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

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

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

1. 1. 4. B = {1. Saber o estado civil do estudantes. 5. Identique os dois eventos disjuntos entre estes 4 e explique por que o são. 4.: Experimento: Lançamento de um dado.2. o espaço amostral é Ω = {1. 3. 5}. Considere os seguintes eventos: A = {2.2. 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. O complementar de A será denotado por Ac e temos A ∪ Ac = Ω e A ∩ Ac = ∅. 5} e D = {4}.2 No contexto do exercício 1. especique dois eventos possíveis de cada uma das 4 situações.3 Considere um experimento que consiste no lançamento de um dado equilibrado. B ∩ C e B ∩ D. Obtenha B ∩ A. C = {1. B c .2 Exercícios: 1. 6}. Saber a idade do estudante (em anos). Ω A Ac Complementar de A 1. A ∪ C e A ∪ D. Saber a altura do estudante (em metros). Os eventos A e B são complementares.1. 4.2 Exercícios: Probabilidade Outros conceitos importantes são: dizemos que dois eventos A e B são disjuntos ou mutualmente exclusivos. 3. Os eventos A e B são disjuntos. C c e Dc . A ∩ B = ∅. Construa o espaço amostral Ω se o interesse é: (a) (b) (c) (d) Saber o sexo do estudante. Como já foi visto.2. Eventos disjuntos: • Ex.1 Suponha que iremos selecionar 1 estudante ao acaso de uma turma de estatística. 2. 6}.: Experimento: Lançamento de um dado. Eventos complementares: • Ex. Obtenha Ac . quando não têm elementos em comum. 5 . (a) (b) (c) (d) Obtenha A ∪ B . ou seja.

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

1 Exercícios: 2. 864 optaram pelo cartão de crédito como forma de pagamento e 174 pagaram pelo débito. estaremos somando a região de intersecção entre os dois eventos duas vezes (a região mais escura da representação da união acima). Da denição de probabilidade e a regra da adição implicam os seguintes resultados: 7 . que envolvem mais de um resultado possível do espaço amostral. Dos 1728 clientes que passaram pelo caixa em uma semana.1. Assim. sejam A e B eventos de Ω. Calcule as probabilidades pedidas. Estes tipos de eventos são gerados pela aplicação de operações básicas de conjuntos a eventos simples.1 Exercícios: Probabilidade 2. a probabilidade de ocorrência de A ou B: A B União Estaremos então interessados em calcular P(A ∪ B). Note que se simplesmente somarmos P(A) com P(B). ou seja. ou seja. Uniões. Qual é a probabilidade de ocorrer um número menor que 3? 2.4 O diretor de uma escola perguntou aos 575 alunos se eles eram destros ou canhotos. é mais comum em situações reais termos eventos compostos. 2. Estime a probabilidade de um aluno selecionado aleatoriamente nessa escola ser destro. Porém. A probabilidade de um evento composto pode frequentemente ser determinada a partir de probabilidades dos eventos simples que o compreendem.1. 3 Regra da adição de probabilidades Vimos anteriormente três formas de atribuir probabilidades a eventos simples.1 Considere o experimento de lançar duas moedas honestas. (a) Escreva o espaço amostral e as respectivas probabilidades.2 Joga-se um dado equilibrado. intersecções e complementares de eventos são comumente de interesse. Vamos pensar em como atribuir probabilidade para um evento que é a união de dois eventos.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. Assim. (b) Qual é a probabilidade de ocorrer uma cara? 2. a expressão acima se reduz a: P(A ∪ B) = P(A) + P(B) (4) porque neste caso P(A ∩ B) = ∅. se A e B foram disjuntos.1.1. precisamos subtrair uma vez P(A ∩ B). Então: P(A ∪ B) = P(A) + P(B) − P(A ∩ B) (3) Observe que. Encontrou 46 canhotos.2.

c} e B = {c. a.1. P(A ∩ B). Para encontramos a probabilidade do evento A ∩ B devemos somar as probabilidades dos eventos simples eventos A e B. Então P(A) = P(A ∩ B) + P(A ∩ B c ). 2 + 0. Para encontramos a probabilidade do evento A ∪ B devemos usar a fórmula da adição. e}. Determine o valor de p. 286 + 0. P(F ) = (54 + 38 + 11)/350 = 0. (c) P(Ac ∩ B). P(A ∩ B) = 0. e}. 8 . 4 = 0. Não ser da biologia. com probabilidades 0. 6.2 Uma universidade tem 10. Ser esportista ou aluno da biologia. 100 são esportistas e da biologia diurno e 200 são esportistas e da biologia noturno. Um estudo sobre hábitos de fumantes compreendeu 200 indivíduos casados (54 fumavam). e. Para encontramos a probabilidade do evento B faremos o mesmo processo da letra (a).000 alunos dos quais 4. Escolhido aleatoriamente 1 indivíduo. ao acaso. (b) P(A ∪ B).1. P(D ∪ F ) = P(D) + P(F ) − P(D ∩ F ) = 0. 4.1.000 são considerados esportistas. 109 = 0. Assim. Se A e Ac são eventos complementares então P(Ac ) = 1 − P(A).3 Sejam A e B dois eventos em um dado espaço amostral tais que P(A) = 0. D = ser divorciado. Observemos ainda que P(D ∩ F ) = 38/350 = 0. c. 4 + 0. e pergunta-se a probabilidade de: (a) (b) (c) (d) (e) Ser esportista. S = ser solteiro. d.1 Se P(A) = 0. 2 e P(A ∩ B) = 0. determine as seguintes probabilidades: (a) P(Ac ). Assim. 3.1 Exercícios: Probabilidade 1. Exemplo 3. 1. 2 = 1. 571. 8 − 0. precisamos somar as probabilidades dos eventos simples que o compõem. 294 − 0. aos e. 1 + 0. 1 + 0. P(C) = 200/350 = 0. P(B) = 0. 109. 3. 8. b.1. b. (d) P(A ∩ B c ). Exemplo 3.1. Assim. Sabe-se ainda que 500 alunos são do curso de biologia diurno. 700 da biologia noturno. 294. P(D) = 100/350 = 0. 2 = 0. 2. 4 + 0.1 Exercícios: 3. respectivamente. Para encontramos a probabilidade do evento Ac : P(Ac ) = 1 − P(A) = 1 − 0. 471. 100 divorciados (38 fumavam) e 50 solteiros (11 fumavam). 286. d. d. 2 = 0. P(A ∩ B) = P({c}) = 0. 3. 0.3. 143 e F = ser fumante. Não ser esportista nem aluno da biologia. b. P(B) = P({c}) + P({d}) + P({e}) = 0.1. P(S) = 50/350 = 0. P(B).2. P(A) = P({a}) + P({b}) + P({c}) = 0. Determine as seguintes probabilidades: a.2. P(A ∪ B) = 0. P(Ac ). Solução: Para encontramos a probabilidade do evento A. d. 2. Sejam A e B eventos de Ω. comuns b. 2.4 e 0. P(A). (e) P(Ac ∪ B). Assim. c. Solução: Precisamos primeiro denir os eventos: C = ser casado. c. 3. Ser esportista e aluno da biologia noturno. Sejam os eventos A = {a. P(∅) = 0. 1. Precisamos calcular P(D ∪ F ). O espaço amostral de um experimento aleatório é: Ω = {a. 5 e 3.2. P(A ∪ B). P(A ∪ B) = P(A) + P(B) − P(A ∩ B) = 0. determine a probabilidade de obter alguém divorciado ou fumante. P(B) = p. 0. 0. Um aluno é escolhido.

P(D) 1/2 2 4. (2. (6. b. 1). 1). . P(B) > 0 P(B) (5) Se P(B) = 0. 1).1 Denição: Dados dois eventos A e B. um armário e. (4. 3). Dois dados equilibrados são lançados. enquanto o armário 2 tem 3 bolas de volei e 2 de basquete... com P(A) > 0 Exemplo 4. 1).. (2. . 1). 6). Interpretação: A probabilidade P(A|B) revela a incerteza que se tem sobre o evento A supondo que ocorreu o evento B. (6. .... Então: P(C|D) = P(C ∩ D) 1/4 1 = = = 0. P(A ∩ B) = P(B|A)P(A). O armário 1 tem 3 bolas de volei e 1 de basquete. (4.. (5. . (2. .... . 6)... 056. (6.1. (6..4). P(D) = 18/36 = 1/2 e P(C ∩ D) = 9/36 = 1/4. 1). (4. 6). 6). 1).. Escolhendo-se. sabendo-se que ocorreu face ímpar no primeiro dado. . Exemplo 4. denida da seguinte forma: 4.. ao acaso. 6)}... 1). 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) . Sabemos que P(A) = 1/36. 5)... 6)} sendo que cada resultado possível tem probabilidade 1/36 de ocorrer. . 1).. 1).. . 1). 6). 6)}. sabendo-se que ocorreu face par no primeiro dado. (6. Sejam A e B eventos de Ω. 6).. (4. (6. (6... . (3. Sabemos que P(C) = 18/36 = 1/2... (5.... uma de suas bolas. (1. 6)... . 6).. (5.2 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.. A essas probabilidades recalculadas denominamos probabilidade condicional.Probabilidade 4 Probabilidade condicional Algumas vezes o experimento aleatório com o qual trabalhamos pode ser separado em etapas. calcule a probabilidade dela ser: 9 . Então: P(A|B) = b. (1.. P(B) 1/2 18 Denamos dois eventos: C = obter face ímpar no segundo dado = {(1. o espaço amostral será: Ω = {(1... temos: P(A ∩ B) = P(A|B)P(B). . 3). (2. P(A ∩ B) 1/36 1 = = = 0.. Denamos dois eventos: A = {(3.. com P(B) > 0 (6) ou similarmente. . P(B) = 18/36 = 1/2 e P(A ∩ B) = 1/36.. (3. 1). (7) Dois armários guardam bolas de voleibol e basquete. 5). (3. Ocorrer face ímpar no segundo dado. 1). 4)} e B = obter face ímpar no primeiro dado = {(1. O que acontece é que 'ganhamos' informação e podemos recalcular as probabilidades de interesse. 3). Obter o par (3. (2. em seguida. A informação do que ocorreu em uma determinada etapa pode inuenciar nas probabilidades de ocorrências nas etapas sucessivas. (1. 5)} e D = obter face par no primeiro dado = {(2. Solução: Para o experimento lançamento de dois dados equilibrados. 6). Calcule a probabilidade de: a. .... 1). (2.. então P(A|B) é arbitrariamente denida.2. 5. . 1). (5. (3. (1.. a. Podemos interpretá-la como a chance relativa de A restrita ao fato que B ocorreu..

porque sabemos que no armário 2. 4. 5 × 0. (b) Estudar na área de humanas. Do sexo masculino e nunca ter visto o mar. F = sexo feminino e N = nunca ter visto o mar. sabendo-se que o armário 1 foi escolhido. c. Entre estes. ou seja. (b) Ser alérgico dado que não pratica esportes. Para um indivíduo escolhido aleatoriamente nessa cidade. 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. P(M ∩ N ) = P(N |M )P(M ) = 0. Solução: Denindo os seguintes eventos: M = sexo masculino. porque sabemos que no armário 1. b. 30.3 Exercícios: 4. 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. V = bola de volei e B = bola de basquete. 4. temos: a. P(F ∩ N ) = P(N |F )P(F ) = 0. P(A|B) = P(A) e consequentemente tem-se: 10 . b. a. P(B|A2) = 2/5 = 0.3. 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. ao passo que. 75. b. 2 × 0. estima-se que cerca de 20% dos habitantes têm algum tipo de alergia. obtenha a probabilidade de: (a) Não praticar esporte. c. sendo de classe média. temos: a. A2 = Armário 2.1 Numa cidade do interior de São Paulo. b.3. 08.3. De basquete. 2 das 5 bolas são de basquete. P(V |A1) = 3/4 = 0. Uma escola de ensino médio do interior de São Paulo tem 40% de estudantes do sexo masculino. sabendo-se que o armário 2 foi escolhido. Do sexo feminino e nunca ter visto o mar. 20% nunca viram o mar. Sabe-se que 50% dos alérgicos praticam esporte. essa porcentagem é de 50%. Solução: Denindo os seguintes eventos: A1 = Armário 1. 325. dado que estuda na área de biológicas. Qual a probabilidade de que um aluno selecionado ao acaso seja: Exemplo 4. determine a probabilidade de: (a) Estudar na área de exatas. (c) Ser da classe baixa. De basquete. 4 = 0.2 A tabela a seguir apresenta dados dos 1000 ingressantes de uma universidade. entre as meninas. enquanto essa porcentagem entre os não alérgicos é de 40%.4. 4. 3 das 4 bolas são de volei.3 Exercícios: Probabilidade a. De volei. 6 = 0.

. 3.. P(A|Ck ) sejam conhecidas. 8 e P(A) = 0.. P(B) = 0. Para vericar isso...1. .. isto é: 1. P(A|C2 ). P(F |S) = P(F ). Assim.. precisamos vericar se P(F |A) = P(F ) e se P(F |S) = P(F ).1 Exercícios: 5. sóbrio ou alcoolizado. incluindo vítimas fatais e as condições do motorista envolvido. P(F |A) = P(F ). 3. . 2. C2 .. Assim: P(A) = P(A ∩ C1 ) + P(A ∩ C2 ) + . 183 e P(F ) = 1037/4658 = 0. + P(A ∩ Ck ) = P(A|C1 )P(C1 ) + P(A|C2 )P(C2 ) + . (8) Estatísticas dos últimos anos do departamento estadual de estradas são apresentadas na tabela a seguir. C2 . 4. 2. P(C2 ). 5. P(Ck ) são conhecidas.. 223.1.. ∀i = j 2.. 223. contendo o número de acidentes. os eventos A e B são independentes? Por quê? 5.1 Se P(A|B) = 0.2 Se P(A|B) = 0..1. P(B) = 0. P(B) = 0. Ci ∩ Cj = ∅. 242 e P(F ) = 1037/4658 = 0.Ck formam uma partição do espaço amostral Ω se eles não têm intersecção entre si e se sua união é igual ao espaço amostral.5.2 Denição: Teorema da Probabilidade Total Suponha que os eventos C1 . 5.. o que desejamos saber é se o evento vítimas fatais é independente da situação do motorista (sóbrio ou alcoolizado). eles são independentes? Por quê? 6 Teorema da Probabilidade Total 6.1.3 Se P(A) = 0.. Assim.1 Partição do espaço amostral Os eventos C1 .. Então. Suponha também que para um evento A. Assim: P(F |A) = 762/3155 = 0. A = motorista alcoolizado e F = vítimas fatais.1 Exercícios: Probabilidade P(A ∩ B) = P(A)P(B) Exemplo 5. os eventos B e Ac são independentes? Por quê? 5. P(F |S) = 275/1503 = 0. k i=1 Ci = Ω Ω C2 C1 C3 C4 C5 C6 Partição do espaço amostral (k=6) 6.. 8 e P(A) = 0. + P(A|Ck )P(Ck ) (9) 11 . o fato de o motorista estar ou não alcoolizado interfere na ocorrência de vítimas fatais. as probabilidades P(A|C1 ).. com A e B mutuamente excludentes. 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 )..

015..1. 3 e P(B) = 0. o exame de ultrassom o detectará com probabilidade 0. 70% são de algodão e 30% são de náilon.3.. 2 = 0. 60% são ou foram casadas e 40% são solteiras. 601 P(P |H)P(H) + P(P |H c )P(H c ) 0. Qual é o valor de P(A)? 6.1 Exercícios: 7. 3 × 0. Sendo solteira. 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.. 0248 7. 01 × 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. Se o HIV não estiver efetivamente presente. Qual será a probabilidade de um rolo selecionado aleatoriamente. P(P |H) = 0. a probabilidade de que o teste ELISA apresente um resultado positivo é 0. Se o HIV estiver efetivamente presente. qual a probabilidade de ser solteira? 12 . as probabilidades P (A|C1 ).3 Exercícios: Probabilidade Exemplo 6.. P (A|Ck ) sejam conhecidas. 985 0. Se o paciente de fato tiver o tumor. Suponha também que para um evento A. usado pelo fabricante. utilize o teorema de Bayes para encontrar a probabilidade de que o HIV esteja efetivamente presente. 2 × 0. 8 + 0. Suponha que a probabilidade de uma pessoa estar infectada com o HIV. indicar que tem com probabilidade 0. O ELISA é o tipo mais comum de teste de triagem para detecção do HIV. Um resultado positivo em ELISA indica que o HIV está presente. Se o ELISA tiver apresentado um resultado positivo. para qualquer j. 2. 015 0. Qual a probabilidade de uma paciente escolhida ao acaso ter tido um distúrbio hormonal? b. Suponha P(A|B) = 0. 22. 995 × 0.1. erroneamente. qual é a probabilidade de o paciente tê-lo de fato? 7.01.. para uma certa população. enquanto que para as demais essa probabilidade aumenta para 30%.6.995. Se a paciente sorteada tiver distúrbio hormonal. P(A|B c ) = 0. . 8...9. a probabilidade de um resultado positivo a partir do ELISA é 0. 995 e P(P |H c ) = 0. Ck formam uma partição de Ω e que suas probabilidades P (C1 ). o exame pode. 06 = 0. 01 e precisamos encontrar P(H|P ): P(H|P ) = = P(H ∩ P ) P(P |H)P(H) = P(P ) P(P ∩ H) + P(P ∩ H c ) P(P |H)P(H) 0. seja 0. Assim.3 Exercícios: 6. Sabemos que P(H) = 0. a probabilidade de ter tido um distúrbio hormonal no último ano é de 10%.1. se ele não tiver o tumor. P (A|C2 ). 0149 = = = 0.. ..1.1 Um médico descona que um paciente tem um tumor no abdômen.015. Exemplo 7. 015 + 0. 16 + 0.1. P (C2 ). Solução: Vamos denir os seguintes eventos: P = resultado positivo no teste ELISA. Pergunta-se: a.1 Suponha que 2% dos rolos de tecido de algodão e 3% dos rolos de tecido de náilon contenham falhas. Entretanto. 995 × 0. conter falhas? 7 Teorema de Bayes Suponha que os eventos C1 . pois isto ocorreu em 70% dos casos similares que tratou. C2 . Se o exame detectou um tumor. (10) Este é um resultado útil por permitir resolver P(Cj |A) em termos de P(A|Cj ). Dos rolos usados por um fabricante. P(Cj |A) = P(A|Cj )P(Cj ) k i=1 P(A|Ci )P(Ci ) . Solução: Sabemos que B e B c formam uma partição de Ω..P (Ck ) são conhecidas.

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

Assim.8. Assim: F (2) = P(X ≤ 2) = P(X = 1) + P(X = 2) = 0. 934     1      se 1 ≤ x < 2.20 2 3 4 5 6 7 8 9 10 11 12 Soma dos valores das duas faces dos dados 8. Caso ainda tivessem tido alguma reação alérgica.10 0. F(2. Por essa razão. ou seja. ou seja.45)=F(2.1)=F(2.15 0. passavam por um novo teste. Utilizando a abordagem frequentista para atribuir probabilidades. 533.   se 3 ≤ x < 4. 288 = 0. Observe que. 533 F (x) =   0. a função de distribuição é:  0     0. após um mês. Uma criança desta população sorteada ao acaso tenha recebido até 2 doses. para 2 ≤ x < 3. A função de probabilidade da variável aleatória X = número de doses recebidas é: b.05 0. 14 . No estudo.     se 2 ≤ x < 3.2 Função de distribuição de probabilidade A função de distribuição ou função acumulada de probabilidade de uma variável aleatória discreta X é denida. recebiam outra dose de vacina. 533. 245      0. se x < 1. escrevemos F (x) = P(X ≤ x) = 0. 789    0. 1 245 2 288 3 256 4 145 5 66 Uma criança desta população sorteada ao acaso tenha recebido 2 doses. Calcule as probabilidades de: a. calcular a probabilidade acumulada de ocorrência dos valores menores ou iguais a 2. as crianças recebiam uma dose de vacina e.99).     se 4 ≤ x < 5. Solução: a.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. pela seguinte expressão: F (x) = P(X ≤ x) = xi ≤x Exemplo 8.3. Os resultados completos estão na tabela a seguir: Doses Freq. a probabilidade de uma criança ter recebido exatamente duas doses é 288/1000=0. Para isso precisamos obter a função de distribuição no ponto 2. esse valor ca inalterado no intervalo [2. como a variável só assume valores inteiros.3). Ao m de 5 doses todas as crianças foram consideradas imunizadas.288. b.     se x ≥ 5. 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. para qualquer número real x.

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)) .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. 167 − 72 = 54.8 q 0.256 4 0.6 F(x) q 0.145 5 0. onde E(X 2 ) = 2 i=1 Cálculo da média e da variância no Exemplo 8.245 2 0.2 q 0 1 2 3 4 5 6 Número de doses de vacina 8. é: n µ = E(X) = i=1 xi p(xi ) (13) Ea variância de uma variável aleatória discreta X.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. A variância é uma medida da dispersão ou variabilidade da distribuição.3 Média e variância de uma variável aleatória discreta Probabilidade Doses Freq.288 3 0. 1 0. 833 − 49 = 5.0 q q 0. denotada por µ ou E(X). A média (ou valor esperado) é uma medida do centro da distribuição de probabilidade. 833 15 . 833 V (X) = E(X 2 ) − (E(X))2 = 51.4 0.066 1.8.0 0. Veremos agora como calcular esses dois valores de uma variável aleatória discreta. A média ou valor esperado de uma variável aleatória discreta X.

1 Seja P(X = x) = 2x+1 . se x ≥ 50. 245 + 22 × 0.8. 9 Variáveis aleatórias contínuas Uma variável aleatória contínua assume valores em um intervalo dos números reais e é geralmente proveniente de mensuração. 288 + 32 × 0. 145 + 52 × 0. se − 10 ≤ x < 30. e.3: 5 E(X) E(X 2 ) V (X) = i=1 5 xi p(xi ) = 1 × 0. 9. 256 + 4 × 0. Calcule a média e a variância de X . 75     1            P(0 ≤ X < 10). P(X ≤ 12). P(X < 0). 8. c. d. 8. d. b. 426 8. 245 + 2 × 0. 3. 2   0. 256 + 42 × 0. Determine as seguintes probabilidades: a. 671 i i=1 = = E(X 2 ) − (E(X))2 = 7. P(X < 12). Precisamos estabelecer uma forma para atribuir probabilidades às diversas realizações deste tipo de variável.    se x < 10.2 Uma variável aleatória discreta X tem a seguinte função de distribuição: F (x) =       0 se x < −10.4 Exercícios: 8. 0. P(40 ≤ X < 60).4. P(X > 18). e. F (x) = se 12 ≤ x < 13. P(X ≤ 50).4. 2. 066 = 7.1 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 As árvores são sujeitas a diferentes níveis de atmosfera de dióxido de carbono. b. 288 + 3 × 0. P(12 ≤ X ≤ 20). e. d. f.        Determine: a. P(X ≤ 1). A função de probabilidade de X . 145 + 5 × 0. P(X > −1). Calcule a média e a variância de X . 499 x2 p(xi ) = 12 × 0. b. Determine uma condição de crescimento mínimo a 350 partes por milhão (ppm) de CO2 . 9     1      se 10 ≤ x < 12. 1. 4992 = 1. se 13 ≤ x < 25. c. 4. P(−10 < X < 10). 47% a 550 ppm (crescimento moderado) de CO2 e 37% a 650 ppm (crescimento rápido) de CO2 . sendo que 6% das árvores em CO2 . 25  0. 5    0. P(X = 4). Calcule: c. se 30 ≤ x < 50. 066 = 2. x = 0.4. P(2 ≤ X < 4). se x ≥ 25.4 Exercícios: Probabilidade Cálculo da média e da variância no Exemplo 8. que pode assumir um número innito de valores diferentes.4. 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.3 Uma variável aleatória discreta X tem a seguinte função de distribuição:   0     0. 8. f. 25 a. 671 − 2. P(X ≤ 40).

5 x dx 3 8 5 x2 9 = 1 25 − 16 = 16 = 0. Exemplo 9.2. 5) = 1 − F (1. e. 5 9. 3 < x < 5.25 = 0. ∀x ∈ (−∞. 3 = 0.5 = 12. a probabilidade de ocorrência de um valor isolado é sempre zero e.: ∞ −∞ f (x)dx = 1. 2x se 0 ≤ x < 5. equivale a somar as duas probabilidades. f (x) ≥ 0. A área denida por f (x) é igual a 1. b. P(X < 3. Determine as seguintes probabilidades: b. b a f (x)dx = área sob a curva de f (x) de a até b. 4. a. em se tratando de variáveis aleatórias contínuas. 5) ou P(X > 4. 7969 c. se x ≥ 5. P(X < 4. b) são as mesmas. 2031 + 0. 5) = 5 x 3. consequentemente. para quaisquer valores de a e b. A frequência relativa é uma estimativa da probabilidade de um valor medido cair naquele intervalo. ou seja. ∞). 2. b). Suponha que a função de distribuição acumulada de uma variável aleatória X seja: F (x) =      0 1 se x < 0. b]. 2 × 1. 5)) + (1 − P(X < 4. Assim. Determine as seguintes probabilidades: P(1 < X < 2) Solução: a. 5625 2 4 8 2 2 4. 5)) = (1 − 0. 7031 2 3 8 2 2 16 P(X < 3. b. 2969 = 0. P(X < 3. P(X > 3. 7 17 . P(X < 2. 5) Solução: a. 5) e. (a. P(4 < X > 5) = P(X < 4. 5) c. 3.75 16 b. P(4 < X < 5) d. ou seja. 5) = (1 − 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.25 − 9 = 11. A área de cada barra é igual a frequência relativa dos valores do respectivo intervalo.5 8 dx 5 x 4 8 dx = = = 5 x2 2 3. 2 × 2. b] e (a. 7031) = 0. P(X < 2. teremos área zero sob qualquer valor individual. para − ∞ < x < ∞ (16) Existe uma relação entre f (x) e F (x): f (x) = Exemplo 9. P(X > 6) e.25 2 = 0. 5) ou P(X > 4. 5) P(X < −2) d. P(a ≤ X ≤ b) = Obs. 5 ∪ X > 4. d dx F (x). a. P(X > 3. P(X < 4) Suponha f (x) = x/8. 56 P(X > 1. 8 = 0. 4375 = 12. as probabilidades calculadas sobre os intervalos [a. 8) = F (2. 5) = d. 8) P(X > 1. Um histograma que tem nas ordenadas a densidade de frequência é uma aproximação da função de densidade. i. 8) = 0. ii. Como consequência da forma com a qual atribuímos probabilidades no caso contínuo.2 Função de distribuição acumulada Probabilidade 1. Isso signica que.      c. 7969) + (1 − 0. 5 = 1 − 0. 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. [a. P(X = k) = 0 para qualquer k. 5) = 1 − 0.9.5 x2 = 1 20.1. 5) como os dois eventos são disjuntos. 0.

   Determine: a. Determine x tal que P(X > 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. b. P(−1 < X < 1). 25x + 0. P(X < −2). X .   se x ≥ 2. 5). P(X < 1. f. 2 9. d. 5). 2 = 0.4. 05 . Calcule a média e a variância de 9. 5 < X < 0. A função de densidade de X . P(−0. P(X < −2). caso contrário. P(X > 0.3 A quantia gasta anualmente. 329 9.2 Suponha que a função de distribuição acumulada de uma variável aleatória X seja: F (x) =      0 0. 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. c. 18 .1. em milhões de reais.4. c. 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. com função de densidade dada por ∞ f (x).9.3 Média e variância de uma variável aleatória contínua A média ou valor esperado de uma variável aleatória contínua X. Calcule: a. 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) = 0.4. 0832 = 0. d. 5 1 se x < −2. 8). e. d. 4 − 0. e. −1 < x < 1. 5). 2 × 2 − 0.3 Média e variância de uma variável aleatória contínua Probabilidade c. f. P(X > −1. 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. 2 × 1 = 0.4 Exercícios: 9. P(X > 0). x2 f (x)dx (20) f (x) = x/8. e. 5x2 .1 Seja f (x) = 1. A média e a variância de X . se − 2 ≤ x < 2. 5 ≤ y < 2. 9. b.

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

1 A tabela Normal Padrão Como dissemos. 1) e será denominada procedemos da seguinte forma: Normal Padrão . Exemplo 10. b]. Considere X ∼ N (µ. 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 < −1.8413 de área (probabilidade). abaixo do valor 1. 10. 5) = 1 − P(Z < 1. Portanto. 5). Outra consequência é P(Z < −1.1. como o fato de a área total sob a curva ser igual a 1 e P(Z > 0) = P(Z < 0) = 0. porque a simetria é em torno do zero.10. consequência direta da simetria desta densidade. obtemos os valores de Z que deixam as áreas correspondentes às células no corpo da tabela à sua esquerda no gráco da densidade. Se X ∼ N (2. obtenha P(2 < X < 5) e P(X > 4).0 temos 0. A tabela que utilizaremos nos dará a probabilidade P(Z < z). o qual encontramos olhando na coluna 0 e na linha 1. Para determinar a probabilidade de X ∈ [a.1 A tabela Normal Padrão Probabilidade média 0 e variância 1. Obtenha as probabilidades: a. 9). utilizamos a Normal Padrão para obter probabilidades. 5. as probabilidades são obtidas a partir de valores tabelados da Normal Padrão. σ 2 ) e dena uma nova variável: Z= X −µ σ (22) e assim Z ∼ N (0. Por exemplo. A tabela é organizada da seguinte forma: somando os cabeçalhos de linha e coluna.0. 20 . como mostra a gura abaixo: f(x) 0 z x Devemos considerar algumas informações importantes para obter as probabilidades. 5). 5) = P(Z > 1.

7486 = 0.2. item (b) P(5 < X < 7) Figura 5: item (b) P(X < 3) Seja X ∼ N (10/3. Se Z ∼ N (0.5 e procurar no corpo da tabela o valor que deixa 0. 500. determine: a. 3212.92. a = 0. 2514 b.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. 3212. Para encontrar o valor a. Então. 1) e P(0 < z < a) = 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. 5) = 0. c. devemos somar 0. O valor de b tal que P(X < b) = 0. 025. < X−2 √ 9 < 5−2 √ 9 = P(0 < Z < 1) = 0.92. obtenha P(5 < X < 7) e P(X < 3).8212 de área abaixo dele. 350.10. o valor de d tal que P(X > d) = 0. 8413 − 0. 1). 025 → P X−10/3 √ 1/3 b−10/3 < √ 1/3 b−10/3 =P Z< √ 1/3 Solução: a. 6826 = 1 − P(Z < 3) = 1 − 0. c. 3413 P(X > 4) = P > = P(Z > 2/3) = P(Z > 0. c. d. 0013 P(0 < z < a) = 0. f(x) f(x) 0 1 x 0 0. P(X < b) = 0. = 0. 2/3). 025 21 . b. 5 = 0. 67) = 1 − 0.1 A tabela Normal Padrão Probabilidade b. 8413 − 0. O valor de c tal que P(X > c) = 0. que é o 0. o valor de e tal que P(3 < X < e) = 0. determine a. 050. 9987 = 0. Se X ∼ N (6. P(2 < X < 5) = P X−2 √ 9 2−2 √ 9 4−2 √ 9 Solução: a.

96 × 1/3 + 10/3 = 2. e usar o simétrico negativo do mesmo. 57. ¯ P(X > 5) = P ¯ X − 5. 1/3 c. 44/40 = P(Z > −1. Assim: b−10/3 = −1. 1/3 c. 96 → b = −1. com média µ e desvio-padrão σ/ n. Podemos concluir que.39. 0. consideramos que 40 observações é uma amostra grande o suciente para usar o Teorema Central do Limite. quando o interesse for estudar a média amostral. 05 P(X > d) = 0. 41.. 1/3 b. 20) = 1 − P(X < 1.4.96. 5 a essa probabilidade e procuraremos o valor √ que deixa 0. 22 .3. Uma variável aleatória X assume os valores 3. devidamente padronizada.3 e 0. temos: Exemplo 10. 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 = 0.2 Teorema Central do Limite O Teorema Central do Limite diz que..64. para uma amostra grande. X−10/3 √ 1/3 c−10/3 > √ 1/3 c−10/3 =P Z> √ 1/3 = 0. podemos usar ¯ a distribuição normal para estudar X probabilisticamente. se comporta segundo um modelo normal com média 0 e variância 1. A variável X não tem distribuição Normal e obtemos µ = 5..025 de área abaixo dele. Apesar de não ser simétrica. 1587. respectivamente. Esse valor é o 0. X−10/3 √ 1/3 d−10/3 > √ 1/3 c−10/3 =P Z> √ 1/3 = 0. então as médias amostrais terão distribuição normal para qualquer tamanho de amostra. 50 10. 64 → c = 1. 41 → c = 0. Esse valor é o 1.3.975 de área abaixo dele. Assim: d−10/3 √ = 0. 41 × 1/3 + 10/3 = 3.. Somamos 0. que é o 0. 20. Este teorema é importante porque. 35 P(3 < X < e) = 0. 50 → P Através da tabela Normal padrão. se a própria distribuição original for normal.. Uma amostra com 40 observações é sorteada. 4 e σ 2 = 4. 28. ¯ tivermos amostras de tamanho n > 30. 64 × 1/3 + 10/3 = 4. 8849. 1) σ/ n (23) Em resumo: Se temos. temos que P(X < −1) = 0. que √ é -1. 35 → P Deve-se então procurar na tabela Normal padrão o valor que deixe 0. Para calcular a probabilidade da média amostral superar o valor 5. 56. sendo que a aproximação melhora quanto maior for o tamanho da amostra e.65 de área abaixo dele. 05 → P Deve-se então procurar na tabela Normal padrão o valor que deixe 0. podemos buscar no corpo da tabela o valor que deixa 0.2 Teorema Central do Limite Probabilidade Deve-se então procurar na tabela Normal padrão o valor que deixe 0.96.10. 44.. 6587 de área abaixo dele.. P(X > c) = 0. 4 4. Usando a simetria. Assim e−10/3 = 0.. 4 4. a distribuição das médias √ amostrais x tende para uma distribuição normal. ou seja: ¯ X − µ n→∞ √ → N (0. 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. Assim: c−10/3 √ = 1. 39 × 1/3 + 10/3 = 3. 39 → c = 0. 20) = 0. 6 e 8 com. E podemos usar isso quando.95 de área abaixo dele. a distribuição da média amostral. 44/40 > 5 − 5. que é 1. à medida que o tamanho da amostra aumenta.

Moore DS.5 Coleta-se uma amostra de 10 observações independentes de uma N (2. c. Editora LTC (2012). Para efeito de determinar o tratamento mais adequado.5. f. c. São Paulo: Editora Edusp (2005). b. enquanto os 25% de maior peso de 'obesos'. A Estatística Básica e Sua Prática. 10. 1/9). c. Determine: a. Ser superior a 2. P(−5 < X ≤ −2). P(X ≤ 4). 11 Referências 1. b. c. 5a Edição. P(−7 ≤ X ≤ −6). Noções de Probabilidade e Estatística. 10. Estar entre 0 e 2. 5a Edição.3 Exercícios: Probabilidade 10.10. Rio de Janeiro: Editora LTC (2008). 10. P(2 ≤ X ≤ 2). Rio de Janeiro: 4. d. 10). P(0 ≤ X ≤ 6/5). b. 5.3. São Paulo: Editora Cenange Learning (2012). Vieira S. 2. Dtermine os valores que delimitam cada uma dessas classicações.1 Seja X ∼ N (4. Determine: a. P(X ≤ 3/5). 10a edição.3 Seja X ∼ N (5/4.2 Seja X ∼ N (−5. e. Introdução à Estatística. 6a edição. os 25% pacientes de menor peso são classicados como 'magros'. d. Magalhães MN.4 Uma clínica de emagrecimento recebe pacientes adultos com peso seguindo uma distribuição Normal com média 130 Kg e desvio-padrão 20 kg. Determine a probabilidade de a média amostral: a. Determine: a. P(X ≤ 7/5). 3. P(X ≥ 3). Montgomery DC. P(X ≤ 1).3. P(4 < X < 5). P(X > −6). Estatística Aplicada e Probabilidade para Engenheiros. Estatística Básica.3 Exercícios: 10. Triola MF.3. Runger GC. 1). Ser inferior a 1. 23 .3. Lima ACP. Rio de Janeiro: Editora LTC (2011). 1a Edição. b. P(2 < X < 5).3. P(5 ≤ X ≤ 7). 10. 2). d. P(X ≤ 0).

9993 0.9999 0.9812 0.8485 0.5359 0.9949 0.9966 0.8159 0.9956 0.9599 0.8925 0.9656 0.1 2.6700 0.9838 0.6554 0.9940 0.9783 0.9719 0.9898 0.9948 0.9977 0.9582 0.6985 0.5832 0.9943 0.0000 24 .9963 0.9998 0.9015 0.5319 0.8051 0.7967 0.9999 0.8078 0.9991 0.9987 0.5596 0.6591 0.9162 0.9997 0.0000 6 0.9999 1.9987 0.9997 0.0 3.9999 0.9988 0.9772 0.9999 1.9945 0.9998 0.9699 0.9854 0.9761 0.8830 0.6879 0.9893 0.6064 0.9957 0.9998 0.6103 0.9147 0.9994 0.9999 0.9983 0.8944 0.9992 0.8461 0.9999 0.7823 0.9913 0.8133 0.9817 0.6 1.5910 0.9292 0.Probabilidade Tabela da Distribuição Normal Padrão P(Z<z) 0 z z 0.6255 0.9969 0.9976 0.9999 0.8 1.9936 0.9999 1.6844 0.8686 0.2 2.9997 0.9890 0.7611 0.9306 0.9798 0.7088 0.9999 1.9545 0.5753 0.6628 0.4 1.9996 0.9265 0.9918 0.7881 0.9986 0.9463 0.9951 0.9953 0.5239 0.9901 0.7642 0.9999 1.9999 0.9884 0.5 0.7673 0.9984 0.9357 0.9955 0.9997 0.7324 0.5279 0.7389 0.9960 0.8554 0.9177 0.7549 0.9998 0.9525 0.8289 0.8907 0.9968 0.9965 0.9990 0.7 2.9925 0.5636 0.0000 8 0.9846 0.9222 0.8790 0.1 1.9236 0.9999 0.9370 0.9993 0.9934 0.9429 0.9920 0.9916 0.9996 0.9554 0.6026 0.9099 0.9998 0.9875 0.9131 0.5199 0.9911 0.9664 0.9996 0.9066 0.8997 0.7910 0.9997 0.9999 0.9985 0.9979 0.9441 0.7224 0.9 3.9864 0.7123 0.9345 0.9997 0.8531 0.9878 0.3 2.9857 0.6772 0.9999 1.9671 0.9986 0.5675 0.9999 0.7517 0.8577 0.9850 0.9987 0.8365 0.9981 0.9959 0.9994 0.8238 0.9713 0.7422 0.7454 0.9 0 0.9996 0.6664 0.9495 0.9990 0.7357 0.9974 0.9997 0.9981 0.4 3.9938 0.5080 0.9732 0.8508 0.7 1.9998 0.9995 0.0 1.0000 5 0.9641 0.9826 0.9 2.8849 0.8340 0.9970 0.8 0.9706 0.9989 0.9279 0.9998 0.9793 0.9999 1.9995 0.6217 0.9997 0.9989 0.3 0.6443 0.9767 0.9999 1.6368 0.9998 0.7257 0.9994 0.9535 0.8023 0.9778 0.7190 0.5 2.9994 0.9999 0.9979 0.9982 0.9991 0.9868 0.8729 0.5871 0.7 3.9871 0.7939 0.8 2.9906 0.5793 0.9999 0.0000 9 0.9998 0.9999 0.7704 0.6331 0.9932 0.7291 0.9515 0.5398 0.9980 0.9082 0.4 2.9995 0.9931 0.9982 0.9941 0.9997 0.9693 0.7019 0.7054 0.8665 0.5160 0.9964 0.4 0.9961 0.9962 0.6950 0.9991 0.5040 0.6915 0.9946 0.3 1.8186 0.9756 0.9192 0.8 3.6 3.7157 0.9678 0.9922 0.6736 0.9452 0.8749 0.9999 0.9608 0.7764 0.6179 0.1 3.9977 0.9861 0.9616 0.6517 0.9319 0.9998 0.8599 0.7734 0.9625 0.9633 0.9830 0.9591 0.9821 0.8389 0.9484 0.9881 0.9996 0.9997 0.8212 0.5987 0.9998 0.9996 0.8264 0.2 0.9788 0.5120 0.9985 0.8621 0.5478 0.9998 0.5948 0.9115 0.8980 0.9994 0.2 3.0000 7 0.2 1.9992 0.5 3.7486 0.0 2.7852 0.9972 0.9649 0.8888 0.9967 0.9999 0.9564 0.9842 0.9 1.1 0.6141 0.9929 0.8962 0.8869 0.8106 0.9999 1.5714 0.9049 0.6480 0.9995 0.9406 0.9988 0.7580 0.9573 0.0000 1 0.9808 0.9896 0.9952 0.8810 0.9505 0.9738 0.0000 2 0.8643 0.9973 0.9207 0.9975 0.9989 0.9992 0.6406 0.8413 0.9992 0.9909 0.6 0.9999 0.0000 4 0.7995 0.9686 0.9834 0.6808 0.9978 0.9750 0.9904 0.0000 3 0.9971 0.5 1.6293 0.9999 1.8438 0.9394 0.5000 0.8315 0.9744 0.7794 0.9974 0.8708 0.5557 0.9803 0.9927 0.9887 0.5438 0.9251 0.9993 0.9984 0.5517 0.6 2.9382 0.9995 0.9032 0.9990 0.9418 0.3 3.9995 0.9993 0.9726 0.8770 0.0 0.9474 0.9999 0.9999 0.9998 0.7 0.9332 0.

Sign up to vote on this title
UsefulNot useful