Isabel Cristina Gomes

APOSTILA DE PROBABILIDADE

Universidade Federal de Minas Gerais Departamento de Estatística Belo Horizonte − MG 2012

CONTEÚDO

Probabilidade

Conteúdo
1 Fundamentos
1.1 Operações básicas de conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2 Exercícios: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1 Exercícios: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1 Exercícios: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1 Denição: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2 Regra do produto de probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3 Exercícios: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.1 Exercícios: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.1 Partição do espaço amostral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.2 Denição: Teorema da Probabilidade Total . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.3 Exercícios: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.1 Exercícios: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.1 8.2 8.3 8.4 9.1 9.2 9.3 9.4 Função discreta de probabilidade . . . . . . . . . . . Função de distribuição de probabilidade . . . . . . . Média e variância de uma variável aleatória discreta Exercícios: . . . . . . . . . . . . . . . . . . . . . . . . Função de densidade de probabilidade . . . . . . . . Função de distribuição acumulada . . . . . . . . . . Média e variância de uma variável aleatória contínua Exercícios: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3

4 5 7 8

2 Denição

6 7

3 Regra da adição de probabilidades 4 Probabilidade condicional

9 9 10

9

5 Independência de eventos

10

11

6 Teorema da Probabilidade Total

11
11 11 12 12

7 Teorema de Bayes

12 13

8 Variáveis aleatórias discretas

13 14 15 16 16 17 18 18

9 Variáveis aleatórias contínuas

16

10 A distribuição Normal

10.1 A tabela Normal Padrão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10.2 Teorema Central do Limite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10.3 Exercícios: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

19
20 22 23

11 Referências

23

2

é o conjunto de todos os resultados possíveis de um experimento aleatório. nos quais mesmo que as condições de ocorrência tenham sido xadas. 3. Sair face par e ímpar ao mesmo tempo em um único lançamento de um dado.: Espaço amostral: Denotado pela letra grega Ω (ômega). os experimentos têm um componente de acaso.: Sair face 4 no lançamento de um dado. O resultado de uma observação não tem efeito sobre o resultado de outra e têm um padrão de comportamento previsível a longo prazo.: Sair face par ou ímpar no lançamento de um dado. a probabilidade é a teoria matemática utilizada para se estudar a incerteza oriunda de fenômenos de caráter aleatório. 5. os resultados não são previsíveis. Espaço amostral: Ω = {0.: Experimento: Contar o no de lhos de famílias de um determinado bairro.}. 1.: Experimento: Lançamento de uma moeda. • O número de gols em uma partida de futebol. são denotados por letras maiúsculas A. • • • Ex. Evento A: Sair cara no lançamento da moeda. 6}. 4. A = {cara} Ex. Resultados possíveis: 1. uma moeda. Evento: são os subconjuntos de Ω.: Ex. a altura de um aluno sorteado casualmente na sala de aula. 3 . 5.. ou ainda se clicar sobre um ícone em um computador.: Ex. Ex. B. 3. Eventos especiais: • Evento simples: É um resultado ou um evento que não pode mais ser decomposto em compo- nentes mais simples.: Experimento: Contar o no de lhos de famílias de um determinado bairro. O conjunto vazio é denotado por ∅. .Probabilidade 1 Fundamentos Alguns experimentos são determinísticos. desde que tenham sido xadas as condições em que eles ocorrem.. Resultados possíveis: de 0 a 50. ¯ Experimento: Lançamento de um dado. 2. Ex. 3. . 2. • • • Ex. 6}. Ex. sabendo o lado de um quadrado. face observada no lançamento de um dado.: Experimento: Lançamento de uma moeda. saberá que função ele irá desempenhar. c}. Evento B: Sair uma face par do dado. 2}.. Vejamos a seguir alguns conceitos importantes: Experimentos aleatórios: são experimentos cujos resultados não podem ser previstos com certeza. 4. isto é. Espaço amostral: Ω = {1. um resultado ou um conjunto de resultados do experimento aleatório. 6. face observada no lançamento de uma moeda. Evento C: ter no máximo 2 lhos. na geometria. C = {0. Como já foi dito neste curso. a área estará determinada. sair coroa no lançamento de Ex. Ex. 1. Resultados possíveis: cara (c) ou coroa (¯). produzem os mesmos resultados. 4. a taxa de inação no mês de abril. Existem também os experimentos probabilísticos. Ou seja. B = {2. 2.. c Espaço amostral: Ω = {c. Experimento: Lançamento de um dado.. • Evento Certo: É o evento que sempre ocorre. Por exemplo.: • Evento impossível (Notação: ∅): É o evento que nunca ocorre.

4 .: Experimento: Lançamento de uma moeda. Se denimos por A: ocorrência de cara e B: ocorrência de coroa. • a união de qualquer evento com o conjunto vazio será o próprio evento.1 Operações básicas de conjuntos Probabilidade 1. ¯ Ex. 3. • • • Ex.: • Experimento: Lançamento de um dado. A B Intersecção Observemos que.: • Experimento: Contar o no de lhos de famílias de um determinado bairro. A B União Intersecção. C ∩ D = 4. 4. Se denimos E: ter menos de dois lhos e F: ter entre 1 e 5 lhos. sabendo que Ω e ∅ são também eventos por serem subconjuntos do espaço amostral: • a união de qualquer evento com o espaço amostral será o próprio espaço amostral. 5}. D: ocorrência da face 4 no lançamento. A intersecção de dois eventos A e B. E ∪ F = {0. 6}. denotada por A ∩ B . c}. é o evento que consiste em todos os resultados que estão contidos nos dois eventos.: Ex. 2. denotada por A ∪ B . 4. • a intersecção de qualquer evento com o espaço amostral será o próprio evento. • a intersecção de qualquer evento com o conjunto vazio será o conjunto vazio. é a ocorrência simultânea de A e B. teremos C ∪ D = {2.: Ex. União. Experimento: Lançamento de um dado. Ex. 1. ou seja. simultaneamente. A ∩ B = ∅. representa a ocorrência de pelo menos um dos eventos A ou B. Experimento: Contar o no de lhos de famílias de um determinado bairro. • Experimento: Lançamento de uma moeda. 2}.: Ex. é o evento que consiste em todos os resultados que estão contidos em ambos os eventos. Se denimos por C: ocorrência de face par no lançamento.1 Operações básicas de conjuntos A união de dois eventos A e B.1. A ∪ B = {c. ou seja. E ∩ F = {1.

Eventos complementares: • Ex. Os eventos A e B são complementares. A ∩ B = ∅. 6}. Identique os dois eventos disjuntos entre estes 4 e explique por que o são. 5 .2 No contexto do exercício 1. 5}. 5} e D = {4}. Construa o espaço amostral Ω se o interesse é: (a) (b) (c) (d) Saber o sexo do estudante. Saber a altura do estudante (em metros). Como já foi visto. 1.1. 4. C = {1. Os eventos A e B são disjuntos. 2. 4. Obtenha B ∩ A.: Experimento: Lançamento de um dado. 3. Obtenha Ac . 6}. (a) (b) (c) (d) Obtenha A ∪ B . especique dois eventos possíveis de cada uma das 4 situações.2. 5. Saber a idade do estudante (em anos). o espaço amostral é Ω = {1. Ω A Ac Complementar de A 1. O complementar de A será denotado por Ac e temos A ∪ Ac = Ω e A ∩ Ac = ∅. A B Eventos disjuntos O complemento de um evento em um espaço amostral é o conjunto dos resultados no espaço amostral que não estão no evento. Eventos disjuntos: • Ex. C c e Dc . 4. 1. B ∩ C e B ∩ D. ou seja.3 Considere um experimento que consiste no lançamento de um dado equilibrado. Considere os seguintes eventos: A = {2. quando não têm elementos em comum.2 Exercícios: Probabilidade Outros conceitos importantes são: dizemos que dois eventos A e B são disjuntos ou mutualmente exclusivos. Saber o estado civil do estudantes.: Experimento: Lançamento de um dado. B c .2.1 Suponha que iremos selecionar 1 estudante ao acaso de uma turma de estatística.2. 3. B = {1. A ∪ C e A ∪ D.2 Exercícios: 1.

P(A) = Número de maneiras como o evento A pode ocorrer Número de diferentes eventos simples (1) • Ex. 13. 0 ≤ P(A) ≤ 1. qualquer probabilidade de um evento é um número entre 0 e 1.: Se você for perguntado sobre qual a probabilidade de. Espaço amostral: Ω = {c.8 (otimista!) Ex. foram obtidas 72 caras e 63 coroas. a '4' em 23.) que atribui valores numéricos aos eventos do espaço amostral. P n Aj = n P(Aj ).: Experimento: Lançamento de uma moeda. a frequência relativa poderia ser usada como probabilidade.: 3. a '3' em 25. 15. Frequentista: P(A) = • • Ex. 2.: Número de vezes em que A ocorreu Número de vezes em que o experimento foi repetido (2) Experimento: Em 135 lançamentos de uma moeda 'honesta'. Clássica: Supõe que cada um dos eventos simples tenha igual chance de ocorrer. e sem ter uma amostra para estimar essa probabilidade. acreditando que a probabilidade subjetiva de sucesso é 0. Considerando ¯ que seja uma moeda 'honesta'. 47. 3. 19. c Experimento: Em 160 lançamento de um dado 'equilibrado' a face '1' foi observada em 24. com os Aj 's disjuntos. probabilidade uma função P(. 5. Baseia-se nas frequências observadas de ocorrência do evento. a '5' em 20 e a '6' em 37 lançamentos. Uma pergunta natural seria: como atribuir probabilidades aos elementos do espaço amostral? Há três formas básicas: 1.: 2.) 6 . c}. qual valor responderia? (sem assumir que os sexos masculino e feminino são equiprováveis. P(Ω) = 1. P({4}) = 0. Em outras palavras. Ex. Admitindo que o dado seja equilibrado. Sub jetiva: A Probabilidade de ocorrência do evento A é estimada como um número entre 0 e 1 que representa um ponto de vista pessoal sobre a possibilidade de ocorrer determinado evento. ∀A ⊂ Ω. Ou seja. não haja nenhuma face com maior chance de ocorrer. • • Um empresário abre um restaurante em uma cidade turística. 16. O espaço amostral é Ω = {1. c • Experimento: Lançamento de um dado. então P({c}) = 72/135 = 0. Observando as diversas repetições do experimento podemos anotar o número de ocorrências de cada valor da variável. 23. 2. P({5}) = 0. podemos considerar P({1}) = P({2}) = P({3}) = P({4}) = P({5}) = P({6}) = 1/6. que as duas faces tenham a mesma chance de ocorrer. 6}. ou seja. Ou seja. 4. a probabilidade de que um ou outro ocorra é a soma das probabilidades individuais.Probabilidade 2 Denição Uma função P(. a '2' em 31.) é denominada probabilidade se satisfaz as seguintes condições: 1. P({1}) = 0. P({2}) = 0. se n eventos não têm resultados em j=1 i=1 comum. ou seja. todos os resultados possíveis juntos devem ter probabilidade 1. P({6}) = 0.: Ex. Ex. Isto é. diante da gravidez de uma amiga. 3. o bebê ser do sexo masculino. Para um número grande de realizações. P({3}) = 0. 53 e P({¯}) = 63/135 = 0. Assim. temos P({c}) = P({¯}) = 1/2. 14.

Vamos pensar em como atribuir probabilidade para um evento que é a união de dois eventos.1 Exercícios: 2.4 O diretor de uma escola perguntou aos 575 alunos se eles eram destros ou canhotos. sejam A e B eventos de Ω.1. a expressão acima se reduz a: P(A ∪ B) = P(A) + P(B) (4) porque neste caso P(A ∩ B) = ∅. Assim. Da denição de probabilidade e a regra da adição implicam os seguintes resultados: 7 . ou seja.1 Considere o experimento de lançar duas moedas honestas. 2. a probabilidade de ocorrência de A ou B: A B União Estaremos então interessados em calcular P(A ∪ B). Qual é a probabilidade de ocorrer um número menor que 3? 2.2 Joga-se um dado equilibrado.1 Exercícios: Probabilidade 2. (a) Escreva o espaço amostral e as respectivas probabilidades. é mais comum em situações reais termos eventos compostos.3 O gestor de um supermercado quer saber a probabilidade de um cliente pagar com cartão de crédito e também a probabilidade de pagar com cartão de débito.2. Calcule as probabilidades pedidas. Encontrou 46 canhotos.1. Estime a probabilidade de um aluno selecionado aleatoriamente nessa escola ser destro. Uniões. Estes tipos de eventos são gerados pela aplicação de operações básicas de conjuntos a eventos simples. Assim. 864 optaram pelo cartão de crédito como forma de pagamento e 174 pagaram pelo débito. se A e B foram disjuntos. Dos 1728 clientes que passaram pelo caixa em uma semana. Então: P(A ∪ B) = P(A) + P(B) − P(A ∩ B) (3) Observe que. ou seja. Porém. que envolvem mais de um resultado possível do espaço amostral. estaremos somando a região de intersecção entre os dois eventos duas vezes (a região mais escura da representação da união acima). precisamos subtrair uma vez P(A ∩ B).1. (b) Qual é a probabilidade de ocorrer uma cara? 2. A probabilidade de um evento composto pode frequentemente ser determinada a partir de probabilidades dos eventos simples que o compreendem. Note que se simplesmente somarmos P(A) com P(B). 3 Regra da adição de probabilidades Vimos anteriormente três formas de atribuir probabilidades a eventos simples. intersecções e complementares de eventos são comumente de interesse.1.

respectivamente.2. 2 = 1. P(B) = 0. Se A e Ac são eventos complementares então P(Ac ) = 1 − P(A). P(F ) = (54 + 38 + 11)/350 = 0. 5 e 3. (c) P(Ac ∩ B). d. 571. 0. Então P(A) = P(A ∩ B) + P(A ∩ B c ). 2 = 0. Determine as seguintes probabilidades: a. Ser esportista ou aluno da biologia. 286 + 0. 109. 0. Precisamos calcular P(D ∪ F ). P(S) = 50/350 = 0.3. P(B) = P({c}) + P({d}) + P({e}) = 0. b. P(B) = p. P(Ac ). 0. P(C) = 200/350 = 0. 6. d. Assim. 3. precisamos somar as probabilidades dos eventos simples que o compõem. 4 + 0. b. 2 = 0. P(A) = P({a}) + P({b}) + P({c}) = 0. e}. determine a probabilidade de obter alguém divorciado ou fumante.3 Sejam A e B dois eventos em um dado espaço amostral tais que P(A) = 0.2. 294 − 0. 294. S = ser solteiro. Para encontramos a probabilidade do evento B faremos o mesmo processo da letra (a).1 Exercícios: Probabilidade 1. Escolhido aleatoriamente 1 indivíduo. 2 e P(A ∩ B) = 0. e}. 700 da biologia noturno.1. Um aluno é escolhido. ao acaso. Observemos ainda que P(D ∩ F ) = 38/350 = 0. b. 2. Para encontramos a probabilidade do evento A ∪ B devemos usar a fórmula da adição. 1. (d) P(A ∩ B c ). Assim. 3. P(D ∪ F ) = P(D) + P(F ) − P(D ∩ F ) = 0. Um estudo sobre hábitos de fumantes compreendeu 200 indivíduos casados (54 fumavam).1. c. P(D) = 100/350 = 0. Solução: Para encontramos a probabilidade do evento A. 1. 286. d. com probabilidades 0.000 são considerados esportistas. 100 são esportistas e da biologia diurno e 200 são esportistas e da biologia noturno. P(A ∪ B). D = ser divorciado. Solução: Precisamos primeiro denir os eventos: C = ser casado. Para encontramos a probabilidade do evento Ac : P(Ac ) = 1 − P(A) = 1 − 0. (e) P(Ac ∪ B). Assim. a. e. c} e B = {c. Assim.1. Para encontramos a probabilidade do evento A ∩ B devemos somar as probabilidades dos eventos simples eventos A e B. e pergunta-se a probabilidade de: (a) (b) (c) (d) (e) Ser esportista. 2 + 0. c. P(B). 2. 8 . P(A ∩ B). 4 + 0. Sejam os eventos A = {a. Sejam A e B eventos de Ω.1. 1 + 0. P(A ∪ B) = 0. 100 divorciados (38 fumavam) e 50 solteiros (11 fumavam). 3. P(A ∩ B) = 0. 3. (b) P(A ∪ B). 109 = 0.2 Uma universidade tem 10. Não ser esportista nem aluno da biologia. Exemplo 3. 471.000 alunos dos quais 4. Exemplo 3. 143 e F = ser fumante. Ser esportista e aluno da biologia noturno. determine as seguintes probabilidades: (a) P(Ac ). d. O espaço amostral de um experimento aleatório é: Ω = {a. 8 − 0. 8.2. 4.1 Exercícios: 3. P(A). 2.1 Se P(A) = 0.4 e 0. P(∅) = 0. P(A ∪ B) = P(A) + P(B) − P(A ∩ B) = 0.1. comuns b. 4 = 0. Sabe-se ainda que 500 alunos são do curso de biologia diurno. Não ser da biologia. Determine o valor de p. P(A ∩ B) = P({c}) = 0.1. c. aos e. 1 + 0.

6). 1)..2.... (4. um armário e. ..4). (3. calcule a probabilidade dela ser: 9 . A informação do que ocorreu em uma determinada etapa pode inuenciar nas probabilidades de ocorrências nas etapas sucessivas. (1. (4. a. (3.. 6). (2. 6)}. (2. a probabilidade condicional de A dado que ocorreu B é denotada por P(A|B) e é dada por: P(A|B) = P(A ∩ B) . . Então: P(C|D) = P(C ∩ D) 1/4 1 = = = 0. 1). 1). 3). 1)..... sabendo-se que ocorreu face ímpar no primeiro dado. 6). (4. (3.. (4. (2. enquanto o armário 2 tem 3 bolas de volei e 2 de basquete.1... (1. . . . . Interpretação: A probabilidade P(A|B) revela a incerteza que se tem sobre o evento A supondo que ocorreu o evento B. (1. P(D) 1/2 2 4. 6). (6.. 4)} e B = obter face ímpar no primeiro dado = {(1. 5). . (2. . 6).. (6. P(B) > 0 P(B) (5) Se P(B) = 0.. 5. A essas probabilidades recalculadas denominamos probabilidade condicional.. (2. 1). (5. (6.1 Denição: Dados dois eventos A e B.. 6). (6. 1).. Denamos dois eventos: A = {(3... O que acontece é que 'ganhamos' informação e podemos recalcular as probabilidades de interesse.. uma de suas bolas... (5. O armário 1 tem 3 bolas de volei e 1 de basquete. com P(B) > 0 (6) ou similarmente.. 1). P(A ∩ B) 1/36 1 = = = 0. Escolhendo-se. ... .. .. 6). Sejam A e B eventos de Ω.2 Regra do produto de probabilidades A denição de probabilidade condicional dada em (5) pode ser reescrita de modo a fornecer uma expressão para a probabilidade de intersecção de eventos. .. com P(A) > 0 Exemplo 4. (7) Dois armários guardam bolas de voleibol e basquete.. Exemplo 4. 056. . ao acaso. Sabemos que P(A) = 1/36. 5). Calcule a probabilidade de: a. (6. (3. denida da seguinte forma: 4. . 1).. então P(A|B) é arbitrariamente denida. 6)} sendo que cada resultado possível tem probabilidade 1/36 de ocorrer. o espaço amostral será: Ω = {(1. Então: P(A|B) = b. temos: P(A ∩ B) = P(A|B)P(B). Sabemos que P(C) = 18/36 = 1/2.. 1).. P(D) = 18/36 = 1/2 e P(C ∩ D) = 9/36 = 1/4... (1. (5.Probabilidade 4 Probabilidade condicional Algumas vezes o experimento aleatório com o qual trabalhamos pode ser separado em etapas.. (5. sabendo-se que ocorreu face par no primeiro dado... b.. P(B) = 18/36 = 1/2 e P(A ∩ B) = 1/36. . Ocorrer face ímpar no segundo dado. Dois dados equilibrados são lançados. 3).. 1).. 6). 6)}. P(A ∩ B) = P(B|A)P(A).. 5)} e D = obter face par no primeiro dado = {(2. (6. (2. 1). Solução: Para o experimento lançamento de dois dados equilibrados. 1). 1). Obter o par (3.. Podemos interpretá-la como a chance relativa de A restrita ao fato que B ocorreu. 1). 6). (6. 1).. 3). em seguida. P(B) 1/2 18 Denamos dois eventos: C = obter face ímpar no segundo dado = {(1.

V = bola de volei e B = bola de basquete. ou seja. 5 Independência de eventos Dois eventos A e B são independentes se a informação da ocorrência ou não de B não altera a probabilidade de ocorrência de A. De volei.1 Numa cidade do interior de São Paulo. De basquete. (b) Ser alérgico dado que não pratica esportes. Do sexo feminino e nunca ter visto o mar. sendo de classe média. temos: a. b. 20% nunca viram o mar.3 Exercícios: Probabilidade a. entre as meninas. 3 das 4 bolas são de volei. ao passo que. obtenha a probabilidade de: (a) Não praticar esporte. determine a probabilidade de: (a) Estudar na área de exatas.3 Exercícios: 4. 4 = 0. Sabe-se que 50% dos alérgicos praticam esporte. 75. sabendo-se que o armário 1 foi escolhido. dado que estuda na área de biológicas. com informações sobre a área de estudo e classe sócio-econômica: Área / Classe Exatas Humanas Biológicas Alta 120 72 169 Média 156 85 145 Baixa 68 112 73 Se um aluno ingressante é escolhido ao acaso. c. Solução: Denindo os seguintes eventos: M = sexo masculino. b. 325. 4. enquanto essa porcentagem entre os não alérgicos é de 40%. P(F ∩ N ) = P(N |F )P(F ) = 0. b. P(A|B) = P(A) e consequentemente tem-se: 10 . sabendo-se que o armário 2 foi escolhido. 30. (c) Ser da classe baixa.2 A tabela a seguir apresenta dados dos 1000 ingressantes de uma universidade. Qual a probabilidade de que um aluno selecionado ao acaso seja: Exemplo 4. P(M ∩ N ) = P(N |M )P(M ) = 0. Solução: Denindo os seguintes eventos: A1 = Armário 1. b. Para um indivíduo escolhido aleatoriamente nessa cidade. porque sabemos que no armário 1. Entre estes. P(V |A1) = 3/4 = 0. Uma escola de ensino médio do interior de São Paulo tem 40% de estudantes do sexo masculino. 08. A2 = Armário 2. (b) Estudar na área de humanas. Do sexo masculino e nunca ter visto o mar. 4. estima-se que cerca de 20% dos habitantes têm algum tipo de alergia.3. essa porcentagem é de 50%.3. De basquete. porque sabemos que no armário 2. 4.4. 5 × 0. 6 = 0. a.3. c. Usaremos que P(B) = P(B ∩A1)+P(B ∩A2) = P(B|A1)P(A1)+P(B|A2)P(A2) = 1/4×1/2+2/5×1/2 = 1/8+1/5 = 0. temos: a. 2 × 0. 2 das 5 bolas são de basquete. F = sexo feminino e N = nunca ter visto o mar. P(B|A2) = 2/5 = 0.

. Assim: P(A) = P(A ∩ C1 ) + P(A ∩ C2 ) + .2 Se P(A|B) = 0. 223. o fato de o motorista estar ou não alcoolizado interfere na ocorrência de vítimas fatais.5.. P(B) = 0.. o que desejamos saber é se o evento vítimas fatais é independente da situação do motorista (sóbrio ou alcoolizado).. 183 e P(F ) = 1037/4658 = 0. 2. P(F |S) = P(F ). Para vericar isso.1 Se P(A|B) = 0.1 Exercícios: 5.Ck formam uma partição do espaço amostral Ω se eles não têm intersecção entre si e se sua união é igual ao espaço amostral.2 Denição: Teorema da Probabilidade Total Suponha que os eventos C1 . P(Ck ) são conhecidas. P(F |A) = P(F ). 3. Assim. Assim: P(F |A) = 762/3155 = 0. 4.. P(A|C2 ). 8 e P(A) = 0. 5. .1. sóbrio ou alcoolizado. isto é: 1.. 2. as probabilidades P(A|C1 ). . 5. k i=1 Ci = Ω Ω C2 C1 C3 C4 C5 C6 Partição do espaço amostral (k=6) 6.. Então. com A e B mutuamente excludentes.1 Exercícios: Probabilidade P(A ∩ B) = P(A)P(B) Exemplo 5..Ck formam uma partição de Ω e que suas probabilidades P(C1 ). P(C2 )... P(A|Ck ) sejam conhecidas. + P(A ∩ Ck ) = P(A|C1 )P(C1 ) + P(A|C2 )P(C2 ) + . C2 . precisamos vericar se P(F |A) = P(F ) e se P(F |S) = P(F ). 223. 3.1. A = motorista alcoolizado e F = vítimas fatais. eles são independentes? Por quê? 6 Teorema da Probabilidade Total 6. + P(A|Ck )P(Ck ) (9) 11 . 242 e P(F ) = 1037/4658 = 0.3 Se P(A) = 0. Ci ∩ Cj = ∅.. Assim. Você diria que o fato de o motorista estar ou não alcoolizado interfere na ocorrência de vítimas fatais? Motorista Sóbrio Alcoolizado Total Vítimas fatais Não Sim 1228 275 2393 762 3621 1037 Total 1503 3155 4658 Solução: Denindo os seguintes eventos: S = motorista sóbrio. incluindo vítimas fatais e as condições do motorista envolvido... os eventos A e B são independentes? Por quê? 5. P(B) = 0. contendo o número de acidentes. P(F |S) = 275/1503 = 0.. ∀i = j 2.. os eventos B e Ac são independentes? Por quê? 5..1.1 Partição do espaço amostral Os eventos C1 . C2 . 8 e P(A) = 0. (8) Estatísticas dos últimos anos do departamento estadual de estradas são apresentadas na tabela a seguir.. P(B) = 0..1. Suponha também que para um evento A.

indicar que tem com probabilidade 0. 8. 015 + 0. enquanto que para as demais essa probabilidade aumenta para 30%.1 Suponha que 2% dos rolos de tecido de algodão e 3% dos rolos de tecido de náilon contenham falhas. 995 e P(P |H c ) = 0. (10) Este é um resultado útil por permitir resolver P(Cj |A) em termos de P(A|Cj ).1 Exercícios: 7. C2 . 3 e P(B) = 0. P (C2 ). usado pelo fabricante. as probabilidades P (A|C1 ). . 2 × 0. Solução: Sabemos que B e B c formam uma partição de Ω. Se o HIV não estiver efetivamente presente. Pergunta-se: a.1. 995 × 0.3 Exercícios: 6. Assim. Solução: Vamos denir os seguintes eventos: P = resultado positivo no teste ELISA. Suponha também que para um evento A.. Se o paciente de fato tiver o tumor. Sabemos que P(H) = 0.1. P(A|B c ) = 0. O ELISA é o tipo mais comum de teste de triagem para detecção do HIV. Se o ELISA tiver apresentado um resultado positivo. Entretanto. erroneamente. 22. 0248 7. 06 = 0. 70% são de algodão e 30% são de náilon. conter falhas? 7 Teorema de Bayes Suponha que os eventos C1 . qual é a probabilidade de o paciente tê-lo de fato? 7.. 01 e precisamos encontrar P(H|P ): P(H|P ) = = P(H ∩ P ) P(P |H)P(H) = P(P ) P(P ∩ H) + P(P ∩ H c ) P(P |H)P(H) 0. Se a paciente sorteada tiver distúrbio hormonal.. para qualquer j.9.995. P (A|Ck ) sejam conhecidas. P(P |H) = 0.. a probabilidade de um resultado positivo a partir do ELISA é 0. o exame pode. utilize o teorema de Bayes para encontrar a probabilidade de que o HIV esteja efetivamente presente. Suponha que a probabilidade de uma pessoa estar infectada com o HIV. para uma certa população. o exame de ultrassom o detectará com probabilidade 0. 015 0. P (A|C2 ). Se o exame detectou um tumor.6. Um resultado positivo em ELISA indica que o HIV está presente. N = resultado negativo no teste ELISA e H = vírus HIV efetivamente presente. 3 × 0.P (Ck ) são conhecidas. Ck formam uma partição de Ω e que suas probabilidades P (C1 ). 2. 015. pois isto ocorreu em 70% dos casos similares que tratou. Sendo solteira. Qual será a probabilidade de um rolo selecionado aleatoriamente. Qual a probabilidade de uma paciente escolhida ao acaso ter tido um distúrbio hormonal? b.. Suponha P(A|B) = 0. 8 + 0.015. 995 × 0... Qual é o valor de P(A)? 6.1 Um médico descona que um paciente tem um tumor no abdômen.1. 2 = 0. 16 + 0. se ele não tiver o tumor. 0149 = = = 0.1. Exemplo 7. 60% são ou foram casadas e 40% são solteiras. qual a probabilidade de ser solteira? 12 . então podemos usar o teorema da probabilidade total para calcular P(A): P(A) = P(A ∩ B) + P(A ∩ B c ) = P(A|B)P(B) + P(A|B c )P(B c ) = 0.3 Exercícios: Probabilidade Exemplo 6. P(Cj |A) = P(A|Cj )P(Cj ) k i=1 P(A|Ci )P(Ci ) ..2 Das pacientes de uma Clínica de Ginecologia com idade acima de 40 anos. a probabilidade de ter tido um distúrbio hormonal no último ano é de 10%.01. a probabilidade de que o teste ELISA apresente um resultado positivo é 0. . 01 × 0.3..1.. Dos rolos usados por um fabricante. Se o HIV estiver efetivamente presente. 985 0. 601 P(P |H)P(H) + P(P |H c )P(H c ) 0. seja 0.

(11) ou ainda. Qual é a probabilidade do meteorologista acertar sua previsão? b. X = face obtida no lançamento do dado. . X = soma dos valores obtidos nas 2 dado 1 3 4 5 4 5 6 5 6 7 6 7 8 7 8 9 8 9 10 9 10 11 faces. dado 2 1 2 3 4 5 6 1 2 3 4 5 6 7 2 3 4 5 6 7 8 6 7 8 9 10 11 12 Acima estão os 36 resultados possíveis desta variável aleatória. qual a probabilidade de ter sido um dia de chuva? 8 Variáveis aleatórias discretas Uma variável aleatória é uma função que atribui um número real a cada resultado do espaço amostral de um experimento aleatório.1.. Sendo uma função de probabilidade. i = 1. como x = 25 anos. Como já dissemos antes. uma variável aleatória discreta é uma variável que assume valores em um conjunto nito..1 Função discreta de probabilidade A função que atribui a cada valor da variável aleatória a sua probabilidade é denominada função discreta de probabilidade..2.1.3 Numa certa região. = P(X = 6) = 1/6. Experimento: Lançamento de dois dados equilibrados. ou simplesmente. Exemplo 8. as probabilidades são obtidas contando-se o número de vezes que cada resultado apareceu e dividindo-se pelos 36 resultados possíveis: 13 . . ou innito enumerável de possibilidades. a probabilidade de chuva em um dia qualquer de primavera é 0. como X. Experimento: Lançamento de um dado equilibrado. equivalentemente.. Muitas vezes são resultantes de contagens e assumem valores inteiros.. a. X pi x1 p1 x2 p2 x3 p3 i . função de probabilidade. É geralmente representada por uma letra maiúscula.1. satisfaz 0 ≤ pi ≤ 1 e Exemplo 8. Um meteorologista da TV acerta suas previsões em 80% dos dias em que chove e em 90% dos dias em que não chove. pi = 1.. 8. 2. A notação a ser utilizada é: P(X = xi ) = p(xi ) = pi . Se houve acerto na previsão feita. Assim.. Depois que um experimento é conduzido. P(X = 1) = P(X = 2) = . X pi 1 1/6 2 1/6 3 1/6 4 1/6 5 1/6 6 1/6 ou.Probabilidade 7. o valor medido da variável aleatória é denotado por uma letra minúscula..

escrevemos F (x) = P(X ≤ x) = 0.05 0. para 2 ≤ x < 3. pela seguinte expressão: F (x) = P(X ≤ x) = xi ≤x Exemplo 8.10 0.   se 3 ≤ x < 4.     se 4 ≤ x < 5. Assim.1)=F(2. Caso ainda tivessem tido alguma reação alérgica. Calcule as probabilidades de: a.8.45)=F(2.288.3. Observe que. A função de probabilidade da variável aleatória X = número de doses recebidas é: b. Uma criança desta população sorteada ao acaso tenha recebido até 2 doses. Os resultados completos estão na tabela a seguir: Doses Freq. ou seja. b. recebiam outra dose de vacina. 789    0. como a variável só assume valores inteiros.00 0.2 Função de distribuição de probabilidade Probabilidade X pi 2 1/36 3 2/36 4 3/36 5 4/36 6 5/36 7 6/36 8 5/36 9 4/36 10 3/36 11 2/36 12 1/36 Probabilidades 0. No estudo. 14 . 533 F (x) =   0. passavam por um novo teste. 533. 245      0. p(xi ) (12) Uma população de 1000 crianças foi analisada num estudo para determinar a efetividade de uma vacina contra um tipo de alergia.99). calcular a probabilidade acumulada de ocorrência dos valores menores ou iguais a 2. 1 245 2 288 3 256 4 145 5 66 Uma criança desta população sorteada ao acaso tenha recebido 2 doses. Para isso precisamos obter a função de distribuição no ponto 2.     se x ≥ 5.15 0.2 Função de distribuição de probabilidade A função de distribuição ou função acumulada de probabilidade de uma variável aleatória discreta X é denida. após um mês. Utilizando a abordagem frequentista para atribuir probabilidades. se x < 1. para qualquer número real x. Assim: F (2) = P(X ≤ 2) = P(X = 1) + P(X = 2) = 0. 245 + 0.20 2 3 4 5 6 7 8 9 10 11 12 Soma dos valores das duas faces dos dados 8.     se 2 ≤ x < 3. as crianças recebiam uma dose de vacina e. a função de distribuição é:  0     0. Por essa razão. esse valor ca inalterado no intervalo [2. 934     1      se 1 ≤ x < 2. F(2.3). ou seja. Ao m de 5 doses todas as crianças foram consideradas imunizadas. 288 = 0. Solução: a. a probabilidade de uma criança ter recebido exatamente duas doses é 288/1000=0. 533.

onde E(X 2 ) = 2 i=1 Cálculo da média e da variância no Exemplo 8. 167 − 72 = 54. A variância é uma medida da dispersão ou variabilidade da distribuição.3 Média e variância de uma variável aleatória discreta Probabilidade Doses Freq.6 F(x) q 0. denotada por µ ou E(X). 833 V (X) = E(X 2 ) − (E(X))2 = 51. Veremos agora como calcular esses dois valores de uma variável aleatória discreta.2 q 0 1 2 3 4 5 6 Número de doses de vacina 8. A média ou valor esperado de uma variável aleatória discreta X.0 0. é: n µ = E(X) = i=1 xi p(xi ) (13) Ea variância de uma variável aleatória discreta X.8 q 0.066 1.245 2 0.0 q q 0.2: x2 p(xi ) i (15) 11 E(X) = i=1 xi p(xi ) = 2 × 1/36 + 3 × 2/36 + 4 × 3/36 + 5 × 4/36 + 6 × 5/36 + 7 × 6/36 + 8 × 5/36 +9 × 4/36 + 10 × 3/36 + 11 × 2/36 + 12 × 1/36 = 7 11 E(X 2 ) = i=1 x2 p(xi ) = 22 × 1/36 + 32 × 2/36 + 42 × 3/36 + 52 × 4/36 + 62 × 5/36 + 72 × 6/36 + 82 × 5/36 i +92 × 4/36 + 102 × 3/36 + 112 × 2/36 + 122 × 1/36 = 54.256 4 0.3 Média e variância de uma variável aleatória discreta Duas quantidades são frequentemente usadas para resumir uma distribuição de probabilidade de uma variável aleatória X.8. 833 15 . A média (ou valor esperado) é uma medida do centro da distribuição de probabilidade.288 3 0.4 0.145 5 0. denotada por σ 2 ou V (x) é: n σ 2 = V (x) = E(X − µ)2 = i=1 (xi − µ)2 p(xi ) (14) Ou alternativamente: n σ 2 = V (x) = E(X 2 ) + (E(X)) . 833 − 49 = 5. 1 0.

Calcule a média e a variância de X . P(40 ≤ X < 60). d. 066 = 7. 8. 75     1            P(0 ≤ X < 10).1 Função de densidade de probabilidade Uma função f (x) é uma função de densidade de probabilidade para uma variável aleatória contínua X se satisfaz as seguintes condições: 16 . 671 − 2.4. 8.    se x < 10. 499 x2 p(xi ) = 12 × 0.4.        Determine: a. 9     1      se 10 ≤ x < 12. P(X ≤ 50). 288 + 3 × 0.8. 245 + 22 × 0. 2. P(X > 18). 3. b. se 30 ≤ x < 50.4. 256 + 42 × 0. Determine as seguintes probabilidades: a.4 As árvores são sujeitas a diferentes níveis de atmosfera de dióxido de carbono. 671 i i=1 = = E(X 2 ) − (E(X))2 = 7. A função de probabilidade de X . 9 Variáveis aleatórias contínuas Uma variável aleatória contínua assume valores em um intervalo dos números reais e é geralmente proveniente de mensuração. c. se x ≥ 25. P(−10 < X < 10). Determine uma condição de crescimento mínimo a 350 partes por milhão (ppm) de CO2 . que pode assumir um número innito de valores diferentes. Calcule: c. 10% a 450 ppm (crescimento lento) de a média e o desvio-padrão do nível da atmosfera de dióxido de carbono (em ppm) para essas árvores. P(X < 0). x = 0. sendo que 6% das árvores em CO2 . P(X ≤ 12). 25  0. F (x) = se 12 ≤ x < 13. P(2 ≤ X < 4). P(X < 12). P(X ≤ 1).4 Exercícios: 8.4 Exercícios: Probabilidade Cálculo da média e da variância no Exemplo 8.1 Seja P(X = x) = 2x+1 . 8. e. 256 + 4 × 0.3: 5 E(X) E(X 2 ) V (X) = i=1 5 xi p(xi ) = 1 × 0. b. Precisamos estabelecer uma forma para atribuir probabilidades às diversas realizações deste tipo de variável. 4. 1. 288 + 32 × 0. 9. 47% a 550 ppm (crescimento moderado) de CO2 e 37% a 650 ppm (crescimento rápido) de CO2 . P(X > −1).3 Uma variável aleatória discreta X tem a seguinte função de distribuição:   0     0. f. P(12 ≤ X ≤ 20). 0.2 Uma variável aleatória discreta X tem a seguinte função de distribuição: F (x) =       0 se x < −10. 4992 = 1. se x ≥ 50. c. P(X ≤ 40). se 13 ≤ x < 25. P(X = 4). d. e. 066 = 2. e. 145 + 5 × 0. Calcule a média e a variância de X . d. se − 10 ≤ x < 30.4. 25 a. 145 + 52 × 0. 245 + 2 × 0. 5    0. b. f. 426 8. 2   0.

2 × 1. 5) como os dois eventos são disjuntos. 5) = (1 − P(X > 3.5 8 dx 5 x 4 8 dx = = = 5 x2 2 3. P(X > 6) e. 8) = F (2.5 = 12. 5 9. a. 3 = 0. 5) P(X < −2) d. equivale a somar as duas probabilidades. P(X > 3. 0. para quaisquer valores de a e b. P(X < 4) Suponha f (x) = x/8. i. Assim. 7031) = 0. 3. [a. Como consequência da forma com a qual atribuímos probabilidades no caso contínuo. f (x) ≥ 0. ou seja. 5) c.25 2 = 0. ou seja. P(X < 3. teremos área zero sob qualquer valor individual. P(4 < X < 5) d. 5) = d. 5 = 1 − 0. Isso signica que. 5) ou P(X > 4.25 − 9 = 11.      c.75 16 b. P(X < 3. A área de cada barra é igual a frequência relativa dos valores do respectivo intervalo. se x ≥ 5. 5) e. 2x se 0 ≤ x < 5.1. 4375 = 12. 5) = 5 x 3. P(X = k) = 0 para qualquer k. as probabilidades calculadas sobre os intervalos [a. 8) P(X > 1.5 x2 = 1 20. consequentemente. a. b a f (x)dx = área sob a curva de f (x) de a até b. 7969 c. 5625 2 4 8 2 2 4.2. P(X > 3.9. b. 2. Suponha que a função de distribuição acumulada de uma variável aleatória X seja: F (x) =      0 1 se x < 0. b. 5)) = (1 − 0. b) são as mesmas. A área denida por f (x) é igual a 1. Um histograma que tem nas ordenadas a densidade de frequência é uma aproximação da função de densidade. 2031 + 0. a probabilidade de ocorrência de um valor isolado é sempre zero e.2 Função de distribuição acumulada A função de distribuição acumulada de uma variável aleatória contínua X é dada por: x F (x) = P(X ≤ x) = −∞ f (u)du. P(X < 4.5 x dx 3 8 5 x2 9 = 1 25 − 16 = 16 = 0. 7 17 . 5)) + (1 − P(X < 4. A frequência relativa é uma estimativa da probabilidade de um valor medido cair naquele intervalo. 8 = 0. Exemplo 9. P(X < 4) = 4 x 3 8 dx = 1 8 4 x2 2 3 1 8 1 8 1 8 = 1 8 16 2 − 1 8 9 2 25 2 = − 7 16 = 0.: ∞ −∞ f (x)dx = 1. d dx F (x). 7031 2 3 8 2 2 16 P(X < 3. 5) Solução: a. P(a ≤ X ≤ b) = Obs. 8) = 0. P(4 < X > 5) = P(X < 4. (a. 56 P(X > 1. ∀x ∈ (−∞. 2969 = 0. ii. 4. b] e (a. 5) = 1 − 0. Determine as seguintes probabilidades: P(1 < X < 2) Solução: a. 3 < x < 5. para − ∞ < x < ∞ (16) Existe uma relação entre f (x) e F (x): f (x) = Exemplo 9. em se tratando de variáveis aleatórias contínuas.25 = 0. 5) ou P(X > 4. P(X < 2. 2 × 2. 7969) + (1 − 0. P(X < 2. ∞). b].2 Função de distribuição acumulada Probabilidade 1. 5) = 1 − F (1. e. 5 ∪ X > 4. b). Determine as seguintes probabilidades: b.

3 Média e variância de uma variável aleatória contínua A média ou valor esperado de uma variável aleatória contínua X. e. e. P(X < −2) = F (−2) = 0 P(X > 6) = 1 − F (6) = 1 − 1 = 0 P(1 < X < 2) = P(X < 2) − P(X < 1) = F (2) − F (1) = 0. c. Calcule: a. c. 18 .    Determine: a. 0832 = 0. Calcule a média e a variância de 9. x2 f (x)dx (20) f (x) = x/8. A função de densidade de X . 25x + 0. P(X < −2). 5). é dada pela expressão: E(X) = µ = −∞ xf (x)dx (17) Ea variância de uma variável aleatória contínua X com função de densidade f (x) é dada por: ∞ σ 2 = V (x) = −∞ (x − µ)2 f (x)dx (18) podemos usar a expressão alternativa para variância: σ 2 = E(X 2 ) − µ2 (19) onde ∞ E(X 2 ) = −∞ Cálculo da média e variância no exemplo 9. P(X > 0.   se x ≥ 2. caso contrário. b. 5).9. f. 9. 2 9. P(X < 1.4. P(X < −2). 2 × 2 − 0. e. f. 5 1 se x < −2. com função de densidade dada por ∞ f (x). 2 × 1 = 0. 4 − 0. 8). P(X > −1. se − 2 ≤ x < 2. 05 . 2 = 0. d. P(−0.4.1 Seja f (x) = 1. P(−1 < X < 1). 5x2 . 5 ≤ y < 2. 5).1. A média e a variância de X . X . 5 < X < 0. b. d. P(X > 0). Determine x tal que P(X > x) = 0.3 A quantia gasta anualmente. 329 9. d.2 Suponha que a função de distribuição acumulada de uma variável aleatória X seja: F (x) =      0 0. em milhões de reais. 3 < x < 5 x3 3 5 5 5 E(X) E(X 2 ) V (X) = 3 5 xf (x)dx = 3 x 1 x dx = 8 8 5 = 3 5 1 8 = 27 125 − 3 3 1 8 = 98 = 4. na manutenção do asfalto em uma cidade do interior é representada por uma variável aleatória Y com função de densidade dada por: f (x) = 8 y 9 − 0 4 9 se 0.3 Média e variância de uma variável aleatória contínua Probabilidade c. −1 < x < 1.4. 083 24 = 544 = 17 32 = 3 x2 f (x)dx = 3 1 x x2 dx = 8 8 x4 4 3 81 625 − 4 4 = E(X 2 ) − (E(X))2 = 17 − 4.4 Exercícios: 9.

b. ii. Para se evitar a utilização de várias tabelas (uma para cada par de valores (µ. isto é. Os parâmetros µ e σ 2 representam. utiliza-se uma transformação de forma que a variável tenha sempre os parâmetros (0. σ 2 ) para indicar que X tem distribuição Normal com parâmetros µ e σ 2 . c.Probabilidade Determine: a.1). iii. d. O valor esperado e a variância de Y . σ 2 > 0. iv. −∞ < x < ∞. f (x) → 0 quando x → ±∞. Por isso as probabilidades para o modelo Normal são calculadas com o auxílio de tabelas. respectivamente. Esses parâmetros representam a média e a variância da distribuição. P(Y < 0. 19 . A densidade é representada na gura abaixo: f(x) µ x Figura 1: Densidade Normal Propriedades: i. 8). A mediana de Y . a média e a variância da distribuição. µ ∈ R σ 2π (21) e usamos a notação X ∼ N (µ. P(Y > 1. 10 A distribuição Normal Dizemos que uma variável aleatória contínua X tem distribuição função de densidade é dada por: f (x) = Normal com parâmetros µ e σ 2 se a sua −(x−µ)2 1 √ e 2σ2 . respectivamente. Para calcular probabilidades para uma variável contínua com distribuição normal. f (x) é simétrica em relação à µ. 5|Y ≥ 1). f (x) alcança o seu máximo em x = µ. σ 2 )). teríamos que fazer a seguinte conta: b −(x−µ)2 1 √ e 2σ2 dx σ 2π P(a < X < b) = a a qual não é uma integral fácil de resolver.

porque a simetria é em torno do zero. consequência direta da simetria desta densidade. 5. Para determinar a probabilidade de X ∈ [a. Por exemplo. 1) e será denominada procedemos da seguinte forma: Normal Padrão .10. 5). obtenha P(2 < X < 5) e P(X > 4). 5) = 1 − P(Z < 1. Se X ∼ N (2. as probabilidades são obtidas a partir de valores tabelados da Normal Padrão. P(a < X < b) = P (a − µ < X − µ < b − µ) a−µ X −µ b−µ = P < < σ σ σ a−µ b−µ = P <Z< σ σ Para quaisquer valores de µ e σ . 10. obtemos os valores de Z que deixam as áreas correspondentes às células no corpo da tabela à sua esquerda no gráco da densidade.1 A tabela Normal Padrão Probabilidade média 0 e variância 1.0 temos 0. se quisermos encontrar P(Z < −1. utilizamos a Normal Padrão para obter probabilidades. como o fato de a área total sob a curva ser igual a 1 e P(Z > 0) = P(Z < 0) = 0.1 A tabela Normal Padrão Como dissemos. Obtenha as probabilidades: a. 5) = P(Z > 1. Portanto. b]. 5). 9).0. como mostra a gura abaixo: f(x) 0 z x Devemos considerar algumas informações importantes para obter as probabilidades. Outra consequência é P(Z < −1.1.8413 de área (probabilidade). A tabela que utilizaremos nos dará a probabilidade P(Z < z). o qual encontramos olhando na coluna 0 e na linha 1. abaixo do valor 1. σ 2 ) e dena uma nova variável: Z= X −µ σ (22) e assim Z ∼ N (0. A tabela é organizada da seguinte forma: somando os cabeçalhos de linha e coluna. Considere X ∼ N (µ. Exemplo 10. 20 .

a = 0. 350. 8413 − 0. P(2 < X < 5) = P X−2 √ 9 2−2 √ 9 4−2 √ 9 Solução: a. 025 21 . c. P(5 < X < 7) = P X−6 1 P(X < 3) = P 5−6 < X−6 < 7−6 1 1 1 3−6 < 1 = P(Z < −3) = P (−1 < Z < 1) = 2 × P(0 < Z < 1) = 2 × (0. determine: a. devemos somar 0. 0013 P(0 < z < a) = 0. Então. determine a. b. obtenha P(5 < X < 7) e P(X < 3). o valor de e tal que P(3 < X < e) = 0. 3212. Se X ∼ N (6. 1).10. O valor de c tal que P(X > c) = 0. 050. O valor de b tal que P(X < b) = 0. Para encontrar o valor a. c. < X−2 √ 9 < 5−2 √ 9 = P(0 < Z < 1) = 0. 7486 = 0.67 x Figura 2: item (a) P(2 < X < 5) Figura 3: item (a) P(X > 4) f(x) f(x) −1 0 1 x −3 0 x Figura 4: Exemplo 10. 2/3). 5) = 0.8212 de área abaixo dele. 1) e P(0 < z < a) = 0.92. 025 → P X−10/3 √ 1/3 b−10/3 < √ 1/3 b−10/3 =P Z< √ 1/3 Solução: a. c.2. 6826 = 1 − P(Z < 3) = 1 − 0. 025. Se Z ∼ N (0. o valor de d tal que P(X > d) = 0. 500.1 A tabela Normal Padrão Probabilidade b. 5 = 0.5 e procurar no corpo da tabela o valor que deixa 0. P(X < b) = 0. 3413 P(X > 4) = P > = P(Z > 2/3) = P(Z > 0. 9987 = 0. item (b) P(5 < X < 7) Figura 5: item (b) P(X < 3) Seja X ∼ N (10/3. f(x) f(x) 0 1 x 0 0. d.92. 67) = 1 − 0. = 0. 3212. que é o 0. 2514 b. 8413 − 0.

temos que P(X < −1) = 0. para uma amostra grande. 1/3 3−10/3 √ 1/3 X−10/3 e−10/3 < √ < √ 1/3 1/3 e−10/3 = P −1 < Z < √ 1/3 = 0. 44/40 > 5 − 5. sendo que a aproximação melhora quanto maior for o tamanho da amostra e. ¯ P(X > 5) = P ¯ X − 5. 20) = 0. Podemos concluir que. à medida que o tamanho da amostra aumenta. 4 e σ 2 = 4. 64 → c = 1. 05 P(X > d) = 0. Para calcular a probabilidade da média amostral superar o valor 5. P(X > c) = 0. 56. Usando a simetria. 4 4.025 de área abaixo dele. X−10/3 √ 1/3 d−10/3 > √ 1/3 c−10/3 =P Z> √ 1/3 = 0. Assim: c−10/3 √ = 1.. 05 → P Deve-se então procurar na tabela Normal padrão o valor que deixe 0. Assim: d−10/3 √ = 0.39. 1) σ/ n (23) Em resumo: Se temos. uma variável aleatória x com distribuição (normal ou não) com média µ e desvio-padrão σ e amostras aleatórias de tamanho n extraídas dessa população. então as médias amostrais terão distribuição normal para qualquer tamanho de amostra. 28.. 8849.2 Teorema Central do Limite Probabilidade Deve-se então procurar na tabela Normal padrão o valor que deixe 0.975 de área abaixo dele. A variável X não tem distribuição Normal e obtemos µ = 5. quando o interesse for estudar a média amostral.65 de área abaixo dele. 1/3 c. E podemos usar isso quando. 41. X−10/3 √ 1/3 c−10/3 > √ 1/3 c−10/3 =P Z> √ 1/3 = 0. podemos buscar no corpo da tabela o valor que deixa 0. 22 . respectivamente. 5 a essa probabilidade e procuraremos o valor √ que deixa 0.96. 39 → c = 0. ¯ tivermos amostras de tamanho n > 30. 6587 de área abaixo dele. 39 × 1/3 + 10/3 = 3. 50 → P Através da tabela Normal padrão.2 Teorema Central do Limite O Teorema Central do Limite diz que. consideramos que 40 observações é uma amostra grande o suciente para usar o Teorema Central do Limite. podemos usar ¯ a distribuição normal para estudar X probabilisticamente. 50 10.64. 41 × 1/3 + 10/3 = 3.96. 20) = 1 − P(X < 1. temos: Exemplo 10. Este teorema é importante porque.3 e 0.. 4 4. Uma amostra com 40 observações é sorteada. probabilidades 0.. que é 1. Somamos 0. 20..4. 96 → b = −1.95 de área abaixo dele. Assim: b−10/3 = −1. 1/3 c. 35 P(3 < X < e) = 0. se a própria distribuição original for normal.. 57. 41 → c = 0. que √ é -1. 64 × 1/3 + 10/3 = 4. 44/40 = P(Z > −1. Uma variável aleatória X assume os valores 3. a distribuição da média amostral. 1587.10. Esse valor é o 1. 35 → P Deve-se então procurar na tabela Normal padrão o valor que deixe 0.. 6 e 8 com. Apesar de não ser simétrica. 44. e usar o simétrico negativo do mesmo.3. 96 × 1/3 + 10/3 = 2. Esse valor é o 0.3. 0. a distribuição das médias √ amostrais x tende para uma distribuição normal. devidamente padronizada. que é o 0. 1/3 b. se comporta segundo um modelo normal com média 0 e variância 1.. com média µ e desvio-padrão σ/ n. ou seja: ¯ X − µ n→∞ √ → N (0. Assim e−10/3 = 0.

Rio de Janeiro: Editora LTC (2008). P(4 < X < 5).3. Dtermine os valores que delimitam cada uma dessas classicações. P(X ≤ 0). Runger GC. d. Estatística Aplicada e Probabilidade para Engenheiros. 5. b. Estar entre 0 e 2. f. d.3. P(0 ≤ X ≤ 6/5). 10. Noções de Probabilidade e Estatística. Editora LTC (2012).3 Exercícios: Probabilidade 10. 1a Edição. Determine: a. os 25% pacientes de menor peso são classicados como 'magros'. enquanto os 25% de maior peso de 'obesos'.3 Seja X ∼ N (5/4. Para efeito de determinar o tratamento mais adequado.3. 1/9). P(−7 ≤ X ≤ −6). P(−5 < X ≤ −2). c. d. Magalhães MN. P(X ≥ 3). P(X ≤ 3/5). 10.5. 2). Introdução à Estatística. 1).3. c. Determine: a. P(X ≤ 4). 5a Edição. c. P(X ≤ 7/5). Rio de Janeiro: Editora LTC (2011). 5a Edição.5 Coleta-se uma amostra de 10 observações independentes de uma N (2. 10.4 Uma clínica de emagrecimento recebe pacientes adultos com peso seguindo uma distribuição Normal com média 130 Kg e desvio-padrão 20 kg. 6a edição. 2.3. P(X ≤ 1). 3. b. A Estatística Básica e Sua Prática. Moore DS. Estatística Básica.10. P(X > −6). Ser inferior a 1.2 Seja X ∼ N (−5. 11 Referências 1. Rio de Janeiro: 4.3 Exercícios: 10. c. 10). 10a edição.1 Seja X ∼ N (4. 23 . P(2 < X < 5). P(2 ≤ X ≤ 2). Determine: a. 10. Montgomery DC. Lima ACP. b. Vieira S. P(5 ≤ X ≤ 7). b. São Paulo: Editora Edusp (2005). Ser superior a 2. São Paulo: Editora Cenange Learning (2012). Triola MF. e. Determine a probabilidade de a média amostral: a.

9772 0.9890 0.7549 0.6554 0.9625 0.0 2.9719 0.9911 0.9987 0.8907 0.9984 0.6443 0.8315 0.9115 0.4 3.9192 0.0000 4 0.9971 0.8212 0.8531 0.9943 0.9525 0.9952 0.8686 0.7357 0.5753 0.6103 0.7123 0.9997 0.9032 0.5 0.9251 0.9756 0.9949 0.9940 0.9812 0.9236 0.9904 0.6664 0.7704 0.0 0.7764 0.6950 0.9535 0.7324 0.6 1.7734 0.6026 0.9738 0.9861 0.8289 0.9965 0.9918 0.8413 0.9767 0.5199 0.7 0.7823 0.9998 0.4 2.8980 0.9463 0.8708 0.9656 0.9956 0.9991 0.9222 0.9990 0.9693 0.9988 0.7673 0.6331 0.8925 0.9995 0.9982 0.9279 0.9830 0.8944 0.9864 0.9793 0.9906 0.6628 0.8869 0.9999 0.9875 0.8 1.0000 6 0.9 3.6772 0.9671 0.5319 0.5987 0.9999 1.0000 5 0.9957 0.0000 8 0.9591 0.9306 0.8023 0.9838 0.9997 0.9901 0.9817 0.9821 0.9706 0.9992 0.9834 0.9974 0.5596 0.9993 0.Probabilidade Tabela da Distribuição Normal Padrão P(Z<z) 0 z z 0.9996 0.9979 0.7 2.9 2.9332 0.9999 0.8133 0.5359 0.9997 0.9994 0.9986 0.9997 0.9992 0.9986 0.3 3.9994 0.9418 0.9999 1.1 1.5160 0.6141 0.9931 0.8888 0.9969 0.2 1.9345 0.9177 0.7422 0.8340 0.9049 0.9750 0.7642 0.9999 0.9964 0.9994 0.7580 0.9265 0.5 2.7 1.9744 0.9938 0.9370 0.9495 0.9996 0.9960 0.6915 0.7852 0.9997 0.7995 0.9998 0.9999 0.8849 0.9678 0.7881 0.9803 0.9898 0.9484 0.9997 0.8438 0.6 0.5517 0.9999 0.5239 0.8770 0.8962 0.9981 0.0 3.9066 0.9999 1.5398 0.9991 0.5871 0.9962 0.7 3.9573 0.8078 0.9554 0.9993 0.9857 0.9808 0.1 0.9881 0.9916 0.9998 0.9131 0.9989 0.9394 0.8 2.7389 0.9649 0.9996 0.9994 0.9987 0.9726 0.8 0.9995 0.9545 0.9761 0.9968 0.9961 0.9 1.9999 1.9686 0.9999 0.9999 0.9999 0.9999 0.9633 0.9582 0.9989 0.9515 0.9998 0.9788 0.9997 0.0000 9 0.9884 0.9981 0.5948 0.9988 0.9913 0.9976 0.9452 0.9941 0.9783 0.7967 0.9985 0.9999 1.9319 0.5000 0.9963 0.6736 0.9990 0.9713 0.6879 0.9920 0.6217 0.9997 0.9998 0.6985 0.8997 0.9664 0.6517 0.9999 0.7517 0.9292 0.6480 0.9999 1.7054 0.9990 0.9975 0.5 1.9996 0.9015 0.9641 0.9099 0.5279 0.9993 0.9955 0.5832 0.9854 0.9082 0.9 0 0.9996 0.9999 1.9932 0.8643 0.6844 0.5120 0.5040 0.9994 0.6406 0.8729 0.4 1.7611 0.2 2.9977 0.9970 0.9999 1.0000 2 0.3 1.8365 0.9983 0.6591 0.9953 0.7291 0.9441 0.9871 0.7939 0.0 1.8790 0.8554 0.9998 0.2 0.9896 0.9978 0.6368 0.7794 0.9974 0.8051 0.9987 0.9616 0.5478 0.5910 0.7088 0.9699 0.6 3.2 3.4 0.9999 1.8485 0.8461 0.9948 0.9995 0.9909 0.9997 0.9999 0.9998 0.9846 0.8159 0.9608 0.8264 0.7454 0.9972 0.9162 0.6179 0.9999 0.6700 0.9564 0.7910 0.9989 0.9977 0.8577 0.9999 1.9998 0.5 3.5557 0.8389 0.5714 0.9842 0.7224 0.5675 0.9357 0.6293 0.8621 0.9992 0.9878 0.9985 0.9996 0.8106 0.0000 7 0.7157 0.9999 0.6 2.3 2.9922 0.9966 0.1 3.9995 0.9887 0.5080 0.9998 0.9984 0.9798 0.9406 0.9967 0.9934 0.8665 0.1 2.9982 0.0000 3 0.6064 0.9973 0.8830 0.9999 0.9599 0.9997 0.9998 0.9959 0.8508 0.9995 0.0000 1 0.9998 0.9147 0.9991 0.8186 0.9945 0.7190 0.5438 0.9936 0.9979 0.7257 0.9925 0.9429 0.5793 0.9946 0.9999 0.9992 0.8238 0.7019 0.9382 0.9999 0.9998 0.9893 0.9778 0.9850 0.9980 0.6808 0.9993 0.9474 0.7486 0.9951 0.0000 24 .9868 0.8749 0.5636 0.9999 0.3 0.9998 0.9826 0.6255 0.8810 0.9505 0.9732 0.8 3.8599 0.9927 0.9929 0.9207 0.9995 0.9999 0.

Sign up to vote on this title
UsefulNot useful