Você está na página 1de 26

UNIVERSIDADE FEDERAL DA BAHIA

INSTITUTO DE MATEMTICA - DEPARTAMENTO DE ESTATSTICA

MAT 027 - ESTATISTICA IV


450
400
350

No of obs

300
250
200
150
100
50
0

10

15

20

25

30

35

40

Upper Boundaries (x <= boundary)

A P O S T I L A 2: P R O B A I L I D A D E

Expected
Normal

INTRODUO

Os estudos apresentados at o momento incidiram sobre a nalidade descritiva, isto , visaram descrever as
caractersticas de amostras efetivamente observadas. A partir de agora, passa-se ao estudo da inferncia ou
induo estatstica, isto , a generalizao para o universo ou populao correspondente s concluses obtidas a
partir da amostra. Nesse sentido, o clculo das probabilidades fundamental, razo pela qual iremos conhecer
noes bsicas sobre a teoria das probabilidades.
O estudo da probabilidade teve sua origem ligada aos jogos de azar, que implicam em aes como girar
uma roleta, lanar um dado ou uma moeda, retirar uma carta do baralho, etc. A estes jogos podemos associar
duas caractersticas: a primeira a da incerteza dos resultados em determinada tentativa; a segunda refere-se
a regularidade que observada a longo prazo.
Na cincia experimental existe um tipo semelhante de incerteza e de regularidade a longo prazo. Por
isso, ns nos utilizaremos destas experincias mais simples para gradativamente generalizar para o experimento desejado. Inicialmente precisaremos tambm introduzir alguns conceitos gerais, indispensveis para o
entendimento do leitor.

1.1
1.1.1

Tipos de Modelos Matemticos:


Determinsticos:

ocorrem quando, dadas as condies de experimentao, pode-se determinar ou predizer com certeza o resultado nal do experimento.
Ex: Formulaes matemticas e fsicas para comprovao de teorias, como a lei da queda e movimentos
dos corpos.
1.1.2

No-determinsticos (ou probabilsticos):

ocorrem quando no possvel predizer, com certeza, o resultado antes da realizao do experimento.
Ex: Investigao sobre o efeito de um novo tratamento em pacientes. Ou o efeito de um fertilizante
qumico no solo.

1.2

Objetivo Geral da Teoria das Probabilidades

Denio de um modelo matemtico no-determinstico, que seja conveniente descrio e interpretao dos
fenmenos aleatrios.
Algumas denies importantes:
1.2.1

Fenmenos ou Experimentos Aleatrios (E)

So aqueles em que o processo de experimentao est sujeito a incertezas. Logo no possvel controlar as
circunstncias relevantes, no sendo possvel prever com exatido o resultado das manifestaes individuais.
Caractersticas de um experimento aleatrio:
1. Cada experimento poder ser repetido um grande nmero de vezes sob as mesmas condies;
2. No podemos armar que resultado particular ocorrer, porm podemos descrever o conjunto de todos
os resultados possveis do experimento - as possibilidades de resultado.
3. Quando o experimento repetido um grande nmero de vezes, surgir uma regularidade nos resultados. Esta regularidade, chamada de regularidade estatstica, que torna possvel construir um modelo
matemtico preciso com o qual se analisar o experimento.

1.2.2

Espao Amostral ()

Refere-se ao conjunto de todos os resultados possveis de um experimento aleatrio.


Exemplo:
1. E: Lanamento de um dado e observao dos resultados
= {1, 2, 3, 4, 5, 6}
2. E: Utilizao de um novo medicamento para uma dada doena em trs pacientes e observao de cura
ou no.
= {(C, C, C); (C, C, C); (C, C, C); (C, C, C); (C, C, C); (C, C, C); (C, C, C); (C, C, C)},

onde C = representa o paciente curado e

C = representa o paciente no curado.


1.2.3

Evento

Refere-se a um resultado particular de um experimento.


Utilizaremos letras maisculas para representar os eventos.
Exemplos: em relao aos dois experimentos citados anteriormente teramos:
1. Um evento possvel seria: a ocorrncia de nmeros pares no lanamento de um dado.
A = {2, 4, 6}
2. Um outro evento podederia ser: a observao de dois pacientes curados no segundo exemplo:
D = {(C, C, C); (C, C, C); (C, C, C)}
1.2.4

Ponto Amostral

Refere-se a um elemento qualquer de um evento, por exemplo o elemento (C, C, C) do ltimo exemplo.
Costuma-se denir um evento como qualquer subconjunto de um espao amostral. Neste sentido, veremos
agora uma pequena reviso da teoria de conjuntos, direcionada aos espaos amostrais e eventos.
Operaes entre eventos
Entre eventos em um mesmo espao amostral so permitidas todas as operaes relativas aos conjuntos
contidos num mesmo conjunto universo, como: unio (), interseo (), diferena () ou diferena simtrica
(4). Maiores detalhes com seu professor em sala de aula.
Tipos de Eventos
1. Evento simples ou elementar
o evento formado por um nico ponto amostral.
Exemplo: D = {(C, C, C)}
2. Evento certo
o evento formado por todos os pontos amostrais.
Exemplo: no exemplo do dado, temos F = {1, 2, 3, 4, 5, 6} = um evento certo.
3. Evento impossvel
o evento que no possui elementos em .
Exemplo: ainda no exemplo do dado, seja G =sair face 7, G = .
3

Relao entre Eventos


1. Eventos mutuamente exclusivos:
Dizemos que dois eventos so mutuamente exclusivos quando a ocorrncia de um impossibilita a ocorrncia do outro, ou seja, se A e B so eventos mutuamente exclusivos ento A B =

Ex.: E : Lanamento de um dado = = {1, 2, 3, 4, 5, 6}

Evento A = {2, 4, 6}- ocorrncia de nmeros pares

Evento B = {1, 3, 5} - ocorrncia de nmeros mpares


A e B so eventos mutuamente exclusivos.

2. Eventos complementares
Dizemos que dois eventos so complementares, se a unio entre eles resulta no espao amostral e se a
interseo resultado num evento impossvel, ou seja, se A e B so eventos complementares ento A B
=eAB=

Ex.: O evento C = {1, 2, 4} o complementar do evento D = {3, 5, 6}, ou C = D. Ou ainda os eventos


A e B do exemplo anterior so eventos cmplementares.

PROBABILIDADE

Se conhecemos todos os resultados possveis () de um experimento E ento podemos determinar qual a


chance de ocorrncia de cada evento, ou seja, a probabilidade de ocorrncia do evento.
A probabilidade de ocorrncia de um evento A ser denida por P (A), que ser:
P (A) =

nmero de casos favorveis ao evento A


nmero de casos possveis em

Exemplos:
1. E: Lanamento de uma moeda
= {Cara, Coroa}
A = Aparecimento da face cara = A = {Cara}
n(A)
1
nmero de casos favorveis ao evento A
=
=
P (A) =
nmero de casos possveis em
n()
2
Ento, conclumos que a probabilidade de se obter o resultado cara ao lanarmos uma moeda honesta
1
de ou 50%.
2
2. E: Uma droga lanada no mercado para tratamento de verminose em bois, e para testar sua ao
foram utilizadas em trs animais.
= {(C, C, C); (C, C, C); (C, C, C); (C, C, C); (C, C, C); (C, C, C); (C, C, C); (C, C, C)}, onde C representa a cura e seu complementar C representa a no cura.
(a) Seja A o evento que expressa trs curas, ento A = {(C, C, C)}
nmero de casos favorveis ao evento A
n(A)
1
P (A) =
=
=
nmero de casos possveis em
n()
8
(b) Seja B o evento que expressa, pelo menos uma cura, ento
B = {(C, C, C); (C, C, C); (C, C, C); (C, C, C); (C, C, C); (C, C, C); (C, C, C)}
7
n(B)
=
P (B) =
n()
8
4

2.1

Axiomas de Probabilidade

Sejam A e B eventos em um mesmo espao amostral . Dizemos que um nmero real p, que pode ser P (A)
ou P (B), representa uma probabilidade, se e somente se, p satiszer s seguintes condies:
1. 0 < p < 1
2. P () = 1
3. Se A e B so mutuamente exclusivos, P (A B) = P (A) + P (B), pois queP (A B) = 0
2.1.1

Teoremas:

1. Se um evento impossvel, ento P () = 0


2. Se A o complementar de A, ento P (A) = 1 P (A)
3. Se A e B so eventos quaisquer em , ento:
P (A B) = P (A) + P (B) P (A B)
Exemplo: Numa sala de aula h 5 alunos que pesam entre 54 e 60 Kg; e 26 alunos com peso entre 61 e 70
Kg. Ao selecionarmos um aluno ao acaso, qual a probabilidade de um aluno pesar entre 61 e 70 Kg?
Considere a categorizao
1. peso entre 54 e 60 quilos
2. peso entre 61 e 70 quilos
Ento ser formado por 5 pessoas da categoria 1 e 26 pessoas da categoria 2.
Seja A o evento que engloba as pessoas com peso entre 61 e 70 quilos, portanto na categoria 2. Logo:
26
P (A) =
= 0, 838 7
31
Podemos dizer portanto, que a probabilidade de selecionarmos um aluno com peso entre 61 e 70 quilos
nesta sala de aula de aproximadamente 83, 87%.

PROBABILIDADE CONDICIONAL

Muitas vezes, dois eventos relacionam-se entre si de tal modo que a probabilidade de um ocorrer depende da
ocorrncia ou no do outro.
Suponha que temos o resumo das informaes de um levantamento de 100 idosos residentes em dez asilos
da Grande Belo Horizonte. Na tabela a seguir, encontra-se a distribuio dos idosos segundo o peso e a presso
arterial.

Tabela 1: distribuio dos idosos segundo o peso e a presso arterial.


Presso Arterial
Elevada
Normal
TOTAL

Excessivo
10
15
25

PESO
Normal
8
45
53

TOTAL
Deciente
2
20
22

20
80
100

Queremos a probalidade de selecionarmos ao acaso um idoso com presso arterial elevada, sabendo-se que
o indivduo tem peso normal.
Resoluo:
E: Selecionar um idoso
Sejam os seguintes eventos:
P: o indivduo tem peso normal =>np = 53
C: o indivduo apresenta presso arterial elevada => nc = 20
Q: o indivduo simultaneamente tem peso normal e presso arterial elevada.
Q = P C => nP C = 8
Assim: nQ = 8
Usando a denio de probabilidade, queremos calcular:
8
no .de casos favorveis ao evento
=
=
P (ter presso elevada, sabendo que tem peso normal) =
o . de casos possveis em
n
53
o . total de idosos com peso normal 53, dentre os quais 8 so tem presso elevada.
0, 1509, pois que o n
Note que h aqui uma reduo do espao amostral , qual chamamos de . Note ainda que representa
apenas a poro de referente informao a priori que nos foi fornecia: sabendo-se que o indivduo tem
peso normal
Sabemos ainda que se dividirmos o numerador e o denominador de uma frao pelo mesmo nmero, ele
no se altera. Assim, vamos divid-los pelo tamanho do espao amostral (n = 100). Temos portanto:
nP
8
nP C
=
=
np
53

n
np
n

8
100
53
100

P (P C)
= 0, 1509
P (P )

Ento podemos vericar que a probabilidade de selecionarmos um idoso com presso elevada, ao acaso,
sabendo a priori que este indivduo tem peso normal o mesmo que calcularmos a probabilidade de ocorrncia
simultnea dos eventos ter presso elevada e peso normal dividido pela probabilidade de ter peso normal.
DEFINIO: Dados dois eventos A e B associados a um mesmo espao amostral , sendo P (A) > 0 e
P (B) > 0, a probabilidade de ocorrncia do evento B, condicionada ocorrncia do evento A (ou probabilidade
de B dado A), denida por:
P (B|A) =

P (A B)
;
P (A)

P (A B)
P (B)
Observe que no clculo da probabilidade condicional ocorre uma reduo do espao amostral. A restrio
deenida pelo dado B ou dado A, de acordo com a situao.
e a probabilidade de A dado B :

Exemlo:
Com os dados do exemplo anterior, calcule a probabilidade do idoso selecionado ter peso normal, dado
que tem presso arterial elevada?
8
P (P C)
8
= 100 = 20 = 2 = 0, 40
P (P |C) =
5
20
P (C)
100

3.1

Teorema do Produto (ou da Multiplicao)

Muitas vezes queremos determinar a probabilidade de ocorrem dois eventos ao mesmo tempo ou um em
seguida do outro.
Consideremos para exemplicar que uma urna contm 3 bolas brancas e 2 bolas azuis. Uma bola ser
retirada da urna ao acaso e, em seguida, uma segunda bola ser retirada tambm ao acaso, sem que a primeira
tenha sido recolocada. Qual a probabilidade de serem retiradas, primeiro uma bola azul e em seguida uma
bola branca?
6

Como a urna contm 5 bolas: 3B e 2A, ento a probabilidade da primeira bola ser azul :
2
no . casos favorveis
= o
n . casos possveis
5
Devemos considerar agora que, se foi retirada uma bola azul, cariam na urna 4 bolas: 3B e 1A. Ento,
a probabilidade de ser retirada uma bola branca da urna, dado que retirada uma bola azul :
no . casos favorveis
3
=
no . casos possveis
4
Para obtermos a probabilidade de ser retirada uma bola azul e, em seguida, uma bola branca, multiplicamos
a probabilidade de ser retirada uma bola azul pela probabilidade de ser retirada uma bola branca, dado que
a primeira bola retirada era azul. Ento, faremos:
2
3
6
3
5 4 = 20 = 10
Poderamos ento enunciar o teorema do produto.
3.1.1

Teorema:

Se A e B so dois eventos quaisquer associados ao mesmo espao amostral, com probabilidades positivas,
ento a probabilidade de ocorrncia simultnea de A e B, P (A B) dada por:
P (A B) = P (A).P (B|A) = P (B).P (A|B)
P (A B)
=> P (A B) = P (A).P (B|A)
P (B|A) =
P (A)
Exemplo:
Em lote de 12 peas, 4 so defeituosas. Retira-se 2 peas do lote, uma aps a outra, sem reposio. Qual
a probabilidade de que ambas sejam boas?
Resp: A = {primeira pea boa} B = {segunda pea boa}
8
7
56
P (A B) = P (A).P (B/A) = 12 11 = 132 = 28 = 14 = 0, 4242
66
33

3.2

INDEPENDNCIA ESTATSTICA

Dizemos que dois eventos so estatisticamente independentes quando a ocorrncia de um no interfere na


ocorrncia do outro.
Se o evento A estatisticamente independente do evento B,ento P (A|B) = P (A). Assim como P (B|A) =
P (B)
Vimos, pelo teorema do Produto que:
P (A B) = P (A).P (B|A) = P (B).P (A|B).
Agora podemos reescrever esta expresso da seguinte forma para eventos independentes:
P (A B) = P (A).P (B) = P (B).P (A)
P (A).P (B)
P (A B)
=
= P (A). Ou seja, a ocorrncia de A no depende de B. Se B
P (B)
P (B)
ocorre (dado B), isto no afetar a ocorrncia de A.
Assim, dados n eventos A1 , A2 , ..., An , diremos que eles so independentes se eles forem independentes
2 a 2, 3 a 3,..., n a n.
Isto , se as igualdades abaixo forem vericadas:
P (A1 A2 ) = P (A1 )P (A2 ); ........; P (An1 An) = P (An1 ).P (An )
P (A1 A2 A3 ) = P (A1 )P (A2 ).P (A3 ); ...; P (An2 An1 An ) = P (An2 )P (An1 )P (An )...
P (A1 A2 ... An ) = P (A1 ).P (A2 ).P (A3 ).....P (An )
Prova:P (A|B) =

Exemplo:
7

Em uma caixa temos 10 peas, das quais 4 so defeituosas. So retiradas 2 peas da caixa, uma aps a
outra, com reposio. Calcular a probabilidade de que:
1. ambas sejam boas;
2. a primeira seja defeituosa e a segunda seja boa.
Resp: O fato de tirar a primeira pea boa ou no, no ir inuenciar na qualidade da segunda devido
reposio. Ou seja, as retiradas so independentes. Sejam ento os eventos:
6
A1 = {a primeira bola boa } => P (A1 ) = 10 = 0, 6
6
A2 = {a segunda bola boa} => P (A2 ) = 10 = 0, 6
4
B1 = {a primeira bola defeituosa} => P (B1 ) = 10 = 0, 4
Assim, dedvido independncia, teremos:
1. P (A1 A2 ) =

6
10

6
10

36
100

9
25

2. P (B1 A2 ) =

4
10

6
10

24
100

= 0, 24

= 0, 36

Obs.: Como j foi visto anteriormente nos teoremas de probabilidade:


P (A B) = P (A) + P (B) P (A B).
Portanto, se A e B so independentes, ento P (A B) = P (A) + P (B) P (A).P (B). Este resultado
costuma ser chamado de Teorema da Soma.
Exemplo:
Queremos obter a probabilidade de sair pelo menos uma cara, quando se joga uma moeda duas vezes.
Resp: seja E= lanar uma moeda duas vezes.
= {(C, C), (C, C), (C, C), (C, C}
A= {sair cara no primeiro lance} = A = {(C, C), (C, C)}
B= {sair cara no segundo lance} = B = {(C, C), (C, C)}
Queremos P (A B). Como so eventos independentes, temos:
P (A B) = P (A) + P (B) P (A).P (B) = 2 + 2 1 = 3 = 0, 75.
4
4
4
4
Por outro lado, utilizando o fato de que A B = {(C, C)}, obteramos a mesma probabilidade:
P (A B) = P (A) + P (B) P (A B) = 2 + 2 1 = 0, 75
4
4
4

3.3

LEMA DA PROBABILIDADE TOTAL

Considere que o espao amostral possa ser dividido em eventos mutuamente exclusivos, por exemplo, A e
A, sendo que A representa o complementar de A, com AUA = e A A = .
Obs.: dizemos que os eventos A e A acima formam uma partio do espao amostral .
Sejam B, C e D eventos quaisquer contidos em , como na gura a seguir.
A

B
C
D

Dessa forma podemos encontrar as probabilidades associadas aos eventos B, C e D, da seguinte forma:
P (B) = P (B/A).P (A) + P (B/A).P (A)
P (C) = P (C/A).P (A) + P (C/A).P (A)
P (D) = P (D/A).P (A) + P (D/A).P (A)
Exemplo: Considere que estejamos interessados em vericar a reao de um teste laboratorial para certa
enfermidade. Sejam ento os eventos a seguir:
A = no ter essa enfermidade
A = ter uma certa enfermidade
=
B = apresentar reao positiva no teste laboratorial para a referida enfermidade.
Suponhamos que:
P (B/A) = 0, 60;
P (B/A) = 0, 30
P (A) = 0, 20;
P (A) = 0, 80;
De acordo com a expresso anterior, teremos: P (B) = P (B/A).P (A)+P (B/A).P (A) (0, 60).(0, 20)+
(0, 30).(0, 80) = 0, 36
A princpio teramos P (A) = 0, 20, que permite ao investigador dizer que h 20% de probabilidade de um
indivduo tomado ao acaso desta populao ter a enfermidade.
Agora calculando P (B), obteremos o resultado que mostra que o conhecimento de que a reao foi positiva
permite dizer com maior probabilidade de que o indivduo selecionado ao acaso de uma populao tenha a
enfermidade em questo. Ou seja, o grau de incerteza diminuiu.
De modo geral, se supusermos a seguinte partio de : A1 , A2 , ..., An , tal que P (Ai ) 6= 0, para i =
1, 2, ..., n; e sendo F um evento qualquer de , ento:
F A2 ,
F A3 ,
...,
F An
uma partio de F tal que:
F A1 ,
P (F ) =

n
X
i=1

P (F Ai ) =

n
X

P (Ai ).P (F/Ai ),

i=1

que constitui a expresso geral da probabilidade total.

Exemplo:
Suponha que temos dois dados, um azul e um vermelho. O dado vermelho tem duas faces um e quatro
faces dois. O dado azul tem quatro faces um e duas faces dois. Escolha um dado ao acaso, jogue-o e
observe a face superior. Qual a probabilidade de sair a face dois?
A = escolher o dado azul
Resp: Seja A o evento escolher dado vermelho
=
S teremos estas duas possibilidades, ou escolheremos o dado azul ou dado vermelho. As duas escolhas
juntas formam o e tm interseo vazia, ou seja, formam uma partio de .
Seja B o evento sair face dois.
Assim P (B) ir depender de qual dado foi escolhido, logo:
4
2
6
ser a probabilidade de
P (B) = P (B/A).P (A) + P (B/A).P (A) = 4 1 + 2 1 = 12 + 12 = 12 = 1
6
2
6
2
2
sair a face dois.

3.4

REGRA DE BAYES

Considere novamente o espao amostrtal , com a partio representada na gura abaixo:

A1

A2 A4

A3

A6

An

A5
A1 , A2 , A3 , ..., An , so n eventos mutuamente exclusivos, tais que A1 A2 A3 ... An = .
9

Sejam P (Ai ) as probabilidades conhecidas dos eventos da partio, e seja B um evento qualquer de tal
que conhecemos todas as probabilidades condicionais P (B/Ai ).
Ento, para cada i teremos:
P (Ai /B) =

P (Ai ).P (B/Ai )


,
P (A1 ).P (B/A1 ) + P (A2 )..P (B/A2 ) + ..... + P (An ).P (B/An )

que constitui a Regra de Bayes.


Podemos pensar que os Ai s so possveis causas para B acontecer, e B seria a consequncia. Digamos
ento que queiramos saber qual a probabilidade de Ak ser a causa que provoca B, ou seja: P (Ak /B), para
algum k.
Exemplo:
Consideremos a seguinte congurao:

Tabela 2: Distribuio das cores das bolas segundo as urnas.


Cores
Urnas
u1 u2 u3
P retas
3
4
2
Brancas
1
3
3
V ermelhas 5
2
3

Escolheu-se uma urna ao acaso e dela extraiu-se uma bola ao acaso, vericando-se que a bola branca.
Qual a probabilidade da bola ter vindo da urna 2? E da urna 3?
Soluo:
Sejam os eventos: u1 =a urna 1 a escolhida
u2 =a urna 2 a escolhida
u3 =a urna 3 a escolhida
br = a bola estrada branca.
1
Assim: P (u1 ) = 3 ;
P (u2 ) = 1 ;
P (u3 ) = 1 . A probabilidade de ser escolhida qualquer uma das
3
3
trs urnas a mesma.
Alm disso:
P (br/u1 ) = 1 ; P (br/u2 ) = 3 = 1 ; P (br/u3 ) = 3
9
9
3
8
Queremos calcular: P (u2 /br) e P (u3 /br).
Aplicando o Teorema de Bayes, teremos:
11
P (u2 )P (br/u2 )
3
= 1 1 3 1 1 1 = 24
P (u2 /br) =
59
P (u1 )P (br/u1 ) + P (u2 )P (br/u2 ) + P (u3 )P (br/u3 )
+ 13 + 38
39
3
P (u3 /br) =
3.4.1

P (u3 ).P (br/u3 )


=
P (u1 ).P (br/u1 ) + P (u2 ).P (br/u2 ) + P (u3 ).P (br/u3 )

11
39

13
38
11
33

11
38

27
59

APLICAES DA REGRA DE BAYES EM SADE

A principal aplicao da regra de Bayes em sade est associada a testes diagnsticos. Vejamos as seguintes
denies:
1. Valor preditivo positivo (VP+) de um teste diagnstico a probabilidade de que a pessoa tenha a
doena, dado que o teste foi positivo, ou seja: VP+ = P(ter doena/teste +).

10

2. Valor preditivo negativo (VP) de um teste diagnstico a probabilidade que a pessoa no tenha a
doena, dado que o teste foi negativo, ou seja: VP = P(no ter a doena/ teste ).

Exemplo: Encontre os valores preditivos positivo e negativo para o teste cutneo de diagnstico da
tuberculose. Suponha que 1, em cada 10.000 das pessoas que apresentaram teste cutneo negativo
para a tuberculose, tem a doena; e 1 pessoa, em 100 das que apresentaram resultado positivo do teste
cutneo para tuberculose, de fato apresentam a doena.
Soluo: Considere os eventos:
B = ter a doena
A = teste dar positivo

A = teste dar negativo.

Denidos estes eventos e, de acordo com as suposies acima, temos P (B/A) = 0, 0001 e P (B/A) = 0, 01
ou seja, V P + = P (B/A) = 0, 01;
V P = P (B/A) = 1 P (B/A) = 0, 9999

Assim, se o teste cutneo negativo, a pessoa muito provavelmente no ter a doena (V P 1),
enquanto que se o teste cutneo for positivo a pessoa tem apenas uma pequena chance de ter a doena
(V P + = 0, 01).
Quanto maior o valor preditivo de um teste diagnstico, mais vlido ser este teste. Idealmente
gostaramos de encontrar tanto o VP+ quanto o VP iguais a 1. Desta forma teramos um diagnstico
preciso da doena.
Mdicos frequentemente no podem medir diretamente o valor preditivo de um conjunto de sintomas.
Contudo, eles podem mensurar a frequncia com a qual alguns sintomas especcos ocorrem em pessoas
doentes e normais. Estas medidas so denidas da seguinte forma:
3. Sensibilidade de um sintoma (ou conjunto de sintomas ou de um teste diagnstico) a probabilidade de
que um sintoma esteja presente dado que a pessoa tenha a doena.
4. Especicidade de um sintoma (ou conjunto de sintomas ou de um teste diagnstico) a probabilidade
que o sintoma no esteja presente dado que a pessoa no tem a doena.
5. Um falso negativo ocorre quando a pessoa, cujo resultado do teste aponta negativo, de fato portadora
da doena.
6. Um falso positivo ocorre quando a pessoa, cujo resultado do teste aponta positivo, efetivamente NO
portadora da doena.
importante que tanto a sensibilidade quanto a especicidade sejam altas para que um sintoma seja
efetivamente preditivo para a doena.
Exemplo: Suponha que a doena o cncer de pulmo e o sintoma o hbito de fumar. Se assumirmos
que 90% das pessoas com cncer de pulmo e 50% das pessoas sem cncer de pulmo so fumantes, ento
a sensibilidade e a especicidade so 0, 9 e 0, 5, respectivamente. Obviamente o hbito de fumar no pode
ser usado como ferramenta diagnstica para prever casos de cncer de pulmo porque haver muitos falsos
positivos (pessoas normais que fumam).
3.4.2

Relao entre valor preditivo e sensibilidade/especicidade:

Atravs da Regra de Bayes, pode-se encontrar facilmente uma relao entre a sensibilidade, a especicidade,
e os valores preditivos positivo e negativo.
Seja o evento A indicativo da ocorrncia de dado sintoma e o evento B indicativo da ocorrncia da doena.
Assim temos:
V P + = P (B/A),

11

pela Regra de Bayes:


V P + = P (B/A) =

P (A).P (B/A)
,
P (A/B).P (B) + P (A/B).P (B)

onde P (A/B) a sensibilidade, e P (A/B) a especicidade.


De maneira anloga, pode-se encontrar a relao entre o valor preditivo negativo e sensibilidade e especicidade.

VARIVEIS ALEATRIAS

4.1

CONCEITO DE VARIVEL ALEATRIA

Sejam o espao amostral; A, B, C, D, etc. eventos de e os respectivos pontos amostrais que formam .
No caso do tratamento de trs pacientes com uma nova droga, temos todos os resultados possveis, em
relao eccia da droga, que sero:
= {(C, C, C), (C, C, C), (C, C, C), (C, C, C), (C, C, C), (C, C, C), (C, C, C), (C, C, C)}

onde C = droga curou paciente


C = droga no curou paciente
O ponto amostral (C, C, C) representa 3 curas. O ponto amostral (C, C, C), assim como (C, C, C) e
(C, C, C) representam duas curas; (C, C, C), (C, C, C), (C, C, C) representam uma cura e (C, C, C) representa
nenhuma (zero) cura.
Se estivssemos interessados em determinar uma varivel qualquer, digamos Y , que representasse o nmero
de curas, Y poderia ser:
y = 3 (trs curas) > P (ter trs curas) = P (Y = 3)
y = 2 (duas curas) > P (ter duas curas) = P (Y = 2)
y = 1 (uma cura) > P (ter uma cura) = P (Y = 1)
y = 0 (nenhuma cura) > P (nenhuma cura) = P (Y = 0)
4.1.1

DEFINIO:

Varivel aleatria (v.a.) uma funo que associa a cada ponto amostral de , um valor real.

X
2

x1
x2
x3

x4

...
Exemplo: Seja Y a varivel aleatria que conta o nmero de curas no tratamento de trs pacientes com
uma nova droga. Se RY representa o conjunto de todos os valores que Y pode assumir, ento RY = {0, 1, 2, 3}.

(C, C, C)
(C, C, C)
(C, C, C)
(C, C, C)
(C, C, C)
(C, C, C)
(C, C, C)
(C, C, C)
12

y
3
2
2
2
1
1
1
0

4.2

Funo de Probabilidade

uma funo matemtica que associa probabilidades a valores assumidos pela varivel aleatria X. Iremos
diferenciar esta funo para o caso em que a varivel aleatria em estudo for discreta ou contnua. Cada um
desses conceitos est a seguir.

Varivel Aleatria Discreta

A varivel aleatria X uma varivel aleatria discreta, se o conjunto de valores que X pode assumir um
conjunto nito de valores ou um conjunto innito enumervel.
Exemplo:
X = {0, 1, 2, 3, 4}
X = {1, 2, 3, ...}

5.1

Funo de Probabilidade para Variveis Aleatrias Discretas

A probabilidade de que a v.a. X assuma o valor x uma funo de X, que representamos por P (X = x) ou
simplesmente px . A funo P (X = x) determina a distribuio de probabilidades da v.a. X.
Os valores assumidos por X, e suas probabilidades associadas, podem ser expressas por uma regra ou uma
relao, que chamada de funo de probabilidade, referida tambm como distribuio de probabilidade da
v.a. X.
Exemplos:
1. Seja E o experimento: Lanamento de duas moedas, e sejam:
X = no de caras obtidas
= {(C, C), (C, C), (C, C), (C, C)}

Expressando em tabelas a distribuio de probabilidade P (X = x), temos:


x
P (X = x)

1
4

2
4

1
4

P(x)

Gracamente teremos:
1/ 2
1/ 4
0

( 1
,
x = 0, 1, 2
Ou ainda por frmula temos: P (X = x) =
.
4
0, caso contrrio
2. Suponha que um mdico concorda em usar uma nova droga anti-hipertensiva em um experimento com
4 pessoas, antes de adotar a droga para uso rotineiro. Seja X = no de pacientes entre os 4 que tiveram
sucesso com a droga. Ento X = 0, 1, 2, 3, 4. Suponha ainda que neste estudo ele encontre que a
probabilidade de que nenhum paciente, dentre os 4, que sob controle de 0,08; de que apenas 1
paciente destes 4 de 0,076; de que 2 deles de 0,265; de que 3 deles 4 0,411, e de que todos os 4
pacientes 0,240. Ento, a distribuio de probabilidade desta varivel ser:
x
P (X = x)

0
0, 008

1
0, 076
13

2
0, 265

3
0, 411

4
0, 240

5.2

Funo de Distribuio Acumulada (para variveis aleatrias discretas)

A funo de distribuio acumulada de uma v.a. X num ponto x, denida como sendo a probabilidade de
que a v.a. X assuma um valor menor ou igual a x, isto :
F (x) = P (X x)
5.2.1

Propriedades:
P
1. F (x) = P (xi )
2. F () = 0
3. F (+) = 1
4. P (a < X b) = F (b) F (a)
Exemplo:
Suponhamos que a v.a X assuma os valores 0, 1, 2 com probabilidades
x
P (X = x)

0
1/3

1
1/6

1 1 1
; ; , respectivamente. Ento:
3 6 12

2
1/2

F(x)
1

0, se x < 0
1/3, se 0 x < 1
F (x) = P (X x) =
1/2, se 1 x < 2

1, se x 2

1/ 2
1/ 3
0

A distribuio de probabilidade uma boa maneira de se vericar o comportamento dos dados, fazendose uma analogia s distribuies de frequncia. No entanto, se existem muitos nmeros com probabilidade
positiva, ento esta distribuio deixa de ser uma medida de vericao do comportamento sumrio dos dados.
Assim, medidas de posio e de variao podem ser desenvolvidas para variveis aleatrias de maneira anloga
que foi anteriormente vericada.
A mdia aritmtica de X referida como o valor esperado de uma v.a, ou mdia populacional e
denotada por E(X) ou . O valor esperado representa o valor mdio da v.a, que obtido da seguinte
forma, para v.a. discretas:
X
xi P (X = xi )
= E(X) =
i

Exemplo: Usando os dados do exemplo de hipertenso, tem-se que:


E(X) = 0 (0, 008) + 1 (0, 076) + 2 (0, 265) + 3 (0, 411) + 4 (0, 240) =
= 0 + 0, 076 + 0, 53 + 1, 233 + 0, 96 = 2, 799 3
A varincia, anloga 2 , para uma v.a. denotada por V ar(X) e representa a disperso dos valores
em relao ao valor esperado. A varincia para uma v.a. discreta X obtida da seguinte maneira:
X
(xi )2 P (X = xi )
V ar(X) =
i

Consequentemente, , o desvio padro de X ser: =

rP
p
V ar(X) =
(xi )2 P (X = xi )
i

14

5.3

PRINCIPAIS DISTRIBUIES DE PROBABILIDADE (caso discreto)

Algumas variveis aleatrias merecem ateno especial no nosso estudo devido sua importncia e aplicabilidade. Algumas delas sero vistas agora.
5.3.1

DISTRIBUIO DE BERNOULLI

Na vida real freqente nos depararmos com situaes em que, mesmo que inconscientemente, utilizamos a
Distribuio de Bernoulli. Esta distribuio aplicada a variveis que apresentam apenas duas possibilidades
de resultados, que so chamadas de variveis dicotmicas.
Exemplos:
1. Observar se um domiclio possui ou no televiso
2. Observar se um estabelecimento agrcola possui ou no trator
3. Vericar se um paciente apresenta ou no determinado sintoma.
Seja E um experimento aleatrio. Ao resultado que nos interessa estudar vamos chamar de SUCESSO
e qualquer outro resultado de FRACASSO ou INSUCESSO. Ao sucesso associamos o valor um e ao
fracasso o valor zero. Alm disso, considere que uma v.a. Y seja construda da seguinte forma:
Se o resultado for sucesso ento y = 1.
Se no tivermos suceeso (ou seja, se o resultado for fracasso) ento y = 0.
Assim,
P (ocorrer sucesso) = P (y = 1) = p
P (ocorrer fracasso) = P (y = 0) = 1 p = q

p, se y = 1
. Note que p a probabilidade de ocorrer o sucesso.
P (Y = y) =
1 p, se y = 0
Exemplo:
Seja E o lanamento de um dado. Considere como Sucesso ocorrer a face 5.
Podemos denir a varivel aleatria X da seguinte forma:

1, se sair face 5
X=
0, se sair qualquer das faces 1,2,3,4 ou 6
1
no de eventos favorveis
=
o de eventos possveis
n
6
1
1
61
5
P (X = 0) = o complementar de = 1 =
=
6
6
6
6

Desse modo, P (X = 1) = P (de sair face5) =

Mdia e Varincia da Distribuio de Bernoulli


Se X tem distribuio de Bernoulli, ento sua mdia X ser: E(X) = p
Se X tem distribuio de Bernoulli, ento sua varincia 2 ser: V ar(X) = pq = X =
X
5.3.2

pq

DISTRIBUIO BINOMIAL

denida quando se tem n ensaios independentes e se deseja contar quantos sucessos foram obtidos nas n
tentativas.
O modelo binomial denido por:

n
P (X = x) =
px (1 p)nx , para x = 0, 1, 2, ..., n
x
15

onde n e p so chamados de parmetros da distribuio.


Notao: X B(n, p). L-se: X tem distribuio Binommial com parmetros n e p
Atravs do modelo binomial pretende-se calcular a probabilidade de ocorrncia de x sucessos em n
repeties independentes de um experimento.

n(n 1)...1
n!
n
=
Lembremos que
=
x
x!(n x)!
(n x)(n x 1)...1 x(x 1)...1
Exemplos: Se a probabilidade de um estabelecimento possuir trator 0,4; e se pesquisarmos 5 estabelecimentos, qual a probabilidade de:
1. exatamente dois possurem trator?
Soluo: p = 0, 4 7 probabilidade de ter trator, ou seja, a probabilidade. de sucesso.
(a) Entre os 5 estabelecimentos, ou seja, n = 5, a probabilidade de 2 terem tratores :

5!
5
(0, 4)2 (0, 6)3 =
P (X = 2) =
(0, 4)2 (1 0, 4)52 =
2
(5 2)!2!
5.4.3.2.1
5!
=
= 10
= 10.(0, 4)2 .(0, 6)3 = 10.(0, 16).0, 216 = 0, 3456, pois
(5 2)!2!
3.2.1.2.1
2. no mximo dois possurem trator?
Soluo: Isto representado por:
P (X 2) = P (X = 0) + P (X = 1) + P (X = 2)

5
5
!.1.(0, 6)5 = 0, 0778
P (X = 0) =
p0 q 5 =
0
0!5!

5
P (X = 1) =
p1 q 4 = 5.(0, 4).(0, 6)4 = 0, 2592
1

5
P (X = 2) =
p2 q 3 = 0, 3456
2
P (X 2) = 0, 0778 + 0, 2592 + 0, 3456 = 0, 6826

Outra soluo: P (X 2) = 1 P (X > 2) = 1 [P (X = 3) + P (X = 4) + P (X = 5)] (...)

3. no mnimo trs possurem trator


P (X 3) = P (X = 3) + P (X = 4) + P (X = 5)
ou P (X 3) = 1 P (X < 3) > Muito usado quando queremos achar o mximo
Como P (X < 3) = P (X 2) ento: P (X 3) = 1 [P (X = 0) + P (X = 1) + P (X = 2)] = 1 0, 6826 =
0, 3174
Mdia e Varincia da Distribuio Binomial
Se X tem distribuio binomial de parmetros n e p, ento a mdia ou valor esperado de X : E(X) = np
Se X tem distribuio binomial de parmetros n e p, ento a varncia de X, 2 ser: V ar(X) = npq.
X

Logo o desvio padro ser: X = npq


Exemplo: Com os dados do exemplo anterior, calcule o nmero esperado de estabelecimentos agrcolas
com trator, a varincia e o desvio-padro.
E(X) = np = 5.(0, 4) = 2 estabelecimentos
V (X) = npq = 5.(0, 4).(0, 6) = 1, 2 estabelecimentos

D.P. = = npq = 1, 2 = 1, 0954 estabelecimentos


16

5.3.3

DISTRIBUIO DE POISSON

A distribuio de Poisson largamente empregada quando se deseja contar o nmero de eventos de um certo
tipo, que ocorrem em um intervalo de tempo, ou superfcie ou volume, tais como:
1. nmero de chamadas telefnicas recebidas por um PABX durante um intervalo pequeno de tempo;
2. nmero de falhas de um computador em um dia de operao;
3. nmero de relatrios de acidentes enviados a uma companhia de seguros em uma semana;
4. nmero de pacientes atendidos por planto.
Em muitos casos conhecemos o nmero de sucessos, porm se torna difcil e, s vezes, sem sentido, determinarmos o nmero de fracassos ou o nmero total de provas.
De modo geral, dizemos que uma v.a. X tem uma distribuio de Poisson, com parmetro > 0, se:

P (X = x) =

e x
, x = 0, 1, 2, ...
x!

Notao: X P (). L-se: X tem distribuio de Poisson com parmetro


Embora a distribuio de Poisson tenha outras aplicaes, aqui ela nos proporciona uma boa aproximao
da distribuio binomial para n grande desde que p seja pequeno, caso em que = np.
Mdia e Varincia da Distribuio de Poisson
Se X tem distribuio de Poisson com parmetro , ento a mdia e a varincia de X sero iguais a :
E(X) = V ar(X) =
Exemplo: Uma central PABX recebe em mdia de 5 chamadas por minuto. Supondo que as chamadas
que chegam constituam uma distribuio de Poisson, obtenha a probabilidade de que o PABX no receba
chamadas durante o intervalo de um minuto.
Soluo: = 5 (chamadas por minuto)
e5 50
= e5 = 0, 0067
P (X = 0) =
0!

Varivel Aleatria Contnua

A varivel aleatria X uma varivel aleatria contnua, se o conjunto de valores que X pode assumir um
conjunto um intervalo da reta real, como por exemplo:
X (, +); X [0, +), etc..

6.1

A Distribuio Normal

A distribuio Normal uma das distribuies de probabilidade mais importantes na anlise de fenmenos
reais e de grande utilidade na Inferncia Estatstica e em Amostragem.
Dizemos que uma varivel aleatria X tem distribuio normal com mdia (esperana) e varincia 2
se sua funo de probabilidade dada por:
1
1
f (x) = exp{ 2 (x )2 } ; < x < +.
2
2
com R e 2 > 0.
Notao: X N(, 2 ). L-se: X tem distribuio Normal com mdia e varincia 2
17

6.1.1

Representao Grca da Curva Normal:

f( x)

Note que a curva simtrica em torno da mdia.


x

Para calcularmos uma probabilidade qualquer, a partir da distribuio normal, devemos trabalhar com
intervalos, pois a distribuio contnua.
Se queremos, por exemplo, P (a < X < b) ou P (X a) ou P (X b), devemos procurar pelas seguintes
reas, respectivamente:
P (x)

P (a < X < b)

P(x)
P (X a)

P (X b)

Para calcular tais reas teramos que usar o clculo de Integrais. Como complicado, esse clculo foi
feito para todas as reas possveis e foi tabelado. Mas o clculo s foi feito para a Distribuio Normal com
mdia = 0 e varincia = 1. Essa Normal chamada de Normal Padro, e a varivel aleatria , em geral,
representada pela letra Z.

Pela notao anterior, temos: Z N(0, 1) que lemos: Z tem distribuio Normal Padro.
6.1.2

Como transformar uma Normal qualquer em Normal Padro

Se a v.a. X tal que X N(, 2 ), entao a varivel Z obtida como uma transformao linear da v.a X da
seguinte forma:
Z=

X
,

18

e dizemos que a v.a. Z tem distribuio normal com mdia 0 e varincia 1: Z N(0, 1). A curva normal
padro tambm conhecida como normal reduzida ou normal zero-um.
A vantagem de transformarmos uma curva N(, 2 ) em uma curva N(0, 1) est no fato de encontrarmos,
na forma de tabela, todas as probabilidades referentes curva normal-padro.
Na denio da v.a. Z, quando fazemos (X ) estamos mudando a origem da v.a X para a sua mdia;
e quando dividimos pelo desvio-padro de X, , estamos mudando a escala, ou seja, a diferena entre a v.a.
X e a sua mdia passa a ser medida em unidades do desvio-padro de X.
6.1.3

USO DA TABELA DA DISTRIBUIO NORMAL REDUZIDA

Normalmente as tabelas sobre a curva normal-padro informam apenas a rea sob a funo (ou a probabilidade) denida por um intervalo de zero a um valor zo qualquer positivo. Iremos trabalhar com esse tipo de
tabela no nosso curso (ver tabela em anexo).
H vrios tipos de tabelas que nos fornecem as reas (probabilidades) sob a curva normal. O tipo mais
frequente a tabela da Faixa Central, sendo justamente dela que faremos uso. Os elementos dessa tabela
esto a seguir:
A primeira coluna da tabela refere-se ao valor da abcissa de Z, considerando-se a parte inteira de zo , e
sua primeira casa decimal;
A primeira linha da tabela refere-se segunda casa decimal do valor de zo ;
As probabilidades so encontradas no cruzamento das linhas com as colunas.
Gracamente, a probabilidade fornecida pela tabela a seguinte:
f( x)

A rea sombreada no grco corresponde seguinte probabilidade: P (0 < z < zo ) =


Como a curva normal uma funo simtrica em relao sua mdia: f (zo ) =
entre zo e zero sero iguais s probabilidades entre 0 e zo . Isto :

z
R0

0
f(zo ),

f(zo )dz
as probabilidades

P (zo < Z < 0) = P (0 < Z < zo )


A rea total sob a curva vale um, pois esta rea representa a soma das probabilidades. Como a curva
simtrica, cada metade vale 0, 5, ou seja,

P (zo > 0) = P (zo < 0) = 0, 5.


0

19

6.1.4

Alguns Exemplos:
REAS SIMPLES

P (0 Z 0, 51) = 0, 1950

0 ,5 1

P (2, 35 Z 0) = P (0 Z 2, 35) = 0, 4906

- 2 ,3 5

REAS DUPLAS
P (1 Z 1)

A rea que representa esta probabilidade :

-1

Esta rea pode ser separada em duas sub-reas, que so:

+
-1

P (1 Z 1) = P (1 Z 0) + P (0 Z 1) = 0, 3412 + 0, 3412 = 0, 6824

20

REAS COMPLEMENTARES
P (Z 1, 62)
A rea que representa esta probabilidade :

1 ,6 2

Esta rea pode ser pensada da seguinte forma:

1 ,6 2

P (Z 1, 62) = 0, 5 P (0 Z 1, 62) = 0, 5 0, 4474 = 0, 05226


REAS INTERMEDIRIAS
P (1, 03 Z 2, 01)
A rea que representa esta probabilidade :

0 1, 03

2, 01

Esta rea pode ser pensada da seguinte forma:

2,01

0 1,03

P (1, 03 Z 2, 01) = P (0 Z 2, 01) P (0 Z 1, 03)


21

DETERMINAO DO PONTO
P (0 Z zo ) = 0, 395

Z0

Para encontrar o ponto z0 , que corresponda probabilidade P (0 Z z0 ) = 0, 395, vamos procurar no


meio da tabela da curva normal-padro o valor da rea exata ou o mais prximo possvel da requerida. Neste
caso, o ponto que d origem a esta rea 1, 25. Logo, z0 = 1, 25.
6.1.5

Clculo de probabilidades sob uma curva NORMAL QUALQUER

Considere a seguinte situao: X N(, 2 ), com 6= 0 e 2 6= 1.


Dada uma v.a. X com distribuio N(, 2 ), para calcularmos uma probabilidade referente a esta distribuio, basta procedermos reduo da v.a. X para a v.a. Z. A rea denida sob a curva normal-padro
ser idntica rea denida sob a curva N(, 2 ), isto , as probabilidade sero as mesmas.
Exemplos:
1. Se X N(1; 0, 16)

X
1, 8
1, 8 1
0, 2
0, 2 1

Z
) = P(
) =

0, 4
0, 4
= P (2 Z 2) = 0, 4772 + 0, 4772 = 0, 9544

P (0, 2 X 1, 8) = P (

2. A altura de uma determinada classe uma varivel aleatria normal com mdia 175 cm e varincia
225 cm2 . Qual a probabilidade de encontrarmos alunos com altura entre 165 e 187 cm?
P (165 < X < 187) =?
Para utilizarmos os valores das reas (probabilidades) tabeladas, precisamos ento padronizar a v. a.
X, ou seja, se X N(175, 225), ento:
Z=

X 175

225

Efetuando a trrasformao acima, temos:


X
187 175
165 175
<
<
) = P (0, 67 < Z < 0, 8) =
P (165 < X < 187) = P (
15

15
= 0, 24860 + 0, 2881 = 0, 5367
Dizemos ento que a probabilidade de um aluno desta classe medir entre 167 cm e 185 cm de 53, 67%.

22

EXERCCIOS DE FIXAO
1. Quais as possveis sequncias dos sexos de recm-nascidos em trs nascimentos ocorridos durante uma
hora em certo hospital, denotando-se por M masculino e por F feminino?
2. Sendo = {10, 20, 30, 40, 50, 60, 70, 80, 90, 100}, listar cada um dos subconjuntos de :
(a) A = { a | a exatamente divisvel por 3};

(b) B = { b | b exatamente divisvel por 4};


(c) AUB;

(d) A B;
(e) A B;

(f) B A;

(g) A B.
3. Um homem heterozigtico, do grupo sanguneo A, casa-se com uma mulher homozigtica do grupo
sanguneo B. Descreva o espao amostral F dos fentipos dos descendentes e o espao amostral G dos
gentipos.
4. Um nmero inteiro escolhido aleatoriamente dentre o nmeros 1, 2, ....50. Qual a probabilidade de:
(a) o nmero ser divisvel por 5;
(b) terminar em 3;
(c) ser primo;
(d) ser divisvel por 6 ou por 8.
5. Numa urna so misturadas dez bolas numeradas de 1 a 10. Duas bolas so retiradas (a , b) sem reposio.
Qual a probabilidade de a + b = 10?
6. Levantou-se dados relativos ao sistema sanguneo Rh em uma amostra de 820 indivduos residentes em
So Jos do Rio Preto-SP. Obteve-se 737 indivduos Rh+ e 83 com Rh. Qual a probabilidade de um
indivduo pertencer categoria Rh+? E categoria Rh?
7. Para vericar a regularidade estatstica que encontramos quando repetimos um experimento um grande
nmero de vezes, realize o seguinte experimento: Lance uma moeda k vezes e ao nal do experimento
calcule a probabilidade de se obter o resultado cara. Faa k = 5, 10, 20, 50 e 100.
8. No lanamento de dado, qual a probabilidade de sair uma face menor ou igual a 3, dado que o nmero
mpar?
9. Um grupo de 100 pessoas apresenta, de acordo com o sexo e a liao partidria, a seguinte posio:
SEXO
Homens
Mulheres
T OT AL

PT
39
26
65

P MDB
21
14
35

T OT AL
60
40
100

Calcular:
(a) a probabilidade de ser escolhido um homem;
(b) a probabilidade de ser sorteado um homem liado ao PT;
23

(c) se o sorteado for PT, qual a probabilidade de ser mulher;


(d) se o sorteado for homem, qual a probabilidade de ser do PMDB.
10. Uma urna contm chas numeradas de 1 a 4. Retira-se uma cha da urna ao acaso e anota-se o nmero.
Essa cha ento recolocada na urna e retira-se novamente uma cha, ao acaso, da urna. Qual a
probabilidade de ter sado a cha com nmero 1, na primeira retirada, e de ser 5 a soma dos nmeros
das duas chas retiradas?
11. Considere uma urna contendo 3 bolas pretas e cinco bolas vermelhas. Retire duas bolas da urna, sem
reposio. Calcule as probabilidades de se obter:
(a) bola preta na primeira e segunda extraes;
(b) bola vermelha na primeira e bola preta na segunda extrao;
12. Sendo = {1, 2, 3, 4} um espao-amostral equiprovvel e A = {1, 2}, B = {1, 3} e C = {1, 4}, trs
eventos de . Vericar se os eventos A, B e C so independentes:
13. Queremos obter a probabilidade de uma carta, retirada de um baralho, ser um s ou carta de espadas.
14. Uma caixa contm 10 bolas numeradas de 1 a 10. Tira-se uma bola da caixa, ao acaso. Anotamos o
nmero da bola e a recolocamos na caixa. Fazemos uma nova retirada. Qual a probabilidade que a
primeira ou a segunda bola tenham sido a de nmero 5?
15. Exemplo das urnas. Na gura abaixo, sejam: A = azul e B = branca. Vamos escolher uma bola da
urna I e colocarmos na urna II. A seguir, vamos selecionar uma bola da urna II.
B

A
A

A
URNA I

A
A

URNA II

Queremos saber a probabilidade da segunda bola selecionada ser azul.


16. Um estudante sabe responder 50% das questes de um teste de escolha mltipla. As questes que no
sabe resolver recebem uma resposta sorte dentre as 5 alternativas. Dado que respondeu corretamente
uma questo, qual a probabilidade de ter adivinhado?
17. Suponha que 84% dos hipertensos e 23% dos indivduos normotensos so classicados como apresentando
presso alta por uma mquina automtiva de presso sangunea. Quais os valores preditivos positivo e
negativo desta mquina, assumindo que 20% da populao adulta hipertensa?
18. Em otorrinolaringologia, estudos sobre a ocorrncia de otite em crianas menores de 2 anos apontam
para a seguinte distribuio de probabilidade:
x
P (X = x)

0
0, 129

1
0, 264

2
0, 271

3
0, 185

onde X representa o no de episdios de otite nos dois primeiros anos de vida. Encontre o nmero
esperado de episdios de otite em crianas menores de 2 anos e sua disperso.
19. Sabe-se que 90% das pessoas de uma amostra estudada so alrgicas a um novo medicamento. Escolhe-se
100 pessoas ao acaso entre o grupo estudado, qual a probabilidade de que pelo menos 80 sejam alrgicas?
24

20. Suponha que 300 erros de impresso sejam distribudos aleatoriamente em um livro de 500 pginas.
Encontre a probabilidade de uma determinada pgina conter:
(a) exatamente 2 erros;
(b) 2 ou mais erros.
21. Determine:
(a) P (0 Z 0, 83);

(b) P (2, 01 Z 0);

(c) P (0, 43 Z 1, 24);

(d) P (Z 1, 69);
(e) P (Z > 2, 4);

(f) P (Z > 0, 03);

(g) P (Z < 1, 94);

(h) P (1, 09 Z < 2, 45);

(i) P (2, 37 Z 0, 01);

(j) zo tal que P (0 Z < zo ) = 0, 49010;

(k) zo tal que P (Z < zo) = 0, 2932.

22. Os depsitos efetuados em determinado Banco durante o ms de janeiro ltimo so distribudos normalmente, com mdia de 10.000 u.m. e desvio padro de 1.500 u.m. Um depsito selecionado, ao acaso,
dos depsitos referentes ao ms em questo. Encontrar a probabilidade de que o depsito seja:
(a) 10.000 ou menos;
(b) pelo menos 10.000;
(c) um valor entre 12.000 e 15.000;
23. O tempo gasto na produo de certa pea normalmente distribudo. A Empresa A apresenta um
tempo mdio de produo de 27 dias e desvio padro de 5 dias; na Empresa B a mdia de 30 dias e
desvio padro de 2 dias. Qual a empresa que devo contratar para produzir a pea se a pea deve estar
pronta em 30 dias, no mximo?
24. Com os mesmos dados da questo anterior, pergunta-se: E no prazo mximo de 34 dias?

25

reas sob a curva da distribuio Normal Padro - P(0 < Z < z)

z
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
3.9
4.0
4.1
4.2
4.3
4.4
4.5
4.6
4.7
4.8

0.00
0.000000
0.039828
0.079260
0.117911
0.155422
0.191462
0.225747
0.258036
0.288145
0.315940
0.341345
0.364334
0.384930
0.403199
0.419243
0.433193
0.445201
0.455435
0.464070
0.471284
0.477250
0.482136
0.486097
0.489276
0.491802
0.493790
0.495339
0.496533
0.497445
0.498134
0.498650
0.499032
0.499313
0.499517
0.499663
0.499767
0.499841
0.499892
0.499928
0.499952
0.499968
0.499979
0.499987
0.499991
0.499995
0.499997
0.499998
0.499999
0.499999

0.01
0.003989
0.043795
0.083166
0.121719
0.159097
0.194974
0.229069
0.261148
0.291030
0.318589
0.343752
0.366500
0.386860
0.404902
0.420730
0.434478
0.446301
0.456367
0.464852
0.471933
0.477784
0.482571
0.486447
0.489556
0.492024
0.493963
0.495473
0.496636
0.497523
0.498193
0.498694
0.499064
0.499336
0.499533
0.499675
0.499776
0.499847
0.499896
0.499930
0.499954
0.499970
0.499980
0.499987
0.499992
0.499995
0.499997
0.499998
0.499999
0.499999

0.02
0.007978
0.047758
0.087064
0.125516
0.162757
0.198468
0.232371
0.264238
0.293892
0.321214
0.346136
0.368643
0.388767
0.406582
0.422196
0.435744
0.447384
0.457284
0.465621
0.472571
0.478308
0.482997
0.486791
0.489830
0.492240
0.494132
0.495603
0.496736
0.497599
0.498250
0.498736
0.499096
0.499359
0.499550
0.499687
0.499784
0.499853
0.499900
0.499933
0.499956
0.499971
0.499981
0.499988
0.499992
0.499995
0.499997
0.499998
0.499999
0.499999

0.03
0.011967
0.051717
0.090954
0.129300
0.166402
0.201944
0.235653
0.267305
0.296731
0.323814
0.348495
0.370762
0.390651
0.408241
0.423641
0.436992
0.448449
0.458185
0.466375
0.473197
0.478822
0.483414
0.487126
0.490097
0.492451
0.494297
0.495731
0.496833
0.497673
0.498305
0.498777
0.499126
0.499381
0.499566
0.499698
0.499792
0.499858
0.499904
0.499936
0.499958
0.499972
0.499982
0.499988
0.499993
0.499995
0.499997
0.499998
0.499999
0.499999

0.04
0.015953
0.055670
0.094835
0.133072
0.170031
0.205402
0.238914
0.270350
0.299546
0.326391
0.350830
0.372857
0.392512
0.409877
0.425066
0.438220
0.449497
0.459071
0.467116
0.473810
0.479325
0.483823
0.487455
0.490358
0.492656
0.494457
0.495855
0.496928
0.497744
0.498359
0.498817
0.499155
0.499402
0.499581
0.499709
0.499800
0.499864
0.499908
0.499938
0.499959
0.499973
0.499983
0.499989
0.499993
0.499995
0.499997
0.499998
0.499999
0.499999

26

0.05
0.019939
0.059618
0.098706
0.136831
0.173645
0.208840
0.242154
0.273373
0.302338
0.328944
0.353141
0.374928
0.394350
0.411492
0.426471
0.439429
0.450529
0.459941
0.467843
0.474412
0.479818
0.484222
0.487776
0.490613
0.492857
0.494614
0.495975
0.497020
0.497814
0.498411
0.498856
0.499184
0.499423
0.499596
0.499720
0.499807
0.499869
0.499912
0.499941
0.499961
0.499974
0.499983
0.499989
0.499993
0.499996
0.499997
0.499998
0.499999
0.499999

0.06
0.023922
0.063559
0.102568
0.140576
0.177242
0.212260
0.245373
0.276373
0.305106
0.331472
0.355428
0.376976
0.396165
0.413085
0.427855
0.440620
0.451543
0.460796
0.468557
0.475002
0.480301
0.484614
0.488089
0.490863
0.493053
0.494766
0.496093
0.497110
0.497882
0.498462
0.498893
0.499211
0.499443
0.499610
0.499730
0.499815
0.499874
0.499915
0.499943
0.499963
0.499975
0.499984
0.499990
0.499993
0.499996
0.499997
0.499998
0.499999
0.499999

0.07
0.027903
0.067495
0.106420
0.144309
0.180822
0.215661
0.248571
0.279350
0.307850
0.333977
0.357690
0.378999
0.397958
0.414656
0.429219
0.441792
0.452540
0.461636
0.469258
0.475581
0.480774
0.484997
0.488396
0.491106
0.493244
0.494915
0.496207
0.497197
0.497948
0.498511
0.498930
0.499238
0.499462
0.499624
0.499740
0.499821
0.499879
0.499918
0.499946
0.499964
0.499976
0.499985
0.499990
0.499994
0.499996
0.499998
0.499998
0.499999
0.499999

0.08
0.031881
0.071424
0.110261
0.148027
0.184386
0.219043
0.251748
0.282305
0.310570
0.336457
0.359929
0.381000
0.399727
0.416207
0.430563
0.442947
0.453521
0.462462
0.469946
0.476148
0.481237
0.485371
0.488696
0.491344
0.493431
0.495060
0.496319
0.497282
0.498012
0.498559
0.498965
0.499264
0.499481
0.499638
0.499749
0.499828
0.499883
0.499922
0.499948
0.499966
0.499977
0.499985
0.499991
0.499994
0.499996
0.499998
0.499999
0.499999
0.499999

0.09
0.035856
0.075345
0.114092
0.151732
0.187933
0.222405
0.254903
0.285236
0.313267
0.338913
0.362143
0.382977
0.401475
0.417736
0.431888
0.444083
0.454486
0.463273
0.470621
0.476705
0.481691
0.485738
0.488989
0.491576
0.493613
0.495201
0.496427
0.497365
0.498074
0.498605
0.498999
0.499289
0.499499
0.499650
0.499758
0.499835
0.499888
0.499925
0.499950
0.499967
0.499978
0.499986
0.499991
0.499994
0.499996
0.499998
0.499999
0.499999
0.499999