletadas. Os mtodos estatsticos tm
aplicaes em:
Indstrias: coleta de dados na linha de produo, para manter e controlar o
processo produtivo, o que assegura o nvel de produo e os padres de
qualidade; otimizao do processo produtivo; deteco das variveis que
realmente influenciam o processo, viabilizando-se as experincias que possam
levar a alteraes efetivas nesse processo; planejamento de experimentos
viveis, com vistas economia de observaes e, portanto, de custo;
planejamento de mtodos de coleta e anlise de dados para a explorao mineral;
Instituies pblicas: planejamento da coleta, do armazenamento e do
processamento de informaes; processamento de dados com o objetivo de
sintetizar e divulgar resultados; montagem de tecnologia adequada de gerao de
indicadores econmicos; previso de safras, projeo de demandas;
Hospitais e instituies de pesquisa mdica: prestao de assessoria estatstica
no exame da validade de testes clnicos; no estabelecimento de padres de
referncia; na determinao de fatores de risco de doenas; na comparao de
resultados de diversos tratamentos clnicos e no planejamento de experimentos
clnicos controlados, de estudos de casos e de estudos prospectivos;
Empresas de pesquisa de opinio e mercado: prestao de assessoria estatstica
no levantamento de audincias de programas de televiso, da popularidade de
candidatos a cargos polticos; na avaliao da aceitao de novos produtos; na
realizao de pesquisas para determinao do perfil do consumidor e no
planejamento e execuo e pesquisa para determinao das caractersticas scio-
econmicas dos habitantes da regio;
Bancos e companhias de seguro: elaborao de previses a serem utilizadas
como instrumento gerencial; trabalho em associao com a aturia nos clculos
das probabilidades de morte, doena, roubo de carro, etc.; otimizao de
procedimentos de atendimento ao pblico
Centros de pesquisa: prestao de assessoria estatstica em todas as fases de um
projeto de pesquisa que envolva coleta, tratamento e anlise de dados.

Os empregados de uma empresa devem tornar-se mais familiarizados com
estatstica. Eles devem entender e conhecer as tcnicas estatsticas disponveis, e
adaptao de dados de experimentos para a anlise estatstica. Um profissional treinado
em Estatstica ter maior facilidade em identificar um problema em sua rea de atuao,
determinar os tipos de dados que iro contribuir para a sua anlise, coletar estes dados e
a seguir estabelecer concluses e determinar um plano de ao para a soluo do
problema detectado. Qualquer um que derive informaes a partir de dados est agindo
como um estatstico.

4

2. PROBABILIDADE

2.1. Breve histrico.

Dizse geralmente que a teoria da probabilidade originou-se com Blaise Pascal
(1623-1662) e Pierre de Fermat (1601-1665), devido curiosidade de um cavalheiro
Chevalier de Mer, jogador apaixonado, que em cartas discutiu com Pascal problemas
relativos probabilidade de ganhar em jogos de cartas. Despertado pelo assunto Pascal
discutiu com Fermat sobre o que hoje chamaramos de probabilidades finitas. Mas em
verdade a teoria elementar das probabilidades j tinha sido objeto de ateno bem antes,
uma vez que os jogos de azar sempre exerceram fascnio sobre os homens.
A primeira obra conhecida em que se estudam as probabilidades o livro De
Ludo Aleae (Sobre os jogos de azar) de Girolamo Cardano (1501-1576), publicado em
1663. Tambm Galileu (1564-1642) preocupou-se com as probabilidades, estudando os
jogos de dados para responder a pergunta de um amigo.
A teoria das probabilidades passou a desenvolver-se de maneira mais organizada
a partir do sculo XVII e importantes contribuies de ilustres matemticos devem ser
registradas. No famoso livro, Ars Cnjectandi de Jaime Bernoulli (1654-1705)
encontramos um teorema de importncia decisiva para a teoria das probabilidades,
conhecido com a Lei dos Grandes Nmeros , nome que lhe foi dado pelo matemtico
francs Simon Poisson (1781-1840). Poderamos citar muitos outros com importantes
contribuies, mas certamente o matemtico que mais contribuiu para a teoria das
probabilidades foi Laplace (1749-1827). Seus inmeros trabalhos sobre as
probabilidades foram incorporados em seu monumental Tratado Analtico das
Probabilidades.
Atualmente as teorias das probabilidades tm extrema importncia nas mais
diversa reas desde a engenharia, medicina, epidemiologia, demografia, economia,
administrao, meteorologia, fotografias de satlites, marketing, predio de desastres
naturais, cincias sociais entre outras.
Alm das muitas aplicaes formais, o conceito de probabilidade est no nosso
dia a dia. Sempre ouvimos e falamos frases como: Provavelmente vai chover amanh ,
provvel que o avio se atrase , H boas chances de que eu possa comparecer.
5

Cada uma desta expresses est baseada no conceito de probabilidade de que certo
evento ocorra.
2.2. Conceitos bsicos

Fenmenos ou experimentos aleatrios (E): So aqueles em que o processo de
experimentao est sujeito a incertezas, logo, no possvel controlar todas as
circunstncias relevantes e, portanto, no possvel prever com exatido os resultados
individuais.
Caractersticas de um experimento aleatrio:

a.1) Poder ser repetido um grande nmero de vezes sob as mesmas condies;
a.2) No podemos afirmar que um resultado particular ocorrer, porm, podemos
descrever o conjunto de todos os resultados possveis do experimento - as
possibilidades de resultado.
a.3) Quando o experimento repetido um grande nmero de vezes, surgir uma
regularidade nos resultados. Esta regularidade, chamada de regularidade
estatstica, que torna possvel construir um modelo matemtico preciso com
o qual se analisar o experimento.
A Teoria da Probabilidade utilizada para descrever matematicamente experimentos
cujos resultados no podem ser completamente pr-determinados, ou seja, visa definir
um modelo matemtico que seja adequado descrio e interpretao de fenmenos
aleatrios.
Exemplo 1: Considere o experimento aleatrio de jogar uma moeda uma nica vez.
Antes da moeda ser jogada no se sabe o resultado. Conhecem-se apenas os possveis
resultados: cara ou coroa. Admitindo-se que a moeda honesta, cada resultado tem a
mesma chance de ocorrer. Neste exemplo, modelos podem ser estabelecidos para
quantificar as incertezas das diversas ocorrncias.
Fazendo-se algumas suposies adequadas, possvel escrever distribuies de
probabilidades (modelos probabilsticos) que representem muito bem as distribuies de
freqncias, que s so obtidas quando o fenmeno observado.
Modelo probabilstico definido por:
a) Um espao amostral ();
b) Uma probabilidade, P( ), para cada ponto amostral.

Espao amostral ( ): conjunto de todos os resultados possveis de um experimento
aleatrio.
6

Exemplos de experimentos aleatrios e seus respectivos espaos amostrais:
E
1
: Jogar uma moeda e observar a face superior.

1
= { Cara, Coroa }
E
2
: Jogar um dado e observar a face superior.

2
= { 1, 2, 3, 4, 5, 6 }
E
3
: Determinar o tempo de vida til de uma lmpada.

3
= { t / t 0 }
Espaos amostrais podem ser finitos ou infinitos.
Evento: Qualquer subconjunto de um espao amostral.
Representado pelas letras latinas maisculas A, B, C,...
Exemplo 2:
No lanamento de um dado consideremos o evento ocorrer um nmero par.
A: ocorrer um nmero par, em que = {1, 2, 3, 4, 5, 6}.
A = {2, 4, 6}
Exemplo 3:
Vai chover no litoral baiano no fim de semana? = {chove, no chove}
Em geral, temos interesse em eventos particulares do experimento.
O evento A pode representar a ocorrncia de chuva
A = {chove}
Os conjuntos e tambm so eventos:
o evento certo
o evento impossvel
Exerccio: Descreva o espao amostral para cada um dos seguintes experimentos a
seguir:
a) Numa linha de produo conta-se o nmero de peas defeituosas num perodo
de 1 hora;

Resposta: ={0,1,2,...,N} em que N o nmero mximo de peas que podem ser
produzidas no perodo de 1 hora.
7

b) Mede-se a durao de lmpadas, deixando-as acesas at que queimem;

Resposta: ={t / 0 t t
0
} em que t
0
o tempo mximo de durao da
lmpada acesa, at que ela se queime ou ={t / t 0 }.

c) Lanar uma moeda trs vezes, sucessivamente, e anotar a seqncia de caras e
coroas;

Resposta: ={ (ca, ca, ca); (ca, ca, co); (ca, co, ca); (co, ca, ca); (ca, co, co); (co, ca,
co); (co, co, ca); (co, co, co)}.

d) Escolher ao acaso um ponto do crculo de raio um centrado na origem.
Resposta: ={( )
2
, y x ; 1
2 2
+ y x }.

2.3. Operaes com eventos

Ao realizar um experimento aleatrio diz-se que o evento A ocorreu se o resultado
observado for um elemento do subconjunto A.
Dados dois eventos A e B de um mesmo espao amostral:
AB o evento em que A e B ocorrem simultaneamente;
AB o evento em que A ocorre ou B ocorre (ou ambos ocorrem);
A
c
A ou o evento em que A no ocorre.

Exemplo 4: E: Lanamento de um dado

=

{1, 2, 3, 4, 5, 6}
Evento B: representa sair face par => B = {2, 4, 6}

Evento C : representa sair uma face mpar => C = {1, 3, 5}
Evento D: representa sair uma face maior que 3 => D = {4, 5, 6}
Evento E: representa sair face 1 => E = {1}
Evento B D: representa sair uma face par e maior que 3 => {2, 4, 6} {4, 5, 6} = {4,
6}
Evento B C: representa sair uma face par e mpar => {2, 4, 6} {1, 3, 5} =
8

Evento B D : representa sair uma face par ou maior que 3 => {2, 4, 6} {4, 5, 6} =
{2, 4, 5, 6}
Evento B C : representa sair uma face par ou mpar => {2, 4, 6} {1, 3, 5} = {1, 2,
3, 4, 5, 6}
Evento B
c
= C
Evento C
c
= B
Se dois eventos quaisquer tm interseco vazia, isto , eles no podem ocorrer
simultaneamente, dizemos que eles so mutuamente exclusivos ou disjuntos. No
exemplo 4, os eventos B e C so mutuamente exclusivos ou disjuntos, visto que B C
= .

2.4. Como atribuir probabilidade a um evento?

Calcular uma probabilidade medir a incerteza ou associar um grau de
confiana aos resultados possveis de um experimento. Por exemplo, ao escolher, ao
acaso, uma carta de um baralho comum (bem embaralhado), o que mais provvel, sair
uma figura ( K, Q, J ) ou sair o dois de copas?
As probabilidades associam aos eventos um valor no intervalo [0,1]. Quanto
maior o valor associado ao evento, maior a certeza de sua possibilidade de ocorrncia.
Seja um espao amostral. Uma funo P definida para todos os subconjuntos
de (chamados eventos) chamada de probabilidade se:
1) 0 P(A) 1, para todo evento A
2) P() = 1
3) Se A
1
, A
2
, ..., A
n
forem, dois a dois, eventos mutuamente exclusivos, isto , (A
i

A
j
) = para todo i j, ento
( ) ) ( ... ) ( ) ( 2 1
1
n
n
i
i A P A P A P A P + + + =
=
U
=

=
n
i
i A P
1
) (

Existem vrias maneiras de atribuir probabilidade a um evento do espao
amostral. Vamos estudar duas formas. Uma das formas baseada em espaos amostrais
finitos.
Um espao amostral equiprovvel quando todos os elementos tm a mesma
probabilidade de ocorrer, isto , todos os seus elementos so igualmente provveis.

9

Definio: Seja A um evento associado ao espao amostral finito , no qual todos os
resultados so igualmente possveis (ou equiprovveis). Vamos definir a probabilidade
do evento A, P(A) como o quociente entre o nmero de elementos em A e o nmero de
elementos em :

=
#
#
) (
A
A P ,
isto , a razo entre os casos favorveis ao evento e o total de casos possveis.
Limitaes:
Dificuldade em enumerar #A e # em alguns casos;
infinito;
Modelo adequado apenas para a classe de fenmenos cujo o espao amostral
equiprovvel.

Exemplo 5: Qual a probabilidade de obter um nmero par no lanamento de um dado?
= {1,2,3,4,5,6}
A = nmero par = {2, 4, 6}
P(A) =
6
3


Para calcular probabilidade utilizando a definio clssica, em geral utilizam-se os
mtodos de enumerao: Combinaes, arranjos e permutaes.

Resumo de algumas tcnicas sistemticas de enumerao


1 Princpios bsicos da multiplicao

Dados dois eventos, o primeiro dos quais pode ocorrer de m maneiras distintas e
o segundo pode ocorrer de n maneiras distintas , ento os dois eventos
conjuntamente podem ocorrer de m.n maneiras distintas.

Exemplo 6: Uma bandeira formada por 7 listras que devem ser coloridas
usando apenas as cores verde, azul e cinza. Se cada listra deve ter apenas uma
cor e no se pode usar cores iguais em listras adjacentes, de quantos modos se
pode colorir a bandeira?

Soluo: Colorir a bandeira equivale a escolher a cor de cada listra. H 3 modos
de escolher a cor da primeira listra e , a partir da, 2 modos de escolher a cor de
cada uma das outras 6 listras. A resposta 3x2
6
= 192.




10

2 Permutaes

Uma coleo de n objetos diferentes pode ser ordenada de n! maneiras distintas.
Portanto, o n de permutaes de n objetos diferentes dado por P
n
=n! (Essa
regra de permutao, traduz o fato de que o primeiro objeto pode ser escolhido
de n maneiras diferentes, o segundo objeto pode ser escolhido de n-1 maneiras
distintas, e assim por diante).

Exemplo 7: De quantos modos podemos arrumar em fila 5 livros diferentes de
Matemtica, 3 livros diferentes de Estatstica e 2 livros diferentes de Fsica, de
modo que livros de uma mesma matria permaneam juntos?

Soluo: Podemos escolher a ordem das matrias de 3! Modos. Feito isso, h 5!
Modos de colocar os livros de Matemtica nos lugares que lhe foram destinados,
3! Modos para os de Estatsticas e 2! Modos para os de Fsica. A resposta :
3!5!3!2!= 6 x 120 x 6 x 2 = 86400.


3 - Arranjos

o nmero de maneiras de escolher p objetos dentre n objetos diferentes (sem
repetio), sendo a ordem importante, e permutar os escolhidos (0 p n).
Portanto, o nmero de arranjos dado por:
)! (
!
p n
n
A
p
n

=

Exemplo 8: No planejamento de um programa noturno da rede de televiso
NBC, devem ser escolhidos 6 shows dentre 30 disponveis. Quantas
programaes diferentes so possveis?

Soluo: Devemos selecionar p=6 dentre n=30 programas disponveis. Aqui a
ordem tem importncia, por que os espectadores variam no decorrer do tempo.
Logo devemos calcular o nmero de arranjos
000 . 518 . 427
)! 6 30 (
! 30
)! (
!
=

=
p n
n
A
p
n
.


4 Combinao

o nmero de maneiras de selecionar p objetos distintos dentre n objetos
distintos dados, sem considerarmos a ordem. Cada seleo de p objetos
chamada de uma combinao simples de classe p dos n objetos. Representamos
o nmero de combinaes simples de classe p de n elementos por
p
n
C ou
|
|

\
|
p
n
.
Assim o nmero de combinaes de p objetos extrados de um conjunto de n
objetos diferentes
)! ( !
!
p n p
n
C
p
n

= . ( Basta notar que selecionar p entre os n


11

objetos equivale a dividir os n objetos em um grupo de p objetos, que so
selecionados, e um grupo de n-p objetos, que so os no-selecionados.)


Exemplo 9: Com 5 homens e 4 mulheres, quantas comisses de 5 pessoas, com
exatamente 3 homens, podem ser formadas?

Soluo: Para formar a comisso devemos escolher 3 dos 5 homens e 2 das 4
mulheres. H
60
! 2 ! 2
! 4
.
! 2 ! 3
! 5
2
4
.
3
5
.
2
4
3
5
= =
|
|

\
|
|
|

\
|
= C C


Exemplo 10: Um lote formado de 2 artigos bons e 1 defeituoso. Dois artigos
so selecionados ao acaso:

a) Quantos lotes de 2 artigos diferentes podem ser formados sem considerarmos
a ordem?

Trata-se aqui do nmero de combinaes de p=2 artigos a serem
selecionados dentre 3. Temos 3
! 1 ! 2
! 3
2
3
= = C , (PP, DP, PD)

b) Quantos lotes de 2 artigos diferentes podem ser formados considerando a
ordem?

Aqui, desejamos o nmero de seqncias (ou permutaes) de p=2 artigos a
serem escolhidos dentre os 3. Temos 6
! 1
! 3
2
3
= = A , (P
1
P
2
, P
2
P
1
, D
1
P
1
, P
1
D
1
,
D
1
P
2
, P
2
D
1
).

Exerccios:

a) Trs garotos e 3 garotas sentam-se em fila. Encontre a probabilidade das 3 garotas
sentarem juntas. Resposta: 0,2.

b) Um lote formado de 10 artigos bons, 4 com defeitos menores e 2 com defeitos
graves. Dois artigos so escolhidos (sem reposio) ache a probabilidade de que:

i- Ambos tenham defeitos graves? Resposta: 0,00833.

ii- Exatamente um seja perfeito? Resposta: 0,5.

As limitaes da definio clssica de probabilidade, que s se aplica a espaos
amostrais finitos e equiprovveis, levaram a considerar outra forma de calcular
probabilidade de um evento partindo da freqncia relativa do evento ao se repetir o
12

experimento, n vezes, sob as mesmas condies. Em linguagem matemtica, quando n
cresce, o limite da freqncia relativa de ocorrncia de A igual a P(A), isto ,
P(A)
n
ocorre A que repeties de #
lim ) ( lim = =
n
n
n
A f .

Exemplo 11: Suponha que vamos realizar um experimento de lanar 20 vezes uma
moeda e observar o nmero de caras. A cada lanamento vamos considerar o nmero de
caras que at ento ocorreram (n) dividido pelo nmero de lanamentos (n
a
), ou seja, a
freqncia relativa de caras. Os resultados referentes a esse experimento encontram-se
na tabela abaixo:

N n
a
fa=na/n n n
a
n
a
/n
1 1 1 11 6 6/11
2 1 1/2 12 7 7/12
3 2 2/3 13 7 7/13
4 3 3/4 14 8 8/14
5 3 3/5 15 8 8/15
6 3 3/6 16 8 8/16
7 3 3/7 17 8 8/17
8 4 4/8 18 8 8/18
9 5 5/9 19 9 9/19
10 5 5/10 20 9 9/20


Vejamos o comportamento das freqncias relativas por meio do grfico a
seguir:


13



A partir desta Figura vemos que a medida que aumenta o nmero de
lanamentos, a freqncia relativa se aproxima de 0,5. Em linguagem matemtica
dizemos que a freqncia relativa converge para 0,5. Dificuldade do ponto de vista
matemtico: o nmero do limite real pode no existir.

Exerccio (TRIOLA):
Em uma pesquisa entre estudantes de uma faculdade, 1162 afirmaram que
colavamnos exames, enquanto 2468 afirmaram no colar [com base em dados do
Josephson Institute of Ethics (Instituto Josephson de tica)]. Selecionando
aleatoriamente um desses estudantes, determine a probabilidade deste estudante ter
colado em um exame. Resposta: 0,3201.

Teoremas:

1. P() = 0

2. Se A
c
o evento complementar de A, ento P(A
c
) = 1- P(A)

3. Sejam A e B dois eventos quaisquer, ento:
P (A B) = P(A) + P(B) - P(A B)


Lanamentos sucessivos de uma moeda
Nmero de repeties versus freqncia relativa de caras
F
r
e
q

n
c
i
a
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
14

Demonstrao: AB= A[BA
c
]
B= (A B) (BA
c
)
P(AB) = P(A) + P (BA
c
)
-P(B) = -P(A B) - P (BA
c
)
P (AB) = P(A) + P(B) - P(A B)

4. Se A, B e C forem trs eventos quaisquer, ento:
P (A B C)=P(A) + P(B) + P(C) - P(A B) - P(A C) - P(B C) + P(A B C)
Generalizao:
( ) ( ) ( ) ( ) ( )
n
n
n
r j i
r j i
n
j i
j i
n
i
i n
A A P A A A P A A P A P A A P + + + =

< < < =

K K K
1
1
1
1
1 ) (

Exemplo 12: Se P(AB
c
)=0,2 e P(B
c
)=0,7. Achar P(AB)? (Use diagrama de Veen)
P(AB
c
)= P(A) P(AB) 0,2 = P(A) - P(AB) P(A) = 0,2 + P(AB)
P(B
c
)= 1 P(B) 0,7 = 1 - P(B) P(B)= 0,3
P (A B) = 0,2 + 0,3 = 0,5

Exerccios:

1. Um lote formado por 10 peas boas, 4 com defeitos menores e 2 com defeitos
graves. Uma pea escolhida ao acaso. Calcule a probabilidade de que:
a) a pea no tenha defeito grave? Resposta:0,875.
b) a pea no tenha defeito? Resposta:0,625.
c) a pea seja boa ou tenha defeito grave? Resposta:0,75.

2. Dois processadores tipo A e B so colocados em teste por 50 mil horas. A
probabilidade que um erro de clculo acontea em um processador do tipo A de
30
1
, no tipo B,
80
1 e em ambos,
1000
1 . Qual a probabilidade de que:

a) Pelo menos um dos processadores tenha apresentado erro? Resposta:0,045.
b) Nenhum processador tenha apresentado erro? Resposta:0,955.
c) Apenas o processador A tenha apresentado erro? Resposta:0,032.
15


3. Determine a probabilidade de que n pessoas faam aniversrio em dias distintos.
Para resolver este problema, ignoramos as idades, anos bissextos e supomos que os
aniversrios de cada pessoa podem cair em qualquer dia com a mesma
probabilidade. Resposta:
( )
n
n
365
1 365 364 . 365 + K
.

4. O seguinte grupo de pessoas est numa sala: 5 homens maiores de 21 anos; 4
homens com menos de 21 anos de idade; 6 mulheres maiores de 21 anos e 3
mulheres menores de 21 anos. Uma pessoa escolhida ao acaso. Define-se os
seguintes eventos: A: a pessoa maior de 21 anos; B: a pessoa menor de 21 anos ;
C: a pessoa homem e D: a pessoa mulher. Calcule:
a) P(B D)
b) P( C A )
c) P(A B)
Respostas: a)0,722; b)0,167; c)0 ; d)0,389

5. Uma remessa de 30 arruelas contm 5 peas defeituosas e 25 perfeitas. Dez arruelas
so escolhidas ao acaso (sem reposio) e classificadas.
a) Qual a probabilidade de que sejam encontradas exatamente 3 peas defeituosas?
Resposta:0,160
b) Qual a probabilidade de que se encontrem ao menos 2 peas defeituosas?
Resposta: 0,5512


2.5. Probabilidade condicional

Considere o exemplo abaixo:
Dados do Censo Demogrfico de 91 publicado pelo IBGE relativos aos habitantes de
Sergipe, na faixa etria entre 20 a 24 anos com relao s variveis Sexo e Leitura.

Sexo L No l Total
Masculino 39.577 8.672 48.249
Feminino 46.304 7.297 53.601
Total 85.881 15.969 101.850

16

E: Um jovem entre 20 e 24 anos escolhido ao acaso em Sergipe.

: conjunto de jovens de Sergipe, com idade entre 20 e 24 anos. #=101.850.

Eventos de interesse:
M: jovem sorteado do sexo masculino
F: jovem sorteado do sexo feminino
L: jovem sorteado sabe ler
M L: jovem sorteado do sexo masculino e sabe ler
M L: jovem sorteado do sexo masculino ou sabe ler

Podemos obter algumas probabilidades:

843 , 0
850 . 101
881 . 85
de jovens de n
ler sabem que jovens de
) ( = =

=
n
L P

473 , 0
850 . 101
245 . 48
de jovens de n
masculino sexo do jovens de
) ( = =

=
n
M P

P(F) = P(M
c
) = 1 - P(M) = 1 - 0,473 = 0,527

850 . 101
557 . 39
jovens de n
ler sabem que e masculino sexo do jovens de
) ( =

=
n
L M P

P (M L) = P(M) + P(L) - P(M L)
= 0,473 + 0,843 - 0,388 = 0,928

No exemplo anterior, se soubermos que o jovem sorteado do sexo masculino, qual a
probabilidade de que saiba ler? Temos uma informao parcial: o jovem do sexo
masculino.
Vamos designar a probabilidade de L quando se sabe que o jovem do sexo masculino
por P (L M) e denomin-la probabilidade condicional de L dado M.
17

natural atribuirmos:

0,820
48.249
39.577
masculino sexo do jovens de total n
masculino sexo do aqueles dentre ler sabem que jovens de n
) M (L P = == = = == = = == =


Note que:




Por exemplo, a probabilidade de ser do sexo masculino dado que l dada por:
0,460
850 . 101
881 . 85
850 . 101
577 . 39
(L) P
L) (M P
) L (M P = =

=


Definio de probabilidade condicional: Sejam A e B eventos de um experimento
aleatrio qualquer, com P(B) > 0. A probabilidade condicional de A dado B(denota-se
por P (A B) definida como:
P(B)
B) P(A
B) P(A

= == =


2.6. Regra ou Teorema do produto

Como conseqncia da definio de probabilidade condicional, podemos calcular a
probabilidade da ocorrncia conjunta de dois eventos A e B.


(M) P
L) (M P
) M (L P
jovens de total n
masculino sexo do jovens n
jovens de total n
ler sabem que e masculino sexo do jovens n
) M (L P

=
=
18

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

=

Exemplo 13:
Uma urna contm fichas numeradas de 1 a 4. Retira-se uma ficha da urna ao acaso e
anota-se o nmero. Esta ficha ento recolocada na urna, e retira-se novamente uma
ficha, ao acaso, da urna. Qual a probabilidade de ter sado a ficha com nmero 1, na
primeira retirada, e de ser 5 a soma dos nmeros das duas fichas retiradas?

Resoluo:
Evento A: sair o nmero 1 na primeira retirada =>P(A) =
4
1

Evento B: soma = 5

Evento B|A : {soma = 5 | a primeira ficha 1} , se queremos que a soma seja 5, ento
preciso que a segunda ficha seja o nmero 4 P(B|A) =
4
1


Pelo teorema do produto temos que,
( )
16
1
4
1
4
1
) ( | ) ( = = = A P A B P B A P

Exemplo 14:
Duas vlvulas defeituosas se misturam com duas vlvulas perfeitas. As vlvulas so
ensaiadas, uma a uma, at que ambas defeituosas sejam encontradas. Qual a
probabilidade de que a ltima vlvula defeituosa seja encontrada no segundo ensaio?

Resoluo:
Evento A : sair uma vlvula defeituosa =>P(A) =
4
2

Evento B : a ltima vlvula defeituosa

Evento B|A : sair a ltima vlvula defeituosa | saiu uma vlvula defeituosa P(B|A) =
3
1


Pelo teorema do produto temos que,

( )
12
2
3
1
4
2
) ( | ) ( = = = A P A B P B A P

19

De modo geral, considere 3 eventos A, B e C, tem-se que

= | = | |

Esta relao pode ser estendida para um nmero finito qualquer de eventos.

Exerccios:
a) As falhas na fundao de um grande edifcio podem ser de dois tipos: A (capacidade
de suportar) e B (fundao excessiva). Sabendo-se que P(A)=0,001, P(B)=0,008 e
P(A|B)=0,1, determinar a probabilidade:

i) De haver falha na fundao? Resposta:0,0082
ii) De ocorrer A e no B? Resposta:0,0002

b) Um sistema eletrnico consta de dois sub-sistemas digamos A e B. De testes prvios
sabe-se que: P(A falhe)=0,20; P(A e B falhem)=0,15 e P(B falhe sozinho)=0,15.
Calcule:

i) P(A falhe | B falhou); Respostas: 0,5
ii) P(A falhe sozinho); Respostas: 0,05

c) Duas lmpadas queimadas foram acidentalmente misturadas com seis lmpadas boas.
Se vamos testando as lmpadas, uma por uma, at encontrar duas defeituosas, qual a
probabilidade de que a ltima defeituosa seja encontrada no quarto teste? Resposta: 3/28

2.7. Regra da probabilidade total

Sejam A e B dois eventos de um experimento qualquer. H duas maneiras de B ocorrer,
B A
C
B A
A

A
c
20

considerando a ocorrncia ou no do evento A: ou A e B ocorrem (A B) ou A
c
e B
ocorrem (A
c
B).
Deste modo, B = (A B) (A
c
B), em que A B e A
c
B so conjuntos disjuntos.
Ento, P(B) = P(A B) + P(A
c
B).
Pela regra do produto P(B) = P(A) . P(B | A) + P(A
c
) P(B | A
c
)


DEFINIO DE PARTIO:

Tem-se uma partio de um espao amostral em um nmero finito de eventos A
i
( i =
1,2,...,n) se:
1) Se A
1
, A
2
, ..., A
n
forem, dois a dois, eventos mutuamente exclusivos, isto , (A
i
A
j
)
= para todo i j.
2) =
=
U
n
i
i
A
1
, isto , os eventos A so exaustivos.

REGRA DA PROBABILIDADE TOTAL: se a seqncia de eventos aleatrios A
1
,
A
2
, ..., A
n
formar uma partio de , ento:


( ) ( ) ( ) ( )

= =
n
i
i
i
i
i
A B P A P B A P B P
n


Exemplo 7.15:
Um lote de 100 peas composta de 20 peas defeituosas e 80 peas perfeitas, do qual
extrairemos 2 peas sem reposio. Qual a probabilidade da segunda pea extrada ser
defeituosa?

Soluo:

Evento A: a primeira pea extrada defeituosa
Evento B: a segunda pea extrada defeituosa

Pela regra da probabilidade total temos que,
P(B) = P(A) . P(B | A) + P(A
c
) P(B | A
c
) =
5
1
99
20
.
100
80
99
19
.
100
20
= +



B
A
1
A
2
A
3
..... A
n

21

Exemplo 16:
Em uma fbrica de parafusos so utilizadas n mquinas. Sejam P(A
i
) a probabilidade de
um parafuso provir da i-sima mquina, i = 1,2,...,n e P(B
i
A) indica a probabilidade do
parafuso ser defeituoso sabendo-se que foi produzido pela isima mquina.
Do total de parafusos produzidos pela fbrica, escolhe-se ao acaso um parafuso. Qual a
probabilidade de que o parafuso seja defeituoso?

Soluo:

Se B representa o evento parafuso escolhido defeituoso, pela regra da probabilidade
total, temos que:

P(B) = P(B
1
A ) P(A
1
) + P(B
2
A ) P(A
2
) + ......+ P(B
n
A ) P(A
n
)
Podemos ainda estar interessados em saber a probabilidade da i-sima mquina ter
produzido o parafuso defeituoso.


2.8. Regra de Bayes (probabilidade das causas de um evento observado)

( )
( )
( )
( )
( ) ( )
( ) ( )
=

=
j
j
i i
i
i
i
Aj B P A P
A B P A P
B A P
B P
B A P
B A P
Esta regra til quando conhecemos as probabilidades dos A
i
e as probabilidades
condicionais de B

dado A
i
, mas no conhecemos diretamente a probabilidade de B.

Exemplo 17: Admita que na fbrica de parafusos tenham trs maquinas. Suponha que
as mquinas A, B e C produzem 25%, 35% e 40% do total produzido, respectivamente.
Da produo de cada mquina 5%, 4% e 2%, respectivamente, so parafusos
defeituosos. Escolhe-se ao acaso um parafuso:
a) Qual a probabilidade dele ser defeituoso?
b) Verifica-se que ele defeituoso. Qual a probabilidade de que o parafuso venha da
mquina A?

Soluo:

P(A)=0,25 probabilidade da mquina A produzir um parafuso.
P(B)=0,35 e P(C) =0,4
P(D|A)=0,05 , P(D|B)=0,04 e P(D|C)=0,02

P(D) = P(D A) + P(D B) + P(D C) = P(A) P(D|A) + P(B) P(D|B) + P(C) P(D|C)
= 0,250,05 + 0,350,04 + 0,40,02 = 0.0345

22

P(A | D) =
) (
) (
D P
D A P
=
) (
) | ( ) (
D P
A D P A P
=
0345 , 0
05 , 0 5 2 , 0
= 0,3623


Exemplo 18:
Em uma urna, h 10 bolas: 4 brancas e 6 vermelhas. Duas bolas so sorteadas
sucessivamente, sem reposio. Qual a probabilidade da 2 bola ser vermelha?
Resoluo:

Sejam os eventos:
V
1
: primeira bola retirada vermelha;
V
2
: segunda bola retirada vermelha;
B
1
: primeira bola retirada branca;
B
2
: segunda bola retirada branca;
Queremos calcular P(V
2
). Temos que:


10
6
) (V P
1
=

10
4
10
6
1 ) V ( P 1 ) V ( P
1
c
1
= = =

23

Se V
1
ocorreu, isto , saiu vermelha na primeira retirada, ento a composio da urna
fica
Pela regra de probabilidade total, temos que:




9
5
) V P(V
restantes) brancas 4 e vermelhas 5 dentre vermelha bola 1 (sortear P ) V P(V
1 2
1 2
=
=

9
6
) B P(V
restantes) brancas 3 e vermelhas 6 dentre vermelha bola 1 (sortear P ) B P(V
1 2
1 2
=
=

Portanto,
10
6
) P(V
9
4
9
5
10
6
) P(V
10
4
9
6
10
6
9
5
) P(V
2
2
2
=
|

\
|
+ =
+ =


Podemos fazer o diagrama em rvore ou rvore de probabilidades da situao descrita
neste exerccio.


24

10
6
9
6
10
4
9
5
10
6
) ( = + = A P


Exerccio:

1) Numa indstria de enlatados, as linhas de produo I , II e III respondem por 50%,
30% e 20% da produo, respectivamente. As propores de latas com defeito de
produo nas linhas I , II e III so 0,4% , 0,6% e 1,2%. Qual a probabilidade de uma
lata defeituosa (descoberta ao final de inspeo do produto acabado) provir da linha
I? Resposta:
31
10

2) Considere 2 caixas com parafusos. Em ambas as caixas temos parafusos longos (L)
e curtos (C). Na caixa 1 temos 60 L e 40 C e na caixa 2 temos 10 L e 20 C. Vamos
selecionar uma caixa ao acaso e dessa caixa tirar um parafuso ao acaso. Calcule :
a) A probabilidade do parafuso ser longo ? Resposta:
2
1
b) A probabilidade do parafuso ser curto e no ser da caixa 2 ? Resposta:
5
1




2.9. Independncia estatstica

Dois eventos so ditos independentes quando a ocorrncia de um deles no interfere na
probabilidade de ocorrncia do outro.

Em linguagem matemtica, dados A,B , A e B so ditos independentes, se e
somente se :
P( AB) = P(A) e P( BA) = P(B)

10
6
10
4
9
5
9
4
9
6
9
3

9
5
*
10
6
9
4
*
10
6
9
6
*
10
4
9
3
*
10
4
25

Nesse caso, temos que
P(A B) = P(A) . P(B)


Exemplo 19:

A probabilidade de que A resolva um problema de 2/3 e a probabilidade de que B resolva
de 3/4. Se ambos tentarem independentemente, qual a probabilidade do problema ser
resolvido?
Resoluo:
A : A resolve
B : B resolve
A B: A e B resolvem
A B : A ou B resolvem => o problema resolvido
Como so eventos independentes, P(A B) = P(A).P(B) e
P(A B) = P(A) +P(B) - P(A).P(B) = 2/3 + 3/4 (2/3)(3/4) = 2/3 + 3/4 2/4 =
12
5
12
3 8
=

.

Generalizando:
Os eventos A
1
, A
2
,..., A
n
, so independentes se e somente se a independncia for
verificada para todos os subconjuntos de dois ou mais eventos desta famlia.

Para que trs eventos sejam independentes necessrio verificar quatro
igualdades:

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

que corresponde 4 1 3
3
3
3
2
= + = |

\
|
+ |

\
|
, igualdades a serem verificadas

Para quatro eventos necessrio verificar onze igualdades que so:

11 1 4 6
4
4
4
3
4
2
= + + = |

\
|
+ |

\
|
+ |

\
|


Para n eventos necessrio verificar:

26

1 n
2
n
k
n
n
2 k
= |

\
|
=
igualdades

Se A
i
`, i= 1, 2, 3, ..., n , uma famlia finita de eventos independentes, ento

=
|

\
|
= =
n
1 i
n
1 i
) A ( P A P i i I
Observar que:

=
=
) ( ) | ( ) (
) ( ) | ( ) (
B P B A P B A P
A P A B P B A P
para eventos quaisquer (condicional)

{ ) ( ) ( ) ( B P A P B A P = para eventos independentes

Como conseqncia dos resultados acima, tm-se que e so independentes de
qualquer evento A, A . Para ver isto note que:
1) P( A) = P( ) = 0 = P() P(A)
2) P( A) = P(A) = P() P(A)

Exerccios

a) Uma mquina consiste de 4 componentes ligados em paralelo de tal forma que a
mquina falha apenas quando todos os componentes falharem. Supondo que as falhas
so independentes entre si e se cada componente tem respectivamente as probabilidade
0,1 , 0,2 , 0,3 , e 0,4 de falhar quando a mquina ligada, qual a probabilidade da
mquina no falhar ? Resposta: 0,9976.

b) A probabilidade de um homem viver, mais dez anos e a probabilidade de uma
mulher viver mais dez anos
3
1 . Encontre a probabilidade de ambos estarem vivos
dentro de dez anos e de ao menos um estar vivo dentro de dez anos. Resposta:
12
1
e
2
1
.





27

1 LISTA DE EXERCCIOS

l) Descrever o espao amostral (S) e eventos associados a cada um dos experimentos a
seguir:
E
1
: Lanam-se dois dados perfeitos e observam-se os nmeros nas faces voltadas para
cima;
A
1
: A soma das faces sete;

E
2
: Lanar uma moeda trs vezes, sucessivamente, e anotar a seqncia de caras (K) e
coroas (C );
A
2
: Sair pelo menos duas caras;

E
3
: Lanar uma moeda e um dado, simultaneamente, e registrar os resultados;
A
3
: Obteno de face impar no dado;

E
4
: Lanar uma moeda trs vezes, sucessivamente, e registrar o nmero de caras
ocorrido;
A
4
: Sair pelo menos duas caras;

E
5
: Numa linha de produo conta-se o nmero de peas defeituosas num perodo de 1
hora;
A
5
: Obter menos de 3 defeituosas

E
6
: Mede-se a durao de lmpadas, deixando-as acesas at que queimem;
A
6
: O tempo de vida da lmpada inferior a 30 horas;

E
7
: Um fabricante produz um determinado artigo. Da linha de produo so retirados 3
artigos
e cada um classificado como bom(B) ou defeituoso(D).
A
7
: Pelo menos dois artigos so bons.

E
8
:Um lote de dez peas contm trs defeituosas. As peas so retiradas uma a uma,
sem reposio, at que a ultima pea defeituosa seja encontrada. O nmero total de
peas retiradas registrado.
A
8
: Menos de cinco peas foram retiradas.

E
9
: Peas so fabricadas at que dez peas perfeitas sejam produzidas. O nmero total
de peas fabricadas anotado.
A
9
: Quinze ou mais peas foram fabricadas

28

2) Suponha-se duas urnas contendo, cada uma, quatro bolas numeradas de 1 a 4.
Considera-se o experimento que consiste, em retirar, ao acaso, uma bola de cada urna.
Descreva o espao amostral. Determine os seguintes eventos:
a) a soma do nmero de pontos mpar;
b) a bola extrada da primeira urna contm o nmero dois.

3) Sejam A, B e C trs eventos quaisquer. Estabelea uma expresso para os eventos
abaixo:
a) A e B ocorrem; b) A ou B ocorrem; c) B ocorre, mas A no ocorre; d) A no ocorre;
e) no ocorre A e no ocorre B; f) A e B ocorrem, mas C no corre; g) somente A
ocorre, mas B e C no ocorrem.

4) Um produto montado em 3 estgios. No primeiro estgio, existem 5 linhas de
montagem; no segundo estgio, existem 4 linhas de montagem e no terceiro estgio,
existem 6 linhas de montagem. De quantas maneiras diferentes poder o produto se
deslocar durante o processo de montagem?
5) Um inspetor visita 6 mquinas diferentes durante um dia. A fim de evitar que os
operrios saibam quando ele os ir inspecionar, o inspetor varia a ordenao de suas
visitas. De quantas maneiras isto poder ser feito?

6) Um mecanismo complexo pode falhar em 15 estgios. De quantas maneiras poder
falhar em exatamente 3 desses estgios?

7) Dados P(A) = 1/2 ; P(B) = 3/8; P(A B) =1/8, calcule:
a) P(A B); b) P(A B) ; c) P(A B ) ; d) P(A B ) ; e) P(A B).

8) A MasterCard Internacional efetuou um estudo de fraudes em cartes de crdito;
os resultados esto consubstanciados na tabela a seguir:

Tipo de Fraude Quantidade
Carto roubado 243
Carto falsificado 85
Pedido por correio / telefone 52
Outros 46

Selecionando aleatoriamente um caso de fraude nos casos resumidos na tabela, qual a
probabilidade de a fraude resultar de um carto falsificado?

9) Um certo tipo de motor eltrico falha se ocorrer uma das seguintes situaes:
emperramento dos mancais, queima dos enrolamentos, desgaste das escovas. Suponha
que o emperramento seja duas vezes mais provvel do que a queima, esta sendo quatro
vezes mais provvel do que o desgaste das escovas. Qual ser a probabilidade de que a
falta seja devida a cada uma dessas circunstncias?
29


10) Uma urna U
1
contem 5 bolas brancas e 2 pretas; outra urna U
2
contem 3 bolas
brancas e 6 bolas pretas; e outra urna U
3
contem 4 bolas brancas e 4 bolas pretas. Tira-
se uma bola de cada urna. Calcular a probabilidade de que saiam uma bola branca e
duas bolas pretas.

11) Lana-se uma moeda viciada de modo que a probabilidade de cara(K) igual a 2/3 e
a probabilidade de coroa(C ) igual a 1/3. Se aparecer cara, ento seleciona-se
aleatoriamente um nmero dentre os de 1 a 9; se aparecer coroa, seleciona-se
aleatoriamente um nmero dentre os de 1 a 5. Ache a probabilidade de um nmero par
ser selecionado. Construa o diagrama em rvore.

12) Em uma sala, 10 pessoas esto usando emblemas numerados de 1 at 10. Trs
pessoas so escolhidas ao acaso e convidadas a sarem da sala simultaneamente. O
nmero de seu emblema anotado.
a) Qual a probabilidade de que o menor nmero de emblema seja cinco?
b) Qual a probabilidade de que o maior nmero de emblema seja cinco?

13) Suponha que A e B sejam eventos independentes associados a um experimento. Se a
probabilidade de A ou B ocorrerem for igual a 0,6, enquanto a probabilidade de
ocorrncia de A for igual a 0,4 determine a probabilidade de ocorrncia de B.

14) Na tabela abaixo, os nmeros que aparecem so probabilidades relacionadas com a
ocorrncia de A, B, A B, e assim por diante.. Verifique se A e B so independentes.
B B
c

A 0,04 0,06 0,10
A
c
0,08 0,82 0,90
0,12 0,88 1,00

15) Uma associao de indstrias transformadoras de resinas plsticas composta de 20
empresas que produzem sacos plsticos (S), 10 que produzem garrafas (G), 8 que
produzem utenslios domsticos (U) e 2 que se encarregam de brinquedos (B). Ao
escolhermos uma empresa ao acaso, achar a probabilidade de que:
a) seja uma indstria que produza sacos plsticos ou utenslios domsticos; b) seja uma
indstria produtora de sacos plsticos ou brinquedos; c) no seja uma indstria que
produza garrafas.

16) Trs alarmes esto dispostos de tal maneira que qualquer um deles funcionar
independentemente, quando qualquer coisa indesejvel ocorrer. Se cada alarme tem
probabilidade 0,9 de trabalhar eficientemente, qual a probabilidade de se ouvir o
alarme quando necessrio?

30

17) Suponha que todos os componentes da figura a seguir tenham a mesma
confiabilidade (probabilidade de funcionar) p e funcionem independentemente ,
obtenha a confiabilidade do sistema.
.

1 2

L 3 R


4 5

18) As 500 propriedades rurais de certa regio foram classificadas de acordo com a
extenso em hectares, conforme tabela abaixo. Sejam os eventos:

A = {X: X < 5 ha} ; B = { X : 5 X < 20 } ; C ={X: X 10 ha }

Determine: a) P(A) ; b) P(B ) ; c) P(BC) ; d) P(AB).

rea (ha) N. de Propriedades
< 5 130
5 10 170
10 20 90
20 50 50
50 100 40
100 20

19) Sejam A e B dois eventos associados a um experimento. Suponha que P(A) = 0,4,
enquanto P(AUB) =0,7. Seja P(B) = p.
a) Para que valor de p, A e B sero mutuamente exclusivos?
b) Para que valor de p, A e B sero independentes?

20) Sob a ao de uma fora F, as probabilidades de falha nas barras a , b e c da
estrutura mostrada na figura abaixo so respectivamente 0,06 ; 0,05 e 0,04. Se ocorrer
a falha em qualquer uma das barras, isto leva a falha em toda a estrutura. Supondo que
as falhas nas barras so estatisticamente independentes, ache a probabilidade de ocorrer
a falha da estrutura.





b a

31

c



21) Um sistema composto de 3 componentes 1, 2 e 3, com confiabilidade 0,9 , 0,8 e
0,7, respectivamente. O componente 1 indispensvel ao funcionamento do sistema; se
2 ou 3 no funcionam, o sistema funciona, mas com rendimento inferior. A falha
simultnea de 2 e 3 implica o no funcionamento do sistema. Supondo que os
componentes funcionem independentemente, calcular a confiabilidade do sistema.

22)Um processo industrial produz 4% de itens defeituosos. A experincia mostra que
25% dos itens defeituosos produzidos no so percebidos pelo inspetor de qualidade. Os
itens bons sempre so aceitos satisfatoriamente pela inspeo. Qual a probabilidade de
que , se voc comprar um desses itens ,seja um item defeituoso?

23) Uma fbrica dispe de 3 mquinas para fabricar o mesmo produto . Essas mquinas
so antigas e apresentam freqentemente defeitos de funcionamento com as seguintes
percentagens do tempo de utilizao:

MQUINA TEMPO COM DEFEITO (%)
A 40
B 35
C 25

Verificam-se nas peas produzidas as seguintes porcentagens de peas
defeituosas:

MQUINA PEAS DEFEITUOSAS (%)
A 2
B 4
C 5

A gerncia decide substituir uma das mquinas a fim de diminuir a porcentagem
de peas defeituosas. Qual das trs mquinas deve ser substituda?

32

24)Um artigo manufaturado que no pode ser usado se for defeituoso, deve passar por
duas inspees antes de receber embalagem. A experincia mostra que um dos
inspetores deixar passar 5% dos defeituosos, ao passo que o segundo inspetor deixar
passar 4% dos tais artigos. Se os artigos sem defeito sempre passam pela inspeo e se
10% dos artigos processados so defeituosos, que percentagem dos artigos que
passaram pelas duas inspees so defeituosos?

25) Numa faculdade 30% dos homens e 20% das mulheres estudam matemtica . Alm
disso, 45% dos estudantes so mulheres. Se um estudante selecionado aleatoriamente
est estudando matemtica, qual a probabilidade de que este estudante seja mulher?

26) Uma companhia de seguros analisou a freqncia com que 2000 segurados usaram
o hospital, distribudos segundo a tabela abaixo .

DISCRIMINAO HOMENS MULHERES
usaram o hospital 100 150
no usaram o hospital 900 850
Escolhe-se um segurado ao acaso. Sendo definidos os eventos:
A = {o segurado usou o hospital } e B = {o segurado homem }, determine:

a) P(A B); b) P(A B); c) P(AUB).

Calcule tambm as seguintes probabilidades:
d) o segurado escolhido ser homem, sabendo-se que utilizou o hospital; e) o segurado
escolhido ter utilizado o hospital ,dado que era homem; f)o segurado ser mulher dado
que no utilizou o hospital.

27) Um empreiteiro apresentou oramentos separados para a execuo da parte eltrica
e da parte de encanamento de um edifcio. Ele acha que a probabilidade de ganhar a
concorrncia da parte eltrica de 1/2. Caso ele ganhe a parte eltrica, a probabilidade
de ganhar a parte de encanamento de 3/4; caso contrrio, essa probabilidade de 1/3.
Qual a probabilidade de ele:
a) ganhar os dois contratos; b) ganhar apenas um.

28) Uma grande empresa tem dois departamentos de produo : Produtos Martimos e
Produtos para Oficinas. A probabilidade de que a diviso de Produtos Martimos tenha
no corrente ano fiscal, uma margem de lucros de no mnimo 10% estimada em 0,30; a
probabilidade de que a diviso de Equipamentos para Oficinas tenha uma margem de
lucros de pelo menos 10% 0,20; e a probabilidade de que ambas as divises tenham
uma margem de lucros de no mnimo 10% 0,06. Determine a probabilidade de que a
33

diviso de Equipamentos para Oficinas tenha uma margem de lucros de no mnimo 10%
dado que a diviso de Produtos Martimos tenha alcanado tal nvel de lucro.

29) Se A e B so dois eventos relacionados com uma experincia E e so conhecidas
as probabilidades P(A) , P(B) e P(A B), deseja-se em funo destas, as expresses das
probabilidades dos seguintes eventos:
a) (A B) ; b) (A B ) ; c) (A B) ; d) (A B) .

30) Suponha que temos duas urnas 1 e 2, cada uma com duas gavetas. A urna 1 contm
uma moeda de ouro em uma gaveta e uma moeda de prata na outra gaveta; enquanto a
urna 2 contm uma moeda de ouro em cada gaveta. Uma urna escolhida ao acaso; a
seguir uma de suas gavetas aberta ao acaso. Verifica-se que a moeda encontrada nesta
gaveta de ouro. Qual a probabilidade de que a moeda provenha da urna 2?

31) Trs times de futebol so formados selecionando-se jogadores de trs pases
diferentes da seguinte maneira:
Time A1 5 brasileiros, 4 americanos, 2 argentinos
Time A2 - 4 brasileiros, 2 americanos, 5 argentinos
Time A3 - 2 brasileiros, 5 americanos, 4 argentinos
Um time selecionado ao acaso e deste time dois jogadores tambm so selecionados
ao acaso. Os jogadores selecionados so 1 americano e 1 argentino. Qual a
probabilidade do time A3 ter sido escolhido?

32) Uma companhia produz circuitos integrados em trs fbricas, I , II e III. A fbrica I
produz 40% dos circuitos, enquanto a II e III produzem 30 % cada uma. As
probabilidades de que um circuito integrado produzido por estas fbricas no funcione
so 0,01, 0,04 e 0,03, respectivamente. Escolhido um circuito da produo conjunta das
trs fbricas, Qual a probabilidade de o mesmo no funcionar?

33) Considere a situao do problema anterior, mas suponha agora que um circuito
escolhido ao acaso e seja defeituoso. Determinar qual a probabilidade de ele ter sido
fabricado por I.

34) Uma indstria qumica produz uma grande variedade de produtos usando quatro
diferentes processos; a mo de obra disponvel suficiente somente para que apenas
um processo seja executado num dado instante. O gerente da indstria sabe que a
descarga de uma poluio perigosa no rio que passa em volta da mesma , depende do
processo que est em operao . As probabilidades de ocorrer poluio perigosa para os
vrios processos , denotando por F uma descarga de poluio perigosa, so: P(F|A)
=0,40; P(F|B) = 0,05 ; P(F|C) = 0,30 ; P(F|D) = 0,10 . Todos os outros produtos da
fbrica so considerados inofensivos. Em um determinado ms sabe-se que em 20% ,
40% , 30% e 10% do tempo respectivamente usam-se os processos A, B , C e D.
34

Deseja-se saber qual a probabilidade de no termos uma descarga de poluio perigosa
no determinado ms?

Gabarito (1 lista)

l) E
1
:
1
= {(1,1); (1,2); .....; (1,6) ; (2,1) ; (2,2) ; .....; (2,6); ......... ; (6,1) ; (6,2) ; ....

;
(6,6) }
A
1
= {(1,6): (2,5); (3,4); (4,3); (5,2); (6,1) }
E
2
:
2
= {KKK; KKC: KCK; CKK; KCC; CKC; CCK; CCC }
A
2
= {KKK, KKC, KCK, CKK }
E
3
:
3
= {(K,1); (K,2);......;(K,6); (C,1); (C,2).....; (C,6) } E
4
:
4
= {0, 1, 2, 3 }
A
3
= {(K,1); (K,3); (K,5); (C,1); (C,3); (C,5) } A
4 =
{ 2}
E
5
:
5
= {0, 1, 2, 3,.........., N } onde N o n. mximo de peas defeituosas no perodo
de 1 hora
A
5
= { 0,1, 2, 3}
E
6
:
6 =
{t : t 0 } ou
6 =
{ t : 0 t t
o
} onde t
o
o tempo mximo de vida da
lmpada.
A
6 =
{ t : t < 30 } ou A
6
= { t : 0 t < 30 }

E
7
:
7 =
{BBB, BBD, BDB, DBB, BDD, DBD, DDB , DDD }
A
7
= {BBB; BBD; BDB; DBB }

E
8
:
8
= {3, 4, 5,...., 10 } E
9
:
9
= {10, 11, 12,....}
A
8
= { 3, 4} A
9
= { 15, 16, 17,...}

2) ={(1,1), (1,2), (1,3), (1,4), (2,1), (2,2), (2,3), (2,4), (3,1), (3,2), (3,3), (3,4), (4,1),
(4,2), (4,3), (4,4)}
a) A={(1,2), (1,4), (2,1), (2,3), (3,2), (3,4), (4,1), (4,3)}
35

b) B = {(2,1), (2,2), (2,3), (2,4)}

3) a) A B; b) A B ; c) AB ; d)A ; e) A B ; f) ABC g)
(ABC ).

4) 120 5) 720 6) 455 7) a) 0,75 ; b) 0,25 ; c) 0,875 ; d) 0,375 ;
e) 0,25

8) 0,1995 9) 8/13, 4/13 e 1/13 10) 0,3809 11) 0,4296 12) a) 0,0833
b)0,05

13) 0,3333 14) A e B no so independentes 15) a) 0,7 b) 0,55 c) 0,75

16) 0,999 17) p + 2p
2
- 2p
3
- p
4
+ p
5
18 ) a) 0,26 ; b) 0,48 ; c) 0,74 ; d) 0,78
.
19 ) a )0,3 b ) 0,5 20 ) 0,1427 21 ) 0,846 22 ) 0,01 23 ) B

24 ) 0,02% 25 ) 0,3529 26 ) a) 1900/2000; b) 900/2000; c) 1150/2000; d) 100/250;
e) 100/1000; f) 850/1750

27) a) 0,375 b ) 0,2917 28) 0,2

29) a) 1 - P(AB) ; b) 1 - P(A) - P(B) + P(AB) ; c) 1 - P(A) + P(AB) ; d) P(B) -
P(AB).

30) 0,6667 31) 0,5263 32) 0,025 33) 0,16 34 ) 0,8


36

3. VARIVEL ALEATRIA

3.1. Conceitos bsicos

Definio 1.
Sejam E um experimento e um espao amostral associado ao experimento.
Uma funo X que associe a cada elemento w
i
um nmero real, X(w
i
),
denominada varivel aleatria.
R


. w1 x1
.w2 x2
.w3 x3
.w4 x4


Uma varivel aleatria X , portanto, uma funo cujo domnio o espao amostral e
contra-domnio conjunto dos nmeros reais, ou seja, X: R

Exemplo 1:

a) E: Lanamento de uma moeda.
Assim, = {cara, coroa}={w
1
, w
2
}

( )

=
=
=
coroa der se se
cara der ou se
w X
seja, ou , w w , 0
, se seja , w w , 1
2
1

b) E: Lanamento de duas moedas.
Seja X o nmero de caras obtidas no experimento.
X
37

Vamos denotar c: cara e k:coroa.
Assim, = { cc, ck, kc, kk }= { w
1
, w
2
, w
3
, w
4
}

X(w
1
) = 2
X(w
2
) = X(w
3
) = 1
X(w
4
) = 0

c) E: Escolher um ponto ao acaso no intervalo [0,1]
Seja X o quadrado do valor escolhido.

Assim = [0,1], e X(w)= w
2
w

d) E: Escolher um ponto ao acaso no crculo unitrio.
Seja X a distncia do ponto escolhido origem.
Assim, = { (x,y) / x
2
+ y
2
1} e X(w)=
2 2
y x +

Definio 2 .
Seja X uma varivel aleatria. Se X assume valores em um conjunto finito ou
infinito enumervel, ento X denominada varivel aleatria discreta.
Exemplo 2: Sorteio de n indivduos de uma populao.
X : o nmero de indivduos do sexo masculino sorteados => X() = {0, 1, 2, 3, ..., n}

Definio 3.
Seja X uma varivel aleatria. Se X assume valores em um conjunto infinito no
enumervel, ento X denominada varivel aleatria contnua.

Exemplo 3: Retirada ao acaso um parafuso da produo diria de uma fbrica e registro
de seu dimetro (em mm) e comprimento (em mm).
Suponha que esta fbrica produza parafusos com dimetro entre 3 e 10 mm e
comprimento entre 20 e 35 mm
38

X = Dimetro do parafuso => X() = [ 3, 10]
Y = Comprimento do parafuso Y() = [ 20, 35]

3.2. Distribuio de probabilidade de uma varivel aleatria discreta

Seja X uma v.a. discreta que assume os valores x
1
, x
2
,...,x
n
.... A distribuio de
probabilidades de X o conjunto de pares de valores que associa a cada valor da
varivel x
i
a probabilidade P(X = x
i
):
(x
1
, P(X = x
1
)), (x
2
, P(X = x
2
)), ..., (x
n
, P(X = x
n
)),...
De maneira que,
a) 1 ) x (
1
= == = = == =


= == = i
i
X P
b) P(X = x) = p(x) 0

Exemplo 4: E: lanamento de um dado honesto.
X: nmero da face observada => X() = {1, 2, 3, 4, 5, 6}
A distribuio de probabilidade ( ou funo de probabilidade) de X dada por:
X 1 2 3 4 5 6
P(X=x) 1/6 1/6 1/6 1/6 1/6 1/6

Exemplo 5: Considere novamente o exemplo do lanamento de duas moedas. Seja X o
nmero de caras

Resultados (w) X (w) Probabilidade
P (X = x
i
)
(Cara, Cara) 2
(Cara, Coroa) 1
(Coroa, Cara) 1
(Coroa, Coroa) 0


39

Obtemos ento,
P (X = 0) =
P (X = 1) = + =
P (X = 2) =
4
3
) 2 X 1 ( P = <

Exemplo 6: (Morettin e Bussab, 2006)
Um empresrio pretende estabelecer uma firma para montagem de um produto
composto de uma esfera e um cilindro. As partes so adquiridas em fbricas diferentes,
e a montagem consistir em juntar as duas partes e pint-las. O produto acabado deve
ter o comprimento (definido pelo cilindro) e a espessura (definida pela esfera) dentro de
certos limites, e isso s poder ser verificado aps a montagem. Para estudar a
viabilidade do seu empreendimento, o empresrio quer ter uma idia da distribuio dos
lucros por pea montada.
Sabe-se que cada componente pode ser classificado como BOM, LONGO ou
CURTO, conforme sua medida esteja dentro da especificao, seja ela maior ou menor
que a especificada. Alm disso, foram obtidos dos fabricantes o preo de cada
componente (5 unidades de dinheiro) e as probabilidades de produo de cada
componente com as caractersticas BOM , LONGO e CURTO. Estes valores esto na
tabela abaixo:
Distribuio da produo das fbricas A e B, de acordo com as medidas das
peas produzidas
Produto Fbrica A
Cilindro
Fbrica B
Esfera
Dentro das especificaes ...... BOM (B) 0,80 0,70
Maior que as especificaes ...... LONGO (L) 0,10 0,20
Menor que as especificaes ...... CURTO (C) 0,10 0,10
Fonte: Retirada das especificaes tcnicas das fbricas A e B

Se o produto final apresentar algum componente com a caracterstica C, ele ser
irrecupervel, e o conjunto ser vendido como sucata ao preo de 5 unidades. Cada
componente longo pode ser recuperado a um custo adicional de 5 unidades. Se o preo
de venda de cada unidade de 25 unidades, como seria a distribuio das frequncias da
varivel X: lucro por conjunto montado?

40

A construo desta distribuio de frequncias vai depender de certas suposies
que faremos sobre o comportamento do sistema considerado. Em vista dessas
suposies, estaremos trabalhando com um modelo da realidade, e a distribuio que
obteremos ser uma distribuio terica, tanto mais prxima da distribuio de
frequncias real quanto mais fiis realidade forem as suposies.
Primeiramente, vejamos a construo do espao amostral para a montagem dos
conjuntos segundo as caractersticas de cada componente e suas respectivas
probabilidades. Desde que os componentes vm de fbricas diferentes, vamos supor que
a classificao dos cilindros segundo suas caractersticas sejam eventos independentes;
assim, obtemos a configurao abaixo.

O espao amostral em questo est apresentado na tabela abaixo, junto com as
respectivas probabilidades.




Cilindro Esfera B
0,70 P(BB) = 0,56

B 0,20 L P(BL) = 0,16

0,10
0,80 C
P(BC) = 0,08

0,70 B P(CB) = 0,07
0,10 C
0,20 L P(CL) = 0,02

0,10 C P(CC) = 0,01


B P(LB) = 0,07
0,10
0,70
L
0,20 L P(LL) = 0,02

0,10

C P(LC) = 0,01

41

Tabela: Distribuio de probabilidade das possveis composies das montagens
Montagem Probabilidade Lucro por montagem (X)
BB 0,56 15
BL 0,16 10
BC 0,08 -5
LB 0,07 10
LL 0,02 05
LC 0,01 -5
CB 0,07 -5
CL 0,02 -5
CC 0,01 -5
Fonte: Informaes no texto
Assim, com os dados da tabela acima, vemos que X pode assumir um dos
seguintes valores:
15 se ocorrer o evento A
1
= {BB}
10 se ocorrer o evento A
2
= {BL,LB}
05 se ocorrer o evento A
3
= {LL}
-5 se ocorrer o evento A
4
= {BC,LC,CB,CL,CC}
Cada um desses eventos tem uma probabilidade associada, ou seja,
P(A
1
) = 0,56 P(A
2
) = 0,23 P(A
3
) = 0,02 P(A
4
) = 0,19
o que nos permite escrever a distribuio de probabilidade da varivel X, que o
empresrio poder usar para julgar a viabilidade econmica do projeto que ele pretende
realizar.
x P(X = x)
15 0,56
10 0,23
05 0,02
-5 0,19
Total 1,00
42

Exerccios:

a) Suponha que X seja uma v.a. discreta e sua funo distribuio de probabilidade
seja P(X = k) = ck , para k = 1,2,3,4 e 5. Determine o valor da constante c. Res.
15
1
.

b) Considere um lote de peas que contm 20% de defeituosas. Extramos ao acaso trs
peas com reposio para anlise. Seja X a varivel aleatria que representa o nmero
de peas defeituosas. Estabelea a funo distribuio de probabilidade de X.
Resp. ( (( ( ) )) ) ( (( ( ) )) )
x 3 x
0,8 0,2
x
3
x) P(X

| || |
| || |

| || |


\ \\ \
| || |
= == = = == = , x=0,1,2,3

c) Determine o valor de c para que p(x)=

= |

\
|
contrrio caso , 0
,.... 3 , 2 , 1 x para ,
3
2
c
x

seja uma funo distribuio de probabilidade. Resp.
2
1



3.3. Distribuio de probabilidade de uma varivel aleatria contnua

Seja X uma varivel aleatria contnua. A distribuio de probabilidade dada
na forma de uma funo, chamada de densidade de probabilidade e denotada por f(x).

Uma funo de densidade de probabilidade (fdp) satisfaz as seguintes condies:

a) f(x) 0 , R x
b)

+

= 1 f(x)dx







43

Exemplos de funes de densidade:


A funo densidade, por definio, possui rea sob a curva limitada pelo eixo x
igual a 1 e a probabilidade de X tomar um valor entre a e b obtida calculando-se a rea
compreendida entre esses dois valores. Isto , para qualquer a < b em R
( ) ( )

= < <
b
a
b a P dx x f X


a b
P(a<X<b)

Observaes importantes para uma varivel aleatria contnua:

1) Qualquer valor especificado de X tem probabilidade zero, isto , P(X = x
i
) = 0, pois
( )

= =
i
i
x
x
i
f(x)dx x X P = 0

2) Assim, as probabilidades abaixo sero todas iguais, se X for uma varivel aleatria
contnua:

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

0 1 2 3 4 5 6 7
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
x
f
(
x
)
-4 -3 -2 -1 0 1 2 3
0.0
0.1
0.2
0.3
0.4
x
f
(
x
)
44

Exemplo 7: Dada a seguinte funo
f(x)=


contrrio caso 0,
1 x 0 para ), x 1 ( kx

ache o valor de k para que f(x) seja uma funo densidade de probabilidade.


Resoluo:
Para ser funo densidade temos que

+

=1 ) ( dx x f , ento

=
1
0
1 dx x) - (1 x k
1
3
x
2
x
k dx x - xdx k
1
0
3
1
0
2 1
0
1
0
2
=
(
(

=
(


6 k =

Exerccios:
1) Dada a funo densidade de probabilidade f(x) =


contrrio caso 0,
1 x 0 x, 2


Determine i. P( X ) ii. P(1/3 X 2/3) iii. ) X | (
3
2
3
1
2
1
X P
R : i) 1/4 ; ii)1/3 ; iii) 5/12

2) Seja X uma v.a. contnua com funo densidade de probabilidade dada por:

f(x) =







> >> >
< << <

< << <
1 x 0,
1 x 1/2 x), 4(1
1/2 x 0 kx,
0 x 0,


a) Determine k para que f(x) seja uma funo densidade. Resp. 4
b) P(1/3 < X < 3/4). Resp.47/72.

45

3.4. Funo de distribuio acumulada (FDA)

Seja X uma varivel aleatria, discreta ou contnua. Define-se a funo de
distribuio acumulada F da varivel aleatria X como

F(x) = P( X x).

Se X for uma varivel aleatria discreta

F(x) = ( )

=
x
j
x : j
j
x X P
em que o somatrio estendido a todos os valores x
j
que satisfaam condio x
j
x.

Se X for uma varivel aleatria contnua com funo densidade f(x),

=
x
-
f(s)ds F(x)

Podemos utilizar a funo distribuio acumulada para calcular probabilidade da
seguinte maneira:
) a ( F ) b ( F ) a x ( P ) b x ( P ) b x a ( P = = <

Exemplo 8: Considere um lote de peas que contm 20% de defeituosas. Extramos ao
acaso trs peas com reposio para anlise. Seja X a varivel aleatria que representa o
nmero de peas defeituosas. A funo de probabilidade de X
( ) ( )
x 3 x
0,8 0,2
x
3
x) P(X

|
|

\
|
= = , x=0,1,2,3

e a funo de distribuio acumulada de X.
F(x) =

<
<
<
<
3 se , 1
3 x 2 se 0,992,
2 x 1 se 0,896,
1 x 0 se , 0,512
0 x se 0,
x

46


Exemplo 9: Supe-se que o dimetro X de um cabo eltrico uma varivel aleatria
contnua, com funo densidade f(x) = 6x (1 - x) , 0 x 1.
a) Obtenha a funo de distribuio, F(x).
b) Calcule P( X 1/2 1/3 < X < 2/3), utilizando F(x).

Resoluo:
a) F(x) = 0 , se x < 0


x
0
s)ds 6s(1 = 3x
2
2x
3
, se 0 x 1
1 , se x > 1
b) P( X 1/2 1/3 < X < 2/3) =
( )
( ) 2/3 X 1/3 P
1/2 X 1/3 P
< <
<
=
|

\
|
|

\
|
|

\
|
|

\
|
3
1
F
3
2
F
3
1
F
2
1
F
= 0,5

3.5. Valor esperado (Esperana) de uma varivel aleatria

Como na estatstica descritiva podemos falar de medidas de tendncia central e
medidas de disperso (variabilidade) de uma distribuio de probabilidade. Estas
medidas so muito importantes para compreender o comportamento de uma varivel
aleatria. A mdia ou esperana de uma distribuio, como o prprio nome diz, a
mdia dos valores da varivel se observssemos a mesma repetindo o experimento um
nmero muito grande de vezes.

Caso discreto:

Seja uma v. a. discreta X com a seguinte distribuio de probabilidades:

X x
1
x
2
... x
n

P(X=x) p
1
p
2
... p
n



O valor esperado de X dado por:
47

( )


=

=
= = =
1
i i
1 i
i i
p x x X P x E(X)
i


Exemplo 10: Voltando ao exemplo 6, produto composto por uma esfera e um cilindro,
uma pergunta que logo ocorreria ao empresrio qual o lucro mdio por conjunto
montado que ele espera conseguir.

Resoluo:
Lucro mdio = (0,56)(15) + (0,23)(10) + (0,02)(5) + (0,19)(-5) = 9,85
Isto , caso sejam verdadeiras as suposies feitas para determinar a distribuio da
varivel aleatria, o empresrio espera ter, em mdia, lucro de 9,85 unidades por
conjunto montado.

Caso contnuo:
Seja X uma varivel aleatria contnua com funo densidade de probabilidade
f(x). O valor esperado de X definido por
E(X) =


xf(x)dx

Exemplo 11: Uma certa liga formada, combinando a mistura fundida de dois metais.
A liga resultante contm uma certa porcentagem de chumbo X, que pode ser
considerada uma v.a. com funo densidade:
100 x 0 , x) - x(100 ) 10 (
5
3
f(x)
5
=


Ento,
E(X) =

100
0
5 -
x)dx - x(100 (10)
5
3
x = 50
Isto significa que em mdia a liga contm 50% de chumbo.



48

3.5.1. Propriedades da Esperana

1) Dada uma constante a, temos:

E(a+X) = a + E(X) e E(aX) = a . E(X)

2) Sejam X
1
, X
2
, ..., X
n
variveis aleatrias

E(X
1
+X
2
+...+X
n
) = E(X
1
) + E(X
2
) + ... + E(X
n
)


3) Sejam X e Y variveis aleatrias independentes. Ento,

E(XY) = E(X) . E(Y)

Exemplo 12: Suponha que L, o lucro lquido obtido na venda da liga do exemplo
anterior (por unidade de peso), a seguinte funo da porcentagem de chumbo:
L = C
1
+ C
2
X.
Ento o lucro esperado :
E(L) = E(C
1
+ C
2
X) = C
1
+ C
2
(50)

3.6. Varincia e Desvio padro de uma varivel aleatria

De modo geral, o desvio padro mais importante e mais til medida de
variao. O desvio padro de um conjunto de valores uma medida de variao dos
valores em relao mdia aritmtica. A varincia o quadrado do desvio padro. Ou
podemos dizer que o desvio padro igual a raiz quadrada positiva da varincia. Uma
dificuldade com a varincia que ela no expressa nas mesmas unidades dos dados
originais, enquanto que o desvio padro tem a mesma unidade de medida dos dados
originais. Assim se um conjunto de dados tem desvio padro de 3,00 dlares e uma
varincia de 9,00 dlares quadrado, temos que dlar quadrado um conceito abstrato,
logo a varincia difcil de ser compreendida.


Uma aplicao do desvio padro
distribuio aproximadamente em

3
Essa figura mostra como a mdia e o desvio padro esto relacionados com a
proporo dos dados que se enquadram em determinados
distribuio em forma de sino, temos que:
Cerca de 68% dos valores esto a
Cerca de 95% dos valores esto a
Cerca de 99,7% dos valores esto a

3.6.1. Varincia de uma varivel aleatria

Seja X uma v.a. com esperana E(X). Define

V(X) = E[(X
em que
, para X discreta

, para X contnua
49
Uma aplicao do desvio padro quando temos um conjunto de dados com
distribuio aproximadamente em forma de sino. Conforme a figura abaixo:
2
1


1 +
2 +
3 +
68%
95%
99,7%
Essa figura mostra como a mdia e o desvio padro esto relacionados com a
proporo dos dados que se enquadram em determinados limites. Assim, com uma
distribuio em forma de sino, temos que:
Cerca de 68% dos valores esto a 1 desvio padro a contar da mdia;
Cerca de 95% dos valores esto a 2 desvios padro a contar da mdia;
Cerca de 99,7% dos valores esto a 3 desvios padro a contar da mdia.
Varincia de uma varivel aleatria
uma v.a. com esperana E(X). Define-se a varincia de X
V(X) = E[(X E(X))
2
= E(X
2
) [E(X)]
2

, para X discreta
, para X contnua
um conjunto de dados com
. Conforme a figura abaixo:


Essa figura mostra como a mdia e o desvio padro esto relacionados com a
limites. Assim, com uma
1 desvio padro a contar da mdia;
2 desvios padro a contar da mdia;
adro a contar da mdia.
X por:
50


Exemplo 13: Voltando ao exemplo 6, produto composto por uma esfera e um cilindro,
calcule a varincia.

X
W = X
2
P(X = x) P(W = x
2
)
15 225 0,56 0,56
10 100 0,23 0,23
05 25 0,02 0,02
-5 25 0,19 0,19
Total 1,00 1,00

E(X
2
) =

=
=
3
1 i
) x .P(W x
2
i
2
i
= 225.0,56 + 100 . 0,23 + 25.0,21 = 154,25

V(X) = 154,25 (9,85)
2
= 57,23


Exemplo 14: Para o exemplo 11, a varincia :

E(X
2
) =

100
0
5 - 2
x)dx - x(100 (10)
5
3
x = 3000
V(X) = 3000 (50)
2
= 500


2.6.1.1 Propriedades da varincia

a) Dada uma constante a, temos:
V(X+a) = V(X)

b) Dada uma constante a, temos:
V(aX) = a
2
. V(X)
51


c) Sejam X
1
, X
2
, ... , X
n
, n variveis aleatrias independentes. Ento

V(X
1
+ X
2
+ ... + X
n
) = V(X
1
) + V(X
2
) + ... + V(X
n
)


Exemplo 15: No exemplo 12, a varincia de L :

V(L) =
2
2
C V(X) =
2
2
C (500)

3.6.2. Desvio padro de uma varivel aleatria

) X ( V ) X ( DP =

Exerccios:

1) Suponha que uma caixa contenha 5 bolas ( 1 preta e 4 brancas ). Retira-se
aleatoriamente uma bola de cada vez (com reposio) at que saia 4 vezes a bola
preta. Seja X o nmero de retiradas necessrias at que isto ocorra.

a) Determine os possveis valores de X e sua funo de probabilidade.

Resp.: 4,5,6,... x ,
5
4
5
1
3
1 x
x) P(X
4 x 4
= |

\
|
|

\
|
|
|

\
|
= =



2) O tempo T, em minutos, necessrio para um operrio processar certa pea, uma v.a.
com a seguinte distribuio de probabilidade:

T 2 3 4 5 6 7
P 0,1 0,1 0,3 0,2 0,2 0,1

52

a) Calcule o tempo mdio de processamento. Resp. 4.6 E(T) =

b) Estabelea a funo de distribuio acumulada.
Resp.:

<
<
<
<
<
<
=
7 t se 1
7 t 6 se 0,9
6 t 5 se 0,7
5 t 4 se 0,5
4 t 3 se 0,2
3 t 2 se 0,1
2 t para 0
F(T)


Para cada pea processada, o operrio ganha um fixo de 2,00 u.m. (unidade monetria),
mas se ele processa a pea em menos de 6 minutos, ganha 0,50 u.m. por cada minuto
poupado. Por exemplo, se ele processa a pea em 4 minutos, recebe a quantia adicional
de 1,00 u.m.

c) Encontre a distribuio, a mdia e a varincia da v.a. G: quantia em u.m. ganha
por pea.

G 4 3,5 3 2,5 2 2
P 0,1 0,1 0,3 0,2 0,2 0,1


Resp.:

<
<
<
<
<
=
4 1
4 5 , 3 9 , 0
5 , 3 3 8 , 0
3 5 , 2 5 , 0
5 , 2 2 3 , 0
2 0
) (
G
G
G
G
G
G para
G F e
0,4125 VAR(X)
2,75 E(X)
=
=

3) Suponha que a demanda (X) por certa pea, numa loja de autopeas, siga a seguinte
distribuio:
P( X = k) =
k!
a2
k
, k = 1,2,3,4.
a) Encontre o valor de a. Resp.:
6
1
a =
b) Calcule a demanda esperada. Resp.:
9
19
E(X) =
53

c) Qual a varincia da demanda da demanda? Resp.:
27
680
VAR(X) =

4) Seja X uma v.a. com funo de densidade de probabilidade dada por:

<
<
<
=
1 x 0,
1 x
2
1
x), 4(1
2
1
x 0 4x,
0 x 0,
f(x)

a) Determine a funo de distribuio acumulada.

Resp.:

< +
<
<
=
1 x 1,
1 x
2
1
1, 4x 2x -
2
1
x 0 , 2x
0 x , 0
F(X)
2
2


b) Determine c, tal que P( X c) = 0,5. Resp.:c=0,5.

5) A demanda diria de arroz em um supermercado, em centenas de quilos, uma v.a. X
com funo densidade.

< +

<
=
c.c. 0
3 x 1 1,
3
x
1 x 0 x,
3
2
f(x)
a) Determine a funo de distribuio acumulada.

54

Resp.:

< +
<
=
3 x 1,
3 x 1 ,
2
1
- x
6
x
1 x 0 ,
3
x
F(X)
2
2

b) Qual a probabilidade, em um dia escolhido ao acaso, a demanda ser superior a 150
kg? Resp.:0,625

c) Calcule a E(X) e V(X). Resp.:
9
77
VAR(X) e
3
4
E(X) = =

6) A v.a. contnua X tem funo densidade


=
c.c. , 0
0 x 1 , 3x
f(x)
2

a) Se b for um nmero que satisfaa a -1 < b < 0, calcule P( X > b X < b/2).
Resp.:
8 b
7b
3
3
+



b) Calcule E(Y) e V(Y), em que Y = 2X 3/5. Resp.:
20
3
V(Y) e
10
21
E(Y) =

=



2. LISTA DE EXERCCIOS

1) Considere uma v.a. X com resultados possveis: 0,1,2,... . Suponha que P( X = j) =
(1-a) a
j
, j = 0,1,2,.. . Para que valores de a o modelo representa uma legtima
distribuio de probabilidade.

2) Uma urna contm 5 bolas de gude brancas e 3 pretas. Se 2 bolas de gude so
extradas aleatoriamente sem reposio e X denota o numero de bolas brancas
obtidas, encontre a distribuio de probabilidades de X.

3) O nmero de carros vendidos semanalmente num stand uma varivel aleatria X
com a seguinte funo de probabilidade

55

X 1 2 3 4
P(X=x) c c/2 c/3 c/4

a) Determine a funo de distribuio de X.
b) Calcule a probabilidade do nmero de carros vendidos no chegar a 4, sabendo que
este valor superior a 1.
c) Se os custos fixos semanais so de 30 unidades monetrias (u.m.) quando so
vendidos 2 ou menos carros e 15 u.m. quando se vende mais de 2 carros e, alm disso,
por cada carro vendido h um lucro de 35 u.m., determine a funo de distribuio da
receita lquida semanal.

4) A probabilidade de que um bit seja transmitido com erro por um canal de transmisso
digital 0,1. Assuma que as transmisses sejam ensaios independentes.
a) Seja X o nmero de bits transmitidos at que ocorra o primeiro erro. Determine a
distribuio de X.
b) Determine a probabilidade de se precisar observar mais que 5 ensaios de transmisso.
c) Determine a probabilidade de se precisar observar mais que 5 ensaios de transmisso,
aps j se ter observado 3 ensaios, sem que ocorresse erro.
d) Determine o nmero esperado de ensaios at o primeiro erro.
e) Seja Y o nmero de transmisses at a ocorrncia do quarto erro. Determine a
distribuio de Y.
f) Determine a probabilidade de se precisar observar no mximo 6 ensaios de
transmisso.
g) Determine o nmero esperado do nmero de ensaios at o quarto erro.

5) A probabilidade de um bem sucedido lanamento de foguete 0,8. Suponha que
tentativas de lanamento sejam feitas at que tenham ocorrido 3 lanamentos bem
sucedidos.
a) Qual a probabilidade de que exatamente 6 tentativas sejam necessrias?
b) Qual a probabilidade de que menos de 6 tentativas sejam necessrias?
56

c) Se cada tentativa de lanamento custa 5.000 u.m. e se um lanamento falho custa
500 u.m. adicionais, determine o custo esperado da operao.
d) Suponha agora que as tentativas sejam feitas at que trs lanamentos consecutivos
sejam bem sucedidos. Responda novamente as perguntas (a) e (b) nesse caso.

6) Os valores abaixo representam a distribuio de probabilidade de D, a procura diria
de um certo produto. Calcule E(D) e V(D):

D 1 2 3 4 5
P(D=d) 01 0,1 0,3 0,3 0,2

a) Calcule E(D) e V(D);
b) Estabelea a funo de distribuio acumulada.

7)O nmero de vendas realizadas por um agente de seguros diariamente uma v.a. com
funo de probabilidade

x 0 1 2 3 4
P(X=x) w z t z w

a. Sabendo que em 10% dos dias as vendas so inferiores a um e que em 70% dos dias
so superiores a um, determine w, z e t.
b. Determine o nmero mdio de seguros vendidos diariamente.
c. Determine E[2X 1] e V [2X 1].
d. Determine a probabilidade de que, quando considerados dois dias, as vendas sejam
superiores, em cada um deles, a duas unidades.
e. Se cada seguro feito por 15000 unidades monetrias, determine a funo de
probabilidade da receita obtida com a venda dos seguros num dia.
f. Se num dia a receita for inferior a 50000 unidades monetrias, determine a
probabilidade de que seja superior a 20000 unidades monetrias.

57

8)Considere a varivel aleatria discreta coma seguinte funo distribuio

<
<
<
<
=
6 ,
6 4 ,
4 2 , 4 1
2 0 , 6 1
0 ,
) (
x c
x b
x
x
x a
x F
a) Sabendo que P (X = 6) = 1/2, determine, justificando, os valores de a, b e c.
b) Calcule o valor esperado e a varincia da varivel aleatria .
4
3 2 X
Y

=

9) Uma organizao financeira verificou que o lucro unitrio (L) obtido numa
operao de investimentos dado pela seguinte expresso : L = 1,1V - 0,9C - 4,5 .
Sabendo-se que o preo de venda unitrio (V) tem uma distribuio com mdia 50 u.m.
e desvio padro de 2,0 u.m e que o preo de custo unitrio ( C ) tem uma distribuio
de mdia 45 u.m. e desvio padro de 1,5 u.m.. Determinar a mdia e o desvio padro
do lucro unitrio.

10) Um estudo do peso dos crebros de homens suecos constatou que o peso X uma
varivel aleatria, com mdia 1400 gramas e desvio padro de 20 gramas. Determine
nmero positivo a e o nmero b tais que Y=aX+b tenha mdia 0 e desvio padro 1.

11) Em uma determinada localidade, a distribuio de renda em mil u.m. uma varivel
aleatria X com funo densidade.

1/10 x + 1/10 , para 0 x 2
f(x) = - 3/40 x + 9/20 , para 2 < x 6
0 , para x < 0 ou x 6 .

a) Qual a renda mdia nesta localidade?
b) Escolhida uma pessoa ao acaso, qual a probabilidade de sua renda ser superior a
3.000,00 u.m?
c) Estabelea a funo de distribuio acumulada.
58


12) Suponha que X seja uma varivel aleatria com densidade:
( )


=
c.c. 0,
1 x 1 - , | x | 1 k
f(x)
a) Determine o valor de k;
b) Determine P(1/2 < X < 2/3)
c) Determine P(1/2 < X < 2/3 | X > 0)
d) Determine a funo de distribuio acumulada de X e utilize-a para determinar os
quartis de X e o percentil 90
e) Determine a moda de X.

13)Seja X uma v.a. contnua, que representa o tempo necessrio para a pintura de uma
pea de automvel, em horas, com funo densidade de probabilidade dada por:

>

<
=
1 0,
1 0 , 8 9
0 , 0
) (
3 2
x
x x x
x
x f

Determine:
a) a probabilidade de gastar menos de meia hora para a pintura;
b) a probabilidade para que o tempo gasto se situe entre e h;
c) o tempo mdio gasto na pintura da pea;
d) o desvio padro para o tempo gasto na pintura.

14) A percentagem de lcool (100 X) em certo composto pode ser considerada uma
varivel aleatria, onde X tem a seguinte funo densidade:
f(x) = 20 x
3
(1-x) , 0 < x < 1.

a) Estabelea a funo de distribuio acumulada.
b) Calcule P ( X 2/3)

c) Suponha que o preo de venda desse composto dependa do contedo de
Especificadamente, se 1/3 < X < 2/3, o composto vendido por C
caso contrrio, vendido por C

15)Seja X uma varivel aleatria contnua com funo densidade dada por:


f (x) =


a) Determine a constante a;
b) Se X
1
, X
2
, X
3
forem trs observaes independentes de X, qual ser a probabilidade
de, exatamente, um desses trs nmeros ser maior que 1,5?

16)Considere X uma v.a. contnua com funo densidade de probabilidade dada por


Determine a esperana matemtica e a varincia.

17)A quantidade de cerveja vendida diariamente numa feira (em milhares de litros)
uma varivel aleatria com a seguinte funo densidade de probabilidade

a) Obtenha o valor de k e de E [3X + 2].
b) Considere os seguintes acontecimentos:
A = venda diria superior a 4000 litros
B = venda diria entre 3000 e 5000 litros
59
c) Suponha que o preo de venda desse composto dependa do contedo de
Especificadamente, se 1/3 < X < 2/3, o composto vendido por C
caso contrrio, vendido por C
2
dlares/galo, determine o lucro mdio por galo.
15)Seja X uma varivel aleatria contnua com funo densidade dada por:
ax , 0 x < 1
a , 1 x < 2
f (x) = -ax + 3a , 2 x < 3
0 , caso contrrio
Determine a constante a;
forem trs observaes independentes de X, qual ser a probabilidade
xatamente, um desses trs nmeros ser maior que 1,5?
16)Considere X uma v.a. contnua com funo densidade de probabilidade dada por
Determine a esperana matemtica e a varincia.
17)A quantidade de cerveja vendida diariamente numa feira (em milhares de litros)
uma varivel aleatria com a seguinte funo densidade de probabilidade

a) Obtenha o valor de k e de E [3X + 2].
b) Considere os seguintes acontecimentos:
a diria superior a 4000 litros
B = venda diria entre 3000 e 5000 litros
c) Suponha que o preo de venda desse composto dependa do contedo de lcool.
Especificadamente, se 1/3 < X < 2/3, o composto vendido por C
1
dlares/galo;
dlares/galo, determine o lucro mdio por galo.
15)Seja X uma varivel aleatria contnua com funo densidade dada por:
forem trs observaes independentes de X, qual ser a probabilidade
16)Considere X uma v.a. contnua com funo densidade de probabilidade dada por
17)A quantidade de cerveja vendida diariamente numa feira (em milhares de litros)
60

Indique, justificando, se A e B so independentes.

18)O tempo de vida, em horas, de um dispositivo, dado pela funo densidade.

f(t) = (1/50)e
) 50 / t (
, t 0.

Qual a probabilidade de que um desses dispositivos dure mais de 25 horas e menos de
75 horas? Sabendo-se que tal ocorreu, qual a probabilidade de que tenha durado mais de
50 horas?

19) Um dispositivo constitudo de 3 elementos independentes que falham numa
experincia com probabilidade 0,1. D a distribuio de probabilidade da v.a. X=
nmero de elementos que falham numa experincia.

20) Na venda de um certo produto tem-se duas opes :

a) Cobrar 1 u.m. por pea sem inspeo ;
b) Classificar o lote em produto de 1. e 2. mediante a seguinte inspeo : retiramos 5
peas do lote e se no encontrarmos mais do que uma defeituosa o lote ser de 1.
qualidade, sendo de 2. qualidade o lote que no satisfizer tal condio. O preo de
venda de 1,20 u.m. por pea do lote de 1. e 0,80 u.m. por pea do lote de 2. .

Sabendo-se que cerca de 10% das peas produzidas so defeituosas, analisar qual
das duas opes a mais vantajosa para o vendedor.

Gabarito (2 lista)

1) a < 1
2)
x 0 1 2
P(X=x) C c/2 c/3

3) a)12/25 b)10/13


c)
r 5 40
P(R=r) c c/2


4) a) P(X=x) = 0,9
x-1
0,1 , x= 1,2,3,... (distribuio geomtrica) b) 0,6561
c) 0,81 d) 10 e) P(Y=y)=
f ) 0,0012 g) 4,4444

5) a) 0,0409 b)0,9421 c) 19.125 d)0,0041 e 0,6349

6) E(D) = 3,4 V(D) = 1,44





F (d) = 0,5 , 3




7) a) w = 0,1, z = 0,2, t = 0,4.
e)
R 0 15000
P(R=r) 0,1 0,2

8) a=0 b=7/12 c= 1 9) E(L) = 10

11) a) 2,4667 b) 0,3375
c)
61
90 125
c/3 c/4
0,1 , x= 1,2,3,... (distribuio geomtrica) b) 0,6561
c) 0,81 d) 10 e) P(Y=y)= (distrbuio binomial negativa )
a) 0,0409 b)0,9421 c) 19.125 d)0,0041 e 0,6349
V(D) = 1,44
0 , d < 1
0,1 , 1 d < 2
0,2 , 2 d < 3
F (d) = 0,5 , 3 d < 4
0,8 , 4 d < 5
1, d 5.
7) a) w = 0,1, z = 0,2, t = 0,4. b) 2. c) E[2X 1] = 3, V [2X 1] = 4,8 d) 0,09
e) f)0,667
30000 45000 60000
0,4 0,2 0,1
8) a=0 b=7/12 c= 1 9) E(L) = 10 58 , 2 V(L) = 10) a=1/20 b=
11) a) 2,4667 b) 0,3375
0,1 , x= 1,2,3,... (distribuio geomtrica) b) 0,6561
(distrbuio binomial negativa )
1] = 3, V [2X 1] = 4,8 d) 0,09

10) a=1/20 b= -70
62


0 , x < 0
F(x) = x
2
/20 + x /10 , 0 x 2
-(3/80)x
2
+ (9/20)x 28/80 , 2 < x 6
1, x > 6.
12) a) 1 b) 17/144 c) 34/144 d) F(x) =

< +
< + +
<
1 se , 1
1 0 , 2 / 1 2 /
0 1 , 2 / 1 2 /
, 1 - x se 0,
x
x x x
x x x


Q
1
=-0,293 Q
2
=0

Q
3
=0,293 P
90
=0,5528 e) Mo=0


13) a) 0,25 b) 0,3828 c) 0,65 d) 0,47

14)

>

<
=
1 x , 1
1 x 0 , 4x - 5x
0 x , 0
a)F(x)
5 4
b) 0,4609 c) C
1
(0,4156) + C
2
(0,5844)



15) a) a=0,5 b)0,375 16) a) E(x)=0 b) Var(x)= 1/6

17) a) k=1/12 E[3x+2]=11,99 b) No so independentes 18) a) 0,3834 b)
0,3774

19) X~bin (3;0,1) 20) Opo B





63

4. ALGUNS MODELOS PROBABILSTICOS PARA
VARIVEIS ALEATRIAS

Existem modelos probabilsticos que ocorrem com frequncia na prtica. Nas
prximas sees, sero definidos alguns modelos, apresentando as condies que
devem ser satisfeitas e algumas caractersticas, tais como, esperana, varincia e como
calcular probabilidade.

4.1. VARIVEIS ALEATRIAS DISCRETAS

4.1.1. Distribuio de Bernoulli

Muitos experimentos so tais que os resultados possveis apresentam ou no uma
determinada caracterstica.

Exemplos:
a) Uma pea escolhida, ao acaso, de um lote contendo 500 peas: esta pea
defeituosa ou no.
b) Uma pessoa escolhida, ao acaso, dentre 1000 pessoas, ou no do sexo masculino.
c) Uma pessoa escolhida, ao acaso, entre os moradores de uma cidade, e pergunta-se
se ela diz SIM ou NO a um projeto governamental.

Em um experimento aleatrio com apenas dois resultados possveis podemos
associar o valor 1, se sucesso ocorre e o valor 0, se fracasso ocorre. Um experimento
deste tipo chamado de ensaio de Bernoulli. Suponha que um sucesso ocorra com
probabilidade p.

Seja X uma v.a. definida para este experimento. Ento,

X 1 0
P(X=x) p 1-p =q
Funo de distribuio de X: F(x) =

<
<
1 x 1,
1 x 0 , q
0 x , 0



Esperana de X: E(X) = 1 . p + 0 . (1


Varincia de X: V(X) = p

4.1.2. Distribuio Binomial

Consideremos n repeties independentes de ensaios de Bernoulli (
modelo binomial fundamenta

a) n ensaios independentes e idnticos so realizados;

b) A probabilidade de sucesso igual a p em cada ensaio e q a probabilidade de
fracasso, sendo p + q = 1 .

Seja a varivel aleatria Y o nmero de sucessos nos n ensaios. Nestas condies
dizemos que Y tem distribuio binomial com parmetros
possveis de y so{0,1,2,...,n}:

n = nmero de repeties do exp
p = probabilidade de sucesso em cada repetio

Notao: ) p B(n, ~ Y

( )

|
|

\
|
= =


p 1 p
k
n
k) P(Y
n k
Por meio do binmio de Newton, verifica

64
Esperana de X: E(X) = 1 . p + 0 . (1-p) = p
p
2
= p(1 - p) , onde E(X
2
) = 1
2
. p + 0
2
. (1-p) = p
istribuio Binomial
repeties independentes de ensaios de Bernoulli (
modelo binomial fundamenta-se nas seguintes hipteses:
n ensaios independentes e idnticos so realizados;
A probabilidade de sucesso igual a p em cada ensaio e q a probabilidade de
casso, sendo p + q = 1 .
Seja a varivel aleatria Y o nmero de sucessos nos n ensaios. Nestas condies
dizemos que Y tem distribuio binomial com parmetros n e p, onde os valores
possveis de y so{0,1,2,...,n}:
n = nmero de repeties do experimento e
p = probabilidade de sucesso em cada repetio
=

c.c 0,
0,1,2,...n k ,
k

Por meio do binmio de Newton, verifica-se que

p) = p
repeties independentes de ensaios de Bernoulli (n 2). O
A probabilidade de sucesso igual a p em cada ensaio e q a probabilidade de
Seja a varivel aleatria Y o nmero de sucessos nos n ensaios. Nestas condies
, onde os valores

Exemplo 1:
Uma usina hidroeltrica tem 5 geradores que funcionam independentemente, cada
com probabilidade 0,98 de estar em operao. Qual a probabilidade de que exatamente
dois estejam em funcionamento em determinado instante?

Y = nmero de geradores em funcionamento

p = 0,98 = probabilidade de um gerador estar em funcionamento (a
sucesso)

Entre os 5 estabelecimentos, ou seja, n = 5, qual a probabilidade de 2 terem tratores:
P(Y = 2) =
|
|

\
|
2
5
(0,98)
2
(1

Esperana e Varincia da

Se Y tem distribuio binomial de parmetros n e p

=
|
|

\
|
=
n
0 k
k 2 2
(1 p
k
n
k ) E(Y que em



Demonstrao:


Fazendo s = k-1, tem-se:


65
Uma usina hidroeltrica tem 5 geradores que funcionam independentemente, cada
com probabilidade 0,98 de estar em operao. Qual a probabilidade de que exatamente
dois estejam em funcionamento em determinado instante?
Y = nmero de geradores em funcionamento
p = 0,98 = probabilidade de um gerador estar em funcionamento (a probabilidade de
Entre os 5 estabelecimentos, ou seja, n = 5, qual a probabilidade de 2 terem tratores:
(1 - 0,98)
5 - 2
= 10. (0,98)
2
.(0,02)
3
= 0,000077
Esperana e Varincia da distribuio Binomial
Se Y tem distribuio binomial de parmetros n e p

= =
=
|
|

\
|
=

(varincia npq [E(Y)] - ) E(Y Var(Y)


np p) (1 p
k
n
k E(Y)
2 2
n
0 k
n k k

n
p)
k


Uma usina hidroeltrica tem 5 geradores que funcionam independentemente, cada um
com probabilidade 0,98 de estar em operao. Qual a probabilidade de que exatamente
probabilidade de
Entre os 5 estabelecimentos, ou seja, n = 5, qual a probabilidade de 2 terem tratores:

), (varincia
(mdia)

.
66

Com varincia: V(X) = npq DP(X) = npq

Exemplo 2:
Com os dados do exemplo anterior, calcular o nmero esperado de geradores em
funcionamento, a varincia e o desvio-padro:

E(X) = np = 5(0,98) = 4,9

Var(X) = npq = 5 (0,98) (0,02) = 0,098

DP(X) = npq = 098 , 0 = 0,3130

Exerccios:

1) Das variveis abaixo descritas, assinale quais so binomiais, e para estas d os
respectivos campos de definio e distribuio de probabilidades. Quando julgar que a
varivel no binomial, aponte as razes de sua concluso.

a) De uma urna com 10 bolas brancas e 20 pretas, vamos extrair, com reposio, cinco
bolas.Seja X o nmero de bolas brancas nas 5 extraes. Resp.: Binomial

b) Refaa o problema anterior, mas desta vez as n extraes so sem reposio. Resp.:
No Binomial.

c) De 5 urnas com bolas pretas e brancas, vamos extrair de cada uma delas uma bola.
Suponha que X o nmero de bolas brancas obtidas no final. Resp.: No
binomial.

d) Em uma indstria existem 100 mquinas que fabricam determinada pea. Cada pea
classificada como sendo boa ou defeituosa. Escolhemos ao acaso um instante de
tempo, e verificamos uma pea de cada uma das mquinas. Suponha que X seja o
nmero de peas defeituosas. Resp.: No Binomial
67


2) Um fabricante de peas de automveis garante que uma caixa de suas peas conter,
no mximo, 2 defeituosas. Se a caixa contm 18 peas, e a experincia tem demonstrado
que esse processo de fabricao produz 5% das peas defeituosas, qual a probabilidade
de que uma caixa satisfaa a garantia? Resp.: 0,9419.

4.1.3. Distribuio de Poisson

Em muitos casos, conhece-se o nmero de sucessos, porm se torna difcil e, s
vezes, sem sentido, determinar o nmero de fracassos ou o nmero total de provas. Por
exemplo: automveis que passam numa esquina. Pode-se num determinado intervalo de
tempo anotar o nmero de carros que passaram, porm, o nmero de carros que
deixaram de passar pela esquina no poder ser determinado. Veremos que a
distribuio de Poisson se aplica nestes casos.
A distribuio de Poisson largamente usada quando de deseja contar o nmero
de eventos de um certo tipo, que ocorrem em um intervalo de tempo, superfcie, ou
volume.

Exemplos:

a) nmero de falhas de um computador em um dia de operao;
b) nmero de defeitos num pneu;
c) nmero de buracos por quilometro em uma rodovia;
d) nmero de clientes que chegam a uma determinada agncia bancria durante o
expediente.

Seja a varivel aleatria X o nmero de eventos de um certo tipo, que ocorrem em
um intervalo de tempo, ou superfcie, ou volume. Suponha que estes eventos ocorrem
em instantes aleatrios de tempo ou de espao e que as hipteses abaixo sejam
vlidas:
1) o nmero de ocorrncias de um evento em um intervalo de tempo, ou superfcie,
ou volume independente do nmero de ocorrncias do evento em qualquer
outro intervalo disjunto.
2) a probabilidade de duas ou mais ocorrncias simultneas praticamente zero.
3) o nmero mdio de ocorrncias por unidade de tempo, ou superfcie, ou volume,
, constante ao longo do tempo, ou superfcie, ou volume.

Nestas condies dizemos que X tem distribuio Poisson com parmetro = t,
o nmero mdio de eventos por unidade de intervalo de tempo, ou superfcie, ou
volume.
68


Notao:
x!
e
x) P(X ) Poisson( ~ X
- x

= = , x=0,1,2, ...,n,...

Se X tem distribuio Poisson com parmetro

=
=
) (varincia Var(X)
(mdia) E(X)



Demonstrao:
1. Sabe-se que E(X) =

=

=
= =
n
0 x
x n
0 x
x!
e
x x) xP(X =

=
n
1 x
x
1)! - x(x
e
x =

=
n
1 x
x
1)! - (x
e

Fazendo x 1 = y, tem-se:

E(X) =

=
+
0 y
1 y
y!
e
=

0 y
y

y!

e
Utilizando-se a frmula de Maclaurin (caso particular da frmula de Taylor),


= == =
= == =
0 y

y
e
y!

,
obtm-se, E(X) =

2. De acordo com a definio de varincia, tem-se:

V(X) = E(X
2
) [ E(X) ]
2
, onde j vimos que, [ E(X)]
2
=
2
, e,
E(X
2
) =


=

=

=

=

=
1 1
2
0
2
)! 1 ( )! 1 ( !
x
x
x
x x
x
x
e
x
x x
e
x
x
e
x


, fazendo y = x 1, tem-se:
E(X
2
) =


+ = + = +


=

=

=
+
2
0 0 0
1
! ! !
) 1 (
y
y
y
y
y
y
y
e
y
e
y
y
e
y
V(X) =
2
+ -
2
, assim V(X) = .

Se a varincia DP(X) =

69

Exemplo 3: Em mdia h duas chamadas por hora num certo telefone. Calcular a
probabilidade de se receber no mximo 3 chamadas em duas horas e a probabilidade de
nenhuma chamada em 90 minutos.

X= nmero de chamadas telefnicas em duas horas

Ento,
= 2 (nmero mdio chamadas por hora )
t = 2 horas
= t = 4 (nmero mdio chamadas em duas horas )
P(X 3) =

=

=
= = =
3
0
x 4 3
0 x
x!
4 e
) x P(X
x
0,4331

Y= nmero de chamadas telefnicas 90 minutos
Ento,
t = 90 minutos
= 2/60 ( nmero mdio de chamadas por minuto)
= t = 2/60 x 90 = 3 (nmero mdio chamadas em 90 minutos )

P(Y = 0) =
( )
! 0
3 e
0 3
= 0,0498
Exerccios:

1) Uma fbrica produz tecidos com mdia de 2,2 defeitos por jarda quadrada.
Determine as seguintes probabilidades:

a) no mais de 4 defeitos numa jarda quadrada; Resp.:0,9275

b) nenhum defeito em duas jardas quadradas; Resp.:0,0123

70

c) duas jardas quadradas cada uma com dois defeitos. Resp.: 0,0719


2) O nmero de petroleiros que chegam a uma refinaria em cada dia ocorre segundo
uma distribuio de Poisson, com = 2. As atuais instalaes podem atender, no
mximo, a 3 petroleiros por dia. Se mais de 3 aportarem num dia, o excesso
enviado a outro porto.

a) Em um dia, qual a probabilidade de se enviar petroleiros para outro porto? Resp.:
0,1431

b) De quanto devero ser aumentadas as instalaes para permitir atender a todos os
navios que chegarem pelo menos em 95% dos dias? Resp.: 2

c) Qual o nmero mdio de petroleiros que chegam por dia? Resp.: 2.


3 LISTA DE EXERCCIOS

1) Se X ~ B(n,p), sabendo-se que E(X) = 12 e
2
= 3, determinar:
a) n e) E(Z) e V(Z),onde Z = (X-12)/ 3
b) p f) P(Y 14/16), onde Y = X/n
c) P(X < 12) g) P(Y 12/16), onde Y = X/n
d) P(X 14)

2) Uma fileira de luzes de Natal contm 20 lmpadas ligadas em srie, isto , se uma
delas falha, toda a fileira falhar. Cada lmpada tem 0,02 de probabilidade de falhar
durante um perodo de 3 anos. As lmpadas falham independente umas das outras. Qual
a probabilidade de toda a fileira de lmpadas permanecer sem falhar durante trs anos?

3)O nmero de partculas radioativas emitidas por uma fonte segue distribuio de
Poisson com = 0,5 partculas por segundo. Determine a probabilidade de a fonte
emitir:
71

a) uma partcula em um segundo?
b) mais de uma partcula em um segundo?
c) uma partcula em trs segundos?
d) no mximo duas partculas em 3 segundos?
e) Uma chapa fotogrfica sensibilizada ao ser atingida por 3 ou mais partculas. Se 5
chapas so colocadas, uma aps outra, durante 2 segundos cada uma em frente fonte,
qual a probabilidade de exatamente uma delas ser sensibilizada?

4) Seja X o nmero de peas defeituosas sadas de certa linha de produo. Sabe-se
que, para determinado lote, X binomial com mdia 240 e varincia 48. Determine a
distribuio de probabilidade de X e a probabilidade do lote no conter nenhuma
pea defeituosa.

5) Um industrial fabrica peas, das quais 1/5 so defeituosas. Dois compradores, A e B,
classificaram as partidas adquiridas em categorias I e II, pagando 1,20 u.m. e 0,80 u.m.
respectivamente do seguinte modo:
Comprador A : retira uma amostra de 5 peas; se encontrar mais que uma defeituosa,
classifica como II.
Comprador B : retira uma amostra de 10 peas; se encontrar mais que duas defeituosa,
classifica como II.
Em mdia, qual comprador oferece maior lucro?

6) Numa via de mo nica que termina numa ponte , quer se estudar o trfego.
Encontra-se que esse volume de 120 veculos/hora, em mdia. Assume-se que a
chegada de veculos constitui um processo de Poisson. Ache a probabilidade de que:
a) num perodo de um minuto mais de trs veculos cheguem ao pedgio ;
b) em 3 minutos cheguem mais do que 1 veculo .

7) Numa linha adutora de gua, de 60 km de extenso , o nmero de vazamento no
perodo de um ms em mdia 4 . Qual a probabilidade de ocorrer, durante o ms,
pelo menos um vazamento num setor de 3 km de extenso?

8) Um fabricante afirma que apenas 5% de todas as vlvulas que produz tem
durao inferior a 20 h. Uma indstria compra semanalmente um grande lote de
vlvulas desse fabricante, mas sob a seguinte condio: ela aceita o lote se, em 10
72

vlvulas escolhidas ao acaso, no mximo uma tiver durao inferior a 20 horas; caso
contrrio o lote rejeitado.
a) Se o fabricante de fato tem razo, qual a probabilidade de um lote ser rejeitado?
b) Suponha agora que o fabricante esteja mentindo, isto , na verdade a proporo de
vlvulas com durao inferior a 20 h de 10%. Qual a probabilidade do lote ser aceito,
segundo o critrio acima?

9) Certa fbrica produz fusveis eltricos, dos quais 15% so defeituosos. Achar a
probabilidade de que, numa amostra de 10 fusveis selecionados ao acaso, tenhamos:
a) nenhum defeituoso.
b) pelo menos um defeituoso.
c) no mximo um defeituoso.

10) Um fabricante de peas de automveis garante que uma caixa de suas peas
conter no mximo duas defeituosas. Se a caixa contm 18 peas, e a experincia
tem demonstrado que este processo de fabricao produz 5% das peas defeituosas,
qual a probabilidade de que uma caixa satisfaa a garantia?

11) Certa companhia area chegou concluso de que 4% das pessoas que compram
passagens no comparecem ao embarque. De modo a obter maior aproveitamento
nas vendas, passou a adotar o critrio de vender 77 passagens para um vo com 75
lugares. Determine a probabilidade de que todas as pessoas que compaream
encontraro lugar no citado vo.

12) Em um certo tipo de fabricao de fita magntica, ocorrem cortes a uma taxa de
1 por 2.000 cm. Qual a probabilidade de que um rolo com 2.000cm tenha:
a) nenhum corte?
b) no mximo dois cortes?
c) pelo menos dois cortes?

13)Numa determinada estrada ocorrem em mdia 2 acidentes para cada 100km. Qual
a probabilidade de que :
a) em 250 km ocorram pelo menos 3 acidentes?
b) em 300 km ocorram 5 acidentes?

73

14)Uma fonte mineral contm um nmero mdio de quatro bactrias por cm
3
de gua.
Dez tubos de ensaio, de 1 cm
3
, so enchidos com este lquido. Supondo que a
distribuio de Poisson aplicvel, encontre a probabilidade:
a) De que todos os 10 tubos de ensaio apresentem bactrias, isto , contenham ao
menos uma bactria cada;
b) De que exatamente oito tubos de ensaio apresentem bactrias.

Gabarito (3 lista)

1) a) n = 16 e p=0,75 c) 0,3699 d) 0,1971 e) E(Z) = 0 e V(Z) = 1 f) 0,1971 g)
0,6301

2) 0,6676 3) a) 0,3033 b) 0,0902 c) 0,3347 d) 0,8088 e) 0,2873

4) n = 300 p=0,8
300 0
5
1
5
4
0
300
0) P(X
|

\
|
|

\
|
|
|

\
|
= =
5) Comprador A 6) a) 0,1429 b) 0,9826 7)0,1813 8) a) 0,0861 b) 1-0,2639

9) a) 0,1969 b) 0,8031 c) 0,5443 10) 0,9419 11) 0,8185

12) a) 0,3679 b) 0,9197 c) 0,2642 13) a) 0,8753 b) 0,1606

14) a) (0,9816) b) 0,16%
74

4.2. VARIVEIS ALEATRIAS CONTNUAS

4.2.1. Distribuio Normal (ou Gaussiana)

Existem vrias distribuies tericas que podem ser usadas para representar
fenmenos reais. Dentre estas, uma das mais importantes a distribuio normal. A
seguir faremos um breve estudo desta distribuio.
Importncia da distribuio normal:

1- Representa com boa aproximao as distribuies de freqncias observadas
de muitos fenmenos naturais e fsicos;
2- Distribuies importantes, como por exemplo a binomial e Poisson, podem
ser aproximadas pela normal, simplificando o clculo de probabilidades;
3- A distribuio amostral das mdias (e propores) em grandes amostras se
aproxima da distribuio normal, o que nos permite fazer estimaes e testes
estatsticos.

Uma varivel aleatria X, que assume valores em R, tem distribuio normal com
parmetros e
2
se sua funo de densidade probabilidade dada por:

0 e , x ,

x
2
1
exp
2
1
f(x)
2
2
> < < < <
(
(

\
|
=



Notao: X ~ N( ,
2
)

O histograma a seguir foi construdo a partir de dados provenientes de uma
distribuio normal. A curva desenhada sobre o histograma representa a funo
densidade de uma distribuio normal. Vemos que este grfico do tipo simtrico.

Grfico da funo densidade da distribuio normal com parmetros =10 e
2
=4
75


importante ressaltar a diferena que existe entre o histograma e a curva: o
histograma uma representao da distribuio dos elementos (dados) de uma amostra
extrada de uma populao, enquanto a curva representa a distribuio terica que
melhor se aproxima do histograma observado.

Propriedades:
a) E(X) = e V(X) =
2
( - desvio padro);
b) A curva normal simtrica com relao a sua mdia , ou seja:
f(+x) = f (- x) ;
P( - x X ) = P( X x+ );
P(X > ) = P (X < ) = 0,5.
c) A moda e a mediana de X so iguais a ;
d) A distncia entre e os pontos de inflexo da curva igual a ;

76



Exemplos de curvas da distribuio normal para diferentes valores dos
parmetros

mdias diferentes, desvios padro iguais ( = 10 cm)
0
0.005
0.01
0.015
0.02
0.025
0.03
0.035
0.04
0.045
123 130 137 144 151 158 165 172 179 186 193 200 207
altura (cm)
= 165
= 179

Distribuio Normal
N( , , , ,
2
)
-4 -3 -2 -1 0 1 2 3 4

+


mesma mdia, desvios padro distintos
0
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
128 132 136 140 144 148

Clculo das probabilidades de uma distribuio normal

A probabilidade de uma varivel
nmeros a e b (a < b) igual rea sob a curva no intervalo [a,b], isto ,
P(a < X < b) =
Esta probabilidade pode ser obtida atravs de uma transformao na varivel aleatria X
como veremos a seguir.

A distribuio normal possui um importante propriedade que permite que
qualquer varivel aleatria com esta distribuio possa ser transformada em uma outra
varivel com distribuio normal com parmetros
Teorema:
Se X ~ N ( ,
2
) ento a varivel transformada
N(0,1), isto ,
Portanto, ) ( a X P

77
mesma mdia, desvios padro distintos

= 172 cm
148 152 156 160 164 168 172 176 180 184 188 192 196 200 204 208
altura (cm)
= 12
= 7
= 5
Clculo das probabilidades de uma distribuio normal
A probabilidade de uma varivel aleatria normal X assumir valores entre dois
nmeros a e b (a < b) igual rea sob a curva no intervalo [a,b], isto ,
P(a < X < b) = dx

(
(

\
|

b
a
2
x
2
1
exp
2
1




Esta probabilidade pode ser obtida atravs de uma transformao na varivel aleatria X
A distribuio normal possui um importante propriedade que permite que
qualquer varivel aleatria com esta distribuio possa ser transformada em uma outra
varivel com distribuio normal com parmetros = 0 e
2
=1.
) ento a varivel transformada
( )


=
X
Z tem distribuio

) ( z Z P
a X
P = |

\
|

com
(
=
X
Z
208

aleatria normal X assumir valores entre dois
nmeros a e b (a < b) igual rea sob a curva no intervalo [a,b], isto ,
Esta probabilidade pode ser obtida atravs de uma transformao na varivel aleatria X
A distribuio normal possui um importante propriedade que permite que
qualquer varivel aleatria com esta distribuio possa ser transformada em uma outra
tem distribuio
)

X


As probabilidades para a distribuio normal (0,1) tambm
Padro ou Normal Padronizada esto tabeladas. Pelo exposto acima vemos que
atravs desta tabela podemos obter as probabilidades para qualquer outra distribuio
normal.
H vrios tipos de tabelas que nos fornece as probabilidades para a d
normal padro. Faremos uso do tipo que est em anexo. Essa tabela fornece a rea
sob a curva no intervalo de zero at o ponto z, isto , P(0
tabela so:
Na primeira coluna encontra
valor de z;
A primeira linha refere
As probabilidades so encontradas no cruzamento das linhas com as colunas.

Graficamente, a probabilidade fornecida pela tabela a seguinte:
A rea sombreada no grfico corresponde seguinte probabilidade:

Como a curva normal padro uma funo simtrica em relao 0:
f(z)=f (- z) ;
P(- z Z 0)= P(0
P(Z > 0 ) = P (Z < 0) = 0,5.

Exemplos de uso da tabela da distribuio normal

Calcule P(0 Z 0,51 )
78
As probabilidades para a distribuio normal (0,1) tambm chamada de Normal
Padro ou Normal Padronizada esto tabeladas. Pelo exposto acima vemos que
atravs desta tabela podemos obter as probabilidades para qualquer outra distribuio
H vrios tipos de tabelas que nos fornece as probabilidades para a d
normal padro. Faremos uso do tipo que est em anexo. Essa tabela fornece a rea
sob a curva no intervalo de zero at o ponto z, isto , P(0 Z z). Os elementos dessa
Na primeira coluna encontra-se a parte inteira e a primeira c
A primeira linha refere-se segunda casa decimal do valor de z;
As probabilidades so encontradas no cruzamento das linhas com as colunas.
Graficamente, a probabilidade fornecida pela tabela a seguinte:

A rea sombreada no grfico corresponde seguinte probabilidade:

Como a curva normal padro uma funo simtrica em relao 0:
0)= P(0 Z z );
P(Z > 0 ) = P (Z < 0) = 0,5.
Exemplos de uso da tabela da distribuio normal padro:
0,51 )
z 0
f(z)
chamada de Normal
Padro ou Normal Padronizada esto tabeladas. Pelo exposto acima vemos que
atravs desta tabela podemos obter as probabilidades para qualquer outra distribuio
H vrios tipos de tabelas que nos fornece as probabilidades para a distribuio
normal padro. Faremos uso do tipo que est em anexo. Essa tabela fornece a rea
z). Os elementos dessa
se a parte inteira e a primeira casa decimal do
;
As probabilidades so encontradas no cruzamento das linhas com as colunas.
Graficamente, a probabilidade fornecida pela tabela a seguinte:
A rea sombreada no grfico corresponde seguinte probabilidade:
Como a curva normal padro uma funo simtrica em relao 0:
79

A rea que representa esta probabilidade :




A seguir, como obter essa probabilidade na tabela da distribuio normal padro
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07
0.0 0.0000000 0.0039894 0.0079783 0.0119665 0.0159534 0.0199388 0.0239222 0.0279032
0.1 0.0398278 0.0437953 0.0477584 0.0517168 0.0556700 0.0596177 0.0635595 0.0674949
0.2 0.0792597 0.0831662 0.0870644 0.0909541 0.0948349 0.0987063 0.1025681 0.1064199
0.3 0.1179114 0.1217195 0.1255158 0.1293000 0.1330717 0.1368307 0.1405764 0.1443088
0.4 0.1554217 0.1590970 0.1627573 0.1664022 0.1700314 0.1736448 0.1772419 0.1808225
0.5 0.1914625 0.1949743 0.1984682 0.2019440 0.2054015 0.2088403 0.2122603 0.2156612
0.6 0.2257469 0.2290691 0.2323711 0.2356527 0.2389137 0.2421539 0.2453731 0.2485711
Calcule P(-2,35 Z 0)






80

Calcule P(-1 Z 1)
A rea que representa esta probabilidade :

Esta rea pode ser separada em duas subreas, que so:

P(-1 Z 1) = P(-1 Z 0) + P(0 Z 1) = 0, 3413 + 0, 3413 = 0, 6826

Calcule P(Z 1,62)








Esta rea pode ser pensada da seguinte forma :
e
81


P(Z 1,62) = 0,5 P(0 Z 1,62 ) = 0,5 0,4474 = 0,0526

Calcule P(1,03 Z 2,01 )

A rea que representa esta probabilidade :

Esta rea pode ser pensada da seguinte forma:

P(1,03 Z 2,01 ) = P(0 Z 2,01) - P(0 Z 1,03)

Determine z tal que P(0 Z z
0
) = 0,395


82

Para encontrar o ponto z
0
, que corresponda probabilidade P(0 Z z
0
) = 0,395,
procure no meio da tabela da curva normal padro o valor da rea exata ou o mais
prximo possvel da requerida. Neste caso, o ponto procurado 1,25. Logo, z
0
= 1,25

Exemplos:

1) Usando a tabela da normal padro podemos obter:
P(0 Z 1) = 0,3413
P(-2,55 Z 1,2) = 0, 4946+ 0,3849 = 0,8795
P(Z1,93) =0,5 0, 4732 = 0,0268

2) A caracterstica da qualidade de interesse, associada a um processo que est sob
controle estatstico, normalmente distribuda com mdia 100 e desvio padro 5. As
especificaes estabelecidas para esta caracterstica da qualidade so 95 10.
a) Qual e a proporo de no-conformidade referente a esta caracterstica?
b) Qual e a proporo de no-conformidade referente a esta caracterstica, se o
processo passasse a operar centrado no valor 95, chamado valor nominal da
especificao?

Resoluo:
a) P(X > 105) + P(X < 85) =
|

\
|
< + |

\
|
>
5
100 85
Z P
5
100 105
Z P =
= P(Z > 1) + P(Z < -3) =(0,5 - 0,3413) + (0,5 - 0,4987) = 0,1600

b) = 95
P(X > 105) + P(X < 85) =
|

\
|
< + |

\
|
>
5
95 85
Z P
5
95 105
Z P =
= P(Z > 2) + P(Z < -2) =2 (0,5 0,4772) = 0,0456




83

4.2.2. Distribuio Log-normal

Seja X uma varivel aleatria contnua com valores positivos. Dizemos que X
tem distribuio log-normal com parmetros e
2
, para < < e
2
> 0, se
a varivel Y = ln X normalmente distribuda com mdia e varincia
2
.
A funo de densidade de probabilidade de X dada por:
0 x para , e
2 x..
1
f(x)
2

lnx
2
1
-
> =
|

\
|

Propriedades:
( ) 1 e e V(X) 2)
e E(X) 1)
2
2
2


=
=
+
+


O histograma a seguir foi construdo a partir de dados provenientes de uma
distribuio log-normal. A curva desenhada sobre o histograma representa a funo
densidade de uma distribuio log-normal. Vemos que este grfico do tipo assimtrico
positivo.
Grfico da funo densidade da distribuio log-normal com parmetros =1 e
2
=0,2

84


Exemplo 3: Apenas para ilustrar a forma da distribuio log-normal, que
acentuadamente assimtrica positiva, supondo que a distribuio tem = 0 e = 1,
calcular a probabilidade da varivel aleatria X assumir um valor inferior a 2.

P(X < 2 ) = 0,7549 dx e
2 x
1
2

lnx
2
1
2
0
=
|

\
|

(Faa y = ln x)

Exemplo 4: Em uma srie de experincias verificou-se que os ganhos de corrente de
certos transistores (os quais so proporcionais ao logaritmo neperiano de
E
S
I
I
, relao
das intensidades de corrente de sada e de entrada) seguem distribuio normal com
parmteros 2 e 0,01. Qual a probabilidade de que tenhamos
E
S
I
I
entre 6,1 e 8,2?

Soluo:
Como o ganho de corrente se mede com unidades tais que se igualam a ln
|
|

\
|
E
S
I
I
e se os
ganhos seguem uma distribuio normal ento
E
S
I
I
segue a distribuio log-normal.
Da, 823401 , 0 472571 , 0 350830 , 0 2 , 8
I
I
1 , 6
E
S
= + =
|
|

\
|
P

4.2.3. Distribuio Exponencial

Esta distribuio bastante utilizada na teoria da confiabilidade para modelar os
tempos de espera entre ocorrncias de eventos em um Processo de Poisson. Em geral
este modelo probabilstico tambm utilizado para modelar tempo de espera em uma
fila, tempo de sobrevivncia de um grupo de pacientes aps o incio de um tratamento e
tempo de vida de material eletrnico.
O histograma a seguir foi construdo a partir de dados provenientes de uma
distribuio exponencial. A curva desenhada sobre o histograma representa a funo
densidade de uma distribuio exponencial. Vemos que este grfico do tipo
assimtrico positivo.

Grfico da funo densidade da Distribuio exponencial com parmetro =1000
85


Uma varivel aleatria contnua X, que assume valores no-negativos, ter uma
distribuio exponencial com parmetro > 0, se sua fdp for dada por:

contrrio caso , 0
0 x ,
1
) f(x
x
1

e

Notao: X ~ exp( )

Propriedades:
a) A funo de distribuio dada por:
F(x) = P(X x) =


<
=

0 x , 1
0 x , 0
ds
1
x
0
x
1

x
e
e
Portanto, P(X > x ) = e
-(1/)x


b) E(X) =

0
x
1
dx
1
x e
c) V(X) = E(X
2
) E
2
(X) =
2 2 2
2 = em que E(X
2
) = . dx
1
x
2
0
x
1
2

e
86

d) P( X > s + t | X > s) =
t
1
- -
s
1
-
t) s (
1
e
e
e
s) P(X
) t s P(X
s) P(X
s) X e t s P(X

= =
>
+ >
=
>
> + >
+
para
quaisquer s, t > 0

Este ltimo resultado mostra que a distribuio exponencial apresenta a
propriedade de no possuir memria. Isto significa que a probabilidade de
sobreviver mais t unidades de tempo a mesma, quer j se tenham passado s unidades
de tempo, ou 0 unidades. Ou seja, no h envelhecimento. Esta hiptese
frequentemente razovel para a vida de materiais eletrnicos.

Exemplo 5: Uma lmpada tem a durao de acordo com a densidade exponencial com
=1000.

Determinar:
a) a probabilidade de que essa lmpada queime antes de 1.000 horas;
b) a probabilidade de que ela queime depois de sua durao mdia;
c) a varincia da distribuio do tempo de durao dessa lmpada.

Resoluo: Seja T o tempo de durao da lmpada.
a) P( T < 1.000) = = =


1 -
1000
0
t
1000
1

e - 1 dt e
1000
1
1 - 0,3679 = 0, 6321
b) P( T > 1000) = 0,3679
c) V(T) = (1000)
2


4.2.4. Distribuio Gama

A distribuio gama tem aplicao em Teoria de Confiabilidade.
O histograma a seguir foi construdo a partir de dados provenientes de uma
distribuio gama. A curva desenhada sobre o histograma representa a funo densidade
desta distribuio que tambm do tipo assimtrico positivo.



87

Grfico da funo densidade da distribuio gama com parmetros r=2 e =3

Uma varivel aleatria contnua X, que assume valores no-negativos, ter uma
distribuio gama com parmetros > 0 e r >0, se sua fdp for dada por:
( )

contrrio caso , 0
0 x , x) (
r
1
) f(x
x/ 1 - r

>
=

e
r

Na densidade acima, o smbolo denota a funo gama, que dada por:
( )


> =
0
x 1 p
0. k para definida dx, e x k
Pode-se mostrar que se p for um nmero inteiro positivo, obtm-se que (k) = (k-1)!

Notao: X ~ gama(r, )

Propriedades:
a) Se r=1 tem-se f(x) =

x
1

e que a densidade de uma distribuio exponencial.
Portanto, a distribuio exponencial um caso particular da distribuio gama.
88

b) E(X) =r;
c) V(X) = r
2

d) Um caso particular, muito importante, da distribuio gama ser obtido se r =
n/2 e = 2, em que n um inteiro positivo. Esta distribuio denominada qui-
quadrado com n graus de liberdade.

Exemplo 6: Em certa cidade o consumo dirio de gua (em milhes de litros) segue
aproximadamente uma distribuio Gama (2,3). Se a capacidade diria para essa cidade
de 9 milhes de litros de gua, qual a probabilidade que em um certo dia o
fornecimento de gua seja inadequado?

Resoluo:
X: Consumo dirio de gua em milhes de litros

P(X > 9) =
( )
0,1992 dx e x
2 3
1
3
x
1 2
9
2
=


Obs.: Esta integral deve ser resolvida por partes, lembrando tambm que (n) = (n-1)!
para n inteiro positivo.

4.2.5. Distribuio Weibull

A distribuio Weibull tem uma aplicao importante em Teoria de
Confiabilidade.
O histograma a seguir foi construdo a partir de dados provenientes de uma
distribuio Weibull. A curva desenhada sobre o histograma representa a funo
densidade desta distribuio, que tambm do tipo assimtrico positivo.

Grfico da funo densidade da Distribuio Weibull com parmetros =2 e =2
89


Uma varivel aleatria contnua X, que assume valores no-negativos, ter uma
distribuio Weibull com parmetros > 0 e > 0, se sua fdp for dada por:

contrrio caso , 0
0 x ,

x
exp x
) f(x
1 -

\
|



Propriedades:
a) E(X) =
|
|

\
|
+ 1
1


b) V(X) =

|
|

\
|
+
|
|

\
|
+
2
2
1
1
1
2



c)

\
|

=
0 x

x
exp - 1
0 x 0,
F(x)



x
f
(
x
)
0 1 2 3 4
0
.
0
0
.
1
0
.
2
0
.
3
0
.
4
90

d) Se =1 tem-se

x
e x f

=
1
) ( . Portanto, a distribuio exponencial um caso
particular da distribuio Weibull.

Exemplo 7: O tempo de vida, em horas, de um componente eletrnico segue a
distribuio Weibull com = 0,4 e = 0,5.
a) Qual a vida mdia?
b) Calcule a varincia do tempo de vida desse componente.
c) Qual a probabilidade do tempo de vida desse componente ultrapassar 30 horas?

Resoluo:
T: tempo de vida do componente eletrnico em horas
a) E(T) = ( ) 8 , 0 3 ) 4 , 0 ( =
b) V(T) = ( ) [ ] { } 8 3 ) 5 ( ) 4 , 0 (
2
=

c) P( T > 30 ) =

\
|

5 , 0
0,4
30
exp = 0,8909


4.3. INTRODUO TEORIA DA CONFIABILIDADE

4.3.1. Conceitos

Considere que um componente ser observado sob condies de esforo, desde
o instante t=0 at que pare de funcionar adequadamente sob o esforo aplicado. A
durao at falhar ou durao da vida pode ser considerada como uma varivel aleatria
contnua T com alguma funo densidade de probabilidade f(t).
Alguns exemplos deste tipo de experimento so: observar uma lmpada at que
queime, uma viga sob uma carga at a ruptura, um fusvel intercalado em um circuito ou
um dispositivo eletrnico posto em servio at que falhe.

91

Definio 1.
A confiabilidade de um componente na poca t, denotada por R(t), definida
como
R(t) = P(T > t),
em que T a durao da vida do componente. R denominada funo de
confiabilidade.

Esta definio simplesmente afirma que a confiabilidade de um componente
igual probabilidade de que o componente no falhe durante o intervalo [0, t].
Em termos da funo densidade de T, temos:

t
ds f(s) R(t)
Para a funo de distribuio acumulada temos:
F(t) - 1 t) T P( - 1 R(t) = =
O conceito de confiabilidade um dos mais importantes para um estudo dos
modelos de falhas. Estudaremos as seguintes questes:
a) Que lei de falhas subjacente ser razovel admitir, isto , que forma a
funo densidade de T deve ter ?
b) Suponha-se que temos dois componentes, C1 e C2, com leis de falhas
conhecidas. Esses componentes podem estar associados em srie



Ou em paralelo,






C
1
C
2

C
1

C
2
92


para constituir um sistema. Qual ser a confiabilidade do sistema? Qual a densidade
razovel para a descrio do fenmeno de interesse?
Abaixo descreveremos os modelos mais usuais utilizados para descrever falhas
de componentes.


4.3.2. A lei de falhas exponencial

Ao estudarmos a distribuio exponencial vimos que a propriedade de falta de
memria caracterstica da mesma. A hiptese subjacente para a utilizao deste
modelo de falhas , portanto, de que no haja desgaste do componente ou pea. Isto
significa que mesmo depois que a pea estiver em uso sua probabilidade de falhar no
se altera com o passar do tempo.
Uma consequncia desta suposio , que a fdp da varivel aleatria associada
durao at falhar, T, ser dada por: 0 t e
1
f(t)
t
1
-
=

(distribuio exponencial).
bastante razovel admitir-se que um fusvel ou rolamento de rubis sejam to
bons quanto novos, enquanto estiverem ainda funcionando. Isto , se o fusvel no
tiver fundido, estar praticamente em estado novo; nem o rolamento se alterar muito
devido a desgaste. Em casos, tais como esses, a lei de falhas exponencial representa um
modelo adequado com o qual se estudem as caractersticas de falhas da pea. Entretanto
existem situaes em que a exponencial no satisfatria, por exemplo, se um pedao
de ao for submetido a esforo continuado, haver obviamente alguma deteriorao.
Paul Meyer

Exemplo 8: (Meyer, 1983)
Seja um componente eletrnico que segue a lei de falhas exponencial. Dados os
parmetros
= 100 e R(t) = 0,90, determine o valor de t, nmero de horas.

0,90=e
-0,01t
t = 10,54 horas

Logo, se cada um de 100 desses componentes estiver operando durante 10,54 horas,
aproximadamente 90 no falharo durante aquele perodo.

Exemplo 9: (Meyer, 1983)
Considere um circuito eletrnico constitudo de 4 transistores de silcio, 10 dodos de
silcio, 20 resistores sintticos e 10 capacitores cermicos, operando em srie contnua e
os componentes so independentes. Suponha que sob certas condies de trabalho, isto
, tenso, corrente e temperatura prescritas, cada uma dessas peas siga a lei de falhas
exponencial com os seguintes parmetros:
diodos de silcio: 1/0,000002
transistores de silcio: 1/0,000010
resistores sintticos: 1/0,000001
capacitores cermicos: 1/0,000002
93


Qual a confiabilidade do sistema para t = 10 horas?

Resoluo:
Para componentes independentes ligados em srie temos que a confiabilidade do
sistema o produto das confiabilidades individuais dos componentes. Portanto,
R(t) = (e
-t.0,000002
)
10
. (e
-t.0,00001
)
4
(e
-t.0,000001
)
20
. (e
-t.0,000002
)
10
= e
-0,000 1t

Assim, para um perodo de 10 horas de operao, a probabilidade de que o
circuito no falhe ser dada por e
-0,0001(10)
= 0,999. A durao at falhar esperada do
circuito igual a 1/0,0001 = 10.000 horas.

Exemplo 10: (Meyer,1983)
Suponhamos que trs unidades sejam operadas em paralelo. Admita-se que todas sigam
a lei de falhas exponencial com o parmetro = 100. Qual a confiabilidade do sistema?

Resoluo:

Para a unidade isolada, R
1
(t) = e
-(1/)t
, enquanto para as trs unidades em paralelo,
R
2
(t) = 1 (1 e
-(1/)t
)
3
.

Tabela: Confiabilidade para trs unidades operando em paralelo, taxa de falhas
constante = 100
T t/ e
-(1/)t
R
1
(t) 1-e
-(1/)t
(1-e
-(1/)t
)
3
R
2
(t)
10 0,10 0,9048 0,9048 0,0952 0,0009 0,9991
50 0,50 0,6065 0,6065 0,3935 0,0609 0,9391
100 1,00 0,3679 0,3679 0,6321 0,2526 0,7474
150 1,50 0,2231 0,2231 0,7769 0,4689 0,5311
200 2,00 0,1353 0,1353 0,8647 0,6465 0,3535
250 2,50 0,0821 0,0821 0,9179 0,7734 0,2266
300 3,00 0,0498 0,0498 0,9502 0,8580 0,1420
350 3,50 0,0302 0,0302 0,9698 0,9121 0,0879
400 4,00 0,0183 0,0183 0,9817 0,9461 0,0539

94

No grfico a seguir vemos as curvas de confiabilidade para a unidade isolada e,
tambm, para trs unidades em paralelo. Note que a curva de confiabilidade para as trs
unidades em paralelo est sempre acima, mostrando que a ligao de componentes em
paralelo tem sempre maior confiabilidade do que quando utilizamos um nico
componente.

4.3.3. A lei de falhas Weibull

A distribuio de Weibull representa um modelo adequado para uma lei de
falhas, sempre que o sistema for composto de vrios componentes e a falha seja devida
mais grave imperfeio ou irregularidade dentre um grande nmero de imperfeies
do sistema.
Seja T o tempo at a falha de um componente, com fdp dada por:

contrario caso , 0
0 0, 0, t ,

t
exp t
) f(t
1 -

> >

\
|


J vimos que esta a densidade de Weibull com parmetros e .
A funo de confiabilidade R dada por R(t) =

t
exp

\
|

, que uma funo


decrescente de t.

Exemplo 9: Dois dispositivos eletrnicos com lei de falhas Weibull, com parmetros
respectivamente:
1
= 1000,
1
=2 ;
2
=1200,
2
=3, so ligados em paralelo formando um
nico sistema com funcionamento independente. Determinar:
a) a confiabilidade de cada um dos dispositivos aps 1000h;
b) a confiabilidade do sistema.

95

Resoluo:

a) R
1
(t) =
2
1000
1000
|

\
|

e = e
-1
= 0,3679
R
2
(t) =
3
1200
1000
|

\
|

e =
3
6
5
|

\
|

e =0,5606

b) R(t) = e
-1
+
3
6
5
|

\
|

e -
|
|

\
|
|

\
|

3
6
5
1
.e e = 0,7223

H vrias outras maneiras de combinar componentes, e apenas selecionamos
algumas delas:


(c) Sistema de reserva. Consideramos dois componentes, o segundo dos quais
fica de reserva e funciona se, e somente se, o primeiro componente falhar. Neste caso,
o segundo componente arranca (instantaneamente) e funciona no lugar do primeiro
componente.

Exerccios:
1. Testes para medir a durao de aparelhos eletrodomsticos mostram que o modelo
adequado o normal com = 26.000 horas e = 4.000 horas. Pede-se a probabilidade
de que um aparelho escolhido ao acaso dure:
96

a) mais que 25.000 horas;
b) menos que 30.000 horas;
c) sabe-se que se um defeito aparecer dentro do tempo de garantia a fbrica deve
consert-lo, tendo assim um prejuzo. Qual deve ser a garantia para que a
porcentagem de aparelhos consertados dentro da garantia seja inferior a 10%?
d) Quanto espera o fabricante ganhar por produto se o custo de fabricao A u.m., o
preo de venda B u.m. e o custo do conserto, quando dentro da garantia ( veja item
c) C u.m.?

2) O nmero de pedidos para compra de certo produto que uma companhia recebe por
semana distribui-se normalmente com mdia de 150 unidades e desvio padro de 30
unidades. Se em uma semana o estoque disponvel de 180 unidades, qual a
probabilidade de que os pedidos sejam atendidos? Qual deveria ser o estoque para
que, com probabilidade de 0,97 pudssemos atender aos pedidos?

3) O tempo que uma pessoa leva para ser servida numa lanchonete uma varivel
aleatria tendo distribuio exponencial com mdia de 4 minutos. Qual a
probabilidade que uma pessoa seja servida em menos do que 3 minutos em ao
menos 4 dos prximos 6 dias?

4) Suponha que um sistema contm certo tipo de componente cujo tempo de vida em
anos at falhar dado pela varivel aleatria T distribuda aleatoriamente com
parmetro = 5. Se cinco desses componentes so instalados em diferentes
sistemas, qual a probabilidade que ao menos dois estejam funcionando ao fim de 8
anos?

5) Sabe-se que a varivel aleatria T (durao de um componente) segue o modelo
Weibull com = 5.000 e = 0,7. Ache t para que R(t) = 0,80 e R(500).

4 LISTA DE EXERCCIOS
1) Seja Z uma varivel aleatria com distribuio normal padro. Determine o valor de
z:
a) P(Z<z)=0,09
b) P(-1,71<Z<z)=0,25
c) P(-z<Z<z)= 0,90
d) P(-z<Z<z)= 0,99

97

2) Sejam z1 e z2, simtricos, dois particulares valores de Z. Determine-os tais que:
a) P ( z
1
Zz
2
) = 0,9216
b) P ( z
1
Z z
2
) = 0,8858
3) Suponha que as amplitudes de vida de dois aparelhos eltricos, D
1
e D
2
, tenham
distribuio N(42,36) e N(45,9), respectivamente. Se o aparelho e para ser usado por
perodo de 45 horas, qual aparelho deve ser preferido?

3) Uma enchedora automtica de garrafas de refrigerante esta regulada para que o
volume mdio de liquido em cada garrafa seja de 1.000 cm
3
e o desvio padro de 10
cm
3
. Pode-se admitir que a distribuio da varivel seja normal.
a) Qual a probabilidade de garrafas em que o volume de liquido e menor que 990 cm
3
?
b) Qual a probabilidade de garrafas em que o volume de liquido no se desvia da
mdia em mais que dois desvios padro?

4) Uma empresa produz televisores e garante a restituio da quantia paga se qualquer
televisor apresentar algum defeito grave no prazo de 6 meses. Ela produz televisores
do tipo A comum e do tipo B luxo, com um lucro respectivo de 1.000 u.m. e 2.000
u.m. caso no haja restituio, e com um prejuzo de 3.000 u.m. e 8.000 u.m. se
houver restituio. Suponha que o tempo para a ocorrncia de algum defeito grave
seja, em ambos os casos, uma varivel aleatria com distribuio normal,
respectivamente, com medias 9 meses e 12 meses, e varincias 4 meses
2
e 9 meses
2
.
Se tivesse que planejar uma estratgia de marketing para a empresa, voc
incentivaria as vendas dos aparelhos do tipo A ou do tipo B?

5) Suponha que o dimetro mdio dos parafusos produzidos por uma fabrica de 0,25
polegadas e o desvio padro 0,02 polegadas. Um parafuso considerado defeituoso
se seu dimetro maior que 0,28 polegadas ou menor que 0,20 polegadas. Suponha
distribuio normal.
a) encontre a probabilidade de parafusos defeituosos; qual deve ser a medida mnima
para que tenhamos no mximo 12% de parafusos defeituosos.

7) A durao de certos tipos de amortecedores, em km rodados normalmente
distribuda, possui durao mdia de 5000 km e desvio-padro de 1000 km
a) Qual a probabilidade de um amortecedor escolhido ao acaso durar entre 4500 e 6350
km?
b) Se o fabricante desejasse fixar uma garantia de quilometragem, de tal forma que se a
durao do amortecedor fosse inferior a garantia, o amortecedor seria trocado, de quanto
deveria ser esta garantia para que somente 1% dos amortecedores fossem trocados?

98

8) Suponha que T, a durao ate falhar de uma peca, seja normalmente distribuda
com E(T) = 90 horas e desvio padro 5 horas. Quantas horas de operao devem ser
consideradas, a fim de se achar uma confiabilidade de 0,90.

9) Suponha que a durao de vida de um dispositivo eletrnico seja
exponencialmente distribuda. Sabe-se que a confiabilidade desse dispositivo para
um perodo de 100 horas de operao de 0,90. Quantas horas de operao devem
ser levadas em conta para conseguir-se uma confiabilidade de 0,95?

10) A durao de vida de um satlite uma varivel aleatria exponencialmente
distribuda, com durao de vida esperada igual a 1,5 anos. Se trs desses satlites
forem lanados simultaneamente, qual ser a probabilidade de que ao menos dois deles
ainda venham a estar em rbita depois de 2 anos?

11) Suponha que n componentes, que funcionem independentemente, sejam ligados
em srie. Admita que a durao at falhar, de cada componente, seja normalmente
distribuda, com esperana de 50 horas e desvio padro de 5 horas.
a) se n=4, qual ser a probabilidade de que o sistema ainda esteja a funcionar depois
de 52 horas de operao?
b) se n componentes forem instalados em paralelo, qual dever ser o valor de n, para
que a probabilidade de falhar durante as primeiras 55 horas seja aproximadamente
igual a 0,01?

12) Estudos meteorolgicos indicam que a precipitao pluviomtrica mensal em
perodos de seca numa certa regio pode ser considerada como seguindo a distribuio
Normal de mdia 30mm e varincia 16mm
2
.
a) Qual a probabilidade de que a precipitao pluviomtrica mensal no perodo da
seca esteja entre 24mm e 38mm?
b) Qual seria o valor da precipitao pluviomtrica de modo que exista apenas 10%
de chance de haver uma precipitao inferior a esse valor?
c) Construa um intervalo central em torno da mdia que contenha 80% dos possveis
valores de precipitao pluviomtrica.

13) Se a altura de 300 estudantes so normalmente distribuda com mdia igual a
172,72cm e varincia 49,5cm
2
, determine:
a) quantos estudantes tm altura superior a 182,88cm;
b) qual a altura que separa os estudantes em dois grupos de forma que um deles seja
formado pelos 30% mais altos.
99


14) Suponha que as notas de um vestibular tenham distribuio normal com mdia 60 e
desvio-padro de 15 pontos.
a) se voc prestou este vestibular e obteve nota igual a 80 pontos, qual a sua posio em
termos de unidades de desvios padro, com relao a mdia das notas?
b) Se foram considerados aprovados os candidatos que obtiveram nota mnima
correspondente a 1 desvio padro acima da mdia, qual a nota mnima de aprovao na
escala original?

15) Em uma fbrica de chocolate verifica-se que os bombons so acondicionados
automaticamente em caixas com aproximadamente 1 Kg. Verifica-se que 25,14% das
caixas tem peso inferior a 1 Kg. A mquina de acondicionamento foi regulada
aumentando-se o peso mdio da caixa de 3g e verificou-se ento que a porcentagem
com peso inferior a 1 Kg foi de 12,5%. Admitir distribuio normal.
a) Calcular a mdia e o desvio-padro
b) De quanto deve ser novamente aumentado o peso mdio para que essa porcentagem
caia para 4%?

16) Experimentam-se trs elementos que trabalham independentemente entre si. A
durao de trabalho sem falhas dos elementos tem respectivamente para o 1
o
., 2
o
e 3
o
. as
seguintes funes densidades:
t -0.1
1
e 1 . 0 ) ( = t f
t -0.2
2
e 2 . 0 ) ( = t f
t -0.3
3
e 3 . 0 ) ( = t f
Ache a probabilidade que no intervalo de tempo (0, 10)
i. Falhe ao menos um elemento
ii. Falhem no menos que dois elementos

17) Um componente eletrnico tem distribuio exponencial, com mdia de 50 horas.
Suposta uma produo de 10 000 unidades, quanto deles espera-se que durem entre 45 e
55 horas?

18) O tempo de vida de certo dispositivo eletrnico de 4.000 h e segue uma
distribuio exponencial. Determine a probabilidade de que:
a) um dispositivo esteja funcionando no final de 2.000 h, dado que est funcionando no
final de 1.000 h;
100

b) num conjunto de 4 dispositivos, somente um queime antes de 3.000 h de
funcionamento.

19) Dois dispositivos eletrnicos com lei de falhas exponencial com mdia
respectivamente 5h e 10 h so ligados em paralelos formando um nico sistema e
funcionando independentemente. Determinar:
a) A confiabilidade de cada um dos dispositivos aps 20 horas;
b) A confiabilidade do sistema todo aps 20 horas;

20) Encontrou-se num certo processo de triturao de pedras que os dimetros D das
pedras quebradas seguem aproximadamente uma distribuio log-normal com mdia 1,5
cm e desvio padro 0,3 cm.
a) Qual a probabilidade de uma pedra exceder 2 cm?
b) Qual a probabilidade de uma pedra ser menor que 1 cm?

21) Trs componentes, que funcionam independentemente, so ligados em um sistema
nico, como est indicado a figura abaixo. Suponha que a confiabilidade de cada um
dos componentes, para um perodo de operao de t horas seja R(t) = e
0.03 t
.Se T for a
durao at falhar do sistema completo (em horas), qual ser a confiabilidade do
sistema?




22) Determine a probabilidade de trabalho sem falha de uma pea no decorrer de 1000h
se a confiabilidade da mesma est subordinada a distribuio gama com r =4 e
=1/1000h.

23) Sabe-se que T, tempo de operao sem falhas de um componente segue a
distribuio de Weibull.
a) Se = 2000,

= 0,5 determine R(22), E(T) e V(T).
b) Se = 1/2000, = 1,5 determine t para que R(t) = 0,90.

C1
C2
C3
101

24) Seja X uma varivel aleatria com distribuio Weibull com =200 e =3.
a) Determine os quartis de X
b) Suponha que X represente o tempo de vida de um componente. Determine a
confiabilidade desse componente para 50 horas.
c) Determine a probabilidade de que o componente dure mais que 250 horas, uma vez
que j esteja em funcionamento por 200 horas.
d) Determine a durao esperada do componente. Use os seguintes fatos: (1,3) =
0,8975.

25) Sabe-se que o tempo de falha (em anos) de certo transistor tem distribuio
exponencial com =20 anos.
a) que proporo desse transistor sobreviver a 6 anos de uso?
b) qual o tempo mediano de vida?
c) este transistor ser utilizado em um produto cujo fabricante ir estipular certo perodo
de garantia. Qual tempo de garantia passvel de ser estipulado, caso o fabricante
concorde em arcar com o custo de no mximo 5% de falhas neste perodo?
d) se o fabricante desejar estipular um perodo de garantia de 2 anos, qual a proporo
esperada de falhas associadas ao transistor neste perodo?

26) A densidade do tempo de falha para um pequeno sistema de computador tem
distribuio de Weibull, com =1/4 e =200.
a) Que proporo dessas unidades sobreviver a 1000 horas de uso?
b) Qual o tempo mdio de falha?



Gabarito (4 lista)

1) a)-1,34 b) -0,54 c) 1,64 d) 2,58 2) a) -1,76 e 1,76 b) -1,58 e 1,58
102


3) D2 4) a) 0,1587 b) 0,9545 5) Tipo B 6) a) 0,072 b) 0,2178

6) a) 0,60295 b) 2670 km 8) 83,6 horas 9) 51,29 horas 10)
0,1719

11) a) 0,014 b) 27 12) a) 0,9104 b) 24,88 c) [24,88 ; 35,12]

13) a) 22 b) 176,41 14) a) 1,333 b) 75

15) a) mdia=1,0042Kg e desvio=0,0063 Kg b) 0,006825g

16) a) 0,9975 b) 0,9301 17) a) 737 18) a) 0,7788 b) 0,2224

19) a) =1/10; 0,135 e =1/5; 0,0183 b) 0,1512

20) a) 6,2% b) 2,6% 21) 2e
-0,06t
e
-0,09t
22) 0,981

23) a) R(22)= 0,9004 ; E(T)= 4000 horas ; V(T)=80000000 horas b) 446,15 horas

24) a) Q
1
=132,03 Q
2
=176,99 Q
3
=223,01 b)0,9845 c)0,3855 d)179,5

25) a ) 0,7408 b ) 13,86 anos c ) aprox. 1 ano d) 0,0952

26) a) 0,2242 b ) 4800






REFERNCIAS BIBLIOGRFICAS

MEYER, Paul L. Probabilidade : aplicaes estatstica. 2. ed. Rio de Janeiro: Livros
103

Tcnicos e Cientficos, 1983. 426.

MONTGOMERY, Douglas C.; RUNGER, George C.; HUBELE, Norma Faris.
Estatstica aplicada engenharia. Rio de Janeiro: LTC, 2004. 335 p.

MORETTIN, Pedro Alberto; BUSSAB, Wilton de Oliveira. Estatstica bsica. 5. ed.
So Paulo: Saraiva, 2006. 526 p.

104