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

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

2. 3. ou seja. C ∩ D = 4. E ∩ F = {1. • a intersecção de qualquer evento com o espaço amostral será o próprio evento. • Experimento: Lançamento de uma moeda. Ex. 4. 5}. Se denimos E: ter menos de dois lhos e F: ter entre 1 e 5 lhos. A ∩ B = ∅. simultaneamente. E ∪ F = {0.1 Operações básicas de conjuntos A união de dois eventos A e B. é o evento que consiste em todos os resultados que estão contidos nos dois eventos. A intersecção de dois eventos A e B. A ∪ B = {c. 2}. D: ocorrência da face 4 no lançamento.1. Experimento: Contar o no de lhos de famílias de um determinado bairro.: Ex. ou seja.: • Experimento: Lançamento de um dado. c}. 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. ¯ Ex. União. 4. • a união de qualquer evento com o conjunto vazio será o próprio evento. A B União Intersecção. teremos C ∪ D = {2. 1. 6}. é o evento que consiste em todos os resultados que estão contidos em ambos os eventos. Se denimos por A: ocorrência de cara e B: ocorrência de coroa. • • • Ex. denotada por A ∩ B . é a ocorrência simultânea de A e B. representa a ocorrência de pelo menos um dos eventos A ou B. • a intersecção de qualquer evento com o conjunto vazio será o conjunto vazio. 4 .: Ex. Se denimos por C: ocorrência de face par no lançamento. Experimento: Lançamento de um dado. A B Intersecção Observemos que.: • Experimento: Contar o no de lhos de famílias de um determinado bairro.1 Operações básicas de conjuntos Probabilidade 1.: Experimento: Lançamento de uma moeda.: Ex. denotada por A ∪ B .

Saber o estado civil do estudantes. 6}. 4. Ω A Ac Complementar de A 1. 4.3 Considere um experimento que consiste no lançamento de um dado equilibrado. quando não têm elementos em comum. Identique os dois eventos disjuntos entre estes 4 e explique por que o são. (a) (b) (c) (d) Obtenha A ∪ B .2 Exercícios: 1. B = {1.: Experimento: Lançamento de um dado. 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. Os eventos A e B são disjuntos. 2.2 No contexto do exercício 1. Eventos complementares: • Ex. Saber a altura do estudante (em metros). Eventos disjuntos: • Ex. B c .2. C = {1.2 Exercícios: Probabilidade Outros conceitos importantes são: dizemos que dois eventos A e B são disjuntos ou mutualmente exclusivos. A ∩ B = ∅. Considere os seguintes eventos: A = {2. Como já foi visto. 1. 1. 3. o espaço amostral é Ω = {1. C c e Dc . Obtenha B ∩ A. Saber a idade do estudante (em anos). 4. A ∪ C e A ∪ D. ou seja.: Experimento: Lançamento de um dado. 5.1. 5} e D = {4}.2. Obtenha Ac . 3. Os eventos A e B são complementares. 5}.1 Suponha que iremos selecionar 1 estudante ao acaso de uma turma de estatística. 6}. B ∩ C e B ∩ D. 5 . Construa o espaço amostral Ω se o interesse é: (a) (b) (c) (d) Saber o sexo do estudante.2. especique dois eventos possíveis de cada uma das 4 situações. O complementar de A será denotado por Ac e temos A ∪ Ac = Ω e A ∩ Ac = ∅.

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

se A e B foram disjuntos. Encontrou 46 canhotos.1 Exercícios: Probabilidade 2. Note que se simplesmente somarmos P(A) com P(B). Assim. estaremos somando a região de intersecção entre os dois eventos duas vezes (a região mais escura da representação da união acima). é mais comum em situações reais termos eventos compostos. ou seja. Calcule as probabilidades pedidas.2.2 Joga-se um dado equilibrado. Porém. Uniões. Estes tipos de eventos são gerados pela aplicação de operações básicas de conjuntos a eventos simples. que envolvem mais de um resultado possível do espaço amostral. Dos 1728 clientes que passaram pelo caixa em uma semana.4 O diretor de uma escola perguntou aos 575 alunos se eles eram destros ou canhotos. Qual é a probabilidade de ocorrer um número menor que 3? 2. 2. Estime a probabilidade de um aluno selecionado aleatoriamente nessa escola ser destro. A probabilidade de um evento composto pode frequentemente ser determinada a partir de probabilidades dos eventos simples que o compreendem. (b) Qual é a probabilidade de ocorrer uma cara? 2. a probabilidade de ocorrência de A ou B: A B União Estaremos então interessados em calcular P(A ∪ B). precisamos subtrair uma vez P(A ∩ B). (a) Escreva o espaço amostral e as respectivas probabilidades. Então: P(A ∪ B) = P(A) + P(B) − P(A ∩ B) (3) Observe que. sejam A e B eventos de Ω.1 Considere o experimento de lançar duas moedas honestas.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. Vamos pensar em como atribuir probabilidade para um evento que é a união de dois eventos. 864 optaram pelo cartão de crédito como forma de pagamento e 174 pagaram pelo débito.1. Assim. Da denição de probabilidade e a regra da adição implicam os seguintes resultados: 7 . ou seja.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.1.1. a expressão acima se reduz a: P(A ∪ B) = P(A) + P(B) (4) porque neste caso P(A ∩ B) = ∅.

d. S = ser solteiro.1.2. 4 = 0. 100 são esportistas e da biologia diurno e 200 são esportistas e da biologia noturno.2. respectivamente. (c) P(Ac ∩ B). comuns b. c} e B = {c. aos e.1. b. P(A ∩ B) = P({c}) = 0.1. 2 = 0. Ser esportista e aluno da biologia noturno. 109 = 0. 143 e F = ser fumante. P(F ) = (54 + 38 + 11)/350 = 0. 0. 3. d. b. Assim. c. 2. 2. P(A ∪ B) = P(A) + P(B) − P(A ∩ B) = 0. 4. P(B) = 0. Não ser esportista nem aluno da biologia. Para encontramos a probabilidade do evento A ∪ B devemos usar a fórmula da adição. Se A e Ac são eventos complementares então P(Ac ) = 1 − P(A). (d) P(A ∩ B c ). P(B). Para encontramos a probabilidade do evento A ∩ B devemos somar as probabilidades dos eventos simples eventos A e B.1.2 Uma universidade tem 10.4 e 0. 2. Solução: Precisamos primeiro denir os eventos: C = ser casado. 2 e P(A ∩ B) = 0. 3. P(∅) = 0. Exemplo 3.1. 0. 8. Não ser da biologia. P(B) = P({c}) + P({d}) + P({e}) = 0. P(Ac ). Um estudo sobre hábitos de fumantes compreendeu 200 indivíduos casados (54 fumavam). 4 + 0. ao acaso. Observemos ainda que P(D ∩ F ) = 38/350 = 0. P(B) = p. Determine o valor de p. 286. a. 2 = 0. (e) P(Ac ∪ B). 471. 1 + 0. 8 . P(D ∪ F ) = P(D) + P(F ) − P(D ∩ F ) = 0. Ser esportista ou aluno da biologia. O espaço amostral de um experimento aleatório é: Ω = {a. 8 − 0. e pergunta-se a probabilidade de: (a) (b) (c) (d) (e) Ser esportista. d. e. P(A ∪ B) = 0. 2 = 1. 286 + 0. P(C) = 200/350 = 0. 294 − 0. 0. Então P(A) = P(A ∩ B) + P(A ∩ B c ).1 Exercícios: Probabilidade 1. Para encontramos a probabilidade do evento B faremos o mesmo processo da letra (a). 109. 100 divorciados (38 fumavam) e 50 solteiros (11 fumavam). Escolhido aleatoriamente 1 indivíduo. P(D) = 100/350 = 0. 6. determine a probabilidade de obter alguém divorciado ou fumante. e}.000 alunos dos quais 4. 3. 1 + 0. Exemplo 3. Solução: Para encontramos a probabilidade do evento A.000 são considerados esportistas.1 Se P(A) = 0.2. 4 + 0. D = ser divorciado. b.1 Exercícios: 3. Sejam os eventos A = {a. 3. 571. 2 + 0.1. Sejam A e B eventos de Ω. 1. 700 da biologia noturno. P(A ∩ B) = 0. Para encontramos a probabilidade do evento Ac : P(Ac ) = 1 − P(A) = 1 − 0. Determine as seguintes probabilidades: a. Assim. Um aluno é escolhido. Assim. (b) P(A ∪ B). Assim. c. 5 e 3. precisamos somar as probabilidades dos eventos simples que o compõem.3 Sejam A e B dois eventos em um dado espaço amostral tais que P(A) = 0.3. 294. P(A). P(S) = 50/350 = 0. e}. com probabilidades 0. Sabe-se ainda que 500 alunos são do curso de biologia diurno. c. d. determine as seguintes probabilidades: (a) P(Ac ). 1. P(A ∩ B). Precisamos calcular P(D ∪ F ). P(A) = P({a}) + P({b}) + P({c}) = 0. P(A ∪ B).

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

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. dado que estuda na área de biológicas. b. 2 × 0. F = sexo feminino e N = nunca ter visto o mar.3. 325. (c) Ser da classe baixa. (b) Ser alérgico dado que não pratica esportes. 4. Do sexo feminino e nunca ter visto o mar.3 Exercícios: Probabilidade a. (b) Estudar na área de humanas. a. sendo de classe média. Uma escola de ensino médio do interior de São Paulo tem 40% de estudantes do sexo masculino. b.3.2 A tabela a seguir apresenta dados dos 1000 ingressantes de uma universidade. 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. A2 = Armário 2. Entre estes. 3 das 4 bolas são de volei. 4 = 0. 5 × 0. P(M ∩ N ) = P(N |M )P(M ) = 0. P(V |A1) = 3/4 = 0. essa porcentagem é de 50%. ao passo que. De basquete. enquanto essa porcentagem entre os não alérgicos é de 40%. b. 2 das 5 bolas são de basquete. 08. Do sexo masculino e nunca ter visto o mar. De volei. De basquete. Qual a probabilidade de que um aluno selecionado ao acaso seja: Exemplo 4. P(B|A2) = 2/5 = 0. porque sabemos que no armário 2. Solução: Denindo os seguintes eventos: A1 = Armário 1. 20% nunca viram o mar. ou seja. b. 4. V = bola de volei e B = bola de basquete. entre as meninas. P(F ∩ N ) = P(N |F )P(F ) = 0. sabendo-se que o armário 1 foi escolhido. P(A|B) = P(A) e consequentemente tem-se: 10 . 6 = 0.1 Numa cidade do interior de São Paulo. c. obtenha a probabilidade de: (a) Não praticar esporte. temos: a. 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. 30. 4. temos: a.3 Exercícios: 4. Para um indivíduo escolhido aleatoriamente nessa cidade. 75.4.3. determine a probabilidade de: (a) Estudar na área de exatas. porque sabemos que no armário 1. Sabe-se que 50% dos alérgicos praticam esporte. estima-se que cerca de 20% dos habitantes têm algum tipo de alergia. c. sabendo-se que o armário 2 foi escolhido. Solução: Denindo os seguintes eventos: M = sexo masculino.

3. Você diria que o fato de o motorista estar ou não alcoolizado interfere na ocorrência de vítimas fatais? Motorista Sóbrio Alcoolizado Total Vítimas fatais Não Sim 1228 275 2393 762 3621 1037 Total 1503 3155 4658 Solução: Denindo os seguintes eventos: S = motorista sóbrio.. . os eventos B e Ac são independentes? Por quê? 5.1 Se P(A|B) = 0. 242 e P(F ) = 1037/4658 = 0. P(F |A) = P(F ). os eventos A e B são independentes? Por quê? 5.. + P(A ∩ Ck ) = P(A|C1 )P(C1 ) + P(A|C2 )P(C2 ) + .. Suponha também que para um evento A. Ci ∩ Cj = ∅...3 Se P(A) = 0. incluindo vítimas fatais e as condições do motorista envolvido. Assim: P(A) = P(A ∩ C1 ) + P(A ∩ C2 ) + .1 Partição do espaço amostral Os eventos C1 .5. 2. Assim: P(F |A) = 762/3155 = 0.. A = motorista alcoolizado e F = vítimas fatais. P(B) = 0.. 5. P(Ck ) são conhecidas.1. 8 e P(A) = 0... k i=1 Ci = Ω Ω C2 C1 C3 C4 C5 C6 Partição do espaço amostral (k=6) 6. (8) Estatísticas dos últimos anos do departamento estadual de estradas são apresentadas na tabela a seguir. o que desejamos saber é se o evento vítimas fatais é independente da situação do motorista (sóbrio ou alcoolizado). P(F |S) = P(F ).. P(C2 ).. 2. isto é: 1.1. P(F |S) = 275/1503 = 0. Então.1. 183 e P(F ) = 1037/4658 = 0.. Assim. as probabilidades P(A|C1 ).1 Exercícios: Probabilidade P(A ∩ B) = P(A)P(B) Exemplo 5. P(B) = 0. o fato de o motorista estar ou não alcoolizado interfere na ocorrência de vítimas fatais. Assim...Ck formam uma partição do espaço amostral Ω se eles não têm intersecção entre si e se sua união é igual ao espaço amostral. 223. 8 e P(A) = 0. 5. com A e B mutuamente excludentes. ∀i = j 2.2 Denição: Teorema da Probabilidade Total Suponha que os eventos C1 .. C2 . P(A|Ck ) sejam conhecidas. P(B) = 0. + P(A|Ck )P(Ck ) (9) 11 . C2 .1 Exercícios: 5. 4. P(A|C2 ). eles são independentes? Por quê? 6 Teorema da Probabilidade Total 6. 3.1..Ck formam uma partição de Ω e que suas probabilidades P(C1 ). . 223. Para vericar isso. precisamos vericar se P(F |A) = P(F ) e se P(F |S) = P(F ).2 Se P(A|B) = 0.. sóbrio ou alcoolizado. contendo o número de acidentes..

Sabemos que P(H) = 0. N = resultado negativo no teste ELISA e H = vírus HIV efetivamente presente. 3 × 0. Pergunta-se: a. Qual a probabilidade de uma paciente escolhida ao acaso ter tido um distúrbio hormonal? b. Dos rolos usados por um fabricante.. (10) Este é um resultado útil por permitir resolver P(Cj |A) em termos de P(A|Cj ). usado pelo fabricante. Qual é o valor de P(A)? 6. 015 + 0. Qual será a probabilidade de um rolo selecionado aleatoriamente. P (A|C2 ). 3 e P(B) = 0. 015.1 Um médico descona que um paciente tem um tumor no abdômen. 2 = 0. Sendo solteira.. Solução: Sabemos que B e B c formam uma partição de Ω. o exame de ultrassom o detectará com probabilidade 0. Entretanto.9. conter falhas? 7 Teorema de Bayes Suponha que os eventos C1 .. a probabilidade de ter tido um distúrbio hormonal no último ano é de 10%. a probabilidade de que o teste ELISA apresente um resultado positivo é 0. Assim. 2 × 0. Solução: Vamos denir os seguintes eventos: P = resultado positivo no teste ELISA. a probabilidade de um resultado positivo a partir do ELISA é 0.. Ck formam uma partição de Ω e que suas probabilidades P (C1 ). se ele não tiver o tumor. 22.3 Exercícios: 6. P(P |H) = 0. utilize o teorema de Bayes para encontrar a probabilidade de que o HIV esteja efetivamente presente. P (C2 ). Se o HIV estiver efetivamente presente. 015 0.995.1. 995 × 0. 0248 7. 985 0. qual é a probabilidade de o paciente tê-lo de fato? 7. P(Cj |A) = P(A|Cj )P(Cj ) k i=1 P(A|Ci )P(Ci ) . 0149 = = = 0.015. O ELISA é o tipo mais comum de teste de triagem para detecção do HIV. enquanto que para as demais essa probabilidade aumenta para 30%. para uma certa população.1.3 Exercícios: Probabilidade Exemplo 6. 01 × 0.01..2 Das pacientes de uma Clínica de Ginecologia com idade acima de 40 anos.. as probabilidades P (A|C1 ). 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. Suponha que a probabilidade de uma pessoa estar infectada com o HIV. qual a probabilidade de ser solteira? 12 .. 60% são ou foram casadas e 40% são solteiras.6.1.. Se o exame detectou um tumor. 995 × 0. Se o HIV não estiver efetivamente presente. . Exemplo 7. Suponha P(A|B) = 0. 2. 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. P(A|B c ) = 0.. Se o paciente de fato tiver o tumor. P (A|Ck ) sejam conhecidas. para qualquer j.3. seja 0. 601 P(P |H)P(H) + P(P |H c )P(H c ) 0. o exame pode. Se a paciente sorteada tiver distúrbio hormonal. C2 .1 Exercícios: 7. 06 = 0. 70% são de algodão e 30% são de náilon.1. pois isto ocorreu em 70% dos casos similares que tratou.. 995 e P(P |H c ) = 0. Um resultado positivo em ELISA indica que o HIV está presente. 8. Se o ELISA tiver apresentado um resultado positivo. Suponha também que para um evento A.P (Ck ) são conhecidas. 8 + 0. . indicar que tem com probabilidade 0.1 Suponha que 2% dos rolos de tecido de algodão e 3% dos rolos de tecido de náilon contenham falhas. 16 + 0.

função de probabilidade. (11) ou ainda. Sendo uma função de probabilidade. Como já dissemos antes. 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..1. as probabilidades são obtidas contando-se o número de vezes que cada resultado apareceu e dividindo-se pelos 36 resultados possíveis: 13 . Experimento: Lançamento de dois dados equilibrados. Assim.. X = face obtida no lançamento do dado. ou simplesmente.. É geralmente representada por uma letra maiúscula.2. X = soma dos valores obtidos nas 2 dado 1 3 4 5 4 5 6 5 6 7 6 7 8 7 8 9 8 9 10 9 10 11 faces.. Experimento: Lançamento de um dado equilibrado. 8. . = P(X = 6) = 1/6.. Um meteorologista da TV acerta suas previsões em 80% dos dias em que chove e em 90% dos dias em que não chove. Qual é a probabilidade do meteorologista acertar sua previsão? b. Exemplo 8.1.. P(X = 1) = P(X = 2) = . dado 2 1 2 3 4 5 6 1 2 3 4 5 6 7 2 3 4 5 6 7 8 6 7 8 9 10 11 12 Acima estão os 36 resultados possíveis desta variável aleatória.. X pi x1 p1 x2 p2 x3 p3 i .. X pi 1 1/6 2 1/6 3 1/6 4 1/6 5 1/6 6 1/6 ou.1 Função discreta de probabilidade A função que atribui a cada valor da variável aleatória a sua probabilidade é denominada função discreta de probabilidade. Depois que um experimento é conduzido. uma variável aleatória discreta é uma variável que assume valores em um conjunto nito. A notação a ser utilizada é: P(X = xi ) = p(xi ) = pi . satisfaz 0 ≤ pi ≤ 1 e Exemplo 8. pi = 1.1. equivalentemente. a. ou innito enumerável de possibilidades. 2.Probabilidade 7. .3 Numa certa região. i = 1. Muitas vezes são resultantes de contagens e assumem valores inteiros. como X. o valor medido da variável aleatória é denotado por uma letra minúscula. como x = 25 anos. Se houve acerto na previsão feita.

14 .10 0.45)=F(2. No estudo.8.3). Assim. Por essa razão. escrevemos F (x) = P(X ≤ x) = 0. p(xi ) (12) Uma população de 1000 crianças foi analisada num estudo para determinar a efetividade de uma vacina contra um tipo de alergia.99). após um mês. 934     1      se 1 ≤ x < 2. para qualquer número real x. a função de distribuição é:  0     0. 533.     se 2 ≤ x < 3. Utilizando a abordagem frequentista para atribuir probabilidades. esse valor ca inalterado no intervalo [2.     se 4 ≤ x < 5. ou seja.2 Função de distribuição de probabilidade A função de distribuição ou função acumulada de probabilidade de uma variável aleatória discreta X é denida.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. 245      0. F(2. calcular a probabilidade acumulada de ocorrência dos valores menores ou iguais a 2. Caso ainda tivessem tido alguma reação alérgica. passavam por um novo teste. Uma criança desta população sorteada ao acaso tenha recebido até 2 doses.20 2 3 4 5 6 7 8 9 10 11 12 Soma dos valores das duas faces dos dados 8. Observe que. Ao m de 5 doses todas as crianças foram consideradas imunizadas. Os resultados completos estão na tabela a seguir: Doses Freq. Para isso precisamos obter a função de distribuição no ponto 2. 789    0. 1 245 2 288 3 256 4 145 5 66 Uma criança desta população sorteada ao acaso tenha recebido 2 doses. Solução: a.288.00 0. pela seguinte expressão: F (x) = P(X ≤ x) = xi ≤x Exemplo 8. 288 = 0.15 0. b. a probabilidade de uma criança ter recebido exatamente duas doses é 288/1000=0.   se 3 ≤ x < 4. recebiam outra dose de vacina.1)=F(2. se x < 1. Calcule as probabilidades de: a. ou seja. A função de probabilidade da variável aleatória X = número de doses recebidas é: b. 245 + 0. Assim: F (2) = P(X ≤ 2) = P(X = 1) + P(X = 2) = 0.05 0. 533. as crianças recebiam uma dose de vacina e.     se x ≥ 5. como a variável só assume valores inteiros. para 2 ≤ x < 3.3. 533 F (x) =   0.

288 3 0. Veremos agora como calcular esses dois valores de uma variável aleatória discreta.0 q q 0. A variância é uma medida da dispersão ou variabilidade da distribuição.145 5 0.2: x2 p(xi ) i (15) 11 E(X) = i=1 xi p(xi ) = 2 × 1/36 + 3 × 2/36 + 4 × 3/36 + 5 × 4/36 + 6 × 5/36 + 7 × 6/36 + 8 × 5/36 +9 × 4/36 + 10 × 3/36 + 11 × 2/36 + 12 × 1/36 = 7 11 E(X 2 ) = i=1 x2 p(xi ) = 22 × 1/36 + 32 × 2/36 + 42 × 3/36 + 52 × 4/36 + 62 × 5/36 + 72 × 6/36 + 82 × 5/36 i +92 × 4/36 + 102 × 3/36 + 112 × 2/36 + 122 × 1/36 = 54. 833 − 49 = 5.8.256 4 0.066 1. 833 15 .2 q 0 1 2 3 4 5 6 Número de doses de vacina 8. 1 0. é: n µ = E(X) = i=1 xi p(xi ) (13) Ea variância de uma variável aleatória discreta X. 167 − 72 = 54. A média (ou valor esperado) é uma medida do centro da distribuição de probabilidade.3 Média e variância de uma variável aleatória discreta Probabilidade Doses Freq. 833 V (X) = E(X 2 ) − (E(X))2 = 51. denotada por µ ou E(X).3 Média e variância de uma variável aleatória discreta Duas quantidades são frequentemente usadas para resumir uma distribuição de probabilidade de uma variável aleatória X.245 2 0.0 0. onde E(X 2 ) = 2 i=1 Cálculo da média e da variância no Exemplo 8.8 q 0.4 0. 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)) .6 F(x) q 0. A média ou valor esperado de uma variável aleatória discreta X.

   se x < 10. Precisamos estabelecer uma forma para atribuir probabilidades às diversas realizações deste tipo de variável.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 . Determine as seguintes probabilidades: a. 75     1            P(0 ≤ X < 10). 671 i i=1 = = E(X 2 ) − (E(X))2 = 7. 4992 = 1. P(2 ≤ X < 4).3: 5 E(X) E(X 2 ) V (X) = i=1 5 xi p(xi ) = 1 × 0. d. 671 − 2. 245 + 2 × 0.3 Uma variável aleatória discreta X tem a seguinte função de distribuição:   0     0. P(X ≤ 1). 2   0. 256 + 42 × 0.4. f. 145 + 5 × 0. P(40 ≤ X < 60). 4. P(X = 4). P(X > −1). P(X > 18). 3. 426 8. d.4. 145 + 52 × 0. se − 10 ≤ x < 30. 1. 47% a 550 ppm (crescimento moderado) de CO2 e 37% a 650 ppm (crescimento rápido) de CO2 . 8. Calcule: c. Calcule a média e a variância de X . c. f. b. 5    0. 256 + 4 × 0. 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 ≤ 50). 288 + 32 × 0. F (x) = se 12 ≤ x < 13. que pode assumir um número innito de valores diferentes. P(X ≤ 40). b.1 Seja P(X = x) = 2x+1 . sendo que 6% das árvores em CO2 .4 Exercícios: 8. P(X < 12). P(−10 < X < 10). e. 066 = 7. 9. e. c.        Determine: a. Calcule a média e a variância de X . 9 Variáveis aleatórias contínuas Uma variável aleatória contínua assume valores em um intervalo dos números reais e é geralmente proveniente de mensuração. 066 = 2. d.4 Exercícios: Probabilidade Cálculo da média e da variância no Exemplo 8. 9     1      se 10 ≤ x < 12. e. se 30 ≤ x < 50.4 As árvores são sujeitas a diferentes níveis de atmosfera de dióxido de carbono. 288 + 3 × 0. P(X < 0). se 13 ≤ x < 25. 25 a. 8. se x ≥ 50. A função de probabilidade de X . Determine uma condição de crescimento mínimo a 350 partes por milhão (ppm) de CO2 . 245 + 22 × 0. se x ≥ 25. P(X ≤ 12). b. 25  0. 2.4.4.8.2 Uma variável aleatória discreta X tem a seguinte função de distribuição: F (x) =       0 se x < −10. 0. 499 x2 p(xi ) = 12 × 0. x = 0. P(12 ≤ X ≤ 20). 8.

equivale a somar as duas probabilidades. ou seja. 7031) = 0. P(X < 3.1. 5) c.5 x2 = 1 20.25 2 = 0. a probabilidade de ocorrência de um valor isolado é sempre zero e. A área de cada barra é igual a frequência relativa dos valores do respectivo intervalo.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. se x ≥ 5. P(X > 3.25 − 9 = 11. f (x) ≥ 0. 7 17 . 5) = (1 − P(X > 3. b a f (x)dx = área sob a curva de f (x) de a até b. 5) como os dois eventos são disjuntos. A frequência relativa é uma estimativa da probabilidade de um valor medido cair naquele intervalo. 2x se 0 ≤ x < 5. 56 P(X > 1. 7031 2 3 8 2 2 16 P(X < 3. 5) = 5 x 3. Assim. 5625 2 4 8 2 2 4. ∞). P(4 < X < 5) d. 7969 c. 0. em se tratando de variáveis aleatórias contínuas. 8 = 0. P(4 < X > 5) = P(X < 4. P(a ≤ X ≤ b) = Obs. P(X < 2. (a. Determine as seguintes probabilidades: P(1 < X < 2) Solução: a. P(X < 4) Suponha f (x) = x/8.2. [a. i. 8) P(X > 1. Isso signica que. 5)) = (1 − 0. P(X < 2.5 8 dx 5 x 4 8 dx = = = 5 x2 2 3. 4. para quaisquer valores de a e b. Suponha que a função de distribuição acumulada de uma variável aleatória X seja: F (x) =      0 1 se x < 0. 2969 = 0. Exemplo 9. 2 × 1. 5) e. 2031 + 0. ii. 5 = 1 − 0.: ∞ −∞ f (x)dx = 1. as probabilidades calculadas sobre os intervalos [a. 3 < x < 5. 5) = d. 8) = 0. 5) = 1 − F (1. 5) Solução: a. ou seja. 3 = 0. 5) = 1 − 0. 7969) + (1 − 0. 5 9. P(X < 3. 5) ou P(X > 4. a. para − ∞ < x < ∞ (16) Existe uma relação entre f (x) e F (x): f (x) = Exemplo 9. ∀x ∈ (−∞. 5) ou P(X > 4. teremos área zero sob qualquer valor individual. b. b]. b). 2 × 2. Como consequência da forma com a qual atribuímos probabilidades no caso contínuo. d dx F (x). 4375 = 12. 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. 8) = F (2. P(X = k) = 0 para qualquer k. e. consequentemente. 2. 3.5 x dx 3 8 5 x2 9 = 1 25 − 16 = 16 = 0. A área denida por f (x) é igual a 1.5 = 12. P(X > 3. b) são as mesmas. P(X > 6) e.      c. a. 5) P(X < −2) d. 5)) + (1 − P(X < 4. P(X < 4.2 Função de distribuição acumulada Probabilidade 1.75 16 b. Um histograma que tem nas ordenadas a densidade de frequência é uma aproximação da função de densidade. 5 ∪ X > 4.25 = 0. Determine as seguintes probabilidades: b. b] e (a.9. b.

P(X < 1. se − 2 ≤ x < 2. 4 − 0. Calcule a média e a variância de 9. 2 = 0. P(X > −1. 25x + 0. 5). 5 < X < 0. 8). 9. x2 f (x)dx (20) f (x) = x/8.1 Seja f (x) = 1.3 A quantia gasta anualmente.4. d. e. 05 .2 Suponha que a função de distribuição acumulada de uma variável aleatória X seja: F (x) =      0 0.    Determine: a.   se x ≥ 2. P(−0. em milhões de reais. 329 9. 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 0.1. −1 < x < 1. f. com função de densidade dada por ∞ f (x). 5x2 . 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. f. c. X .3 Média e variância de uma variável aleatória contínua Probabilidade c. P(X > 0.4. A função de densidade de X . 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. 5). 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. e. 5 ≤ y < 2. 2 × 2 − 0.9. Determine x tal que P(X > x) = 0. c. 5).4. b. e. b. caso contrário. d.3 Média e variância de uma variável aleatória contínua A média ou valor esperado de uma variável aleatória contínua X. P(X < −2). 2 9. 3 < x < 5 x3 3 5 5 5 E(X) E(X 2 ) V (X) = 3 5 xf (x)dx = 3 x 1 x dx = 8 8 5 = 3 5 1 8 = 27 125 − 3 3 1 8 = 98 = 4. P(−1 < X < 1). d. 2 × 1 = 0. Calcule: a. A média e a variância de X . 0832 = 0. 5 1 se x < −2. 18 . P(X > 0). P(X < −2).4 Exercícios: 9.

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

5) = 1 − P(Z < 1. 5. as probabilidades são obtidas a partir de valores tabelados da Normal Padrão. Se X ∼ N (2.0. 20 . Outra consequência é P(Z < −1. A tabela é organizada da seguinte forma: somando os cabeçalhos de linha e coluna. 1) e será denominada procedemos da seguinte forma: Normal Padrão . como o fato de a área total sob a curva ser igual a 1 e P(Z > 0) = P(Z < 0) = 0. porque a simetria é em torno do zero. Obtenha as probabilidades: a. 9).10. utilizamos a Normal Padrão para obter probabilidades. Considere X ∼ N (µ. A tabela que utilizaremos nos dará a probabilidade P(Z < z). se quisermos encontrar P(Z < −1. consequência direta da simetria desta densidade. Por exemplo. 5). Portanto. Exemplo 10.1 A tabela Normal Padrão Probabilidade média 0 e variância 1. abaixo do valor 1. o qual encontramos olhando na coluna 0 e na linha 1. 5). σ 2 ) e dena uma nova variável: Z= X −µ σ (22) e assim Z ∼ N (0. Para determinar a probabilidade de X ∈ [a. P(a < X < b) = P (a − µ < X − µ < b − µ) a−µ X −µ b−µ = P < < σ σ σ a−µ b−µ = P <Z< σ σ Para quaisquer valores de µ e σ . como mostra a gura abaixo: f(x) 0 z x Devemos considerar algumas informações importantes para obter as probabilidades.8413 de área (probabilidade). obtemos os valores de Z que deixam as áreas correspondentes às células no corpo da tabela à sua esquerda no gráco da densidade.1.1 A tabela Normal Padrão Como dissemos. obtenha P(2 < X < 5) e P(X > 4). b]. 5) = P(Z > 1.0 temos 0. 10.

025 21 . Se Z ∼ N (0. que é o 0.92. obtenha P(5 < X < 7) e P(X < 3). 500. 0013 P(0 < z < a) = 0. o valor de e tal que P(3 < X < e) = 0. devemos somar 0. O valor de c tal que P(X > c) = 0.8212 de área abaixo dele. 5) = 0.1 A tabela Normal Padrão Probabilidade b. 1). o valor de d tal que P(X > d) = 0. 2514 b. 2/3). c. 350.10. c. Se X ∼ N (6. 67) = 1 − 0. 3212. c. 025 → P X−10/3 √ 1/3 b−10/3 < √ 1/3 b−10/3 =P Z< √ 1/3 Solução: a. a = 0. 3413 P(X > 4) = P > = P(Z > 2/3) = P(Z > 0. 9987 = 0. P(X < b) = 0. 1) e P(0 < z < a) = 0. 8413 − 0. Para encontrar o valor a. b. 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. 050. determine: a. determine a. item (b) P(5 < X < 7) Figura 5: item (b) P(X < 3) Seja X ∼ N (10/3.5 e procurar no corpo da tabela o valor que deixa 0. 8413 − 0.92. 025. < X−2 √ 9 < 5−2 √ 9 = P(0 < Z < 1) = 0. 7486 = 0. 3212. f(x) f(x) 0 1 x 0 0. Então.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. 6826 = 1 − P(Z < 3) = 1 − 0. O valor de b tal que P(X < b) = 0. d. 5 = 0.2. P(2 < X < 5) = P X−2 √ 9 2−2 √ 9 4−2 √ 9 Solução: a. = 0.

Podemos concluir que. podemos buscar no corpo da tabela o valor que deixa 0. ¯ P(X > 5) = P ¯ X − 5. 41 → c = 0. 41 × 1/3 + 10/3 = 3. 39 × 1/3 + 10/3 = 3. 1/3 b. Esse valor é o 1. 57. temos que P(X < −1) = 0. Assim: d−10/3 √ = 0. Somamos 0. devidamente padronizada. 5 a essa probabilidade e procuraremos o valor √ que deixa 0. a distribuição da média amostral.64. sendo que a aproximação melhora quanto maior for o tamanho da amostra e. 44/40 > 5 − 5.2 Teorema Central do Limite Probabilidade Deve-se então procurar na tabela Normal padrão o valor que deixe 0. 1) σ/ n (23) Em resumo: Se temos.. 1587..3.39. 8849. Este teorema é importante porque. para uma amostra grande. se comporta segundo um modelo normal com média 0 e variância 1. que é o 0. 1/3 c. com média µ e desvio-padrão σ/ n. 20) = 1 − P(X < 1. 64 × 1/3 + 10/3 = 4. 0. Apesar de não ser simétrica.. 05 → P Deve-se então procurar na tabela Normal padrão o valor que deixe 0. 35 → P Deve-se então procurar na tabela Normal padrão o valor que deixe 0. e usar o simétrico negativo do mesmo. 56. 22 . P(X > c) = 0. 44. Esse valor é o 0. 4 e σ 2 = 4. 35 P(3 < X < e) = 0.975 de área abaixo dele. X−10/3 √ 1/3 c−10/3 > √ 1/3 c−10/3 =P Z> √ 1/3 = 0. Uma variável aleatória X assume os valores 3. 44/40 = P(Z > −1. à medida que o tamanho da amostra aumenta. 05 P(X > d) = 0.. E podemos usar isso quando.. 6 e 8 com. 39 → c = 0.2 Teorema Central do Limite O Teorema Central do Limite diz que.96.96. Assim: b−10/3 = −1.10. Uma amostra com 40 observações é sorteada. 96 × 1/3 + 10/3 = 2. A variável X não tem distribuição Normal e obtemos µ = 5. 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 = 0.95 de área abaixo dele. que é 1. 6587 de área abaixo dele. 4 4. ¯ tivermos amostras de tamanho n > 30.3. então as médias amostrais terão distribuição normal para qualquer tamanho de amostra. Assim: c−10/3 √ = 1.025 de área abaixo dele. se a própria distribuição original for normal. consideramos que 40 observações é uma amostra grande o suciente para usar o Teorema Central do Limite. 41. a distribuição das médias √ amostrais x tende para uma distribuição normal.65 de área abaixo dele. 1/3 c. 20) = 0. Assim e−10/3 = 0. respectivamente.. 50 → P Através da tabela Normal padrão. quando o interesse for estudar a média amostral. 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. temos: Exemplo 10. podemos usar ¯ a distribuição normal para estudar X probabilisticamente. Para calcular a probabilidade da média amostral superar o valor 5.4. ou seja: ¯ X − µ n→∞ √ → N (0. Usando a simetria. 96 → b = −1.. 50 10.3 e 0. 20. 4 4. 64 → c = 1. probabilidades 0. 28.. que √ é -1. X−10/3 √ 1/3 d−10/3 > √ 1/3 c−10/3 =P Z> √ 1/3 = 0.

1a Edição. d.3. P(−5 < X ≤ −2). 11 Referências 1. b. P(X > −6). 2). São Paulo: Editora Cenange Learning (2012). P(X ≤ 3/5). Introdução à Estatística. Rio de Janeiro: 4.3. Ser inferior a 1. 5. Noções de Probabilidade e Estatística.10.5 Coleta-se uma amostra de 10 observações independentes de uma N (2.3 Exercícios: Probabilidade 10. enquanto os 25% de maior peso de 'obesos'. P(5 ≤ X ≤ 7). Lima ACP. c. 2. P(X ≤ 4). P(2 ≤ X ≤ 2). Determine: a. 6a edição. Determine: a. 3. Ser superior a 2. Estatística Básica. 10. c. Rio de Janeiro: Editora LTC (2011). c. P(−7 ≤ X ≤ −6).3. P(4 < X < 5). P(2 < X < 5). 5a Edição.5. f. 10. Estar entre 0 e 2. d. A Estatística Básica e Sua Prática.3. P(X ≤ 1). Magalhães MN. Estatística Aplicada e Probabilidade para Engenheiros. Determine a probabilidade de a média amostral: a. Vieira S. P(X ≤ 7/5).3. Moore DS. d. 1/9). b. 5a Edição. Rio de Janeiro: Editora LTC (2008). 10.3 Exercícios: 10. os 25% pacientes de menor peso são classicados como 'magros'.4 Uma clínica de emagrecimento recebe pacientes adultos com peso seguindo uma distribuição Normal com média 130 Kg e desvio-padrão 20 kg.1 Seja X ∼ N (4. 1). Runger GC. 23 . 10. b. P(0 ≤ X ≤ 6/5). c. 10a edição.2 Seja X ∼ N (−5. b. e. P(X ≥ 3). São Paulo: Editora Edusp (2005). Determine: a. P(X ≤ 0). 10). Editora LTC (2012).3 Seja X ∼ N (5/4. Para efeito de determinar o tratamento mais adequado. Montgomery DC. Dtermine os valores que delimitam cada uma dessas classicações. Triola MF.

9922 0.9394 0.7967 0.7642 0.9306 0.5359 0.9948 0.7704 0.5987 0.9977 0.9996 0.8599 0.9207 0.9898 0.8729 0.9997 0.6844 0.9535 0.9989 0.9846 0.9999 0.9998 0.5 0.8186 0.5080 0.9545 0.9957 0.6293 0.7486 0.9896 0.9978 0.9686 0.9977 0.5 3.9418 0.9678 0.9936 0.5517 0.6 2.3 0.9994 0.9147 0.9974 0.6628 0.9981 0.9693 0.9963 0.9265 0.8133 0.9997 0.7123 0.9370 0.5 2.6950 0.9951 0.9996 0.8770 0.6406 0.8531 0.6255 0.9990 0.9032 0.5319 0.9082 0.9955 0.9967 0.8708 0.9999 1.9817 0.9616 0.9279 0.6879 0.6664 0.7517 0.9943 0.7995 0.9999 0.9972 0.9999 0.9941 0.6591 0.8790 0.9778 0.9994 0.9995 0.9788 0.7673 0.9949 0.8461 0.5199 0.9998 0.9834 0.9713 0.8508 0.9987 0.9292 0.5120 0.9999 1.8577 0.9826 0.9878 0.9756 0.6179 0.9649 0.7794 0.9968 0.9332 0.0 0.9988 0.9913 0.8289 0.9927 0.9998 0.9664 0.9986 0.8 2.9929 0.5239 0.9842 0.6026 0.9986 0.9564 0.5398 0.9772 0.Probabilidade Tabela da Distribuição Normal Padrão P(Z<z) 0 z z 0.9015 0.7454 0.6985 0.9633 0.9996 0.9920 0.9993 0.6141 0.7389 0.9965 0.9850 0.6368 0.9875 0.9726 0.9997 0.9998 0.9987 0.9962 0.9 2.3 1.8810 0.8621 0.9989 0.5160 0.1 2.6554 0.9474 0.9982 0.6443 0.8907 0.9999 1.0 3.6 1.9997 0.7 3.9767 0.9887 0.5675 0.7054 0.6 0.9901 0.9976 0.9162 0.9966 0.6331 0.9931 0.9995 0.8264 0.9761 0.9997 0.9997 0.8925 0.9998 0.9932 0.9995 0.8389 0.9993 0.9961 0.9099 0.9934 0.9990 0.5714 0.9946 0.8944 0.4 3.9938 0.9998 0.8078 0.0000 4 0.9998 0.8212 0.9956 0.6736 0.9999 0.5948 0.9525 0.9641 0.9991 0.7764 0.3 3.9115 0.9983 0.9452 0.9803 0.9987 0.5910 0.9999 0.9793 0.7019 0.9999 1.9974 0.6480 0.5636 0.9993 0.9945 0.9999 0.9985 0.8159 0.0000 2 0.9222 0.9969 0.8 0.0 2.5753 0.9699 0.6217 0.9999 0.9994 0.7611 0.9582 0.9916 0.9979 0.7549 0.7852 0.9993 0.7257 0.8485 0.9998 0.9 0 0.9960 0.2 3.9854 0.9505 0.9984 0.8438 0.9999 0.9918 0.9406 0.9959 0.0000 3 0.9998 0.7734 0.5000 0.0 1.9984 0.4 1.6517 0.1 3.9999 1.9808 0.7422 0.7 0.8888 0.9999 0.9554 0.1 0.9991 0.8 1.9998 0.5832 0.9750 0.9996 0.6915 0.9992 0.9985 0.9706 0.9990 0.9991 0.9992 0.9964 0.9997 0.8 3.9871 0.9994 0.6700 0.9999 1.8413 0.8849 0.8238 0.9049 0.7157 0.9625 0.8686 0.9998 0.9999 0.6103 0.9131 0.9992 0.6 3.9953 0.5 1.9 3.9515 0.9591 0.9066 0.9989 0.9992 0.8830 0.9192 0.6808 0.9656 0.7088 0.9999 1.9357 0.9821 0.8106 0.0000 8 0.9861 0.9998 0.9838 0.9495 0.9999 0.9981 0.9484 0.9345 0.9999 0.9999 0.8997 0.9999 0.9893 0.9979 0.9744 0.8980 0.9608 0.9996 0.7939 0.9952 0.9732 0.9904 0.9911 0.9997 0.8051 0.7881 0.9999 0.3 2.5040 0.9909 0.8340 0.6064 0.5438 0.9999 0.8869 0.9999 0.9783 0.9671 0.5596 0.9996 0.9251 0.4 2.2 1.9719 0.5871 0.8365 0.9319 0.9999 1.8643 0.8023 0.8962 0.2 0.0000 6 0.9382 0.0000 5 0.9925 0.7823 0.7 1.5793 0.0000 9 0.7324 0.9236 0.9906 0.9973 0.9463 0.9429 0.9971 0.9830 0.0000 1 0.9999 1.9884 0.8749 0.7190 0.9940 0.9999 1.9988 0.9998 0.9997 0.9573 0.9997 0.5557 0.7 2.9881 0.9975 0.9994 0.5279 0.0000 24 .9868 0.9599 0.9812 0.6772 0.9982 0.7291 0.8665 0.9980 0.9441 0.9890 0.2 2.9995 0.9999 0.0000 7 0.7910 0.9798 0.9970 0.1 1.7580 0.4 0.8554 0.9864 0.8315 0.9738 0.9995 0.5478 0.7224 0.9995 0.9857 0.9 1.7357 0.9177 0.