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

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

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

Ω A Ac Complementar de A 1. (a) (b) (c) (d) Obtenha A ∪ B . Saber a altura do estudante (em metros).1. 6}. especique dois eventos possíveis de cada uma das 4 situações. 3. B c .2 Exercícios: 1. Identique os dois eventos disjuntos entre estes 4 e explique por que o são. B = {1. 3.2 No contexto do exercício 1. Os eventos A e B são complementares. o espaço amostral é Ω = {1. Como já foi visto. B ∩ C e B ∩ D. Considere os seguintes eventos: A = {2.: Experimento: Lançamento de um dado. Saber o estado civil do estudantes. C = {1.2. 1. O complementar de A será denotado por Ac e temos A ∪ Ac = Ω e A ∩ Ac = ∅. A ∩ B = ∅. Os eventos A e B são disjuntos.2. 5}. Obtenha Ac . quando não têm elementos em comum. ou seja. 4.3 Considere um experimento que consiste no lançamento de um dado equilibrado. 4. Construa o espaço amostral Ω se o interesse é: (a) (b) (c) (d) Saber o sexo do estudante.: Experimento: Lançamento de um dado. 5} e D = {4}. 4.2 Exercícios: Probabilidade Outros conceitos importantes são: dizemos que dois eventos A e B são disjuntos ou mutualmente exclusivos. Eventos disjuntos: • Ex. Eventos complementares: • Ex. 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. C c e Dc . Obtenha B ∩ A. Saber a idade do estudante (em anos).2. 5. 1. 6}. 5 . 2. A ∪ C e A ∪ D.1 Suponha que iremos selecionar 1 estudante ao acaso de uma turma de estatística.

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

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

1. P(C) = 200/350 = 0. Para encontramos a probabilidade do evento A ∪ B devemos usar a fórmula da adição. P(B) = P({c}) + P({d}) + P({e}) = 0. Um estudo sobre hábitos de fumantes compreendeu 200 indivíduos casados (54 fumavam). 3. 286 + 0. Sejam A e B eventos de Ω. b.1. P(S) = 50/350 = 0. Solução: Para encontramos a probabilidade do evento A. (b) P(A ∪ B). 109 = 0.2 Uma universidade tem 10.4 e 0. S = ser solteiro. Ser esportista e aluno da biologia noturno. a. b. d. c. O espaço amostral de um experimento aleatório é: Ω = {a. 1 + 0. Não ser esportista nem aluno da biologia.3 Sejam A e B dois eventos em um dado espaço amostral tais que P(A) = 0. 1.000 são considerados esportistas. P(A). 4 + 0. 8 . Determine o valor de p. Exemplo 3. P(A ∪ B) = 0. Então P(A) = P(A ∩ B) + P(A ∩ B c ). 700 da biologia noturno. Para encontramos a probabilidade do evento B faremos o mesmo processo da letra (a). D = ser divorciado. e. precisamos somar as probabilidades dos eventos simples que o compõem. Assim. 2. 5 e 3.1 Exercícios: 3. P(A ∩ B). P(B). 0. 2 + 0. 2 = 0.000 alunos dos quais 4.1 Se P(A) = 0.1. 294. (c) P(Ac ∩ B). comuns b. Se A e Ac são eventos complementares então P(Ac ) = 1 − P(A). P(B) = p. P(D) = 100/350 = 0. 3.1. 294 − 0. 4 + 0. P(A ∩ B) = P({c}) = 0. 2 = 0. 100 divorciados (38 fumavam) e 50 solteiros (11 fumavam). 4 = 0. determine as seguintes probabilidades: (a) P(Ac ). Para encontramos a probabilidade do evento Ac : P(Ac ) = 1 − P(A) = 1 − 0. e}. b. (d) P(A ∩ B c ). Determine as seguintes probabilidades: a. P(B) = 0. (e) P(Ac ∪ B). Assim. 8 − 0. Sejam os eventos A = {a. respectivamente. 100 são esportistas e da biologia diurno e 200 são esportistas e da biologia noturno. Escolhido aleatoriamente 1 indivíduo.1. com probabilidades 0. 143 e F = ser fumante. d.1 Exercícios: Probabilidade 1. Exemplo 3. Sabe-se ainda que 500 alunos são do curso de biologia diurno. ao acaso. c} e B = {c. Ser esportista ou aluno da biologia. P(A) = P({a}) + P({b}) + P({c}) = 0.1. 571. P(A ∪ B). c.2. P(∅) = 0. 2. determine a probabilidade de obter alguém divorciado ou fumante. aos e. Para encontramos a probabilidade do evento A ∩ B devemos somar as probabilidades dos eventos simples eventos A e B. 471. Assim. d. Assim. Solução: Precisamos primeiro denir os eventos: C = ser casado. Observemos ainda que P(D ∩ F ) = 38/350 = 0. 1 + 0. 6. 8. 286. 0. e}.1. Precisamos calcular P(D ∪ F ). 2 e P(A ∩ B) = 0. Um aluno é escolhido. P(A ∩ B) = 0. 2. 0. 3. d.2. e pergunta-se a probabilidade de: (a) (b) (c) (d) (e) Ser esportista. P(A ∪ B) = P(A) + P(B) − P(A ∩ B) = 0. P(Ac ).2. Não ser da biologia. P(F ) = (54 + 38 + 11)/350 = 0.3. 2 = 1. c. P(D ∪ F ) = P(D) + P(F ) − P(D ∩ F ) = 0. 4. 3. 109.

... Denamos dois eventos: A = {(3. Então: P(A|B) = b. 6)}. . 1). P(B) > 0 P(B) (5) Se P(B) = 0.. O que acontece é que 'ganhamos' informação e podemos recalcular as probabilidades de interesse. (5. com P(A) > 0 Exemplo 4. temos: P(A ∩ B) = P(A|B)P(B). P(D) 1/2 2 4. . ..Probabilidade 4 Probabilidade condicional Algumas vezes o experimento aleatório com o qual trabalhamos pode ser separado em etapas.1 Denição: Dados dois eventos A e B. 5)} e D = obter face par no primeiro dado = {(2. (4... 6). então P(A|B) é arbitrariamente denida.. 6). 5. (2. 6). 1). 6). (3.. Solução: Para o experimento lançamento de dois dados equilibrados. (3. enquanto o armário 2 tem 3 bolas de volei e 2 de basquete.. 6). Interpretação: A probabilidade P(A|B) revela a incerteza que se tem sobre o evento A supondo que ocorreu o evento B... (1. (4. (2.. 1). P(A ∩ B) 1/36 1 = = = 0... Sabemos que P(C) = 18/36 = 1/2. O armário 1 tem 3 bolas de volei e 1 de basquete. calcule a probabilidade dela ser: 9 .. 3). P(A ∩ B) = P(B|A)P(A).... 6)..1. (1... Podemos interpretá-la como a chance relativa de A restrita ao fato que B ocorreu. 3). (3. (2. (6.. 5). 1). Obter o par (3. (6. (2. (6. Sabemos que P(A) = 1/36. .. (7) Dois armários guardam bolas de voleibol e basquete. uma de suas bolas. sabendo-se que ocorreu face par no primeiro dado. 1). Dois dados equilibrados são lançados. 6)}. A informação do que ocorreu em uma determinada etapa pode inuenciar nas probabilidades de ocorrências nas etapas sucessivas. 1).... (6. 1). .. (5. (4. 056. 3). o espaço amostral será: Ω = {(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) .. Calcule a probabilidade de: a. 5).. . 1). (5. Então: P(C|D) = P(C ∩ D) 1/4 1 = = = 0. em seguida.. . 1). . com P(B) > 0 (6) ou similarmente. (5. (6.4).2. (2. 1).. 6). denida da seguinte forma: 4.. .. Exemplo 4. 1). 6). um armário e.. (4.. (1. 6). (1. 1). . 1)... (2. a.. b. P(B) 1/2 18 Denamos dois eventos: C = obter face ímpar no segundo dado = {(1. A essas probabilidades recalculadas denominamos probabilidade condicional. 6)} sendo que cada resultado possível tem probabilidade 1/36 de ocorrer. . 1). P(B) = 18/36 = 1/2 e P(A ∩ B) = 1/36.. P(D) = 18/36 = 1/2 e P(C ∩ D) = 9/36 = 1/4. Escolhendo-se. .. 1). (3. .. sabendo-se que ocorreu face ímpar no primeiro dado. ao acaso. Sejam A e B eventos de Ω.. . 4)} e B = obter face ímpar no primeiro dado = {(1. . (6.. (6.. Ocorrer face ímpar no segundo dado.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.

entre as meninas. A2 = Armário 2.4. De volei. ao passo que.3. a. determine a probabilidade de: (a) Estudar na área de exatas. 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 = 0.1 Numa cidade do interior de São Paulo. 2 × 0. Do sexo masculino e nunca ter visto o mar. Solução: Denindo os seguintes eventos: M = sexo masculino. Qual a probabilidade de que um aluno selecionado ao acaso seja: Exemplo 4. 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. sabendo-se que o armário 1 foi escolhido. (b) Estudar na área de humanas. estima-se que cerca de 20% dos habitantes têm algum tipo de alergia. essa porcentagem é de 50%. Solução: Denindo os seguintes eventos: A1 = Armário 1. 6 = 0.3. P(B|A2) = 2/5 = 0. 4.3 Exercícios: Probabilidade a. 3 das 4 bolas são de volei. V = bola de volei e B = bola de basquete. 5 × 0. (b) Ser alérgico dado que não pratica esportes. (c) Ser da classe baixa. temos: a. b. temos: a. 4. c.3. F = sexo feminino e N = nunca ter visto o mar. 4 = 0. sabendo-se que o armário 2 foi escolhido. P(F ∩ N ) = P(N |F )P(F ) = 0. c. Entre estes. 4. P(A|B) = P(A) e consequentemente tem-se: 10 . De basquete. b. 2 das 5 bolas são de basquete. 08. 325. P(V |A1) = 3/4 = 0. Para um indivíduo escolhido aleatoriamente nessa cidade. enquanto essa porcentagem entre os não alérgicos é de 40%. dado que estuda na área de biológicas. com informações sobre a área de estudo e classe sócio-econômica: Área / Classe Exatas Humanas Biológicas Alta 120 72 169 Média 156 85 145 Baixa 68 112 73 Se um aluno ingressante é escolhido ao acaso. porque sabemos que no armário 1. porque sabemos que no armário 2. b. 75.2 A tabela a seguir apresenta dados dos 1000 ingressantes de uma universidade. 20% nunca viram o mar.3 Exercícios: 4. Uma escola de ensino médio do interior de São Paulo tem 40% de estudantes do sexo masculino. b. De basquete. P(M ∩ N ) = P(N |M )P(M ) = 0. obtenha a probabilidade de: (a) Não praticar esporte. Do sexo feminino e nunca ter visto o mar. 30. ou seja. Sabe-se que 50% dos alérgicos praticam esporte. sendo de classe média.

P(B) = 0.. os eventos A e B são independentes? Por quê? 5.1 Exercícios: Probabilidade P(A ∩ B) = P(A)P(B) Exemplo 5. 223. 5.1 Se P(A|B) = 0. P(A|Ck ) sejam conhecidas.. Para vericar isso. 8 e P(A) = 0. precisamos vericar se P(F |A) = P(F ) e se P(F |S) = P(F ). isto é: 1. P(F |S) = P(F ). os eventos B e Ac são independentes? Por quê? 5. 3. P(A|C2 ). Assim.. 2. 183 e P(F ) = 1037/4658 = 0...2 Se P(A|B) = 0.. eles são independentes? Por quê? 6 Teorema da Probabilidade Total 6..1.1. 8 e P(A) = 0. P(B) = 0. Assim. sóbrio ou alcoolizado. ... Ci ∩ Cj = ∅.1 Partição do espaço amostral Os eventos C1 .. + P(A|Ck )P(Ck ) (9) 11 . C2 . 242 e P(F ) = 1037/4658 = 0. P(C2 ). C2 . P(F |A) = P(F ). ∀i = j 2.1 Exercícios: 5. Você diria que o fato de o motorista estar ou não alcoolizado interfere na ocorrência de vítimas fatais? Motorista Sóbrio Alcoolizado Total Vítimas fatais Não Sim 1228 275 2393 762 3621 1037 Total 1503 3155 4658 Solução: Denindo os seguintes eventos: S = motorista sóbrio.. 5. as probabilidades P(A|C1 ). 4. 3. . 2. k i=1 Ci = Ω Ω C2 C1 C3 C4 C5 C6 Partição do espaço amostral (k=6) 6. Suponha também que para um evento A.. Assim: P(F |A) = 762/3155 = 0.1.. o que desejamos saber é se o evento vítimas fatais é independente da situação do motorista (sóbrio ou alcoolizado). (8) Estatísticas dos últimos anos do departamento estadual de estradas são apresentadas na tabela a seguir. incluindo vítimas fatais e as condições do motorista envolvido.3 Se P(A) = 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.. A = motorista alcoolizado e F = vítimas fatais.. contendo o número de acidentes. Assim: P(A) = P(A ∩ C1 ) + P(A ∩ C2 ) + .1.Ck formam uma partição de Ω e que suas probabilidades P(C1 ).. com A e B mutuamente excludentes. P(Ck ) são conhecidas. o fato de o motorista estar ou não alcoolizado interfere na ocorrência de vítimas fatais. P(B) = 0. P(F |S) = 275/1503 = 0.. + P(A ∩ Ck ) = P(A|C1 )P(C1 ) + P(A|C2 )P(C2 ) + .5.. Então.2 Denição: Teorema da Probabilidade Total Suponha que os eventos C1 . 223.

o exame pode.. Solução: Vamos denir os seguintes eventos: P = resultado positivo no teste ELISA. Qual será a probabilidade de um rolo selecionado aleatoriamente.1 Um médico descona que um paciente tem um tumor no abdômen. 2 × 0. qual é a probabilidade de o paciente tê-lo de fato? 7.2 Das pacientes de uma Clínica de Ginecologia com idade acima de 40 anos. Se o HIV estiver efetivamente presente. Qual a probabilidade de uma paciente escolhida ao acaso ter tido um distúrbio hormonal? b. N = resultado negativo no teste ELISA e H = vírus HIV efetivamente presente.1. P(P |H) = 0. . 995 × 0.9.. 3 × 0. 601 P(P |H)P(H) + P(P |H c )P(H c ) 0. Sabemos que P(H) = 0.3 Exercícios: Probabilidade Exemplo 6. Exemplo 7. 015 0. Qual é o valor de P(A)? 6. 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. 22.01. . erroneamente. Pergunta-se: a...1 Suponha que 2% dos rolos de tecido de algodão e 3% dos rolos de tecido de náilon contenham falhas. 2 = 0. P (A|C2 ).1. seja 0. 015. as probabilidades P (A|C1 ). 60% são ou foram casadas e 40% são solteiras. 01 × 0. indicar que tem com probabilidade 0.3 Exercícios: 6. P (A|Ck ) sejam conhecidas. C2 . 2. Dos rolos usados por um fabricante.. P(A|B c ) = 0. conter falhas? 7 Teorema de Bayes Suponha que os eventos C1 .1 Exercícios: 7.995. P (C2 ). (10) Este é um resultado útil por permitir resolver P(Cj |A) em termos de P(A|Cj ). 70% são de algodão e 30% são de náilon.. 06 = 0. 985 0. Se o exame detectou um tumor. para qualquer j. Sendo solteira. P(Cj |A) = P(A|Cj )P(Cj ) k i=1 P(A|Ci )P(Ci ) . 995 × 0. 0149 = = = 0. 8 + 0. para uma certa população.. a probabilidade de que o teste ELISA apresente um resultado positivo é 0. Ck formam uma partição de Ω e que suas probabilidades P (C1 ).6. 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. a probabilidade de ter tido um distúrbio hormonal no último ano é de 10%. 16 + 0.. o exame de ultrassom o detectará com probabilidade 0. Assim. 995 e P(P |H c ) = 0. a probabilidade de um resultado positivo a partir do ELISA é 0. Solução: Sabemos que B e B c formam uma partição de Ω. Suponha P(A|B) = 0. 3 e P(B) = 0. 8.015.1. O ELISA é o tipo mais comum de teste de triagem para detecção do HIV. 015 + 0. Suponha que a probabilidade de uma pessoa estar infectada com o HIV. usado pelo fabricante. pois isto ocorreu em 70% dos casos similares que tratou. Um resultado positivo em ELISA indica que o HIV está presente. Se o HIV não estiver efetivamente presente. Se o paciente de fato tiver o tumor. qual a probabilidade de ser solteira? 12 . Se o ELISA tiver apresentado um resultado positivo.. Entretanto. 0248 7.P (Ck ) são conhecidas. Se a paciente sorteada tiver distúrbio hormonal. utilize o teorema de Bayes para encontrar a probabilidade de que o HIV esteja efetivamente presente. Suponha também que para um evento A.1.1. se ele não tiver o tumor. enquanto que para as demais essa probabilidade aumenta para 30%..3.

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

00 0.1)=F(2.   se 3 ≤ x < 4.     se 2 ≤ x < 3.99).05 0.45)=F(2. p(xi ) (12) Uma população de 1000 crianças foi analisada num estudo para determinar a efetividade de uma vacina contra um tipo de alergia. esse valor ca inalterado no intervalo [2.20 2 3 4 5 6 7 8 9 10 11 12 Soma dos valores das duas faces dos dados 8. pela seguinte expressão: F (x) = P(X ≤ x) = xi ≤x Exemplo 8. Assim: F (2) = P(X ≤ 2) = P(X = 1) + P(X = 2) = 0. ou seja. para qualquer número real x. recebiam outra dose de vacina. escrevemos F (x) = P(X ≤ x) = 0. 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 2.3.10 0. para 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.     se 4 ≤ x < 5. 14 . Para isso precisamos obter a função de distribuição no ponto 2.288. após um mês. No estudo. a probabilidade de uma criança ter recebido exatamente duas doses é 288/1000=0.3). as crianças recebiam uma dose de vacina e. 533 F (x) =   0.     se x ≥ 5. Ao m de 5 doses todas as crianças foram consideradas imunizadas. b. 288 = 0. Calcule as probabilidades de: a. 245      0. 1 245 2 288 3 256 4 145 5 66 Uma criança desta população sorteada ao acaso tenha recebido 2 doses.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. 934     1      se 1 ≤ x < 2. Por essa razão. Caso ainda tivessem tido alguma reação alérgica. ou seja. Utilizando a abordagem frequentista para atribuir probabilidades. 789    0. Uma criança desta população sorteada ao acaso tenha recebido até 2 doses. Os resultados completos estão na tabela a seguir: Doses Freq. Observe que. se x < 1. F(2. 245 + 0. 533.15 0. a função de distribuição é:  0     0. Solução: a.8. Assim. passavam por um novo teste. 533. como a variável só assume valores inteiros.

onde E(X 2 ) = 2 i=1 Cálculo da média e da variância no Exemplo 8. A média (ou valor esperado) é uma medida do centro da distribuição de probabilidade.145 5 0.0 q q 0. 1 0.2 q 0 1 2 3 4 5 6 Número de doses de vacina 8. A média ou valor esperado de uma variável aleatória discreta X. 833 − 49 = 5.066 1.256 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. é: n µ = E(X) = i=1 xi p(xi ) (13) Ea variância de uma variável aleatória discreta X.288 3 0.8. Veremos agora como calcular esses dois valores de uma variável aleatória discreta. 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)) .4 0.3 Média e variância de uma variável aleatória discreta Probabilidade Doses Freq.8 q 0.3 Média e variância de uma variável aleatória discreta Duas quantidades são frequentemente usadas para resumir uma distribuição de probabilidade de uma variável aleatória X.6 F(x) q 0.0 0. denotada por µ ou E(X). 167 − 72 = 54.245 2 0. 833 V (X) = E(X 2 ) − (E(X))2 = 51. 833 15 . A variância é uma medida da dispersão ou variabilidade da distribuição.

e. d. P(X ≤ 40).4. 256 + 42 × 0. se 30 ≤ x < 50.4. c. P(X = 4). 145 + 5 × 0.3: 5 E(X) E(X 2 ) V (X) = i=1 5 xi p(xi ) = 1 × 0. 288 + 3 × 0. b. e. P(12 ≤ X ≤ 20). P(40 ≤ X < 60). se − 10 ≤ x < 30. 1. sendo que 6% das árvores em CO2 .        Determine: a. Determine as seguintes probabilidades: a. 3. b. A função de probabilidade de X . 066 = 2. 245 + 22 × 0. 245 + 2 × 0. 25 a. 9. 9     1      se 10 ≤ x < 12. c. P(X ≤ 50). x = 0. 288 + 32 × 0. 5    0. 2. e. 2   0.8. 499 x2 p(xi ) = 12 × 0. 671 − 2. 671 i i=1 = = E(X 2 ) − (E(X))2 = 7. 8. 145 + 52 × 0.4 Exercícios: Probabilidade Cálculo da média e da variância no Exemplo 8. f. P(X ≤ 1). Precisamos estabelecer uma forma para atribuir probabilidades às diversas realizações deste tipo de variável.4. 256 + 4 × 0. 8. 10% a 450 ppm (crescimento lento) de a média e o desvio-padrão do nível da atmosfera de dióxido de carbono (em ppm) para essas árvores. P(X ≤ 12). 9 Variáveis aleatórias contínuas Uma variável aleatória contínua assume valores em um intervalo dos números reais e é geralmente proveniente de mensuração. P(X < 0). P(−10 < X < 10).1 Função de densidade de probabilidade Uma função f (x) é uma função de densidade de probabilidade para uma variável aleatória contínua X se satisfaz as seguintes condições: 16 . P(X > −1).4 Exercícios: 8.    se x < 10. f.4. d.2 Uma variável aleatória discreta X tem a seguinte função de distribuição: F (x) =       0 se x < −10. se x ≥ 50. b. 75     1            P(0 ≤ X < 10). que pode assumir um número innito de valores diferentes. P(X < 12). F (x) = se 12 ≤ x < 13. Determine uma condição de crescimento mínimo a 350 partes por milhão (ppm) de CO2 . 066 = 7. Calcule: c. 4. Calcule a média e a variância de X . d. P(X > 18).1 Seja P(X = x) = 2x+1 . 25  0. 426 8.3 Uma variável aleatória discreta X tem a seguinte função de distribuição:   0     0. 4992 = 1. P(2 ≤ X < 4). se 13 ≤ x < 25. 8. Calcule a média e a variância de X . se x ≥ 25. 0. 47% a 550 ppm (crescimento moderado) de CO2 e 37% a 650 ppm (crescimento rápido) de CO2 .4 As árvores são sujeitas a diferentes níveis de atmosfera de dióxido de carbono.

P(X > 3. ii. as probabilidades calculadas sobre os intervalos [a. Isso signica que. 5) c. 2. b. 3. 7031) = 0. ou seja. 2 × 1. Determine as seguintes probabilidades: P(1 < X < 2) Solução: a. [a. Um histograma que tem nas ordenadas a densidade de frequência é uma aproximação da função de densidade. a. 2 × 2. b] e (a. P(4 < X > 5) = P(X < 4. 0.25 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. equivale a somar as duas probabilidades. ∀x ∈ (−∞. 3 < x < 5. Como consequência da forma com a qual atribuímos probabilidades no caso contínuo. f (x) ≥ 0. e. P(X > 3. 5625 2 4 8 2 2 4. a. a probabilidade de ocorrência de um valor isolado é sempre zero e. 5) P(X < −2) d. P(X < 4) Suponha f (x) = x/8. b). 8 = 0. 5) Solução: a. Determine as seguintes probabilidades: b. i. 7969) + (1 − 0. 4. 5) como os dois eventos são disjuntos. 5) = 1 − 0. para − ∞ < x < ∞ (16) Existe uma relação entre f (x) e F (x): f (x) = Exemplo 9. b a f (x)dx = área sob a curva de f (x) de a até b. 2x se 0 ≤ x < 5. consequentemente.2 Função de distribuição acumulada Probabilidade 1. (a. 5) = 1 − F (1.5 = 12. teremos área zero sob qualquer valor individual.25 − 9 = 11. 8) = F (2. para quaisquer valores de a e 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. 5 9. P(X < 2.5 x dx 3 8 5 x2 9 = 1 25 − 16 = 16 = 0. 7969 c. 5) = (1 − P(X > 3.9. P(X < 3. 5) e.: ∞ −∞ f (x)dx = 1. 5) ou P(X > 4. Exemplo 9. P(a ≤ X ≤ b) = Obs. P(X < 4.5 8 dx 5 x 4 8 dx = = = 5 x2 2 3. 5) = 5 x 3. 5 ∪ X > 4. 5) = d. 5)) + (1 − P(X < 4. 8) = 0. 8) P(X > 1.25 = 0. 5 = 1 − 0. P(X > 6) e. P(X < 3. 7031 2 3 8 2 2 16 P(X < 3. 7 17 . 2031 + 0. Suponha que a função de distribuição acumulada de uma variável aleatória X seja: F (x) =      0 1 se x < 0. 4375 = 12.5 x2 = 1 20. P(4 < X < 5) d. 3 = 0. d dx F (x). ∞). 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. Assim.2. b.75 16 b. 2969 = 0.      c. A frequência relativa é uma estimativa da probabilidade de um valor medido cair naquele intervalo. 56 P(X > 1.1. ou seja. P(X = k) = 0 para qualquer k. P(X < 2. 5) ou P(X > 4. se x ≥ 5. 5)) = (1 − 0. em se tratando de variáveis aleatórias contínuas. b]. b) são as mesmas.

2 9. P(−1 < X < 1). 5).1.4. na manutenção do asfalto em uma cidade do interior é representada por uma variável aleatória Y com função de densidade dada por: f (x) = 8 y 9 − 0 4 9 se 0.9. 8). com função de densidade dada por ∞ f (x). e. b.4 Exercícios: 9. P(X > −1. 4 − 0. e. c. 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. 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) = 0.1 Seja f (x) = 1. 5 ≤ y < 2. caso contrário. P(X < 1. Determine x tal que P(X > x) = 0. 25x + 0. P(X < −2). 5 < X < 0. P(X < −2). f. se − 2 ≤ x < 2. Calcule a média e a variância de 9. P(−0. f. d. c. Calcule: a. 5x2 .3 Média e variância de uma variável aleatória contínua Probabilidade c. d. X . P(X > 0. e.2 Suponha que a função de distribuição acumulada de uma variável aleatória X seja: F (x) =      0 0. 18 . 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. 2 × 1 = 0. 0832 = 0. 5 1 se x < −2. 2 × 2 − 0. b. d. P(X > 0). 5). −1 < x < 1. x2 f (x)dx (20) f (x) = x/8. A função de densidade de X . A média e a variância de X .3 Média e variância de uma variável aleatória contínua A média ou valor esperado de uma variável aleatória contínua X.    Determine: a. em milhões de reais. 2 = 0. 329 9. 05 .3 A quantia gasta anualmente. 5). 9.4. 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.   se x ≥ 2.4.

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

5) = 1 − P(Z < 1. Exemplo 10.0 temos 0. σ 2 ) e dena uma nova variável: Z= X −µ σ (22) e assim Z ∼ N (0. 5) = P(Z > 1. se quisermos encontrar P(Z < −1. Considere X ∼ N (µ. 20 . abaixo do valor 1. o qual encontramos olhando na coluna 0 e na linha 1. Se X ∼ N (2. 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. A tabela que utilizaremos nos dará a probabilidade P(Z < z). P(a < X < b) = P (a − µ < X − µ < b − µ) a−µ X −µ b−µ = P < < σ σ σ a−µ b−µ = P <Z< σ σ Para quaisquer valores de µ e σ . 10. Outra consequência é P(Z < −1. obtenha P(2 < X < 5) e P(X > 4).0. como mostra a gura abaixo: f(x) 0 z x Devemos considerar algumas informações importantes para obter as probabilidades. porque a simetria é em torno do zero. 5). Para determinar a probabilidade de X ∈ [a. as probabilidades são obtidas a partir de valores tabelados da Normal Padrão.8413 de área (probabilidade). A tabela é organizada da seguinte forma: somando os cabeçalhos de linha e coluna. b].1 A tabela Normal Padrão Probabilidade média 0 e variância 1.1 A tabela Normal Padrão Como dissemos. 1) e será denominada procedemos da seguinte forma: Normal Padrão . 9).10. Por exemplo. 5). como o fato de a área total sob a curva ser igual a 1 e P(Z > 0) = P(Z < 0) = 0. utilizamos a Normal Padrão para obter probabilidades. Obtenha as probabilidades: a.1. Portanto. 5.

025. Se Z ∼ N (0. a = 0. c.5 e procurar no corpo da tabela o valor que deixa 0.92. 2/3).1 A tabela Normal Padrão Probabilidade b. 67) = 1 − 0. determine a. 025 21 . d. 3413 P(X > 4) = P > = P(Z > 2/3) = P(Z > 0. O valor de b tal que P(X < b) = 0. O valor de c tal que P(X > c) = 0. 3212. 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. item (b) P(5 < X < 7) Figura 5: item (b) P(X < 3) Seja X ∼ N (10/3. 500. 1) e P(0 < z < a) = 0. c. obtenha P(5 < X < 7) e P(X < 3). < X−2 √ 9 < 5−2 √ 9 = P(0 < Z < 1) = 0. 8413 − 0. Então. 8413 − 0. P(2 < X < 5) = P X−2 √ 9 2−2 √ 9 4−2 √ 9 Solução: a. 050.8212 de área abaixo dele. determine: a. b. 9987 = 0. 7486 = 0. Se X ∼ N (6. 025 → P X−10/3 √ 1/3 b−10/3 < √ 1/3 b−10/3 =P Z< √ 1/3 Solução: a. 0013 P(0 < z < a) = 0. 5 = 0.2.10. c. 6826 = 1 − P(Z < 3) = 1 − 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 10.92. devemos somar 0. P(X < b) = 0. 2514 b. 3212. 5) = 0. o valor de d tal que P(X > d) = 0. o valor de e tal que P(3 < X < e) = 0. 1). Para encontrar o valor a. = 0. 350. f(x) f(x) 0 1 x 0 0. que é o 0.

se comporta segundo um modelo normal com média 0 e variância 1. ¯ P(X > 5) = P ¯ X − 5. 56. X−10/3 √ 1/3 c−10/3 > √ 1/3 c−10/3 =P Z> √ 1/3 = 0. 20) = 1 − P(X < 1. 8849.95 de área abaixo dele.. 35 → P 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. 20. 41 → c = 0. Assim e−10/3 = 0. 1587.. ou seja: ¯ X − µ n→∞ √ → N (0. temos: Exemplo 10. P(X > c) = 0. 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. se a própria distribuição original for normal. para uma amostra grande. Assim: c−10/3 √ = 1. 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. 28. 44/40 = P(Z > −1. que é o 0.. a distribuição das médias √ amostrais x tende para uma distribuição normal. 1/3 c.3. 1/3 b. 39 → c = 0. probabilidades 0. 44. 20) = 0... 41. 41 × 1/3 + 10/3 = 3. 4 e σ 2 = 4. Somamos 0.975 de área abaixo dele. podemos usar ¯ a distribuição normal para estudar X probabilisticamente. 0. então as médias amostrais terão distribuição normal para qualquer tamanho de amostra. Para calcular a probabilidade da média amostral superar o valor 5. 96 → b = −1. respectivamente. 1/3 c. Usando a simetria.64. com média µ e desvio-padrão σ/ n. 35 P(3 < X < e) = 0. 44/40 > 5 − 5. Assim: b−10/3 = −1.. Apesar de não ser simétrica. quando o interesse for estudar a média amostral. devidamente padronizada. E podemos usar isso quando.96.025 de área abaixo dele. 96 × 1/3 + 10/3 = 2. 4 4. Esse valor é o 1. 39 × 1/3 + 10/3 = 3. 05 P(X > d) = 0. podemos buscar no corpo da tabela o valor que deixa 0. 6587 de área abaixo dele. 50 10. consideramos que 40 observações é uma amostra grande o suciente para usar o Teorema Central do Limite. temos que P(X < −1) = 0. a distribuição da média amostral. e usar o simétrico negativo do mesmo.4..10. 4 4. sendo que a aproximação melhora quanto maior for o tamanho da amostra e. Uma variável aleatória X assume os valores 3. 50 → P Através da tabela Normal padrão. 57.2 Teorema Central do Limite O Teorema Central do Limite diz que. 1) σ/ n (23) Em resumo: Se temos. ¯ tivermos amostras de tamanho n > 30. 6 e 8 com. Assim: d−10/3 √ = 0. X−10/3 √ 1/3 d−10/3 > √ 1/3 c−10/3 =P Z> √ 1/3 = 0. Este teorema é importante porque. Uma amostra com 40 observações é sorteada.3. à medida que o tamanho da amostra aumenta. 64 × 1/3 + 10/3 = 4.3 e 0.2 Teorema Central do Limite Probabilidade Deve-se então procurar na tabela Normal padrão o valor que deixe 0. 64 → c = 1. 22 . que é 1.96.. 05 → P Deve-se então procurar na tabela Normal padrão o valor que deixe 0. Esse valor é o 0. que √ é -1.39. 5 a essa probabilidade e procuraremos o valor √ que deixa 0. Podemos concluir que.

2. P(X ≤ 3/5). Vieira S. Moore DS.4 Uma clínica de emagrecimento recebe pacientes adultos com peso seguindo uma distribuição Normal com média 130 Kg e desvio-padrão 20 kg.10.3. 10). 1). Montgomery DC. d. b. d. Introdução à Estatística. Determine: a. P(−7 ≤ X ≤ −6). b. c. P(X ≤ 7/5).3 Exercícios: 10. b. 6a edição. 1/9). 5a Edição. d. 10a edição. 2). Rio de Janeiro: 4. e. 11 Referências 1. Runger GC. enquanto os 25% de maior peso de 'obesos'.5.3. P(X ≤ 4). Dtermine os valores que delimitam cada uma dessas classicações. Triola MF. Lima ACP.5 Coleta-se uma amostra de 10 observações independentes de uma N (2. P(2 < X < 5). Ser inferior a 1. São Paulo: Editora Edusp (2005).3. c. P(X > −6). P(X ≤ 1). P(5 ≤ X ≤ 7). c. P(−5 < X ≤ −2). Estatística Aplicada e Probabilidade para Engenheiros.3 Seja X ∼ N (5/4.3 Exercícios: Probabilidade 10. Para efeito de determinar o tratamento mais adequado. f. Noções de Probabilidade e Estatística.3. P(X ≥ 3). os 25% pacientes de menor peso são classicados como 'magros'. c. Determine a probabilidade de a média amostral: a. Estatística Básica.3. São Paulo: Editora Cenange Learning (2012). Rio de Janeiro: Editora LTC (2008). Ser superior a 2. 5a Edição. Determine: a. 10. P(2 ≤ X ≤ 2). Determine: a. 10. b. 10. A Estatística Básica e Sua Prática. 3. P(0 ≤ X ≤ 6/5). P(X ≤ 0). 23 .2 Seja X ∼ N (−5. Magalhães MN. 10. Rio de Janeiro: Editora LTC (2011). P(4 < X < 5). Editora LTC (2012). 1a Edição.1 Seja X ∼ N (4. Estar entre 0 e 2. 5.

9997 0.9515 0.5080 0.9964 0.9997 0.9997 0.9999 0.9345 0.6879 0.5120 0.6736 0.9997 0.8264 0.9616 0.5160 0.9484 0.5675 0.9998 0.9357 0.9452 0.9999 0.9992 0.7 1.9896 0.9625 0.9382 0.9963 0.9940 0.9599 0.0000 4 0.9890 0.7939 0.7642 0.9932 0.8315 0.8790 0.7764 0.9968 0.6179 0.9991 0.5636 0.7389 0.9996 0.9370 0.9306 0.9857 0.9995 0.9999 0.9987 0.9319 0.9750 0.6026 0.9525 0.9332 0.9967 0.6700 0.9279 0.2 3.5 1.0000 6 0.7823 0.8238 0.9573 0.9979 0.9927 0.9993 0.6 2.8849 0.9032 0.9999 0.6141 0.9686 0.7967 0.8621 0.9997 0.9875 0.9994 0.9999 1.5000 0.7 2.9988 0.9207 0.9778 0.9817 0.9951 0.9999 1.8186 0.9049 0.9713 0.8944 0.9955 0.6808 0.9989 0.9918 0.9999 1.9884 0.5714 0.6915 0.8665 0.9761 0.5517 0.9418 0.9996 0.9996 0.9834 0.9772 0.6554 0.6985 0.9998 0.9999 1.9994 0.9838 0.9545 0.9998 0.6064 0.9292 0.9998 0.0 0.4 1.5359 0.9131 0.5 2.5199 0.9821 0.9994 0.9783 0.9830 0.8023 0.9998 0.9981 0.9999 0.6293 0.7794 0.9732 0.9946 0.7910 0.2 1.9826 0.9441 0.9998 0.9936 0.0000 24 .9992 0.9962 0.7881 0.6950 0.8997 0.9982 0.8686 0.9991 0.5 3.6517 0.8389 0.9995 0.5596 0.9989 0.9999 0.9929 0.8869 0.5987 0.8 2.9957 0.9999 0.9997 0.9994 0.9997 0.9970 0.9953 0.5948 0.9975 0.6103 0.8508 0.9861 0.9934 0.9999 0.9984 0.6 1.8438 0.9699 0.9999 0.0 1.3 0.9904 0.9177 0.9406 0.9992 0.9997 0.6217 0.9996 0.6772 0.5557 0.9997 0.9706 0.9 0 0.6331 0.9854 0.9987 0.6844 0.9988 0.6406 0.9998 0.9952 0.9505 0.9913 0.9965 0.9463 0.9999 0.7611 0.9999 0.9099 0.9981 0.9656 0.9989 0.7324 0.9999 1.7 0.7123 0.9999 0.0000 7 0.9871 0.9986 0.8340 0.9798 0.9961 0.9678 0.9719 0.9999 0.9147 0.9998 0.5871 0.3 3.9554 0.9943 0.9976 0.6443 0.5040 0.9251 0.9991 0.9971 0.9901 0.9999 1.8888 0.7357 0.0000 1 0.9864 0.9931 0.0000 5 0.9998 0.8643 0.1 1.5319 0.9982 0.8729 0.9998 0.9015 0.9972 0.8159 0.7157 0.1 2.9162 0.9846 0.9591 0.9911 0.9986 0.8106 0.9999 1.9985 0.8413 0.9664 0.9999 0.4 2.5910 0.7054 0.9788 0.8461 0.9994 0.9756 0.9922 0.7224 0.9925 0.7088 0.9115 0.9 3.9995 0.7 3.9998 0.9999 0.0000 9 0.9909 0.2 0.9808 0.8365 0.9893 0.9938 0.8925 0.7517 0.7995 0.7291 0.9990 0.8830 0.9429 0.9993 0.7422 0.9887 0.9236 0.7549 0.9980 0.6591 0.9990 0.9995 0.9998 0.5438 0.8554 0.9066 0.8051 0.0000 2 0.9394 0.9744 0.8133 0.2 2.9641 0.0000 3 0.9978 0.8 3.6 3.9495 0.6664 0.9920 0.9990 0.9966 0.7734 0.9999 1.9812 0.9649 0.9977 0.7486 0.5753 0.9564 0.7852 0.9999 0.7454 0.9842 0.9767 0.7019 0.9959 0.9793 0.8577 0.9973 0.8289 0.9983 0.8810 0.9996 0.9941 0.8078 0.9992 0.9803 0.9998 0.9192 0.9984 0.9999 1.9906 0.9726 0.6 0.5478 0.5279 0.9985 0.9 1.9948 0.0 2.9535 0.7190 0.9878 0.9949 0.9960 0.8962 0.8212 0.Probabilidade Tabela da Distribuição Normal Padrão P(Z<z) 0 z z 0.7673 0.8599 0.9999 0.9850 0.0 3.5832 0.9738 0.9987 0.9608 0.9999 1.3 1.9222 0.0000 8 0.9916 0.9999 0.9945 0.9996 0.8485 0.1 0.8907 0.9956 0.9977 0.9995 0.8708 0.1 3.4 0.9082 0.9969 0.9993 0.6368 0.9265 0.9881 0.9633 0.9898 0.9993 0.9995 0.8980 0.5239 0.9 2.3 2.8770 0.8 0.6255 0.9979 0.8 1.9693 0.8531 0.9974 0.7704 0.5793 0.9671 0.8749 0.7580 0.9474 0.9997 0.9868 0.6628 0.4 3.9582 0.6480 0.9974 0.5398 0.7257 0.5 0.