P. 1
Probabilidade

Probabilidade

|Views: 2.047|Likes:
Publicado porAmon Ravazzano

More info:

Published by: Amon Ravazzano on May 28, 2012
Direitos Autorais:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

06/16/2013

pdf

text

original

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

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

A ∪ B = {c. A ∩ B = ∅. 4 .: Ex. é o evento que consiste em todos os resultados que estão contidos em ambos os eventos. 4.1 Operações básicas de conjuntos A união de dois eventos A e B. Ex. é a ocorrência simultânea de A e B. denotada por A ∩ B .: Experimento: Lançamento de uma moeda. 5}. 3.1. Se denimos por C: ocorrência de face par no lançamento. 2.: • Experimento: Lançamento de um dado. A B Intersecção Observemos que. Experimento: Contar o no de lhos de famílias de um determinado bairro.1 Operações básicas de conjuntos Probabilidade 1. C ∩ D = 4. c}. ou seja. Experimento: Lançamento de um dado.: • Experimento: Contar o no de lhos de famílias de um determinado bairro. E ∪ F = {0. denotada por A ∪ B . • Experimento: Lançamento de uma moeda. simultaneamente. • • • Ex. A intersecção de dois eventos A e B. E ∩ F = {1. 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. • a intersecção de qualquer evento com o espaço amostral será o próprio evento. 1.: Ex. • a união de qualquer evento com o conjunto vazio será o próprio evento. Se denimos por A: ocorrência de cara e B: ocorrência de coroa. União. • a intersecção de qualquer evento com o conjunto vazio será o conjunto vazio. representa a ocorrência de pelo menos um dos eventos A ou B. teremos C ∪ D = {2. ou seja. 6}. é o evento que consiste em todos os resultados que estão contidos nos dois eventos. 2}. Se denimos E: ter menos de dois lhos e F: ter entre 1 e 5 lhos.: Ex. 4. A B União Intersecção. D: ocorrência da face 4 no lançamento. ¯ Ex.

2 Exercícios: Probabilidade Outros conceitos importantes são: dizemos que dois eventos A e B são disjuntos ou mutualmente exclusivos.2. Obtenha B ∩ A. Os eventos A e B são complementares. 3. 4. Considere os seguintes eventos: A = {2. 5} e D = {4}. 6}. 1. C = {1. 6}. Como já foi visto.1.2 No contexto do exercício 1. Construa o espaço amostral Ω se o interesse é: (a) (b) (c) (d) Saber o sexo do estudante. 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.2 Exercícios: 1. o espaço amostral é Ω = {1. B = {1. Os eventos A e B são disjuntos. C c e Dc . Saber o estado civil do estudantes.: Experimento: Lançamento de um dado.1 Suponha que iremos selecionar 1 estudante ao acaso de uma turma de estatística. Eventos complementares: • Ex. 2. Eventos disjuntos: • Ex. 3.2. A ∪ C e A ∪ D. 1. Saber a idade do estudante (em anos).: Experimento: Lançamento de um dado. 4. Obtenha Ac . Identique os dois eventos disjuntos entre estes 4 e explique por que o são. 5. ou seja. A ∩ B = ∅. Saber a altura do estudante (em metros). 5 .3 Considere um experimento que consiste no lançamento de um dado equilibrado. 5}. 4. Ω A Ac Complementar de A 1. (a) (b) (c) (d) Obtenha A ∪ B . O complementar de A será denotado por Ac e temos A ∪ Ac = Ω e A ∩ Ac = ∅. B ∩ C e B ∩ D. especique dois eventos possíveis de cada uma das 4 situações. B c . quando não têm elementos em comum.2.

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

1 Exercícios: 2. 2. precisamos subtrair uma vez P(A ∩ B).4 O diretor de uma escola perguntou aos 575 alunos se eles eram destros ou canhotos. estaremos somando a região de intersecção entre os dois eventos duas vezes (a região mais escura da representação da união acima). Porém. Estime a probabilidade de um aluno selecionado aleatoriamente nessa escola ser destro. 3 Regra da adição de probabilidades Vimos anteriormente três formas de atribuir probabilidades a eventos simples. Vamos pensar em como atribuir probabilidade para um evento que é a união de dois eventos. Então: P(A ∪ B) = P(A) + P(B) − P(A ∩ B) (3) Observe que. Dos 1728 clientes que passaram pelo caixa em uma semana. que envolvem mais de um resultado possível do espaço amostral.1 Considere o experimento de lançar duas moedas honestas.2 Joga-se um dado equilibrado. sejam A e B eventos de Ω. (a) Escreva o espaço amostral e as respectivas probabilidades. Da denição de probabilidade e a regra da adição implicam os seguintes resultados: 7 . Assim. 864 optaram pelo cartão de crédito como forma de pagamento e 174 pagaram pelo débito. ou seja. Assim. (b) Qual é a probabilidade de ocorrer uma cara? 2.1. Estes tipos de eventos são gerados pela aplicação de operações básicas de conjuntos a eventos simples. Encontrou 46 canhotos.1. Calcule as probabilidades pedidas. ou seja.1.1 Exercícios: Probabilidade 2.1. Qual é a probabilidade de ocorrer um número menor que 3? 2. é mais comum em situações reais termos eventos compostos. A probabilidade de um evento composto pode frequentemente ser determinada a partir de probabilidades dos eventos simples que o compreendem. intersecções e complementares de eventos são comumente de interesse. Uniões. se A e B foram disjuntos.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. a probabilidade de ocorrência de A ou B: A B União Estaremos então interessados em calcular P(A ∪ B).2. Note que se simplesmente somarmos P(A) com P(B). a expressão acima se reduz a: P(A ∪ B) = P(A) + P(B) (4) porque neste caso P(A ∩ B) = ∅.

3 Sejam A e B dois eventos em um dado espaço amostral tais que P(A) = 0. P(A ∪ B) = 0. P(A ∩ B). (b) P(A ∪ B). P(S) = 50/350 = 0. P(A) = P({a}) + P({b}) + P({c}) = 0. 2 = 0. 100 divorciados (38 fumavam) e 50 solteiros (11 fumavam). 6.4 e 0. 1 + 0.3. Sejam os eventos A = {a. 0. Para encontramos a probabilidade do evento A ∩ B devemos somar as probabilidades dos eventos simples eventos A e B. 2 = 0. 4 + 0. c. 109 = 0.1. 2 e P(A ∩ B) = 0. 286. 3.2. P(A ∩ B) = 0. e. Assim. Assim. Exemplo 3. O espaço amostral de um experimento aleatório é: Ω = {a. 286 + 0. Não ser esportista nem aluno da biologia. P(D) = 100/350 = 0. P(B) = P({c}) + P({d}) + P({e}) = 0. Sejam A e B eventos de Ω. Exemplo 3. 109. d. 0. b. 3.1 Exercícios: 3. com probabilidades 0. 3. (e) P(Ac ∪ B). 294.1 Se P(A) = 0. P(Ac ).1.1. Determine o valor de p. D = ser divorciado. P(B). P(B) = p. precisamos somar as probabilidades dos eventos simples que o compõem. 8 − 0. determine a probabilidade de obter alguém divorciado ou fumante. 2 = 1. (c) P(Ac ∩ B). 1. 1 + 0. P(A ∩ B) = P({c}) = 0. 4. 2. 4 = 0. 294 − 0. comuns b. Para encontramos a probabilidade do evento Ac : P(Ac ) = 1 − P(A) = 1 − 0. 5 e 3. 3. Para encontramos a probabilidade do evento A ∪ B devemos usar a fórmula da adição. 571. e}. d. a.1. determine as seguintes probabilidades: (a) P(Ac ).2. P(A ∪ B) = P(A) + P(B) − P(A ∩ B) = 0. Assim. respectivamente.000 são considerados esportistas. Um estudo sobre hábitos de fumantes compreendeu 200 indivíduos casados (54 fumavam).000 alunos dos quais 4. P(D ∪ F ) = P(D) + P(F ) − P(D ∩ F ) = 0. 100 são esportistas e da biologia diurno e 200 são esportistas e da biologia noturno. 2. P(C) = 200/350 = 0. (d) P(A ∩ B c ). Ser esportista e aluno da biologia noturno. Sabe-se ainda que 500 alunos são do curso de biologia diurno. Solução: Precisamos primeiro denir os eventos: C = ser casado. Assim. Não ser da biologia. 143 e F = ser fumante. 0. e pergunta-se a probabilidade de: (a) (b) (c) (d) (e) Ser esportista. d. Ser esportista ou aluno da biologia. Um aluno é escolhido. Solução: Para encontramos a probabilidade do evento A. P(A). Para encontramos a probabilidade do evento B faremos o mesmo processo da letra (a). c. P(A ∪ B). 8 . 4 + 0.1. Escolhido aleatoriamente 1 indivíduo. d. P(B) = 0. 8.1 Exercícios: Probabilidade 1. S = ser solteiro. Então P(A) = P(A ∩ B) + P(A ∩ B c ). Observemos ainda que P(D ∩ F ) = 38/350 = 0. P(F ) = (54 + 38 + 11)/350 = 0. c. 2 + 0. Determine as seguintes probabilidades: a. c} e B = {c. 1. b. aos e. ao acaso.2 Uma universidade tem 10. e}. 700 da biologia noturno. b. 471.1. Precisamos calcular P(D ∪ F ). 2.2. P(∅) = 0. Se A e Ac são eventos complementares então P(Ac ) = 1 − P(A).

. (4. (1. 1)... (1. 1). (5. 1).Probabilidade 4 Probabilidade condicional Algumas vezes o experimento aleatório com o qual trabalhamos pode ser separado em etapas.. 1). Dois dados equilibrados são lançados. Exemplo 4.. com P(A) > 0 Exemplo 4. Denamos dois eventos: A = {(3. Escolhendo-se.. Sejam A e B eventos de Ω. (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) ..1 Denição: Dados dois eventos A e B. uma de suas bolas. . (6. calcule a probabilidade dela ser: 9 . . (7) Dois armários guardam bolas de voleibol e basquete. (2. a.. então P(A|B) é arbitrariamente denida.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. Então: P(A|B) = b. 6). o espaço amostral será: Ω = {(1. . 1). 6)} sendo que cada resultado possível tem probabilidade 1/36 de ocorrer. 5. . Sabemos que P(A) = 1/36.. (6.. 6). (6.. (6. . (4. temos: P(A ∩ B) = P(A|B)P(B). 1). 1).. Ocorrer face ímpar no segundo dado.. . 3).. (1.... . Interpretação: A probabilidade P(A|B) revela a incerteza que se tem sobre o evento A supondo que ocorreu o evento B. 6). 1). 5). 1). P(D) 1/2 2 4. 6)}.. 6).. (5. (6. P(A ∩ B) = P(B|A)P(A). 5). O armário 1 tem 3 bolas de volei e 1 de basquete. denida da seguinte forma: 4.. b.. (2. (1. 6). 1). (5. . O que acontece é que 'ganhamos' informação e podemos recalcular as probabilidades de interesse... (6.. sabendo-se que ocorreu face par no primeiro dado. . . ao acaso. (2. (2. 056... Podemos interpretá-la como a chance relativa de A restrita ao fato que B ocorreu. Obter o par (3.. (3. 1).. em seguida. sabendo-se que ocorreu face ímpar no primeiro dado.. . 6). um armário e.4). enquanto o armário 2 tem 3 bolas de volei e 2 de basquete. Calcule a probabilidade de: a. P(B) > 0 P(B) (5) Se P(B) = 0.. (3.. P(B) 1/2 18 Denamos dois eventos: C = obter face ímpar no segundo dado = {(1.. (5... 1). A informação do que ocorreu em uma determinada etapa pode inuenciar nas probabilidades de ocorrências nas etapas sucessivas... 6).2. .. P(A ∩ B) 1/36 1 = = = 0. (3.. 6)}. 3). (2.1. 6). 1). (4. 1). (6. 5)} e D = obter face par no primeiro dado = {(2. com P(B) > 0 (6) ou similarmente.. Sabemos que P(C) = 18/36 = 1/2.. P(B) = 18/36 = 1/2 e P(A ∩ B) = 1/36. Solução: Para o experimento lançamento de dois dados equilibrados. . (4.. A essas probabilidades recalculadas denominamos probabilidade condicional.. Então: P(C|D) = P(C ∩ D) 1/4 1 = = = 0.. P(D) = 18/36 = 1/2 e P(C ∩ D) = 9/36 = 1/4. . 3). 4)} e B = obter face ímpar no primeiro dado = {(1.. (3. 1).. 6)..

b. P(F ∩ N ) = P(N |F )P(F ) = 0. enquanto essa porcentagem entre os não alérgicos é de 40%. 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. Uma escola de ensino médio do interior de São Paulo tem 40% de estudantes do sexo masculino. ao passo que. 75. sabendo-se que o armário 2 foi escolhido.3.4. a. 6 = 0. b. 325. 08.3. P(B|A2) = 2/5 = 0. Solução: Denindo os seguintes eventos: A1 = Armário 1. obtenha a probabilidade de: (a) Não praticar esporte. De volei. Sabe-se que 50% dos alérgicos praticam esporte. determine a probabilidade de: (a) Estudar na área de exatas. V = bola de volei e B = bola de basquete. b. 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. 2 das 5 bolas são de basquete. 20% nunca viram o mar. ou seja. (b) Ser alérgico dado que não pratica esportes. Para um indivíduo escolhido aleatoriamente nessa cidade.3 Exercícios: Probabilidade a. estima-se que cerca de 20% dos habitantes têm algum tipo de alergia. entre as meninas. 2 × 0. Solução: Denindo os seguintes eventos: M = sexo masculino. dado que estuda na área de biológicas.3 Exercícios: 4. sabendo-se que o armário 1 foi escolhido. (c) Ser da classe baixa. 30. temos: a. porque sabemos que no armário 1. F = sexo feminino e N = nunca ter visto o mar. P(A|B) = P(A) e consequentemente tem-se: 10 . Do sexo masculino e nunca ter visto o mar. 4. 4 = 0.2 A tabela a seguir apresenta dados dos 1000 ingressantes de uma universidade. 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 basquete. c. 4. A2 = Armário 2. 5 × 0. De basquete. Qual a probabilidade de que um aluno selecionado ao acaso seja: Exemplo 4.3. Do sexo feminino e nunca ter visto o mar. 3 das 4 bolas são de volei. porque sabemos que no armário 2. c. sendo de classe média.1 Numa cidade do interior de São Paulo. b. temos: a. 4. essa porcentagem é de 50%. P(V |A1) = 3/4 = 0. P(M ∩ N ) = P(N |M )P(M ) = 0. Entre estes. (b) Estudar na área de humanas.

C2 . .. os eventos B e Ac são independentes? Por quê? 5. ∀i = j 2.. 5. P(A|Ck ) sejam conhecidas..3 Se P(A) = 0.. o que desejamos saber é se o evento vítimas fatais é independente da situação do motorista (sóbrio ou alcoolizado).1. 8 e P(A) = 0.. Ci ∩ Cj = ∅. incluindo vítimas fatais e as condições do motorista envolvido. P(F |A) = P(F ). P(F |S) = 275/1503 = 0. com A e B mutuamente excludentes. P(B) = 0. Assim. precisamos vericar se P(F |A) = P(F ) e se P(F |S) = P(F ).. isto é: 1.1 Exercícios: 5. P(Ck ) são conhecidas. + P(A|Ck )P(Ck ) (9) 11 . Então... Suponha também que para um evento A. 8 e P(A) = 0..2 Se P(A|B) = 0. 242 e P(F ) = 1037/4658 = 0.. 3.1 Se P(A|B) = 0. sóbrio ou alcoolizado.1. o fato de o motorista estar ou não alcoolizado interfere na ocorrência de vítimas fatais..1 Exercícios: Probabilidade P(A ∩ B) = P(A)P(B) Exemplo 5. 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..Ck formam uma partição de Ω e que suas probabilidades P(C1 ). P(A|C2 ). Assim: P(A) = P(A ∩ C1 ) + P(A ∩ C2 ) + .. Assim: P(F |A) = 762/3155 = 0. P(B) = 0. P(F |S) = P(F ). + P(A ∩ Ck ) = P(A|C1 )P(C1 ) + P(A|C2 )P(C2 ) + .. k i=1 Ci = Ω Ω C2 C1 C3 C4 C5 C6 Partição do espaço amostral (k=6) 6. 223. 3.2 Denição: Teorema da Probabilidade Total Suponha que os eventos C1 . 4. (8) Estatísticas dos últimos anos do departamento estadual de estradas são apresentadas na tabela a seguir. Para vericar isso. P(C2 ).. os eventos A e B são independentes? Por quê? 5.1. C2 .1 Partição do espaço amostral Os eventos C1 . 2. 2. 5. A = motorista alcoolizado e F = vítimas fatais.. 223. contendo o número de acidentes.Ck formam uma partição do espaço amostral Ω se eles não têm intersecção entre si e se sua união é igual ao espaço amostral. eles são independentes? Por quê? 6 Teorema da Probabilidade Total 6. Assim. 183 e P(F ) = 1037/4658 = 0... P(B) = 0.1. . as probabilidades P(A|C1 ).5.

usado pelo fabricante. seja 0. 2 × 0.1. qual é a probabilidade de o paciente tê-lo de fato? 7.. utilize o teorema de Bayes para encontrar a probabilidade de que o HIV esteja efetivamente presente. 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) 0.1 Exercícios: 7. Ck formam uma partição de Ω e que suas probabilidades P (C1 ).. o exame de ultrassom o detectará com probabilidade 0. 601 P(P |H)P(H) + P(P |H c )P(H c ) 0.995.. 8 + 0. Qual será a probabilidade de um rolo selecionado aleatoriamente. 995 × 0. 60% são ou foram casadas e 40% são solteiras.1. O ELISA é o tipo mais comum de teste de triagem para detecção do HIV.3..3 Exercícios: Probabilidade Exemplo 6. P (A|C2 ). Exemplo 7. Solução: Vamos denir os seguintes eventos: P = resultado positivo no teste ELISA. Sabemos que P(H) = 0. 995 × 0. (10) Este é um resultado útil por permitir resolver P(Cj |A) em termos de P(A|Cj ). P(Cj |A) = P(A|Cj )P(Cj ) k i=1 P(A|Ci )P(Ci ) .015. 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. Se o exame detectou um tumor. Se o HIV estiver efetivamente presente. Se o HIV não estiver efetivamente presente.6. Um resultado positivo em ELISA indica que o HIV está presente.9. Se o ELISA tiver apresentado um resultado positivo. Suponha também que para um evento A.1. Assim. pois isto ocorreu em 70% dos casos similares que tratou.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. para uma certa população.1 Um médico descona que um paciente tem um tumor no abdômen. P(A|B c ) = 0. erroneamente. 16 + 0. Sendo solteira.. a probabilidade de um resultado positivo a partir do ELISA é 0.1. 01 × 0. P(P |H) = 0.. Qual a probabilidade de uma paciente escolhida ao acaso ter tido um distúrbio hormonal? b. para qualquer j. Suponha que a probabilidade de uma pessoa estar infectada com o HIV. 985 0. o exame pode.. 2. qual a probabilidade de ser solteira? 12 . Pergunta-se: a. 3 × 0. 0149 = = = 0. 22. a probabilidade de ter tido um distúrbio hormonal no último ano é de 10%. 015 + 0.01. Solução: Sabemos que B e B c formam uma partição de Ω. 0248 7. Entretanto. 06 = 0.2 Das pacientes de uma Clínica de Ginecologia com idade acima de 40 anos. N = resultado negativo no teste ELISA e H = vírus HIV efetivamente presente. indicar que tem com probabilidade 0. P (A|Ck ) sejam conhecidas.P (Ck ) são conhecidas. Qual é o valor de P(A)? 6.. Dos rolos usados por um fabricante. . 015. as probabilidades P (A|C1 ). 015 0.. se ele não tiver o tumor. a probabilidade de que o teste ELISA apresente um resultado positivo é 0.. . Se a paciente sorteada tiver distúrbio hormonal.3 Exercícios: 6. enquanto que para as demais essa probabilidade aumenta para 30%. 70% são de algodão e 30% são de náilon. Se o paciente de fato tiver o tumor. 8. 2 = 0. 3 e P(B) = 0.1. conter falhas? 7 Teorema de Bayes Suponha que os eventos C1 . C2 . Suponha P(A|B) = 0. P (C2 ).

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. 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.. .2.1 Função discreta de probabilidade A função que atribui a cada valor da variável aleatória a sua probabilidade é denominada função discreta de probabilidade. (11) ou ainda. Experimento: Lançamento de dois dados equilibrados.. ou simplesmente. É geralmente representada por uma letra maiúscula. Sendo uma função de probabilidade.. função de probabilidade. Um meteorologista da TV acerta suas previsões em 80% dos dias em que chove e em 90% dos dias em que não chove.1. Se houve acerto na previsão feita.. Muitas vezes são resultantes de contagens e assumem valores inteiros. 2. Exemplo 8. Qual é a probabilidade do meteorologista acertar sua previsão? b. a. ou innito enumerável de possibilidades.. Experimento: Lançamento de um dado equilibrado.1. Como já dissemos antes.1. o valor medido da variável aleatória é denotado por uma letra minúscula. Depois que um experimento é conduzido. uma variável aleatória discreta é uma variável que assume valores em um conjunto nito. como X. satisfaz 0 ≤ pi ≤ 1 e Exemplo 8. Assim. i = 1. X pi x1 p1 x2 p2 x3 p3 i . P(X = 1) = P(X = 2) = .. as probabilidades são obtidas contando-se o número de vezes que cada resultado apareceu e dividindo-se pelos 36 resultados possíveis: 13 . equivalentemente. a probabilidade de chuva em um dia qualquer de primavera é 0.Probabilidade 7. X pi 1 1/6 2 1/6 3 1/6 4 1/6 5 1/6 6 1/6 ou. . A notação a ser utilizada é: P(X = xi ) = p(xi ) = pi . 8. = P(X = 6) = 1/6.3 Numa certa região. X = face obtida no lançamento do dado. pi = 1. 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. como x = 25 anos...

10 0. F(2. recebiam outra dose de vacina. b. ou seja. a função de distribuição é:  0     0. após um mês. Para isso precisamos obter a função de distribuição no ponto 2. as crianças recebiam uma dose de vacina e.05 0.1)=F(2.     se x ≥ 5.45)=F(2. A função de probabilidade da variável aleatória X = número de doses recebidas é: b.288.99).     se 4 ≤ x < 5. 288 = 0. 934     1      se 1 ≤ x < 2. como a variável só assume valores inteiros. Calcule as probabilidades de: a. calcular a probabilidade acumulada de ocorrência dos valores menores ou iguais a 2. 789    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 0.8. Observe que. para qualquer número real x.15 0. Utilizando a abordagem frequentista para atribuir probabilidades. se x < 1. Assim: F (2) = P(X ≤ 2) = P(X = 1) + P(X = 2) = 0.00 0.3. No estudo. Os resultados completos estão na tabela a seguir: Doses Freq. 533 F (x) =   0. 245      0.20 2 3 4 5 6 7 8 9 10 11 12 Soma dos valores das duas faces dos dados 8. pela seguinte expressão: F (x) = P(X ≤ x) = xi ≤x Exemplo 8. Por essa razão. a probabilidade de uma criança ter recebido exatamente duas doses é 288/1000=0. Solução: a. Caso ainda tivessem tido alguma reação alérgica. Assim. esse valor ca inalterado no intervalo [2. passavam por um novo teste.   se 3 ≤ x < 4.3).     se 2 ≤ x < 3. 533.2 Função de distribuição de probabilidade A função de distribuição ou função acumulada de probabilidade de uma variável aleatória discreta X é denida. 533. ou seja. Uma criança desta população sorteada ao acaso tenha recebido até 2 doses. 1 245 2 288 3 256 4 145 5 66 Uma criança desta população sorteada ao acaso tenha recebido 2 doses. Ao m de 5 doses todas as crianças foram consideradas imunizadas. 14 . para 2 ≤ x < 3. 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. escrevemos F (x) = P(X ≤ x) = 0.

8 q 0.6 F(x) q 0.0 q q 0.288 3 0. onde E(X 2 ) = 2 i=1 Cálculo da média e da variância no Exemplo 8.245 2 0. 167 − 72 = 54. 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)) . A variância é uma medida da dispersão ou variabilidade da distribuição.0 0.256 4 0. 833 − 49 = 5.066 1.2: 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 = 54.8.3 Média e variância de uma variável aleatória discreta Probabilidade Doses Freq.2 q 0 1 2 3 4 5 6 Número de doses de vacina 8. Veremos agora como calcular esses dois valores de uma variável aleatória discreta. 1 0. denotada por µ ou E(X).145 5 0. A média ou valor esperado de uma variável aleatória discreta X. 833 15 . é: n µ = E(X) = i=1 xi p(xi ) (13) Ea variância de uma variável aleatória discreta X. A média (ou valor esperado) é uma medida do centro da distribuição de probabilidade. 833 V (X) = E(X 2 ) − (E(X))2 = 51.4 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.

3: 5 E(X) E(X 2 ) V (X) = i=1 5 xi p(xi ) = 1 × 0. P(X ≤ 1).8. 9     1      se 10 ≤ x < 12.4 As árvores são sujeitas a diferentes níveis de atmosfera de dióxido de carbono. 426 8. 9. b. P(X ≤ 12). 4. P(X < 12). 0. d. se x ≥ 25. 2. P(X = 4).        Determine: a.4 Exercícios: Probabilidade Cálculo da média e da variância no Exemplo 8. e. 75     1            P(0 ≤ X < 10). 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. e. 499 x2 p(xi ) = 12 × 0. f. 8. c. e. se 13 ≤ x < 25. P(X < 0). se − 10 ≤ x < 30. 25 a. P(−10 < X < 10). 47% a 550 ppm (crescimento moderado) de CO2 e 37% a 650 ppm (crescimento rápido) de CO2 . 4992 = 1. P(40 ≤ X < 60). 145 + 5 × 0. 288 + 3 × 0. Calcule: c. P(X ≤ 40). P(12 ≤ X ≤ 20). 8. 9 Variáveis aleatórias contínuas Uma variável aleatória contínua assume valores em um intervalo dos números reais e é geralmente proveniente de mensuração. se x ≥ 50. d. 245 + 22 × 0. Precisamos estabelecer uma forma para atribuir probabilidades às diversas realizações deste tipo de variável. 066 = 2. d. 671 i i=1 = = E(X 2 ) − (E(X))2 = 7. 25  0. Determine as seguintes probabilidades: a. 288 + 32 × 0. x = 0. 066 = 7. b. P(X > −1). P(2 ≤ X < 4). A função de probabilidade de X .2 Uma variável aleatória discreta X tem a seguinte função de distribuição: F (x) =       0 se x < −10. b.4. 256 + 4 × 0.4 Exercícios: 8.1 Seja P(X = x) = 2x+1 . 256 + 42 × 0. se 30 ≤ x < 50. 1. 245 + 2 × 0. sendo que 6% das árvores em CO2 .3 Uma variável aleatória discreta X tem a seguinte função de distribuição:   0     0. f. 8. Determine uma condição de crescimento mínimo a 350 partes por milhão (ppm) de CO2 .4. Calcule a média e a variância de X . 671 − 2. 5    0. 3. 2   0. Calcule a média e a variância de X . P(X > 18). F (x) = se 12 ≤ x < 13. c. que pode assumir um número innito de valores diferentes. 145 + 52 × 0.    se x < 10.4. P(X ≤ 50).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 .4.

5 = 1 − 0.      c. 8) = F (2. para quaisquer valores de a e b. 5) = d. 5) = 5 x 3. b). 3. 3 = 0. 5) = (1 − P(X > 3. b. b a f (x)dx = área sob a curva de f (x) de a até b. P(X < 4. equivale a somar as duas probabilidades. 5) = 1 − F (1.1. Exemplo 9. 2. Como consequência da forma com a qual atribuímos probabilidades no caso contínuo. se x ≥ 5. a probabilidade de ocorrência de um valor isolado é sempre zero e. P(X < 3. 4. Determine as seguintes probabilidades: b. A área denida por f (x) é igual a 1. 7031 2 3 8 2 2 16 P(X < 3.2 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. ou seja. e.75 16 b. 2031 + 0. A área de cada barra é igual a frequência relativa dos valores do respectivo intervalo. P(4 < X > 5) = P(X < 4. 5)) + (1 − P(X < 4. as probabilidades calculadas sobre os intervalos [a. 5) ou P(X > 4. 5) = 1 − 0. b]. P(X > 3. i.9. (a. Suponha que a função de distribuição acumulada de uma variável aleatória X seja: F (x) =      0 1 se x < 0. ∞).25 = 0. a.25 2 = 0. 4375 = 12.: ∞ −∞ f (x)dx = 1. 7031) = 0. 5625 2 4 8 2 2 4. P(X < 2.25 − 9 = 11. em se tratando de variáveis aleatórias contínuas. 5) Solução: a. 5) c. 5) e. 7969) + (1 − 0. P(4 < X < 5) d. 0. Assim. consequentemente. 2x se 0 ≤ x < 5. Um histograma que tem nas ordenadas a densidade de frequência é uma aproximação da função de densidade.5 x dx 3 8 5 x2 9 = 1 25 − 16 = 16 = 0. teremos área zero sob qualquer valor individual. ii. d dx F (x). para − ∞ < x < ∞ (16) Existe uma relação entre f (x) e F (x): f (x) = Exemplo 9. 5) ou P(X > 4. P(X = k) = 0 para qualquer k. 5) P(X < −2) d. b. 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. 2 × 1. a. b] e (a. 3 < x < 5. P(X > 6) e. 7 17 . 5) como os dois eventos são disjuntos. [a. P(X < 3. 8) P(X > 1.5 8 dx 5 x 4 8 dx = = = 5 x2 2 3. P(X < 2.5 = 12. Isso signica que. Determine as seguintes probabilidades: P(1 < X < 2) Solução: a. 7969 c.2. P(X < 4) Suponha f (x) = x/8.5 x2 = 1 20. 5 9. 8) = 0. A frequência relativa é uma estimativa da probabilidade de um valor medido cair naquele intervalo. ou seja. 5 ∪ X > 4. P(X > 3. f (x) ≥ 0.2 Função de distribuição acumulada Probabilidade 1. 8 = 0. P(a ≤ X ≤ b) = Obs. ∀x ∈ (−∞. 56 P(X > 1. 2 × 2. b) são as mesmas. 2969 = 0. 5)) = (1 − 0.

e. 05 . 2 9. P(X < 1. 25x + 0.3 Média e variância de uma variável aleatória contínua A média ou valor esperado de uma variável aleatória contínua X. 5 < X < 0. 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. 8).3 A quantia gasta anualmente. 4 − 0. P(X > −1.2 Suponha que a função de distribuição acumulada de uma variável aleatória X seja: F (x) =      0 0.1 Seja f (x) = 1. 5). 18 . 0832 = 0. −1 < x < 1. b.3 Média e variância de uma variável aleatória contínua Probabilidade c. em milhões de reais. 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. A função de densidade de X . e. caso contrário. Calcule a média e a variância de 9. 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. P(−1 < X < 1).1. 5 ≤ y < 2. P(X > 0).   se x ≥ 2. 9. 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. d. d. d. 2 = 0.4. P(−0.4. c. P(X < −2). f.4 Exercícios: 9. 329 9. 5). P(X < −2). e. c. P(X > 0. 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. x2 f (x)dx (20) f (x) = x/8. Determine x tal que P(X > x) = 0. Calcule: a. se − 2 ≤ x < 2. 2 × 1 = 0. com função de densidade dada por ∞ f (x). b. 2 × 2 − 0. A média e a variância de X . X .4. f. 5 1 se x < −2. 5x2 .9.    Determine: a.

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

9). Portanto. consequência direta da simetria desta densidade. 20 .1. abaixo do valor 1. b]. o qual encontramos olhando na coluna 0 e na linha 1. A tabela que utilizaremos nos dará a probabilidade P(Z < z). Obtenha as probabilidades: a. Se X ∼ N (2. A tabela é organizada da seguinte forma: somando os cabeçalhos de linha e coluna. Por exemplo.0. como o fato de a área total sob a curva ser igual a 1 e P(Z > 0) = P(Z < 0) = 0. Para determinar a probabilidade de X ∈ [a. 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 . se quisermos encontrar P(Z < −1. 5) = P(Z > 1. obtenha P(2 < X < 5) e P(X > 4).1 A tabela Normal Padrão Como dissemos. 5). 5). utilizamos a Normal Padrão para obter probabilidades. 5) = 1 − P(Z < 1. 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. obtemos os valores de Z que deixam as áreas correspondentes às células no corpo da tabela à sua esquerda no gráco da densidade. porque a simetria é em torno do zero.1 A tabela Normal Padrão Probabilidade média 0 e variância 1. 5.10. Exemplo 10.0 temos 0.8413 de área (probabilidade). 1) e será denominada procedemos da seguinte forma: Normal Padrão . σ 2 ) e dena uma nova variável: Z= X −µ σ (22) e assim Z ∼ N (0. 10. as probabilidades são obtidas a partir de valores tabelados da Normal Padrão. Considere X ∼ N (µ.

050. 3212. devemos somar 0.92. Se X ∼ N (6. 025. P(2 < X < 5) = P X−2 √ 9 2−2 √ 9 4−2 √ 9 Solução: a. 7486 = 0.5 e procurar no corpo da tabela o valor que deixa 0. 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. O valor de c tal que P(X > c) = 0. 2514 b. a = 0. 1).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 10.92. 0013 P(0 < z < a) = 0. 5) = 0. 3413 P(X > 4) = P > = P(Z > 2/3) = P(Z > 0. 6826 = 1 − P(Z < 3) = 1 − 0. 3212. determine: a. 025 21 . c. 025 → P X−10/3 √ 1/3 b−10/3 < √ 1/3 b−10/3 =P Z< √ 1/3 Solução: a. O valor de b tal que P(X < b) = 0. determine a. b.10. < X−2 √ 9 < 5−2 √ 9 = P(0 < Z < 1) = 0. f(x) f(x) 0 1 x 0 0. 8413 − 0. d. 5 = 0. 8413 − 0. o valor de e tal que P(3 < X < e) = 0. 500. P(X < b) = 0.8212 de área abaixo dele. obtenha P(5 < X < 7) e P(X < 3). = 0. 1) e P(0 < z < a) = 0. Se Z ∼ N (0. que é o 0. o valor de d tal que P(X > d) = 0. c. Para encontrar o valor a. 67) = 1 − 0. 2/3). c. item (b) P(5 < X < 7) Figura 5: item (b) P(X < 3) Seja X ∼ N (10/3. Então.1 A tabela Normal Padrão Probabilidade b. 350.2. 9987 = 0.

05 → P Deve-se então procurar na tabela Normal padrão o valor que deixe 0. Assim e−10/3 = 0.10. Assim: b−10/3 = −1. 96 → b = −1. com média µ e desvio-padrão σ/ n.975 de área abaixo dele.025 de área abaixo dele.2 Teorema Central do Limite Probabilidade Deve-se então procurar na tabela Normal padrão o valor que deixe 0. que é 1. 64 → c = 1. X−10/3 √ 1/3 c−10/3 > √ 1/3 c−10/3 =P Z> √ 1/3 = 0. Esse valor é o 1. 41 → c = 0. 44/40 = P(Z > −1. 35 → P Deve-se então procurar na tabela Normal padrão o valor que deixe 0. Este teorema é importante porque. 35 P(3 < X < e) = 0. 6 e 8 com. 05 P(X > d) = 0. 1/3 c. 28. Para calcular a probabilidade da média amostral superar o valor 5. 6587 de área abaixo dele. então as médias amostrais terão distribuição normal para qualquer tamanho de amostra. 44/40 > 5 − 5.96. temos: Exemplo 10. 64 × 1/3 + 10/3 = 4. 39 → c = 0.3. Somamos 0. ¯ P(X > 5) = P ¯ X − 5..64. que é o 0. 39 × 1/3 + 10/3 = 3. e usar o simétrico negativo do mesmo.2 Teorema Central do Limite O Teorema Central do Limite diz que.. 41 × 1/3 + 10/3 = 3.95 de área abaixo dele. 50 10. 4 4. 22 . 1587. 44.4. Usando a simetria. 1/3 b. sendo que a aproximação melhora quanto maior for o tamanho da amostra e. 56.. Podemos concluir que. a distribuição da média amostral. P(X > c) = 0. 1/3 c. 41. quando o interesse for estudar a média amostral. 20. ¯ tivermos amostras de tamanho n > 30. 5 a essa probabilidade e procuraremos o valor √ que deixa 0. 1) σ/ n (23) Em resumo: Se temos... consideramos que 40 observações é uma amostra grande o suciente para usar o Teorema Central do Limite.. 96 × 1/3 + 10/3 = 2. devidamente padronizada.3. ou seja: ¯ X − µ n→∞ √ → N (0.39. E podemos usar isso quando. Uma amostra com 40 observações é sorteada. Esse valor é o 0. a distribuição das médias √ amostrais x tende para uma distribuição normal. à medida que o tamanho da amostra aumenta. 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. probabilidades 0. 8849. para uma amostra grande. 50 → P Através da tabela Normal padrão. A variável X não tem distribuição Normal e obtemos µ = 5.96. Apesar de não ser simétrica. temos que P(X < −1) = 0.3 e 0. Uma variável aleatória X assume os valores 3. se comporta segundo um modelo normal com média 0 e variância 1. se a própria distribuição original for normal. podemos usar ¯ a distribuição normal para estudar X probabilisticamente. que √ é -1. 20) = 0..65 de área abaixo dele. Assim: d−10/3 √ = 0. podemos buscar no corpo da tabela o valor que deixa 0. Assim: c−10/3 √ = 1. 20) = 1 − P(X < 1. 4 e σ 2 = 4. 0. 57. X−10/3 √ 1/3 d−10/3 > √ 1/3 c−10/3 =P Z> √ 1/3 = 0. respectivamente. 4 4.. 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.

4 Uma clínica de emagrecimento recebe pacientes adultos com peso seguindo uma distribuição Normal com média 130 Kg e desvio-padrão 20 kg. Rio de Janeiro: Editora LTC (2008). 1). P(X ≥ 3). Vieira S.3 Seja X ∼ N (5/4. 5a Edição. d. A Estatística Básica e Sua Prática. P(X ≤ 0). Determine a probabilidade de a média amostral: a. Editora LTC (2012). c.3 Exercícios: 10. Rio de Janeiro: Editora LTC (2011). P(X ≤ 3/5). b. 1a Edição. 11 Referências 1.3.3. Para efeito de determinar o tratamento mais adequado. 10). Estatística Básica. 10. Determine: a. 10. Determine: a. Ser inferior a 1. Rio de Janeiro: 4. b.3. b. Estatística Aplicada e Probabilidade para Engenheiros. f. Montgomery DC. P(X ≤ 1).10. Magalhães MN. enquanto os 25% de maior peso de 'obesos'. P(X ≤ 7/5). São Paulo: Editora Edusp (2005). 1/9). 6a edição. d. 3. c. Noções de Probabilidade e Estatística.3. c. c. P(4 < X < 5). 10.1 Seja X ∼ N (4. 10. e. P(X ≤ 4).5. b. os 25% pacientes de menor peso são classicados como 'magros'. d. Moore DS. Determine: a. Estar entre 0 e 2. P(5 ≤ X ≤ 7).2 Seja X ∼ N (−5. 10a edição. P(0 ≤ X ≤ 6/5). São Paulo: Editora Cenange Learning (2012). 2). Dtermine os valores que delimitam cada uma dessas classicações. P(−5 < X ≤ −2). 5. Introdução à Estatística. Triola MF.3. P(−7 ≤ X ≤ −6). Ser superior a 2.3 Exercícios: Probabilidade 10. P(X > −6). 2. 5a Edição. Lima ACP. P(2 ≤ X ≤ 2). P(2 < X < 5).5 Coleta-se uma amostra de 10 observações independentes de uma N (2. Runger GC. 23 .

7486 0.9713 0.7157 0.9996 0.7357 0.9981 0.8888 0.3 0.9854 0.9726 0.9999 0.9980 0.6554 0.8 3.0000 1 0.9306 0.9066 0.9515 0.9999 1.2 0.7642 0.4 2.9990 0.9998 0.9999 0.9997 0.1 2.5359 0.7549 0.6915 0.8159 0.0000 3 0.9956 0.9995 0.9931 0.9292 0.8365 0.9994 0.9957 0.9920 0.5 3.9936 0.8461 0.9971 0.9904 0.7852 0.9979 0.8 1.9999 1.9999 0.5120 0.7611 0.9699 0.9925 0.7 0.9875 0.9686 0.9995 0.9999 0.0000 5 0.9968 0.7910 0.7291 0.9943 0.9987 0.8315 0.9986 0.9998 0.9265 0.9998 0.9970 0.9967 0.8389 0.9973 0.9649 0.8980 0.4 3.9554 0.9960 0.9913 0.9918 0.9664 0.0000 9 0.7967 0.9991 0.9884 0.9932 0.9998 0.9999 0.5675 0.9838 0.5871 0.7454 0.9319 0.9418 0.6628 0.5319 0.6664 0.9099 0.9236 0.6255 0.9998 0.5438 0.9015 0.9834 0.8962 0.9808 0.8770 0.7019 0.9893 0.9996 0.9744 0.9251 0.8554 0.9999 1.8749 0.5 1.9394 0.9750 0.8340 0.9998 0.6772 0.7794 0.8485 0.7054 0.9591 0.9984 0.9573 0.7580 0.9798 0.9582 0.5987 0.5478 0.9535 0.9991 0.9994 0.9803 0.9945 0.9991 0.9999 0.8438 0.9406 0.9147 0.9887 0.9995 0.5199 0.9 2.8289 0.6 0.9997 0.0 1.6406 0.9793 0.9788 0.9998 0.9963 0.9989 0.9999 0.9222 0.9846 0.7734 0.3 3.9978 0.9656 0.6026 0.6808 0.7190 0.9934 0.6293 0.5239 0.9975 0.9927 0.8 0.9812 0.9951 0.7823 0.9049 0.9999 0.5636 0.9177 0.9997 0.9909 0.5160 0.9998 0.9953 0.9999 0.9207 0.9997 0.7123 0.9987 0.9032 0.9995 0.6 2.8686 0.7517 0.9998 0.9995 0.9974 0.7881 0.9821 0.9962 0.9922 0.9131 0.9929 0.6 1.9864 0.9984 0.9993 0.9982 0.9495 0.8849 0.8413 0.9988 0.6950 0.9999 0.2 2.9599 0.9761 0.8186 0.9972 0.9994 0.0000 6 0.9564 0.9990 0.6331 0.1 3.6700 0.9706 0.9738 0.5040 0.6443 0.9162 0.6480 0.9429 0.9896 0.9826 0.5 2.9977 0.9961 0.8708 0.6844 0.5517 0.0 3.8508 0.8238 0.7764 0.9911 0.9998 0.7 3.9641 0.9997 0.8925 0.3 1.9997 0.9999 1.5832 0.9783 0.9948 0.Probabilidade Tabela da Distribuição Normal Padrão P(Z<z) 0 z z 0.7 1.4 1.8944 0.0 0.9999 0.8643 0.9979 0.9115 0.9999 0.9992 0.9992 0.9996 0.9949 0.9 3.9878 0.9965 0.9868 0.9994 0.9192 0.9778 0.9332 0.9964 0.9940 0.9484 0.9966 0.7224 0.8810 0.9988 0.9345 0.9992 0.7257 0.9998 0.9999 1.9989 0.9997 0.2 3.5279 0.8907 0.6879 0.9616 0.9370 0.9732 0.0000 8 0.9999 0.8869 0.8599 0.9916 0.9357 0.9999 1.9999 0.6368 0.9990 0.0000 7 0.9952 0.9997 0.9977 0.3 2.5948 0.9719 0.9996 0.9625 0.9279 0.9693 0.9998 0.9898 0.0000 24 .9969 0.9906 0.7 2.9999 0.7995 0.8729 0.9938 0.5596 0.9946 0.9861 0.9998 0.0000 2 0.9901 0.5000 0.9881 0.9857 0.9545 0.9974 0.9976 0.9995 0.9986 0.7422 0.9756 0.8790 0.9993 0.9992 0.8106 0.9525 0.9999 1.9767 0.8577 0.7704 0.9987 0.9452 0.8665 0.9842 0.6103 0.8997 0.6591 0.8 2.9981 0.9 0 0.8023 0.5080 0.9671 0.8078 0.7324 0.5398 0.8051 0.5910 0.8531 0.9474 0.9463 0.7939 0.9382 0.8264 0.9 1.9850 0.9890 0.9985 0.9999 0.5 0.9441 0.0000 4 0.9994 0.9941 0.1 0.9505 0.9983 0.9996 0.9959 0.2 1.9082 0.9996 0.9830 0.9997 0.9999 0.5557 0.8621 0.9989 0.6179 0.9999 1.5714 0.6141 0.9999 1.1 1.9999 1.0 2.7673 0.9678 0.9871 0.5753 0.5793 0.9955 0.7088 0.9633 0.9999 0.8830 0.9993 0.9985 0.7389 0.9608 0.9997 0.8133 0.6985 0.9772 0.8212 0.4 0.9817 0.9993 0.6 3.6736 0.6517 0.6217 0.9982 0.6064 0.

You're Reading a Free Preview

Descarregar
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->