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

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

E ∪ F = {0.: Ex. 4 . simultaneamente. 4.1 Operações básicas de conjuntos A união de dois eventos A e B. denotada por A ∩ B . • • • Ex. • a intersecção de qualquer evento com o conjunto vazio será o conjunto vazio. E ∩ F = {1. • a intersecção de qualquer evento com o espaço amostral será o próprio evento.1 Operações básicas de conjuntos Probabilidade 1. • Experimento: Lançamento de uma moeda. é a ocorrência simultânea de A e B. 1. D: ocorrência da face 4 no lançamento.: • Experimento: Contar o no de lhos de famílias de um determinado bairro. C ∩ D = 4. • a união de qualquer evento com o conjunto vazio será o próprio evento. é o evento que consiste em todos os resultados que estão contidos nos dois eventos. ou seja. A ∩ B = ∅. 2. Experimento: Contar o no de lhos de famílias de um determinado bairro. c}. A B União Intersecção. 5}. denotada por A ∪ B . A intersecção de dois eventos A e B. 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. ou seja. Se denimos E: ter menos de dois lhos e F: ter entre 1 e 5 lhos. Se denimos por A: ocorrência de cara e B: ocorrência de coroa. 3. Experimento: Lançamento de um dado. é o evento que consiste em todos os resultados que estão contidos em ambos os eventos. Se denimos por C: ocorrência de face par no lançamento.1. ¯ Ex. A B Intersecção Observemos que.: • Experimento: Lançamento de um dado. 4. 2}. Ex. 6}. A ∪ B = {c.: Ex.: Experimento: Lançamento de uma moeda. União. representa a ocorrência de pelo menos um dos eventos A ou B. teremos C ∪ D = {2.: Ex.

2.2. 6}.1. 5. Eventos complementares: • Ex. Saber a altura do estudante (em metros).1 Suponha que iremos selecionar 1 estudante ao acaso de uma turma de estatística. 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. 5} e D = {4}.: Experimento: Lançamento de um dado. Identique os dois eventos disjuntos entre estes 4 e explique por que o são.3 Considere um experimento que consiste no lançamento de um dado equilibrado. Obtenha Ac . B ∩ C e B ∩ D. Construa o espaço amostral Ω se o interesse é: (a) (b) (c) (d) Saber o sexo do estudante. o espaço amostral é Ω = {1. A ∩ B = ∅. Obtenha B ∩ A. 4. (a) (b) (c) (d) Obtenha A ∪ B . Considere os seguintes eventos: A = {2. ou seja. C c e Dc .2. 5}. 6}. Os eventos A e B são complementares. 1. A ∪ C e A ∪ D. O complementar de A será denotado por Ac e temos A ∪ Ac = Ω e A ∩ Ac = ∅. Como já foi visto. Saber o estado civil do estudantes. Os eventos A e B são disjuntos. 4. 2. B = {1. Saber a idade do estudante (em anos).2 Exercícios: 1.2 No contexto do exercício 1. 3. C = {1. 1. B c . especique dois eventos possíveis de cada uma das 4 situações. Ω A Ac Complementar de A 1. 4. 5 .: Experimento: Lançamento de um dado. 3.2 Exercícios: Probabilidade Outros conceitos importantes são: dizemos que dois eventos A e B são disjuntos ou mutualmente exclusivos. Eventos disjuntos: • Ex. quando não têm elementos em comum.

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

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

(e) P(Ac ∪ B).1. 3. e}. Solução: Para encontramos a probabilidade do evento A. 2.1. Assim. 2. 2 + 0. precisamos somar as probabilidades dos eventos simples que o compõem. P(∅) = 0. d. P(D ∪ F ) = P(D) + P(F ) − P(D ∩ F ) = 0. 8. D = ser divorciado. determine a probabilidade de obter alguém divorciado ou fumante. 0.3 Sejam A e B dois eventos em um dado espaço amostral tais que P(A) = 0. c. Para encontramos a probabilidade do evento Ac : P(Ac ) = 1 − P(A) = 1 − 0.2. 1 + 0. P(Ac ). P(B) = 0. S = ser solteiro. ao acaso. Não ser da biologia. Sejam A e B eventos de Ω. 8 . P(D) = 100/350 = 0. Sabe-se ainda que 500 alunos são do curso de biologia diurno. P(S) = 50/350 = 0. Observemos ainda que P(D ∩ F ) = 38/350 = 0. Ser esportista ou aluno da biologia. 4 + 0. 571. 100 divorciados (38 fumavam) e 50 solteiros (11 fumavam). com probabilidades 0. Sejam os eventos A = {a. Determine o valor de p. 294. determine as seguintes probabilidades: (a) P(Ac ). 3. Para encontramos a probabilidade do evento B faremos o mesmo processo da letra (a). 100 são esportistas e da biologia diurno e 200 são esportistas e da biologia noturno. comuns b.1. Solução: Precisamos primeiro denir os eventos: C = ser casado. 2 e P(A ∩ B) = 0. d.1. Para encontramos a probabilidade do evento A ∪ B devemos usar a fórmula da adição. Ser esportista e aluno da biologia noturno.000 alunos dos quais 4. d.1 Se P(A) = 0. 4 = 0. (d) P(A ∩ B c ). aos e.2 Uma universidade tem 10. Para encontramos a probabilidade do evento A ∩ B devemos somar as probabilidades dos eventos simples eventos A e B. 700 da biologia noturno. a. 1 + 0. 4 + 0. P(A ∩ B) = P({c}) = 0. P(A ∩ B). Precisamos calcular P(D ∪ F ). P(B) = P({c}) + P({d}) + P({e}) = 0. Então P(A) = P(A ∩ B) + P(A ∩ B c ). 3. c. P(A) = P({a}) + P({b}) + P({c}) = 0. 0. O espaço amostral de um experimento aleatório é: Ω = {a. 6. 286. P(C) = 200/350 = 0. Não ser esportista nem aluno da biologia. P(A ∪ B). 286 + 0. 2. c. 0. Assim.4 e 0.1. b. 471. b. P(A ∪ B) = P(A) + P(B) − P(A ∩ B) = 0. (b) P(A ∪ B). (c) P(Ac ∩ B). 2 = 1. e pergunta-se a probabilidade de: (a) (b) (c) (d) (e) Ser esportista. P(A ∪ B) = 0. Um aluno é escolhido. Escolhido aleatoriamente 1 indivíduo. 3.1 Exercícios: Probabilidade 1.2. P(F ) = (54 + 38 + 11)/350 = 0. 2 = 0. P(A).1. 8 − 0.1 Exercícios: 3. Determine as seguintes probabilidades: a. Se A e Ac são eventos complementares então P(Ac ) = 1 − P(A).3. e. Exemplo 3. 4. Exemplo 3. respectivamente. d. P(B) = p. P(B). 143 e F = ser fumante.2. 109. 1. Assim. Assim. e}.000 são considerados esportistas. c} e B = {c. 294 − 0. 109 = 0. 2 = 0. P(A ∩ B) = 0. 1. Um estudo sobre hábitos de fumantes compreendeu 200 indivíduos casados (54 fumavam). b. 5 e 3.

. 6). 1). 3). Denamos dois eventos: A = {(3. Podemos interpretá-la como a chance relativa de A restrita ao fato que B ocorreu. (2. .. 6)}. (6. . 6). (5. . Obter o par (3...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. Interpretação: A probabilidade P(A|B) revela a incerteza que se tem sobre o evento A supondo que ocorreu o evento B. 1). (3. 056. 1).. 6).. P(B) > 0 P(B) (5) Se P(B) = 0. (2. (3. P(D) 1/2 2 4. (5.. Escolhendo-se. (6. P(B) 1/2 18 Denamos dois eventos: C = obter face ímpar no segundo dado = {(1. (2.. então P(A|B) é arbitrariamente denida.. em seguida.. . 1). Então: P(C|D) = P(C ∩ D) 1/4 1 = = = 0. (4.... 1). P(D) = 18/36 = 1/2 e P(C ∩ D) = 9/36 = 1/4. 3). com P(B) > 0 (6) ou similarmente. sabendo-se que ocorreu face ímpar no primeiro dado. 6). 1).. . 6).. 5)} e D = obter face par no primeiro dado = {(2. Solução: Para o experimento lançamento de dois dados equilibrados.. (3. 1). (6. .2.4).. A informação do que ocorreu em uma determinada etapa pode inuenciar nas probabilidades de ocorrências nas etapas sucessivas. . 5). 1). 1). 1). enquanto o armário 2 tem 3 bolas de volei e 2 de basquete. denida da seguinte forma: 4. 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) .. uma de suas bolas. .. (1. (5. 1)...... ao acaso. Então: P(A|B) = b. calcule a probabilidade dela ser: 9 ... temos: P(A ∩ B) = P(A|B)P(B).. com P(A) > 0 Exemplo 4.1 Denição: Dados dois eventos A e B. 1). . (6.. 6)} sendo que cada resultado possível tem probabilidade 1/36 de ocorrer. Exemplo 4. (3. (4. Calcule a probabilidade de: a. P(A ∩ B) = P(B|A)P(A).. (4.. Sabemos que P(C) = 18/36 = 1/2. O que acontece é que 'ganhamos' informação e podemos recalcular as probabilidades de interesse. sabendo-se que ocorreu face par no primeiro dado. Sejam A e B eventos de Ω... 1). (2. 5). 6). . (1. (2.1. o espaço amostral será: Ω = {(1. P(B) = 18/36 = 1/2 e P(A ∩ B) = 1/36. (7) Dois armários guardam bolas de voleibol e basquete.. 1). . Sabemos que P(A) = 1/36. 1). 4)} e B = obter face ímpar no primeiro dado = {(1. (1. (4. Ocorrer face ímpar no segundo dado... P(A ∩ B) 1/36 1 = = = 0. 6)}. ..... a.. . (6... (6.. um armário e. A essas probabilidades recalculadas denominamos probabilidade condicional. 6). (1. 6).. b. O armário 1 tem 3 bolas de volei e 1 de basquete. 5. 3). Dois dados equilibrados são lançados.Probabilidade 4 Probabilidade condicional Algumas vezes o experimento aleatório com o qual trabalhamos pode ser separado em etapas.. 6).. (2. (5. . (6.

5 × 0. P(F ∩ N ) = P(N |F )P(F ) = 0. ou seja.3. porque sabemos que no armário 1. Qual a probabilidade de que um aluno selecionado ao acaso seja: Exemplo 4. Uma escola de ensino médio do interior de São Paulo tem 40% de estudantes do sexo masculino. De volei. temos: a. sabendo-se que o armário 1 foi escolhido. b. c. 3 das 4 bolas são de volei. 20% nunca viram o mar. De basquete. P(V |A1) = 3/4 = 0. (b) Estudar na área de humanas. b. essa porcentagem é de 50%. Sabe-se que 50% dos alérgicos praticam esporte. Solução: Denindo os seguintes eventos: M = sexo masculino. 2 × 0. 75. 6 = 0. b. Do sexo masculino e nunca ter visto o mar. sabendo-se que o armário 2 foi escolhido. 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. estima-se que cerca de 20% dos habitantes têm algum tipo de alergia. 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. b.4.3 Exercícios: Probabilidade a. (b) Ser alérgico dado que não pratica esportes. temos: a. 2 das 5 bolas são de basquete. Entre estes. 08.3. F = sexo feminino e N = nunca ter visto o mar. Do sexo feminino e nunca ter visto o mar. 4. a. Para um indivíduo escolhido aleatoriamente nessa cidade. P(M ∩ N ) = P(N |M )P(M ) = 0. V = bola de volei e B = bola de basquete. c. determine a probabilidade de: (a) Estudar na área de exatas. (c) Ser da classe baixa. ao passo que. 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. P(A|B) = P(A) e consequentemente tem-se: 10 . obtenha a probabilidade de: (a) Não praticar esporte. porque sabemos que no armário 2. sendo de classe média. De basquete. 4 = 0. 4.1 Numa cidade do interior de São Paulo. entre as meninas. Solução: Denindo os seguintes eventos: A1 = Armário 1. A2 = Armário 2.2 A tabela a seguir apresenta dados dos 1000 ingressantes de uma universidade. dado que estuda na área de biológicas.3 Exercícios: 4. 325. 4. 30.3. P(B|A2) = 2/5 = 0. enquanto essa porcentagem entre os não alérgicos é de 40%.

2 Denição: Teorema da Probabilidade Total Suponha que os eventos C1 . os eventos B e Ac são independentes? Por quê? 5..2 Se P(A|B) = 0.. 183 e P(F ) = 1037/4658 = 0. isto é: 1.1. incluindo vítimas fatais e as condições do motorista envolvido.1.. .1 Partição do espaço amostral Os eventos C1 . 223. 4.. P(B) = 0. Assim: P(F |A) = 762/3155 = 0.. P(F |S) = P(F ).. Ci ∩ Cj = ∅. 3.1.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. P(F |A) = P(F ). 8 e P(A) = 0... as probabilidades P(A|C1 ). P(C2 ). A = motorista alcoolizado e F = vítimas fatais. Então. Assim: P(A) = P(A ∩ C1 ) + P(A ∩ C2 ) + . 5. com A e B mutuamente excludentes..Ck formam uma partição de Ω e que suas probabilidades P(C1 ). 3. 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. 2. P(B) = 0. P(F |S) = 275/1503 = 0. C2 . P(B) = 0.. 223. 8 e P(A) = 0... Para vericar isso.1 Exercícios: 5. 2. C2 . contendo o número de acidentes.3 Se P(A) = 0.5. P(Ck ) são conhecidas. os eventos A e B são independentes? Por quê? 5. + P(A|Ck )P(Ck ) (9) 11 . (8) Estatísticas dos últimos anos do departamento estadual de estradas são apresentadas na tabela a seguir. Assim.. 242 e P(F ) = 1037/4658 = 0. .. ∀i = j 2. o fato de o motorista estar ou não alcoolizado interfere na ocorrência de vítimas fatais... P(A|C2 ). k i=1 Ci = Ω Ω C2 C1 C3 C4 C5 C6 Partição do espaço amostral (k=6) 6. eles são independentes? Por quê? 6 Teorema da Probabilidade Total 6. P(A|Ck ) sejam conhecidas.. Suponha também que para um evento A. Assim. precisamos vericar se P(F |A) = P(F ) e se P(F |S) = P(F ). sóbrio ou alcoolizado.1 Exercícios: Probabilidade P(A ∩ B) = P(A)P(B) Exemplo 5.1 Se P(A|B) = 0.. + P(A ∩ Ck ) = P(A|C1 )P(C1 ) + P(A|C2 )P(C2 ) + . o que desejamos saber é se o evento vítimas fatais é independente da situação do motorista (sóbrio ou alcoolizado).1.

. Se o ELISA tiver apresentado um resultado positivo.995. 60% são ou foram casadas e 40% são solteiras.01. Sendo solteira. as probabilidades P (A|C1 ).. P (C2 ).1. 985 0. a probabilidade de ter tido um distúrbio hormonal no último ano é de 10%. qual é a probabilidade de o paciente tê-lo de fato? 7.. enquanto que para as demais essa probabilidade aumenta para 30%.1 Suponha que 2% dos rolos de tecido de algodão e 3% dos rolos de tecido de náilon contenham falhas. 3 e P(B) = 0. 015 + 0.015.3 Exercícios: 6.. Solução: Sabemos que B e B c formam uma partição de Ω.. 995 × 0. P (A|Ck ) sejam conhecidas. qual a probabilidade de ser solteira? 12 . 06 = 0. 015. Um resultado positivo em ELISA indica que o HIV está presente.9. Exemplo 7. se ele não tiver o tumor. C2 . P (A|C2 ). Se o exame detectou um tumor. Sabemos que P(H) = 0. 22. N = resultado negativo no teste ELISA e H = vírus HIV efetivamente presente. Solução: Vamos denir os seguintes eventos: P = resultado positivo no teste ELISA. indicar que tem com probabilidade 0. a probabilidade de que o teste ELISA apresente um resultado positivo é 0. Suponha P(A|B) = 0. 995 × 0. O ELISA é o tipo mais comum de teste de triagem para detecção do HIV. 2 = 0... 2 × 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. Dos rolos usados por um fabricante. Se o paciente de fato tiver o tumor. P(Cj |A) = P(A|Cj )P(Cj ) k i=1 P(A|Ci )P(Ci ) . 16 + 0..1 Um médico descona que um paciente tem um tumor no abdômen. (10) Este é um resultado útil por permitir resolver P(Cj |A) em termos de P(A|Cj ). 0248 7. Qual a probabilidade de uma paciente escolhida ao acaso ter tido um distúrbio hormonal? b. 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 HIV não estiver efetivamente presente. para qualquer j.P (Ck ) são conhecidas. Entretanto. erroneamente. Pergunta-se: a. 995 e P(P |H c ) = 0. Ck formam uma partição de Ω e que suas probabilidades P (C1 ). Qual é o valor de P(A)? 6. para uma certa população. 3 × 0.1 Exercícios: 7. 70% são de algodão e 30% são de náilon. o exame de ultrassom o detectará com probabilidade 0.1. 01 × 0. Se o HIV estiver efetivamente presente.1. . 8. 015 0..1. P(A|B c ) = 0. conter falhas? 7 Teorema de Bayes Suponha que os eventos C1 . utilize o teorema de Bayes para encontrar a probabilidade de que o HIV esteja efetivamente presente. Qual será a probabilidade de um rolo selecionado aleatoriamente. 0149 = = = 0.6. Suponha que a probabilidade de uma pessoa estar infectada com o HIV.2 Das pacientes de uma Clínica de Ginecologia com idade acima de 40 anos. Se a paciente sorteada tiver distúrbio hormonal. 601 P(P |H)P(H) + P(P |H c )P(H c ) 0. seja 0. usado pelo fabricante.1. P(P |H) = 0..3 Exercícios: Probabilidade Exemplo 6. 2. o exame pode. Assim. 8 + 0. Suponha também que para um evento A.3. pois isto ocorreu em 70% dos casos similares que tratou.. a probabilidade de um resultado positivo a partir do ELISA é 0.

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

    se 4 ≤ x < 5.99). 1 245 2 288 3 256 4 145 5 66 Uma criança desta população sorteada ao acaso tenha recebido 2 doses. Observe que. 245      0. 288 = 0. pela seguinte expressão: F (x) = P(X ≤ x) = xi ≤x Exemplo 8. p(xi ) (12) Uma população de 1000 crianças foi analisada num estudo para determinar a efetividade de uma vacina contra um tipo de alergia.2 Função de distribuição de probabilidade A função de distribuição ou função acumulada de probabilidade de uma variável aleatória discreta X é denida. A função de probabilidade da variável aleatória X = número de doses recebidas é: b. calcular a probabilidade acumulada de ocorrência dos valores menores ou iguais a 2.288.3). Os resultados completos estão na tabela a seguir: Doses Freq.10 0. Por essa razão. esse valor ca inalterado no intervalo [2. Assim: F (2) = P(X ≤ 2) = P(X = 1) + P(X = 2) = 0. Calcule as probabilidades de: a.     se 2 ≤ x < 3.05 0. No estudo. a função de distribuição é:  0     0. Utilizando a abordagem frequentista para atribuir probabilidades. a probabilidade de uma criança ter recebido exatamente duas doses é 288/1000=0. como a variável só assume valores inteiros.1)=F(2. F(2.   se 3 ≤ x < 4. Ao m de 5 doses todas as crianças foram consideradas imunizadas. 245 + 0. 14 . Caso ainda tivessem tido alguma reação alérgica. Assim.8. para qualquer número real x. Para isso precisamos obter a função de distribuição no ponto 2. ou seja. as crianças recebiam uma dose de vacina e. se x < 1.20 2 3 4 5 6 7 8 9 10 11 12 Soma dos valores das duas faces dos dados 8. Uma criança desta população sorteada ao acaso tenha recebido até 2 doses. 533. 789    0. recebiam outra dose de vacina. b.45)=F(2. 533.15 0.00 0. para 2 ≤ x < 3. Solução: a.3. 533 F (x) =   0. ou seja. após um mês. passavam por um novo teste. 934     1      se 1 ≤ x < 2. escrevemos F (x) = P(X ≤ x) = 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.     se x ≥ 5.

8 q 0. A média ou valor esperado de uma variável aleatória discreta X. 167 − 72 = 54.2 q 0 1 2 3 4 5 6 Número de doses de vacina 8. onde E(X 2 ) = 2 i=1 Cálculo da média e da variância no Exemplo 8.6 F(x) q 0.256 4 0.0 q q 0.3 Média e variância de uma variável aleatória discreta Probabilidade Doses Freq.0 0. 833 15 . 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)) . Veremos agora como calcular esses dois valores de uma variável aleatória discreta. A variância é uma medida da dispersão ou variabilidade da distribuição.066 1. é: n µ = E(X) = i=1 xi p(xi ) (13) Ea variância de uma variável aleatória discreta X.288 3 0.145 5 0.8. denotada por µ ou E(X). 1 0. 833 V (X) = E(X 2 ) − (E(X))2 = 51.245 2 0. A média (ou valor esperado) é uma medida do centro da distribuição de probabilidade.4 0.2: x2 p(xi ) i (15) 11 E(X) = i=1 xi p(xi ) = 2 × 1/36 + 3 × 2/36 + 4 × 3/36 + 5 × 4/36 + 6 × 5/36 + 7 × 6/36 + 8 × 5/36 +9 × 4/36 + 10 × 3/36 + 11 × 2/36 + 12 × 1/36 = 7 11 E(X 2 ) = i=1 x2 p(xi ) = 22 × 1/36 + 32 × 2/36 + 42 × 3/36 + 52 × 4/36 + 62 × 5/36 + 72 × 6/36 + 82 × 5/36 i +92 × 4/36 + 102 × 3/36 + 112 × 2/36 + 122 × 1/36 = 54. 833 − 49 = 5.3 Média e variância de uma variável aleatória discreta Duas quantidades são frequentemente usadas para resumir uma distribuição de probabilidade de uma variável aleatória X.

4. P(12 ≤ X ≤ 20). se x ≥ 50. 75     1            P(0 ≤ X < 10). 256 + 42 × 0. P(X ≤ 40). 245 + 2 × 0.4. b. Determine as seguintes probabilidades: a. P(40 ≤ X < 60). x = 0.1 Seja P(X = x) = 2x+1 .    se x < 10. Determine uma condição de crescimento mínimo a 350 partes por milhão (ppm) de CO2 . 9. e. b. Calcule: c. 9 Variáveis aleatórias contínuas Uma variável aleatória contínua assume valores em um intervalo dos números reais e é geralmente proveniente de mensuração. 25 a. P(X > −1). f. P(X = 4). e. c. 145 + 5 × 0. P(X ≤ 1). Precisamos estabelecer uma forma para atribuir probabilidades às diversas realizações deste tipo de variável. 256 + 4 × 0. 3. 288 + 32 × 0. 8. 245 + 22 × 0. se 13 ≤ x < 25. 9     1      se 10 ≤ x < 12. P(X ≤ 12). 499 x2 p(xi ) = 12 × 0. 671 i i=1 = = E(X 2 ) − (E(X))2 = 7. d.4 Exercícios: Probabilidade Cálculo da média e da variância no Exemplo 8. b. Calcule a média e a variância de X . F (x) = se 12 ≤ x < 13. 066 = 7.2 Uma variável aleatória discreta X tem a seguinte função de distribuição: F (x) =       0 se x < −10. se − 10 ≤ x < 30. P(X > 18). A função de probabilidade de X . e. 8. 8. P(X ≤ 50). sendo que 6% das árvores em CO2 . se 30 ≤ x < 50. 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. 47% a 550 ppm (crescimento moderado) de CO2 e 37% a 650 ppm (crescimento rápido) de CO2 . d. d.4. P(X < 0). P(X < 12). se x ≥ 25. 2   0. 2.        Determine: a. que pode assumir um número innito de valores diferentes. f. 1. 145 + 52 × 0. 066 = 2.4 As árvores são sujeitas a diferentes níveis de atmosfera de dióxido de carbono. 5    0.3: 5 E(X) E(X 2 ) V (X) = i=1 5 xi p(xi ) = 1 × 0.3 Uma variável aleatória discreta X tem a seguinte função de distribuição:   0     0.8. 671 − 2. 4992 = 1. P(−10 < X < 10). 288 + 3 × 0.4.1 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 Exercícios: 8. 25  0. 0. 426 8. Calcule a média e a variância de X . 4. P(2 ≤ X < 4). c.

para quaisquer valores de a e b. 2 × 2. b. b]. P(4 < X < 5) d. 8) P(X > 1. 5) c. ou seja. P(X < 3. A área denida por f (x) é igual a 1. A área de cada barra é igual a frequência relativa dos valores do respectivo intervalo. 5 9. b. 5) = 1 − 0. 5) = 5 x 3.5 8 dx 5 x 4 8 dx = = = 5 x2 2 3. P(4 < X > 5) = P(X < 4. 7 17 .1. ou seja. Um histograma que tem nas ordenadas a densidade de frequência é uma aproximação da função de densidade. d dx F (x). e. 3.2. 7031) = 0. ∀x ∈ (−∞. equivale a somar as duas probabilidades. 2031 + 0. Assim. P(X < 3. 5) ou P(X > 4. 7969 c. 7969) + (1 − 0. a. 5) e. Determine as seguintes probabilidades: P(1 < X < 2) Solução: a. 5) = d. 5 = 1 − 0. 8) = F (2. 5) = 1 − F (1.5 = 12. se x ≥ 5. f (x) ≥ 0. 5 ∪ X > 4. em se tratando de variáveis aleatórias contínuas.75 16 b.: ∞ −∞ f (x)dx = 1. P(X > 3. A frequência relativa é uma estimativa da probabilidade de um valor medido cair naquele intervalo. P(X = k) = 0 para qualquer k. 8 = 0. Suponha que a função de distribuição acumulada de uma variável aleatória X seja: F (x) =      0 1 se x < 0. Exemplo 9. b] e (a. as probabilidades calculadas sobre os intervalos [a. 5) como os dois eventos são disjuntos.9. Isso signica que. 5)) = (1 − 0. 5) = (1 − P(X > 3. 5) P(X < −2) d. 2. (a. 8) = 0. P(X < 4) Suponha f (x) = x/8. para − ∞ < x < ∞ (16) Existe uma relação entre f (x) e F (x): f (x) = Exemplo 9. 3 < x < 5. P(X > 6) e. Determine as seguintes probabilidades: b. 2x se 0 ≤ x < 5.25 = 0. b).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. 3 = 0. Como consequência da forma com a qual atribuímos probabilidades no caso contínuo. 4375 = 12.25 2 = 0.5 x2 = 1 20. 5) ou P(X > 4. b) são as mesmas.5 x dx 3 8 5 x2 9 = 1 25 − 16 = 16 = 0. ∞).2 Função de distribuição acumulada Probabilidade 1. a. a probabilidade de ocorrência de um valor isolado é sempre zero e. P(X < 2. 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. 5)) + (1 − P(X < 4. [a. 4. 7031 2 3 8 2 2 16 P(X < 3.      c. consequentemente. P(X > 3. teremos área zero sob qualquer valor individual. 2 × 1. P(a ≤ X ≤ b) = Obs. 2969 = 0. ii. b a f (x)dx = área sob a curva de f (x) de a até b. P(X < 2. i. 56 P(X > 1.25 − 9 = 11. 5) Solução: a. P(X < 4. 5625 2 4 8 2 2 4.

f. 5). Calcule: a. c.9. A função de densidade de X . 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. −1 < x < 1. 5 < X < 0. P(X > −1. 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. c. 329 9. 5). 25x + 0.2 Suponha que a função de distribuição acumulada de uma variável aleatória X seja: F (x) =      0 0. P(−0. 0832 = 0. 2 × 1 = 0. b. 5 1 se x < −2. Calcule a média e a variância de 9. com função de densidade dada por ∞ f (x). 2 × 2 − 0.4. Determine x tal que P(X > x) = 0. d.   se x ≥ 2. f. d. 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. se − 2 ≤ x < 2. e. e.4. P(X < −2).1 Seja f (x) = 1. X .3 Média e variância de uma variável aleatória contínua A média ou valor esperado de uma variável aleatória contínua X. 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) = 0.3 A quantia gasta anualmente. 4 − 0. em milhões de reais.4 Exercícios: 9. 8). e. P(X < 1. 2 9.1. 18 . b. 5 ≤ y < 2. 05 . d. P(X < −2).    Determine: a. P(−1 < X < 1).3 Média e variância de uma variável aleatória contínua Probabilidade c. caso contrário. 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. 9. P(X > 0). 5x2 .4. 5). x2 f (x)dx (20) f (x) = x/8. 2 = 0. A média e a variância de X .

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

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

5 e procurar no corpo da tabela o valor que deixa 0. que é o 0. Se Z ∼ N (0.10. P(2 < X < 5) = P X−2 √ 9 2−2 √ 9 4−2 √ 9 Solução: a. c. O valor de c tal que P(X > c) = 0. item (b) P(5 < X < 7) Figura 5: item (b) P(X < 3) Seja X ∼ N (10/3. a = 0. o valor de d tal que P(X > d) = 0. b. obtenha P(5 < X < 7) e P(X < 3). < X−2 √ 9 < 5−2 √ 9 = P(0 < Z < 1) = 0. 025. Se X ∼ N (6. 9987 = 0.67 x Figura 2: item (a) P(2 < X < 5) Figura 3: item (a) P(X > 4) f(x) f(x) −1 0 1 x −3 0 x Figura 4: Exemplo 10. 3212. 3413 P(X > 4) = P > = P(Z > 2/3) = P(Z > 0.92. d. 67) = 1 − 0. f(x) f(x) 0 1 x 0 0. devemos somar 0. Para encontrar o valor a. 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. = 0. c. o valor de e tal que P(3 < X < e) = 0. 350. c. 025 21 . 6826 = 1 − P(Z < 3) = 1 − 0.8212 de área abaixo dele. 5 = 0. 3212. 050. 2/3).2. determine: a. 1) e P(0 < z < a) = 0. 7486 = 0. O valor de b tal que P(X < b) = 0. P(X < b) = 0.92. determine a. Então. 8413 − 0. 025 → P X−10/3 √ 1/3 b−10/3 < √ 1/3 b−10/3 =P Z< √ 1/3 Solução: a.1 A tabela Normal Padrão Probabilidade b. 1). 500. 0013 P(0 < z < a) = 0. 2514 b. 8413 − 0.

05 P(X > d) = 0. consideramos que 40 observações é uma amostra grande o suciente para usar o Teorema Central do Limite. à medida que o tamanho da amostra aumenta. 05 → P Deve-se então procurar na tabela Normal padrão o valor que deixe 0.64. 41... 20. 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. e usar o simétrico negativo do mesmo. temos que P(X < −1) = 0.. temos: Exemplo 10. respectivamente. 96 → b = −1. 6587 de área abaixo dele. sendo que a aproximação melhora quanto maior for o tamanho da amostra e. 5 a essa probabilidade e procuraremos o valor √ que deixa 0. 50 10. então as médias amostrais terão distribuição normal para qualquer tamanho de amostra.. 1587.3 e 0. Podemos concluir que. X−10/3 √ 1/3 c−10/3 > √ 1/3 c−10/3 =P Z> √ 1/3 = 0. Usando a simetria. 41 → c = 0. 39 × 1/3 + 10/3 = 3. Para calcular a probabilidade da média amostral superar o valor 5. 56. para uma amostra grande. 64 → c = 1..4. a distribuição das médias √ amostrais x tende para uma distribuição normal.025 de área abaixo dele. Uma amostra com 40 observações é sorteada. 4 4. se comporta segundo um modelo normal com média 0 e variância 1. que é o 0. 39 → c = 0. 64 × 1/3 + 10/3 = 4. podemos usar ¯ a distribuição normal para estudar X probabilisticamente. 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 = 0.96. 41 × 1/3 + 10/3 = 3. probabilidades 0. podemos buscar no corpo da tabela o valor que deixa 0. 1/3 b. 22 . P(X > c) = 0. Assim: b−10/3 = −1. 1/3 c. 20) = 1 − P(X < 1. que é 1.96.2 Teorema Central do Limite O Teorema Central do Limite diz que. ou seja: ¯ X − µ n→∞ √ → N (0. X−10/3 √ 1/3 d−10/3 > √ 1/3 c−10/3 =P Z> √ 1/3 = 0.. se a própria distribuição original for normal. 0. 44. Assim e−10/3 = 0. Este teorema é importante porque.95 de área abaixo dele. 1) σ/ n (23) Em resumo: Se temos. 50 → P Através da tabela Normal padrão.. devidamente padronizada. a distribuição da média amostral. E podemos usar isso quando. 4 e σ 2 = 4. Assim: d−10/3 √ = 0. Apesar de não ser simétrica. Somamos 0. Esse valor é o 0. com média µ e desvio-padrão σ/ n.3. 44/40 > 5 − 5. 8849. 20) = 0. 35 → P Deve-se então procurar na tabela Normal padrão o valor que deixe 0. 44/40 = P(Z > −1. ¯ tivermos amostras de tamanho n > 30. 4 4.3. que √ é -1.975 de área abaixo dele. quando o interesse for estudar a média amostral. Assim: c−10/3 √ = 1. 28. Esse valor é o 1. 35 P(3 < X < e) = 0. 96 × 1/3 + 10/3 = 2. 57.10. 1/3 c. Uma variável aleatória X assume os valores 3.2 Teorema Central do Limite Probabilidade Deve-se então procurar na tabela Normal padrão o valor que deixe 0.65 de área abaixo dele. A variável X não tem distribuição Normal e obtemos µ = 5. ¯ P(X > 5) = P ¯ X − 5..39. 6 e 8 com.

5a Edição. 1a Edição. e. 1/9).5 Coleta-se uma amostra de 10 observações independentes de uma N (2. Magalhães MN. d. P(−5 < X ≤ −2). 2). 3. Rio de Janeiro: Editora LTC (2008). P(X > −6). São Paulo: Editora Edusp (2005). Determine: a. Dtermine os valores que delimitam cada uma dessas classicações. b.1 Seja X ∼ N (4. c.3. P(−7 ≤ X ≤ −6).3 Exercícios: 10. Determine: a. P(0 ≤ X ≤ 6/5). Vieira S. Editora LTC (2012). 1). P(X ≤ 1).3. 10. Runger GC. 10). Rio de Janeiro: Editora LTC (2011). 6a edição.3. Rio de Janeiro: 4. d.2 Seja X ∼ N (−5. P(X ≤ 7/5). P(5 ≤ X ≤ 7). Ser superior a 2. Estatística Básica. 11 Referências 1. P(X ≥ 3). P(2 < X < 5). b. d. b. P(X ≤ 0). Determine a probabilidade de a média amostral: a. Para efeito de determinar o tratamento mais adequado.3 Seja X ∼ N (5/4. 10. 5. P(4 < X < 5). os 25% pacientes de menor peso são classicados como 'magros'. b. Triola MF. Lima ACP. P(X ≤ 3/5). enquanto os 25% de maior peso de 'obesos'.10.3. f. A Estatística Básica e Sua Prática. Determine: a. c. 10.3 Exercícios: Probabilidade 10. Estar entre 0 e 2. São Paulo: Editora Cenange Learning (2012). 5a Edição.3. Montgomery DC.4 Uma clínica de emagrecimento recebe pacientes adultos com peso seguindo uma distribuição Normal com média 130 Kg e desvio-padrão 20 kg. 10. Moore DS. 23 . P(X ≤ 4).5. c. 10a edição. Noções de Probabilidade e Estatística. Estatística Aplicada e Probabilidade para Engenheiros. Ser inferior a 1. 2. Introdução à Estatística. c. P(2 ≤ X ≤ 2).

4 1.9995 0.9808 0.6517 0.9871 0.9989 0.9961 0.8133 0.9972 0.7190 0.7257 0.4 0.9996 0.9971 0.9015 0.9999 0.9997 0.0000 7 0.7 1.9949 0.9931 0.9997 0.9994 0.7324 0.9991 0.6064 0.9998 0.9977 0.8621 0.9998 0.9968 0.6950 0.7291 0.9913 0.4 2.9980 0.9772 0.9995 0.9633 0.6443 0.8997 0.9946 0.9162 0.9996 0.8023 0.9495 0.9974 0.9998 0.7881 0.9925 0.9582 0.9999 0.8159 0.9994 0.9147 0.9868 0.9953 0.8340 0.8665 0.9893 0.9345 0.9927 0.9957 0.9864 0.9798 0.7910 0.9918 0.9306 0.8485 0.9535 0.9979 0.5 0.6179 0.9625 0.6480 0.7704 0.7 0.5438 0.0000 2 0.9664 0.5793 0.6985 0.7794 0.5398 0.6255 0.9251 0.9382 0.9977 0.9778 0.9981 0.9861 0.9994 0.8925 0.8869 0.9987 0.9991 0.9857 0.9842 0.6628 0.5120 0.9999 0.6 1.9984 0.3 1.8 1.9115 0.9989 0.9960 0.9761 0.9941 0.8 0.8413 0.9988 0.9948 0.9998 0.9997 0.5910 0.6879 0.9999 1.9984 0.9706 0.9788 0.9993 0.9878 0.8830 0.5478 0.6141 0.8770 0.9 2.9999 0.9032 0.9649 0.9998 0.9998 0.9875 0.9641 0.8980 0.8238 0.9998 0.5871 0.9995 0.9932 0.9986 0.9999 0.8849 0.9656 0.0000 6 0.9970 0.9999 1.9990 0.8365 0.6844 0.9999 0.9441 0.8962 0.6 3.9699 0.8686 0.9990 0.3 2.9599 0.5 2.9998 0.9934 0.9955 0.9983 0.9987 0.8599 0.9817 0.9429 0.8554 0.0000 24 .6736 0.8577 0.6915 0.9999 0.9850 0.9920 0.5753 0.8749 0.9995 0.9292 0.9994 0.9909 0.9999 0.8907 0.9357 0.6217 0.9997 0.9997 0.5948 0.7088 0.9997 0.8315 0.9945 0.9959 0.9573 0.6 2.9987 0.7939 0.9898 0.7422 0.7054 0.9564 0.9979 0.7157 0.3 3.9978 0.9999 0.9744 0.9719 0.9738 0.9049 0.5359 0.5636 0.6103 0.7967 0.9952 0.9938 0.9265 0.9222 0.8289 0.9671 0.0000 5 0.2 2.9962 0.9993 0.9985 0.7357 0.8 2.9591 0.9995 0.9997 0.9713 0.9999 1.9 0 0.5675 0.9793 0.5000 0.9999 0.9066 0.0000 9 0.9505 0.7454 0.9881 0.9992 0.9975 0.9686 0.9998 0.9991 0.9515 0.0 1.9999 0.9976 0.8106 0.9929 0.6700 0.9997 0.0000 3 0.7486 0.9901 0.9974 0.3 0.9992 0.7642 0.9236 0.5319 0.8438 0.9999 1.9463 0.7673 0.0 0.0000 4 0.5596 0.9821 0.8708 0.9951 0.7123 0.6293 0.1 2.9 1.8051 0.8 3.9678 0.9750 0.9965 0.9608 0.9940 0.9916 0.9452 0.5279 0.1 1.6664 0.8264 0.9998 0.9803 0.9884 0.9999 0.9998 0.9992 0.9554 0.9890 0.9999 1.9986 0.9999 0.6554 0.9990 0.8389 0.2 1.9525 0.8212 0.9936 0.9998 0.5832 0.9992 0.9922 0.9999 1.5 1.7 3.9279 0.9999 1.7549 0.9207 0.6591 0.5 3.9969 0.7389 0.9394 0.9997 0.8944 0.9192 0.9999 0.9966 0.9906 0.9996 0.9812 0.9994 0.5239 0.9996 0.Probabilidade Tabela da Distribuição Normal Padrão P(Z<z) 0 z z 0.8729 0.9418 0.7 2.6772 0.5987 0.0000 8 0.9956 0.6331 0.9999 0.5040 0.9406 0.9846 0.5517 0.9973 0.0 2.5199 0.9332 0.6026 0.7224 0.9985 0.9732 0.7764 0.9726 0.9964 0.9943 0.7019 0.7734 0.8078 0.9838 0.9783 0.8888 0.9474 0.0 3.9999 0.5160 0.9756 0.9996 0.9767 0.9982 0.9988 0.9484 0.6368 0.5080 0.9370 0.9967 0.9981 0.9177 0.2 3.9854 0.9982 0.6406 0.9 3.5714 0.9996 0.8643 0.9999 1.9995 0.9082 0.7611 0.9999 1.9616 0.8810 0.9826 0.9999 0.9131 0.9963 0.9834 0.9999 1.9896 0.9693 0.5557 0.2 0.9997 0.9904 0.0000 1 0.6 0.9989 0.8186 0.7852 0.7995 0.9319 0.7517 0.8790 0.1 0.7823 0.9545 0.4 3.9993 0.9998 0.6808 0.8461 0.1 3.9830 0.9887 0.8531 0.9099 0.9999 0.9911 0.7580 0.8508 0.9993 0.

Sign up to vote on this title
UsefulNot useful