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

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

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

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

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

864 optaram pelo cartão de crédito como forma de pagamento e 174 pagaram pelo débito. A probabilidade de um evento composto pode frequentemente ser determinada a partir de probabilidades dos eventos simples que o compreendem.2 Joga-se um dado equilibrado. 2. Assim. Assim. precisamos subtrair uma vez P(A ∩ B).1 Considere o experimento de lançar duas moedas honestas.1 Exercícios: 2. intersecções e complementares de eventos são comumente de interesse. 3 Regra da adição de probabilidades Vimos anteriormente três formas de atribuir probabilidades a eventos simples. Uniões. Estime a probabilidade de um aluno selecionado aleatoriamente nessa escola ser destro. Da denição de probabilidade e a regra da adição implicam os seguintes resultados: 7 . Dos 1728 clientes que passaram pelo caixa em uma semana.1. Calcule as probabilidades pedidas. a expressão acima se reduz a: P(A ∪ B) = P(A) + P(B) (4) porque neste caso P(A ∩ B) = ∅. ou seja. (b) Qual é a probabilidade de ocorrer uma cara? 2.3 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. estaremos somando a região de intersecção entre os dois eventos duas vezes (a região mais escura da representação da união acima).1.1. Qual é a probabilidade de ocorrer um número menor que 3? 2.4 O diretor de uma escola perguntou aos 575 alunos se eles eram destros ou canhotos.2. é mais comum em situações reais termos eventos compostos. Porém. Então: P(A ∪ B) = P(A) + P(B) − P(A ∩ B) (3) Observe que. sejam A e B eventos de Ω. Estes tipos de eventos são gerados pela aplicação de operações básicas de conjuntos a eventos simples. (a) Escreva o espaço amostral e as respectivas probabilidades. a probabilidade de ocorrência de A ou B: A B União Estaremos então interessados em calcular P(A ∪ B). que envolvem mais de um resultado possível do espaço amostral.1 Exercícios: Probabilidade 2. se A e B foram disjuntos. Note que se simplesmente somarmos P(A) com P(B). ou seja. Encontrou 46 canhotos. Vamos pensar em como atribuir probabilidade para um evento que é a união de dois eventos.

Sabe-se ainda que 500 alunos são do curso de biologia diurno. 2 = 0. 5 e 3. precisamos somar as probabilidades dos eventos simples que o compõem. Sejam A e B eventos de Ω. e pergunta-se a probabilidade de: (a) (b) (c) (d) (e) Ser esportista. Para encontramos a probabilidade do evento A ∩ B devemos somar as probabilidades dos eventos simples eventos A e B. e.1. 8. S = ser solteiro.2.1. b. d. 294 − 0. 143 e F = ser fumante. 700 da biologia noturno. (d) P(A ∩ B c ). 294. Assim. 2 e P(A ∩ B) = 0. determine as seguintes probabilidades: (a) P(Ac ). 0. Não ser esportista nem aluno da biologia. P(A ∩ B) = 0. P(A ∪ B) = P(A) + P(B) − P(A ∩ B) = 0.2 Uma universidade tem 10. Um aluno é escolhido. P(∅) = 0.1. P(A ∩ B) = P({c}) = 0. b. P(A ∪ B) = 0. P(B) = p. 571. 109 = 0. e}. 100 são esportistas e da biologia diurno e 200 são esportistas e da biologia noturno. determine a probabilidade de obter alguém divorciado ou fumante. P(B) = P({c}) + P({d}) + P({e}) = 0. P(S) = 50/350 = 0. P(Ac ). Solução: Precisamos primeiro denir os eventos: C = ser casado.1. Para encontramos a probabilidade do evento B faremos o mesmo processo da letra (a). Se A e Ac são eventos complementares então P(Ac ) = 1 − P(A). c. 2 = 0. 1 + 0. P(A ∩ B).1. com probabilidades 0. P(A) = P({a}) + P({b}) + P({c}) = 0.1 Exercícios: Probabilidade 1. 109. 1. 471. P(A ∪ B). Escolhido aleatoriamente 1 indivíduo.3. c} e B = {c. 2 + 0. Assim. 3. e}. 3. 2. 4 + 0. 4 = 0. Determine as seguintes probabilidades: a. D = ser divorciado. 8 . aos e. 0. d.000 alunos dos quais 4. 2. c. 6. Sejam os eventos A = {a. 4. b.4 e 0. a. ao acaso. 2. 1. Não ser da biologia. comuns b. Exemplo 3. O espaço amostral de um experimento aleatório é: Ω = {a. Um estudo sobre hábitos de fumantes compreendeu 200 indivíduos casados (54 fumavam). 0. c. 2 = 1. d. 286. respectivamente.3 Sejam A e B dois eventos em um dado espaço amostral tais que P(A) = 0.1 Exercícios: 3. Para encontramos a probabilidade do evento A ∪ B devemos usar a fórmula da adição. P(D ∪ F ) = P(D) + P(F ) − P(D ∩ F ) = 0. 286 + 0.000 são considerados esportistas.2. (b) P(A ∪ B). Observemos ainda que P(D ∩ F ) = 38/350 = 0. Para encontramos a probabilidade do evento Ac : P(Ac ) = 1 − P(A) = 1 − 0. 3.1 Se P(A) = 0. Ser esportista e aluno da biologia noturno. P(B). 3. d. Ser esportista ou aluno da biologia. Precisamos calcular P(D ∪ F ).1. 8 − 0. Exemplo 3. (c) P(Ac ∩ B). (e) P(Ac ∪ B). P(D) = 100/350 = 0. P(B) = 0. 4 + 0. P(F ) = (54 + 38 + 11)/350 = 0. Determine o valor de p. P(A).2. 100 divorciados (38 fumavam) e 50 solteiros (11 fumavam). P(C) = 200/350 = 0. Assim. Então P(A) = P(A ∩ B) + P(A ∩ B c ). Solução: Para encontramos a probabilidade do evento A. 1 + 0. Assim.

uma de suas bolas. . 6). . P(D) 1/2 2 4.Probabilidade 4 Probabilidade condicional Algumas vezes o experimento aleatório com o qual trabalhamos pode ser separado em etapas. enquanto o armário 2 tem 3 bolas de volei e 2 de basquete. 6)... P(B) > 0 P(B) (5) Se P(B) = 0.. 1). (5... um armário e. . 6)}. . 1).1.2 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. b. em seguida.. 1)... Escolhendo-se. com P(A) > 0 Exemplo 4. (6.. (1. O armário 1 tem 3 bolas de volei e 1 de basquete. 1). 3). Sabemos que P(A) = 1/36.. 6)}. a probabilidade condicional de A dado que ocorreu B é denotada por P(A|B) e é dada por: P(A|B) = P(A ∩ B) . 1). (4. sabendo-se que ocorreu face ímpar no primeiro dado. 5).. 1). (6. o espaço amostral será: Ω = {(1. (6. P(B) = 18/36 = 1/2 e P(A ∩ B) = 1/36... temos: P(A ∩ B) = P(A|B)P(B). . 1). (4. 1).. Podemos interpretá-la como a chance relativa de A restrita ao fato que B ocorreu. com P(B) > 0 (6) ou similarmente. P(A ∩ B) = P(B|A)P(A).. (5. (6. calcule a probabilidade dela ser: 9 .. . 6)} sendo que cada resultado possível tem probabilidade 1/36 de ocorrer. (1... . P(D) = 18/36 = 1/2 e P(C ∩ D) = 9/36 = 1/4. . Interpretação: A probabilidade P(A|B) revela a incerteza que se tem sobre o evento A supondo que ocorreu o evento B..4)... 5). (3... 6). A informação do que ocorreu em uma determinada etapa pode inuenciar nas probabilidades de ocorrências nas etapas sucessivas.. denida da seguinte forma: 4. 6)..2.. O que acontece é que 'ganhamos' informação e podemos recalcular as probabilidades de interesse. Sabemos que P(C) = 18/36 = 1/2. Então: P(A|B) = b. . 056. . (1. .. Exemplo 4. Sejam A e B eventos de Ω... (6. (3. então P(A|B) é arbitrariamente denida. (4. 1)... (2. Dois dados equilibrados são lançados. (2. (6. (7) Dois armários guardam bolas de voleibol e basquete.... Obter o par (3. 6). ao acaso. Solução: Para o experimento lançamento de dois dados equilibrados. .. sabendo-se que ocorreu face par no primeiro dado. . (5. A essas probabilidades recalculadas denominamos probabilidade condicional. 1). 6). 4)} e B = obter face ímpar no primeiro dado = {(1. (2. (4.. P(B) 1/2 18 Denamos dois eventos: C = obter face ímpar no segundo dado = {(1. 6).. . 5)} e D = obter face par no primeiro dado = {(2. (2. 1). 1). (5.... 3). (1. 1). a. Então: P(C|D) = P(C ∩ D) 1/4 1 = = = 0.. Denamos dois eventos: A = {(3..1 Denição: Dados dois eventos A e B. (3.. (2. P(A ∩ B) 1/36 1 = = = 0. . 6). (6.. 5.. Ocorrer face ímpar no segundo dado. 6). 3). Calcule a probabilidade de: a. (2. 1). 1). (3.

3. b. F = sexo feminino e N = nunca ter visto o mar. 30. 4 = 0. dado que estuda na área de biológicas. determine a probabilidade de: (a) Estudar na área de exatas. Qual a probabilidade de que um aluno selecionado ao acaso seja: Exemplo 4. 5 × 0. Uma escola de ensino médio do interior de São Paulo tem 40% de estudantes do sexo masculino. temos: a.4. sabendo-se que o armário 1 foi escolhido. 4. De basquete. P(B|A2) = 2/5 = 0. 3 das 4 bolas são de volei. 2 das 5 bolas são de basquete. Entre estes. b. Solução: Denindo os seguintes eventos: M = sexo masculino. estima-se que cerca de 20% dos habitantes têm algum tipo de alergia. 20% nunca viram o mar. 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. 75. 2 × 0. ou seja. (b) Ser alérgico dado que não pratica esportes. obtenha a probabilidade de: (a) Não praticar esporte. 6 = 0. Do sexo masculino e nunca ter visto o mar. porque sabemos que no armário 2. enquanto essa porcentagem entre os não alérgicos é de 40%. A2 = Armário 2.2 A tabela a seguir apresenta dados dos 1000 ingressantes de uma universidade. a. 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. 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. porque sabemos que no armário 1.3. Do sexo feminino e nunca ter visto o mar. Para um indivíduo escolhido aleatoriamente nessa cidade. 08.3. V = bola de volei e B = bola de basquete. De basquete. temos: a. De volei. sabendo-se que o armário 2 foi escolhido. 4. Sabe-se que 50% dos alérgicos praticam esporte. Solução: Denindo os seguintes eventos: A1 = Armário 1. entre as meninas.3 Exercícios: Probabilidade a.3 Exercícios: 4. P(F ∩ N ) = P(N |F )P(F ) = 0. c. ao passo que. P(M ∩ N ) = P(N |M )P(M ) = 0. (b) Estudar na área de humanas. P(A|B) = P(A) e consequentemente tem-se: 10 . (c) Ser da classe baixa.1 Numa cidade do interior de São Paulo. essa porcentagem é de 50%. b. c. P(V |A1) = 3/4 = 0. b. 325. sendo de classe média. 4.

.2 Denição: Teorema da Probabilidade Total Suponha que os eventos C1 .3 Se P(A) = 0. Suponha também que para um evento A. com A e B mutuamente excludentes.. os eventos A e B são independentes? Por quê? 5. eles são independentes? Por quê? 6 Teorema da Probabilidade Total 6. 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. Assim: P(A) = P(A ∩ C1 ) + P(A ∩ C2 ) + . as probabilidades P(A|C1 ). C2 . Para vericar isso. (8) Estatísticas dos últimos anos do departamento estadual de estradas são apresentadas na tabela a seguir. P(C2 ).Ck formam uma partição do espaço amostral Ω se eles não têm intersecção entre si e se sua união é igual ao espaço amostral..1 Partição do espaço amostral Os eventos C1 . 4.1.... 223.. P(F |A) = P(F ).. . 2. Assim. A = motorista alcoolizado e F = vítimas fatais. P(F |S) = 275/1503 = 0.1.5. ∀i = j 2.1 Exercícios: Probabilidade P(A ∩ B) = P(A)P(B) Exemplo 5. 8 e P(A) = 0.. 8 e P(A) = 0... 183 e P(F ) = 1037/4658 = 0.. P(B) = 0. Assim.1 Exercícios: 5. Então. + P(A|Ck )P(Ck ) (9) 11 . 2. isto é: 1.. P(Ck ) são conhecidas. 242 e P(F ) = 1037/4658 = 0. incluindo vítimas fatais e as condições do motorista envolvido. 3.. 5. o fato de o motorista estar ou não alcoolizado interfere na ocorrência de vítimas fatais. P(B) = 0. P(A|Ck ) sejam conhecidas.2 Se P(A|B) = 0. Ci ∩ Cj = ∅.1. P(A|C2 ).Ck formam uma partição de Ω e que suas probabilidades P(C1 ). + P(A ∩ Ck ) = P(A|C1 )P(C1 ) + P(A|C2 )P(C2 ) + . C2 . .... contendo o número de acidentes. 3. k i=1 Ci = Ω Ω C2 C1 C3 C4 C5 C6 Partição do espaço amostral (k=6) 6. precisamos vericar se P(F |A) = P(F ) e se P(F |S) = P(F ). 223. os eventos B e Ac são independentes? Por quê? 5. P(F |S) = P(F )..1. o que desejamos saber é se o evento vítimas fatais é independente da situação do motorista (sóbrio ou alcoolizado).1 Se P(A|B) = 0. Assim: P(F |A) = 762/3155 = 0. sóbrio ou alcoolizado. 5. P(B) = 0.

P (A|C2 ).1 Exercícios: 7.. o exame de ultrassom o detectará com probabilidade 0.. 2 × 0.3 Exercícios: Probabilidade Exemplo 6. P (A|Ck ) sejam conhecidas. usado pelo fabricante. 8. Se a paciente sorteada tiver distúrbio hormonal. a probabilidade de um resultado positivo a partir do ELISA é 0.3. (10) Este é um resultado útil por permitir resolver P(Cj |A) em termos de P(A|Cj ). utilize o teorema de Bayes para encontrar a probabilidade de que o HIV esteja efetivamente presente....1. N = resultado negativo no teste ELISA e H = vírus HIV efetivamente presente. 01 e precisamos encontrar P(H|P ): P(H|P ) = = P(H ∩ P ) P(P |H)P(H) = P(P ) P(P ∩ H) + P(P ∩ H c ) P(P |H)P(H) 0.1. Sendo solteira. Pergunta-se: a. Se o HIV estiver efetivamente presente.015. P(P |H) = 0. o exame pode. 70% são de algodão e 30% são de náilon. Dos rolos usados por um fabricante. 3 e P(B) = 0. seja 0. 995 e P(P |H c ) = 0. Solução: Vamos denir os seguintes eventos: P = resultado positivo no teste ELISA. pois isto ocorreu em 70% dos casos similares que tratou. enquanto que para as demais essa probabilidade aumenta para 30%. 22. qual é a probabilidade de o paciente tê-lo de fato? 7. Exemplo 7.01. . as probabilidades P (A|C1 ). Se o exame detectou um tumor. a probabilidade de que o teste ELISA apresente um resultado positivo é 0.1 Um médico descona que um paciente tem um tumor no abdômen. 0149 = = = 0. Suponha P(A|B) = 0.3 Exercícios: 6. .P (Ck ) são conhecidas.. para uma certa população. Sabemos que P(H) = 0.2 Das pacientes de uma Clínica de Ginecologia com idade acima de 40 anos. 015 0. indicar que tem com probabilidade 0.. 985 0. 2 = 0. Se o ELISA tiver apresentado um resultado positivo. O ELISA é o tipo mais comum de teste de triagem para detecção do HIV. se ele não tiver o tumor. P(Cj |A) = P(A|Cj )P(Cj ) k i=1 P(A|Ci )P(Ci ) .9.1. Qual é o valor de P(A)? 6. 995 × 0. para qualquer j. a probabilidade de ter tido um distúrbio hormonal no último ano é de 10%. 16 + 0. qual a probabilidade de ser solteira? 12 .1. 3 × 0. 01 × 0. Se o HIV não estiver efetivamente presente. Assim. conter falhas? 7 Teorema de Bayes Suponha que os eventos C1 . Ck formam uma partição de Ω e que suas probabilidades P (C1 ).6. 015. 601 P(P |H)P(H) + P(P |H c )P(H c ) 0. Entretanto.. 8 + 0.. Suponha também que para um evento A. P(A|B c ) = 0. C2 . Qual será a probabilidade de um rolo selecionado aleatoriamente. 06 = 0. Solução: Sabemos que B e B c formam uma partição de Ω. Qual a probabilidade de uma paciente escolhida ao acaso ter tido um distúrbio hormonal? b. 2.1. 995 × 0. P (C2 ). Um resultado positivo em ELISA indica que o HIV está presente. Suponha que a probabilidade de uma pessoa estar infectada com o HIV.995. erroneamente.. 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. 015 + 0. 60% são ou foram casadas e 40% são solteiras. Se o paciente de fato tiver o tumor. 0248 7.1 Suponha que 2% dos rolos de tecido de algodão e 3% dos rolos de tecido de náilon contenham falhas.

o valor medido da variável aleatória é denotado por uma letra minúscula. A notação a ser utilizada é: P(X = xi ) = p(xi ) = pi . como X. Sendo uma função de probabilidade. X pi 1 1/6 2 1/6 3 1/6 4 1/6 5 1/6 6 1/6 ou. X = face obtida no lançamento do dado.. . 8. a probabilidade de chuva em um dia qualquer de primavera é 0. 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. ou innito enumerável de possibilidades. X pi x1 p1 x2 p2 x3 p3 i . Depois que um experimento é conduzido... P(X = 1) = P(X = 2) = . uma variável aleatória discreta é uma variável que assume valores em um conjunto nito.. Se houve acerto na previsão feita. Assim. Experimento: Lançamento de dois dados equilibrados. equivalentemente. . Um meteorologista da TV acerta suas previsões em 80% dos dias em que chove e em 90% dos dias em que não chove. 2.3 Numa certa região.Probabilidade 7. 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. (11) ou ainda. as probabilidades são obtidas contando-se o número de vezes que cada resultado apareceu e dividindo-se pelos 36 resultados possíveis: 13 .1 Função discreta de probabilidade A função que atribui a cada valor da variável aleatória a sua probabilidade é denominada função discreta de probabilidade.. a. Como já dissemos antes. função de probabilidade. Qual é a probabilidade do meteorologista acertar sua previsão? b. Experimento: Lançamento de um dado equilibrado. = P(X = 6) = 1/6. Exemplo 8..2. É geralmente representada por uma letra maiúscula.1. Muitas vezes são resultantes de contagens e assumem valores inteiros.. ou simplesmente.. satisfaz 0 ≤ pi ≤ 1 e Exemplo 8.1. 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. pi = 1. como x = 25 anos. i = 1.

Ao m de 5 doses todas as crianças foram consideradas imunizadas. 288 = 0. escrevemos F (x) = P(X ≤ x) = 0. para qualquer número real x. F(2. 533. Observe que. para 2 ≤ x < 3. as crianças recebiam uma dose de vacina e. ou seja. Por essa razão.00 0. pela seguinte expressão: F (x) = P(X ≤ x) = xi ≤x Exemplo 8.     se x ≥ 5. passavam por um novo teste. Uma criança desta população sorteada ao acaso tenha recebido até 2 doses. b. Para isso precisamos obter a função de distribuição no ponto 2. 934     1      se 1 ≤ x < 2.     se 2 ≤ x < 3. 789    0.     se 4 ≤ x < 5.2 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. 1 245 2 288 3 256 4 145 5 66 Uma criança desta população sorteada ao acaso tenha recebido 2 doses.288.20 2 3 4 5 6 7 8 9 10 11 12 Soma dos valores das duas faces dos dados 8. 245      0. esse valor ca inalterado no intervalo [2. Caso ainda tivessem tido alguma reação alérgica.   se 3 ≤ x < 4. Assim. 533 F (x) =   0. Solução: a.2 Função de distribuição de probabilidade A função de distribuição ou função acumulada de probabilidade de uma variável aleatória discreta X é denida. a probabilidade de uma criança ter recebido exatamente duas doses é 288/1000=0. calcular a probabilidade acumulada de ocorrência dos valores menores ou iguais a 2. Assim: F (2) = P(X ≤ 2) = P(X = 1) + P(X = 2) = 0. recebiam outra dose de vacina. Os resultados completos estão na tabela a seguir: Doses Freq. ou seja.1)=F(2.10 0.45)=F(2. 533. se x < 1.99). 245 + 0. a função de distribuição é:  0     0. Calcule as probabilidades de: a. No estudo. após um mês. como a variável só assume valores inteiros. 14 . p(xi ) (12) Uma população de 1000 crianças foi analisada num estudo para determinar a efetividade de uma vacina contra um tipo de alergia.3).3. Utilizando a abordagem frequentista para atribuir probabilidades.15 0.8. A função de probabilidade da variável aleatória X = número de doses recebidas é: b.05 0.

denotada por µ ou E(X).8.3 Média e variância de uma variável aleatória discreta Probabilidade Doses Freq.288 3 0.2 q 0 1 2 3 4 5 6 Número de doses de vacina 8.8 q 0.256 4 0.245 2 0.0 q q 0.4 0. 833 15 . A variância é uma medida da dispersão ou variabilidade da distribuição. 1 0. Veremos agora como calcular esses dois valores de uma variável aleatória discreta. 833 V (X) = E(X 2 ) − (E(X))2 = 51.066 1. é: n µ = E(X) = i=1 xi p(xi ) (13) Ea variância de uma variável aleatória discreta X.3 Média e variância de uma variável aleatória discreta Duas quantidades são frequentemente usadas para resumir uma distribuição de probabilidade de uma variável aleatória X.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 = 54.6 F(x) q 0.145 5 0.0 0. A média ou valor esperado de uma variável aleatória discreta X. A média (ou valor esperado) é uma medida do centro da distribuição de probabilidade. 833 − 49 = 5. 167 − 72 = 54. denotada por σ 2 ou V (x) é: n σ 2 = V (x) = E(X − µ)2 = i=1 (xi − µ)2 p(xi ) (14) Ou alternativamente: n σ 2 = V (x) = E(X 2 ) + (E(X)) . onde E(X 2 ) = 2 i=1 Cálculo da média e da variância no Exemplo 8.

245 + 2 × 0. 8. P(X < 12). 25  0. Calcule: c.1 Seja P(X = x) = 2x+1 . 245 + 22 × 0. Determine as seguintes probabilidades: a.        Determine: a. f. que pode assumir um número innito de valores diferentes. P(X ≤ 50). Determine uma condição de crescimento mínimo a 350 partes por milhão (ppm) de CO2 . A função de probabilidade de X .2 Uma variável aleatória discreta X tem a seguinte função de distribuição: F (x) =       0 se x < −10. P(40 ≤ X < 60). P(X ≤ 40).    se x < 10.4 As árvores são sujeitas a diferentes níveis de atmosfera de dióxido de carbono. 2   0. 671 i i=1 = = E(X 2 ) − (E(X))2 = 7. 3. 145 + 5 × 0. P(X ≤ 12). x = 0. 426 8. b. 256 + 4 × 0. e. se 30 ≤ x < 50.4 Exercícios: 8. F (x) = se 12 ≤ x < 13. 1. P(−10 < X < 10). d. f. e.3: 5 E(X) E(X 2 ) V (X) = i=1 5 xi p(xi ) = 1 × 0.4. se − 10 ≤ x < 30. 145 + 52 × 0. b. se x ≥ 50. 9 Variáveis aleatórias contínuas Uma variável aleatória contínua assume valores em um intervalo dos números reais e é geralmente proveniente de mensuração. Precisamos estabelecer uma forma para atribuir probabilidades às diversas realizações deste tipo de variável. d. 2. 066 = 2. 8. 671 − 2.4. 9. P(X ≤ 1).4. 75     1            P(0 ≤ X < 10). P(2 ≤ X < 4). 256 + 42 × 0. se 13 ≤ x < 25. Calcule a média e a variância de X . 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. se x ≥ 25.1 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 .8. 5    0. 499 x2 p(xi ) = 12 × 0. 47% a 550 ppm (crescimento moderado) de CO2 e 37% a 650 ppm (crescimento rápido) de CO2 . 25 a. P(X < 0).3 Uma variável aleatória discreta X tem a seguinte função de distribuição:   0     0. 4. 8. P(X = 4). 4992 = 1. sendo que 6% das árvores em CO2 . P(X > 18). P(12 ≤ X ≤ 20). e. 0. c. 066 = 7. 288 + 32 × 0.4 Exercícios: Probabilidade Cálculo da média e da variância no Exemplo 8. Calcule a média e a variância de X . c. b. 288 + 3 × 0. 9     1      se 10 ≤ x < 12. d.4. P(X > −1).

b. a. b]. para quaisquer valores de a e b. 5) ou P(X > 4. 7 17 . b] e (a. P(X > 3. para − ∞ < x < ∞ (16) Existe uma relação entre f (x) e F (x): f (x) = Exemplo 9. 3. 56 P(X > 1. 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) e. d dx F (x). 3 < x < 5.2 Função de distribuição acumulada Probabilidade 1. 5) ou P(X > 4. f (x) ≥ 0. 5) = 1 − F (1. 3 = 0.2. Exemplo 9. 5 9. 5) = d. 5) = (1 − P(X > 3. 4375 = 12. 8 = 0. 2 × 1. 5)) = (1 − 0. i.1. Um histograma que tem nas ordenadas a densidade de frequência é uma aproximação da função de densidade. [a. 2 × 2. 5625 2 4 8 2 2 4.5 8 dx 5 x 4 8 dx = = = 5 x2 2 3. 4. e. 5) = 5 x 3. P(X < 2. Assim. 5 ∪ X > 4. b. 5)) + (1 − P(X < 4.: ∞ −∞ f (x)dx = 1. a probabilidade de ocorrência de um valor isolado é sempre zero e. P(X > 3. ou seja. 2031 + 0.25 − 9 = 11. 5 = 1 − 0. 8) P(X > 1. 5) c. Suponha que a função de distribuição acumulada de uma variável aleatória X seja: F (x) =      0 1 se x < 0. ii. 5) P(X < −2) d. 7031) = 0. P(4 < X > 5) = P(X < 4. 5) como os dois eventos são disjuntos. Isso signica que. P(a ≤ X ≤ b) = Obs. b). b a f (x)dx = área sob a curva de f (x) de a até b. P(X < 4.25 2 = 0. 5) = 1 − 0. P(X = k) = 0 para qualquer k. 2.5 x2 = 1 20. 7969 c. b) são as mesmas. as probabilidades calculadas sobre os intervalos [a. Determine as seguintes probabilidades: b.25 = 0. 5) Solução: a. 7031 2 3 8 2 2 16 P(X < 3. P(X < 2. 2x se 0 ≤ x < 5. Determine as seguintes probabilidades: P(1 < X < 2) Solução: a.9. 8) = 0. 0.5 x dx 3 8 5 x2 9 = 1 25 − 16 = 16 = 0. (a. teremos área zero sob qualquer valor individual. se x ≥ 5. ∀x ∈ (−∞. a. 8) = F (2.      c. P(X > 6) e. ou seja. equivale a somar as duas probabilidades. P(X < 3. P(X < 4) Suponha f (x) = x/8. Como consequência da forma com a qual atribuímos probabilidades no caso contínuo. 7969) + (1 − 0. P(X < 3.75 16 b. em se tratando de variáveis aleatórias contínuas. P(4 < X < 5) d. A frequência relativa é uma estimativa da probabilidade de um valor medido cair naquele intervalo. 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 = 12. consequentemente. 2969 = 0. ∞).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 Média e variância de uma variável aleatória contínua A média ou valor esperado de uma variável aleatória contínua X. com função de densidade dada por ∞ f (x). na manutenção do asfalto em uma cidade do interior é representada por uma variável aleatória Y com função de densidade dada por: f (x) = 8 y 9 − 0 4 9 se 0. 2 × 1 = 0. P(X > 0). 18 .4.9.1 Seja f (x) = 1. e. 5 < X < 0.    Determine: a. 5). Calcule: a. P(X < −2). 2 = 0.3 Média e variância de uma variável aleatória contínua Probabilidade c. 5). P(X > −1.4. Calcule a média e a variância de 9. 0832 = 0. se − 2 ≤ x < 2. x2 f (x)dx (20) f (x) = x/8.4 Exercícios: 9. A média e a variância de 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. b. c. 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. f. 25x + 0. c. X . 5 1 se x < −2. 5).   se x ≥ 2. f. P(X < 1. −1 < x < 1. 9. 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. d. P(X < −2). 329 9.1. e. P(−1 < X < 1).4.2 Suponha que a função de distribuição acumulada de uma variável aleatória X seja: F (x) =      0 0. Determine x tal que P(X > x) = 0. 4 − 0. A função de densidade de X . 2 × 2 − 0. e. d. em milhões de reais. 5x2 .3 A quantia gasta anualmente. caso contrário. 05 . P(−0. d. 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 > 0. b. 2 9. 5 ≤ y < 2. 8).

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

obtenha P(2 < X < 5) e P(X > 4). Considere X ∼ N (µ. abaixo do valor 1.0. Para determinar a probabilidade de X ∈ [a. 9). b].1 A tabela Normal Padrão Probabilidade média 0 e variância 1. 5) = P(Z > 1. 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 . Exemplo 10. 1) e será denominada procedemos da seguinte forma: Normal Padrão . 20 . 5).1. A tabela é organizada da seguinte forma: somando os cabeçalhos de linha e coluna. σ 2 ) e dena uma nova variável: Z= X −µ σ (22) e assim Z ∼ N (0. como mostra a gura abaixo: f(x) 0 z x Devemos considerar algumas informações importantes para obter as probabilidades. consequência direta da simetria desta densidade. como o fato de a área total sob a curva ser igual a 1 e P(Z > 0) = P(Z < 0) = 0. Por exemplo. utilizamos a Normal Padrão para obter probabilidades. Portanto. porque a simetria é em torno do zero. 10. obtemos os valores de Z que deixam as áreas correspondentes às células no corpo da tabela à sua esquerda no gráco da densidade. se quisermos encontrar P(Z < −1. 5) = 1 − P(Z < 1. o qual encontramos olhando na coluna 0 e na linha 1. A tabela que utilizaremos nos dará a probabilidade P(Z < z). as probabilidades são obtidas a partir de valores tabelados da Normal Padrão.1 A tabela Normal Padrão Como dissemos.8413 de área (probabilidade). 5. 5). Outra consequência é P(Z < −1.10. Se X ∼ N (2.0 temos 0. Obtenha as probabilidades: a.

050. que é o 0. d.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. 2514 b. 67) = 1 − 0. 350. < X−2 √ 9 < 5−2 √ 9 = P(0 < Z < 1) = 0. 3413 P(X > 4) = P > = P(Z > 2/3) = P(Z > 0.92. f(x) f(x) 0 1 x 0 0. 3212. P(2 < X < 5) = P X−2 √ 9 2−2 √ 9 4−2 √ 9 Solução: a.1 A tabela Normal Padrão Probabilidade b. obtenha P(5 < X < 7) e P(X < 3). a = 0. Se X ∼ N (6. 9987 = 0. o valor de d tal que P(X > d) = 0. P(5 < X < 7) = P X−6 1 P(X < 3) = P 5−6 < X−6 < 7−6 1 1 1 3−6 < 1 = P(Z < −3) = P (−1 < Z < 1) = 2 × P(0 < Z < 1) = 2 × (0. 0013 P(0 < z < a) = 0. o valor de e tal que P(3 < X < e) = 0. 8413 − 0. 1) e P(0 < z < a) = 0. 025 21 . 1). determine a. 6826 = 1 − P(Z < 3) = 1 − 0. P(X < b) = 0. c. Para encontrar o valor a. 5 = 0. item (b) P(5 < X < 7) Figura 5: item (b) P(X < 3) Seja X ∼ N (10/3. Então.5 e procurar no corpo da tabela o valor que deixa 0. b. 3212.92. 025. 5) = 0. 8413 − 0. O valor de c tal que P(X > c) = 0. determine: a. 7486 = 0.8212 de área abaixo dele. c. 025 → P X−10/3 √ 1/3 b−10/3 < √ 1/3 b−10/3 =P Z< √ 1/3 Solução: a. O valor de b tal que P(X < b) = 0.2. = 0. 2/3). c. Se Z ∼ N (0.10. devemos somar 0. 500.

Para calcular a probabilidade da média amostral superar o valor 5. 44. 35 → P Deve-se então procurar na tabela Normal padrão o valor que deixe 0. 1/3 c.3 e 0.3. 4 e σ 2 = 4. 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. podemos buscar no corpo da tabela o valor que deixa 0. 6 e 8 com. 4 4. 8849. 50 10. para uma amostra grande.65 de área abaixo dele. Somamos 0..2 Teorema Central do Limite O Teorema Central do Limite diz que. A variável X não tem distribuição Normal e obtemos µ = 5. ¯ P(X > 5) = P ¯ X − 5. se a própria distribuição original for normal. 1/3 b.3. 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 = 0.64. Assim: c−10/3 √ = 1. Podemos concluir que. E podemos usar isso quando. 5 a essa probabilidade e procuraremos o valor √ que deixa 0. 41. 05 → P Deve-se então procurar na tabela Normal padrão o valor que deixe 0. X−10/3 √ 1/3 d−10/3 > √ 1/3 c−10/3 =P Z> √ 1/3 = 0. Esse valor é o 1.10. 44/40 = P(Z > −1. devidamente padronizada. 44/40 > 5 − 5.025 de área abaixo dele. P(X > c) = 0. 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. 50 → P Através da tabela Normal padrão. ¯ tivermos amostras de tamanho n > 30. 6587 de área abaixo dele. Apesar de não ser simétrica. 1/3 c. podemos usar ¯ a distribuição normal para estudar X probabilisticamente.4. 64 → c = 1. 39 → c = 0. a distribuição das médias √ amostrais x tende para uma distribuição normal. 20. 0. que é o 0. 57. 41 × 1/3 + 10/3 = 3. com média µ e desvio-padrão σ/ n. 56. 20) = 0. temos: Exemplo 10. Usando a simetria. 64 × 1/3 + 10/3 = 4..95 de área abaixo dele. 35 P(3 < X < e) = 0.. à medida que o tamanho da amostra aumenta. 96 × 1/3 + 10/3 = 2. 41 → c = 0. quando o interesse for estudar a média amostral. X−10/3 √ 1/3 c−10/3 > √ 1/3 c−10/3 =P Z> √ 1/3 = 0. 22 .. Esse valor é o 0.. então as médias amostrais terão distribuição normal para qualquer tamanho de amostra. consideramos que 40 observações é uma amostra grande o suciente para usar o Teorema Central do Limite.. 39 × 1/3 + 10/3 = 3. que √ é -1. se comporta segundo um modelo normal com média 0 e variância 1. 1) σ/ n (23) Em resumo: Se temos. respectivamente. Assim e−10/3 = 0.. 20) = 1 − P(X < 1. 1587. 05 P(X > d) = 0. temos que P(X < −1) = 0. ou seja: ¯ X − µ n→∞ √ → N (0. Assim: b−10/3 = −1. que é 1.975 de área abaixo dele.96. 4 4. 28.96.. a distribuição da média amostral. e usar o simétrico negativo do mesmo. Assim: d−10/3 √ = 0.39. probabilidades 0. Uma amostra com 40 observações é sorteada. 96 → b = −1. sendo que a aproximação melhora quanto maior for o tamanho da amostra e. Este teorema é importante porque.

10a edição.3. Determine a probabilidade de a média amostral: a. Magalhães MN.3.4 Uma clínica de emagrecimento recebe pacientes adultos com peso seguindo uma distribuição Normal com média 130 Kg e desvio-padrão 20 kg. Editora LTC (2012). 5a Edição. c. Determine: a. 2. P(−5 < X ≤ −2). 5. P(X ≤ 1). Ser superior a 2. P(0 ≤ X ≤ 6/5). 2). Ser inferior a 1.3. 5a Edição.3. 1a Edição. 10. Determine: a. b. A Estatística Básica e Sua Prática. Rio de Janeiro: Editora LTC (2008). 3. e.3. Vieira S. Triola MF. b. b. P(5 ≤ X ≤ 7). 1). P(2 ≤ X ≤ 2). Noções de Probabilidade e Estatística. os 25% pacientes de menor peso são classicados como 'magros'.5. 6a edição. 1/9).5 Coleta-se uma amostra de 10 observações independentes de uma N (2. Rio de Janeiro: Editora LTC (2011).10. Lima ACP.2 Seja X ∼ N (−5. b. P(X ≤ 3/5). Rio de Janeiro: 4. 10. Montgomery DC. Estatística Básica. Para efeito de determinar o tratamento mais adequado. Moore DS.3 Seja X ∼ N (5/4. 11 Referências 1. P(X ≤ 4). P(X > −6). P(X ≥ 3).3 Exercícios: 10. P(X ≤ 7/5).3 Exercícios: Probabilidade 10. P(2 < X < 5). d. c. Runger GC. d. 23 . c. 10. Dtermine os valores que delimitam cada uma dessas classicações. enquanto os 25% de maior peso de 'obesos'. d. Estar entre 0 e 2. P(X ≤ 0). São Paulo: Editora Edusp (2005). 10. Determine: a. Estatística Aplicada e Probabilidade para Engenheiros. 10).1 Seja X ∼ N (4. P(−7 ≤ X ≤ −6). P(4 < X < 5). Introdução à Estatística. c. São Paulo: Editora Cenange Learning (2012). f.

9994 0.9967 0.9 2.9952 0.8340 0.9 3.9998 0.9976 0.7486 0.9938 0.9878 0.9996 0.8186 0.6664 0.9998 0.9370 0.9984 0.9803 0.9756 0.8078 0.8749 0.8708 0.1 0.9846 0.9993 0.8686 0.4 2.7910 0.5793 0.9970 0.9969 0.9936 0.8849 0.9966 0.0000 8 0.9995 0.9798 0.9992 0.9893 0.8643 0.9997 0.6141 0.9999 1.9625 0.6 0.7019 0.9922 0.9998 0.9868 0.9909 0.9993 0.9961 0.9999 0.9838 0.7611 0.9999 1.9463 0.9192 0.5319 0.4 3.9927 0.8980 0.9998 0.9875 0.0000 5 0.9994 0.9987 0.9394 0.9974 0.7422 0.9982 0.5398 0.8 3.9986 0.7291 0.9941 0.9990 0.9990 0.9884 0.9999 1.3 0.6808 0.9973 0.5359 0.9999 0.7190 0.9983 0.9932 0.9995 0.7995 0.9345 0.9999 0.6950 0.6772 0.1 3.6443 0.9989 0.5120 0.9890 0.0 2.9265 0.9999 0.0 0.9474 0.9985 0.9998 0.6915 0.9959 0.9972 0.9871 0.9032 0.8 2.8051 0.9975 0.9999 1.5080 0.9993 0.6103 0.9535 0.6 3.8729 0.9906 0.9616 0.8159 0.9834 0.6255 0.9979 0.8790 0.5714 0.9916 0.7 2.9693 0.9222 0.8577 0.9974 0.4 1.9292 0.5832 0.9999 1.9997 0.6985 0.5000 0.9686 0.9525 0.9788 0.6700 0.5871 0.9821 0.9808 0.9995 0.9887 0.9999 0.9999 1.7673 0.9999 0.9998 0.5 0.9964 0.8461 0.9987 0.9955 0.9971 0.0 3.8 0.8 1.9965 0.9649 0.8365 0.9719 0.9992 0.5279 0.6064 0.9987 0.8830 0.5040 0.9147 0.9793 0.9957 0.9991 0.9357 0.9817 0.9940 0.6026 0.9999 0.9945 0.9990 0.9564 0.9738 0.9998 0.9986 0.0000 3 0.7939 0.9996 0.9911 0.6517 0.9999 1.5910 0.9996 0.5239 0.7257 0.9236 0.7734 0.9982 0.9812 0.6368 0.9641 0.9984 0.9992 0.9998 0.3 1.9826 0.9995 0.9999 1.5753 0.9953 0.9732 0.9999 0.7642 0.9994 0.7852 0.7088 0.9998 0.5478 0.9999 1.9699 0.9901 0.9441 0.8997 0.9999 0.8621 0.2 2.5438 0.6179 0.9664 0.9495 0.5 3.9251 0.9772 0.9997 0.9778 0.9994 0.7823 0.9999 1.9406 0.6293 0.9999 0.9999 0.9131 0.5948 0.6628 0.9830 0.7 3.9850 0.9452 0.9992 0.9082 0.9861 0.6 1.7881 0.9985 0.4 0.7324 0.8389 0.9656 0.8554 0.9898 0.6879 0.7 0.8869 0.9633 0.8962 0.9554 0.9864 0.9981 0.9962 0.3 3.9999 0.9115 0.9996 0.9997 0.2 3.9306 0.9706 0.0000 2 0.9279 0.9991 0.6480 0.7054 0.9993 0.0000 6 0.0000 7 0.9991 0.9999 0.6331 0.9960 0.9505 0.5596 0.7123 0.9857 0.9099 0.6 2.9956 0.9904 0.0000 1 0.5 2.9484 0.6736 0.7454 0.9981 0.8810 0.9998 0.6406 0.5557 0.9066 0.9946 0.9608 0.9015 0.9726 0.9988 0.9934 0.9994 0.9949 0.6554 0.9177 0.9925 0.7157 0.8888 0.7389 0.8665 0.5517 0.0000 9 0.5636 0.7580 0.9162 0.9997 0.8944 0.7704 0.8531 0.9332 0.9207 0.9999 0.9931 0.5 1.7549 0.6844 0.9881 0.9997 0.9995 0.9573 0.9963 0.9896 0.3 2.7794 0.9750 0.9999 0.8925 0.9995 0.8508 0.8133 0.9948 0.8770 0.9997 0.9997 0.9761 0.9382 0.9996 0.7764 0.9929 0.9319 0.9977 0.9980 0.9582 0.8315 0.5160 0.8023 0.9998 0.9678 0.8907 0.9996 0.7357 0.9671 0.9999 0.8413 0.0000 4 0.Probabilidade Tabela da Distribuição Normal Padrão P(Z<z) 0 z z 0.9989 0.2 0.9591 0.7 1.5199 0.7967 0.9989 0.8599 0.7224 0.8238 0.9545 0.9998 0.2 1.9951 0.9842 0.8264 0.9979 0.9918 0.9854 0.0 1.9998 0.9783 0.8289 0.8438 0.5987 0.9920 0.8212 0.9713 0.6217 0.9418 0.9999 0.5675 0.9977 0.7517 0.9599 0.9988 0.9999 0.6591 0.0000 24 .9997 0.9744 0.9968 0.9913 0.9978 0.9943 0.9049 0.1 2.9 1.9 0 0.8106 0.9767 0.9515 0.8485 0.9997 0.9429 0.1 1.

Sign up to vote on this title
UsefulNot useful