Escolar Documentos
Profissional Documentos
Cultura Documentos
SUMRIO
1. INTRODUO ...........................................................................................................................................................3
1.1. MODELOS ...............................................................................................................................................................3
1.1.1. Modelo determnistico ....................................................................................................................................3
1.1.2. Modelo no-determinstico ou probabilstico ..................................................................................................3
1.2. EXPERIMENTO ALEATRIO (NO-DETERMINSTICO)..................................................................................................4
1.2.1. Caractersticas dos Experimentos Aleatrios ..................................................................................................4
1.3. O ESPAO AMOSTRAL..............................................................................................................................................4
1.3.1. Classificao de um espao amostra...............................................................................................................5
1.4. EVENTOS ................................................................................................................................................................6
1.5. COMBINAO DE EVENTOS......................................................................................................................................6
1.6. EVENTOS MUTUAMENTE EXCLUDENTES ...................................................................................................................7
1.7. PROPRIEDADE DAS COMBINAES DE EVENTOS................................................................................................7
2. CONCEITOS DE PROBABILIDADE .......................................................................................................................9
2.1. A DEFINIO CLSSICA ..........................................................................................................................................9
2.1.1. Crtica definio clssica.............................................................................................................................9
2.2. A DEFINIO FREQNCIAL ....................................................................................................................................9
2.2.1. Freqncia relativa de um evento ................................................................................................................. 10
2.2.2. Propriedades da freqncia relativa ............................................................................................................. 10
2.2.3. Crtica definio freqencial...................................................................................................................... 11
2.3. DEFINIO AXIOMTICA ....................................................................................................................................... 11
2.3.1. Conseqncias dos axiomas (propriedades) .................................................................................................. 11
2.4. PROBABILIDADE CONDICIONADA E INDEPENDNCIA ............................................................................................... 13
2.4.1. Definio...................................................................................................................................................... 14
2.4.2. Teorema da multiplicao............................................................................................................................. 15
2.4.3. Independncia de dois eventos ...................................................................................................................... 15
2.5. TEOREMAS DA PROBABILIDADE TOTAL E DE BAYES ................................................................................................ 16
2.5.1. Teorema da probabilidade total .................................................................................................................... 17
2.5.2. Teorema de Bayes......................................................................................................................................... 18
3. VARIVEIS ALEATRIAS .................................................................................................................................... 19
3.1. INTRODUO ........................................................................................................................................................ 19
3.2. VARIVEL ALEATRIA DISCRETA .......................................................................................................................... 20
3.2.1. A funo de probabilidade ............................................................................................................................ 20
3.2.2. Representao da funo de probabilidade ................................................................................................... 21
3.2.3. A funo de distribuio acumulada ............................................................................................................. 22
3.3. VARIVEL ALEATRIA DISCRETA (CARACTERIZAO)............................................................................................ 24
Pr of. L or Via li
vi al i@ mat .u fr gs. br
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
3.3.1. Expectncia, esperana, mdia ou valor esperado de X ................................................................................. 24
3.3.2. A varincia de X ........................................................................................................................................... 24
3.3.3. O desvio padro ........................................................................................................................................... 25
3.3.4. A varincia relativa e o coeficiente de variao ............................................................................................ 25
3.4. DISTRIBUIES ESPECIAIS DE PROBABILIDADE DISCRETAS ...................................................................................... 26
3.4.1. A distribuio de Bernoulli ........................................................................................................................... 26
3.4.2. A distribuio Binomial ................................................................................................................................ 28
3.4.3. A distribuio Geomtrica ............................................................................................................................ 31
3.4.4. A distribuio Binomial Negativa.................................................................................................................. 33
3.4.5. A distribuio Hipergeomtrica .................................................................................................................... 36
3.4.6. A distribuio Uniforme Discreta.................................................................................................................. 38
3.4.7. A distribuio de Poisson.............................................................................................................................. 40
3.4.8. Propriedades da distribuio de Poisson ...................................................................................................... 43
3.4.9. Relao entre as distribuies Binomial, Hipergeomtrica e Poisson ............................................................ 44
4. EXERCCIOS ........................................................................................................................................................... 46
5. RESPOSTAS DOS EXERCCIOS............................................................................................................................ 54
6. REFERNCIAS ........................................................................................................................................................ 58
Pr of. L or Via li
vi al i@ mat .u fr gs. br
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
1. INTRODUO
A cincia manteve-se at pouco tempo atrs, firmemente apegada lei da causa e efeito.
Quando o efeito esperado no se concretizava, atribua-se o fato ou a uma falha na experincia ou a
uma falha na identificao da causa. No poderia haver quebra da cadeia lgica. Segundo Laplace
(Pierre Simon) uma vez conhecidas a vizinhana, a velocidade e a direo de cada tomo no universo,
poder-se-ia, a partir da, predizer com certeza, o futuro at a eternidade.
Sabe-se hoje, atravs do princpio da incerteza , que no bem assim. Que no existem meios
que permitam determinar os movimentos dos eltrons individuais se conhecido a sua velocidade, conforme o estabelecido em 1927, pelo fsico alemo W. Heisenberg.
1.1. MODELOS
Conforme J. Neyman, toda a vez que se emprega Matemtica com a finalidade de estudar algum fenmeno deve-se comear por construir um modelo matemtico. Este modelo pode ser: determinstico ou ento probabilstico.
Pr of. L or Via li
vi al i@ mat .u fr gs. br
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
Pr of. L or Via li
vi al i@ mat .u fr gs. br
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
Definio
o conjunto de todos os resultados possveis de um experimento aleatrio. Anota-se por S, E
ou .
Exemplo 1.1
Determinar o espao amostra dos experimentos anteriores. Si refere-se ao experimento Ei.
S1 = { 1, 2, 3, 4, 5, 6 }
S2 = { 0, 1, 2, 3, 4 }
S3 = { cccc, ccck, cckc, ckcc, kccc, cckk, kkcc, ckck, kckc, kcck, ckkc, ckkk, kckk, kkck,
kkkc, kkkk }
S4 = { 3, 4, 5, 6, 7, 8, 9 , 10 }
S5 = { t / t 0 }
S6 = { 1, 2, 3, 4, 5, ... }
S7 = { 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12 }
S8 = { (1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6)
(2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6)
(3, 1), (3, 2), (3, 3), (3, 4), (3, 5), (3, 6)
(4, 1), (4, 2), (4, 3), (4, 4), (4, 5), (4, 6)
(5, 1), (5, 2), (5, 3), (5, 4), (5, 5), (5, 6)
(6, 1), (6, 2), (6, 3), (6, 4), (6, 5), (6, 6) }
Ao descrever um espao amostra de um experimento, deve-se ficar atento para o que se est
observando ou mensurando. Deve-se falar em um espao amostral associado a um experimento e
no de o espao amostral. Deve-se observar ainda que nem sempre os elementos de um espao amostral so nmeros.
vi al i@ mat .u fr gs. br
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
1.4. EVENTOS
O espao amostral desempenha uma funo bsica na teoria da probabilidade. Mas a probabilidade definida para subconjuntos de um espao amostral.
Definio:
Qualquer subconjunto de um espao amostra S denominado um evento (*).
Assim tem-se que:
S o evento certo;
{ a } o evento elementar e
o evento impossvel.
Convm observar que tecnicamente todo subconjunto de um espao amostra um evento apenas quando ele for finito ou, ento, infinito enumervel. Se o espao amostra infinito noenumervel possvel construir subconjuntos que no so eventos. Se S finito, isto , #(S) = n ento
o nmero de eventos possveis #P(A) = 2n.
Sejam A e B dois eventos de um mesmo espao amostra S. Diz-se que ocorre o evento:
1. A unio B ou A soma B, anotado por AB, se e somente se A ocorre ou B ocorre.
AB
Pr of. L or Via li
vi al i@ mat .u fr gs. br
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
AB
vi al i@ mat .u fr gs. br
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
A(BUC) = (AB)U(AC)
AU(BC) = (AUB) (AUC)
Propriedades da identidade:
AU = A
AU = A
As leis de De Morgan1
(AB) = AUB
(AUB) = AB
vi al i@ mat .u fr gs. br
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
2. CONCEITOS DE PROBABILIDADE
Existem pelo menos trs formas de se definir probabilidade. Entre elas a definio clssica, a
freqencial e a axiomtica. A definio subjetiva no ser tratada.
Exemplo 2.1
Calcular a probabilidade de no lanamento de um dado equilibrado obter-se:
(a) Um resultado igual a 4.
(b) Um resultado mpar.
Soluo:
S = { 1, 2, 3, 4, 5, 6 } n = #(S) = 6
(a) A = { 4 } m = #(A) = 1 ento
(b) B = { 1, 3, 5 }
P(A) = m / n = 1 / 6 = 16,67%
m = #(B) = 3 ento
P(B) = m / n = 3 / 6 = 50%
Pr of. L or Via li
vi al i@ mat .u fr gs. br
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
dos a experimentao que objetiva estimar o valor da probabilidade de um evento A com base em valores reais. A probabilidade avaliada atravs deste processo denominada de probabilidade emprica.
Exemplo 2.2
(i) Uma moeda foi lanada 200 vezes e forneceu 102 caras. Ento a freqncia relativa de caras : frA = 102 / 200 = 0,51 = 51%
(ii) Um dado foi lanado 100 vezes e a face 6 apareceu 18 vezes. Ento a freqncia relativa
do evento A = {face 6} : frA = 18 / 100 = 0,18 = 18%
Definio
Seja E um experimento e A um evento de um espao amostra associado S. Suponhamos que E
repetido n vezes e seja frA a freqncia relativa do evento. Ento a probabilidade de A definida
como sendo o limite de frA quando n tende ao infinito. Ou seja:
P(A) = lim fr A
n
Pr of. L or Via li
vi al i@ mat .u fr gs. br
10
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
P ( U Ai ) =
i =1
P ( Ai )
i =1
Obs.: Os trs primeiros axiomas so suficientes para lidar com espaos amostrais finitos. Para manejar
espaos amostrais infinitos o axioma trs deve ser substitudo pelo axioma quatro.
Prova
Seja A S ento tem-se que A = , isto , A e so mutuamente excludentes. Ento:
vi al i@ mat .u fr gs. br
11
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
P(A) = P(A) = P(A) + P(), pelo axioma trs. Cancelando P(A) em ambos os lados da igualdade segue que P() = 0.
(ii) Se A e A so eventos complementares ento: P(A) + P( A ) = 1 ou P( A ) = 1 - P(A)
Prova
Tem-se que A A = e A A = S. Ento:
1 = P(S) = P(A A ) = P(A) + P( A ), pela propriedade 3.
(iii) Se A B ento P(A) P(B)
Prova
Tem-se: B = A(B - A) e A(B - A) =
Assim P(B) = P(A(B - A)) = P(A) + P(B - A) e como P(B - A) 0 segue que:
P(B) P(A)
(iv) Se A e B so dois eventos quaisquer ento:
Prova
A = (A - B)(AB) e (A - B) (AB) =
Logo P(A) = P((A - B)(AB)) = P(A - B) + P(AB). Do que segue:
P(A - B ) = P(A) - P(AB).
(v) Se A e B so dois eventos quaisquer de S, ento:
Prova
AB = (A - B)B e (A - B)B= Tem-se ento:
P(AB) = P((A - B)B) = P(A - B) + P(B) = P(A) + P(B) - P(AB), pela propriedade (iv).
(vi) P(ABC) = P(A) + P(B) + P(C) - P(AB) - P(AC) - P(BC) + P(ABC)
Prova
Faz-se BC = D e aplica-se a propriedade (v) duas vezes.
Pr of. L or Via li
vi al i@ mat .u fr gs. br
12
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
i =1
i =1
P(U Ai ) = P(Ai)
Prova
A prova realizada por induo matemtica. O axioma trs implica que o resultado vale para
n = 2. Agora preciso mostrar que se o resultado verdadeiro para algum n > 2 ento ele vale para
n + 1. Este resultado combinado com o fato de que ele vlido para n = 2, implica que ele vlido para n 2.
Suponhamos que o resultado vale para "n > 2", isto :
n
i =1
i =1
P(U Ai ) = P(Ai) .
n +1
n
P( U Ai) = P U Ai U A n +1
i =1
i =1
i =1
i =1
Ento:
n +1
n +1
i =1
i =1
i =1
i =1
i =1
P(U Ai ) = P(Ai) -
P( Ai A j) +
i< j= 2
k+1
P( Ai A j Ar ) + ... + (-1) P(A1A2...An)
i< j<r = 3
Os axiomas mais as propriedades fornecem um conjunto de resultados para que se possa calcular a probabilidade de qualquer evento A em termos de outros eventos dados. Entretanto ainda necessria a atribuio de probabilidades iniciais para um conjunto bsico de eventos a partir do qual as
probabilidades dos demais podero ser obtidas. Este problema resolvido nas duas sees seguintes.
Pr of. L or Via li
vi al i@ mat .u fr gs. br
13
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
Suponha-se que se quer extrair duas peas ao acaso de um lote que contm 100 peas das
quais 80 peas so boas e 20 defeituosas, de acordo com os critrios (a) com reposio e (b) sem reposio. Define-se os seguintes eventos:
A = { A primeira pea defeituosa } e B = { A segunda pea defeituosa }.
Ento, se a extrao for com reposio P(A) = P(B) = 20 / 100 = 1 / 5 = 20%, porque existem
20 peas defeituosas num total de 100.
Agora se a extrao for sem reposio tem-se ainda que P(A) = 20 / 100 = 20%, mas o mesmo
no verdadeiro para P(B). Neste caso, necessrio conhecer a composio do lote no momento da
extrao da segunda pea, isto , preciso saber se a primeira pea retirada foi ou no defeituosa. Neste caso necessrio saber se A ocorreu ou no. O que mostra a necessidade do conceito de probabilidade condicionada.
2.4.1. Definio
Sejam A e B dois eventos de um espao amostra S, associado a um experimento E, onde
P(A) > 0. A probabilidade de B ocorrer condicionada a A ter ocorrido, ser representada por P(B/A), e
lida como: probabilidade de B dado A ou probabilidade de B condicionada a A, e calculada por:
P(B/A) = P(AB) / P(A)
No exemplo acima, ento P(B/A) = 19 / 99, pois se A ocorreu (isto , se saiu pea defeituosa
na primeira retirada) existiro na urna apenas 99 peas das quais 19 defeituosas.
Sempre que se calcular P(B/A) est se calculando a probabilidade de ocorrncia do evento B
em relao ao espao amostra reduzido A, ao invs de faz-lo em relao ao espao amostral original
S.
Quando se calcula P(B) est se calculando a probabilidade de estar em B, sabendo-se que se
est em S, mas quando se calcula P(B/A) est calculando a probabilidade de B, sabendo-se que se est
em A agora e no mais em S, isto , o espao amostra fica reduzido de S para A.
simples verificar as seguintes propriedades de P(B/A) para A fixado:
(i) 0 P(B|A) 1,
(ii) P(S|A) = 1,
(iii) P(B1B2|A) = P(B1 | A) + P(B2 | A) se B1 B2 =
(iv) P(B1B2 ....|A) = P(B1|A) + P(B2|A) + ... se Bi Bj = para i j.
vi al i@mat .u fr gs. br
14
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
Pode-se tambm comparar P(A|B) e P(A). Para tanto considere-se os quatro casos ilustrados
nos diagramas abaixo:
Tem-se:
(a) P(A|B) = 0, porque A no poder ocorrer se B tiver ocorrido.
(b) P(A|B) = P(AB) / P(B) = [P(A) / P(B)] P(A), j que P(A) P(B), pois A B.
(c) P(A|B) = P(AB) / P(B) = [P(B) / P(B)] = 1 P(A).
(d) Neste caso nada se pode afirmar sobre o relacionamento entre P(A|B) e P(A).
a) AB =
(b) A B
(c) B A
B
A
A
A
Qualquer uma das trs relaes acima pode ser usada como definio de independncia.
Exemplo 2.3
[MEY78] Trs componentes C1, C2, e C3, de um mecanismo so postos em srie (em linha reta). Suponha que esses componentes sejam dispostos em ordem aleatria. Seja R o evento { C2 est
direita de C1 }, e seja S o evento { C3 est direita de C1 }. Os eventos R e S so independentes? Por
qu?
Pr of. L or Via li
vi al i@mat .u fr gs. br
15
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
Soluo:
Para que R e S sejam independentes deve-se ter: P(RS) = P(R).P(S).
O espao amostra para este caso :
S = {C1C2C3, C1C3C2, C2C1C3, C2C3C1, C3C1C2, C3C2C1}
As seqncias em que C2 est direita de C1 so:
R = {C1C2C3, C1C3C2, C3C1C2}. Logo: P(R) = 3/6 = 50%
As seqncias em que C3 est direita de C1 so:
S = {C1C2C3, C1C3C2, C2C1C3}. Logo P(S) = 3/6 = 50%
As seqncias em que C2 est direita de C1 e C3 est tambm direita de C1 so:
RS = {C1C2C3, C1C3C2}. Logo
P(RS ) = 2/6 = 1/3 = 33,33% P(R).P(S) = 0.5.0,5 = 0,25 = 25%
Portanto os eventos R e S no so independentes.
Definio
Diz-se que os conjuntos A1, A2, ..., An eventos de um mesmo espao amostra S, formam uma
partio deste espao se:
A1
A4
An-1
A5
A2
Exemplo 2.4
...................................
A3
An
vi al i@mat .u fr gs. br
16
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
A1
A4
A5
A2
An-1
B
...................................
A3
An
Exemplo 2.5
Uma determinada pea manufaturada por 3 fbricas: A, B e C. Sabe-se que A produz o dobro de peas que B e que B e C produzem o mesmo nmero de peas. Sabe-se ainda que 2% das peas
produzidas por A e por B so defeituosas, enquanto que 4% das produzidas por C so defeituosas. Todas as peas produzidas so misturadas e colocadas em um depsito. Se do depsito for retirada uma
pea ao acaso, qual a probabilidade de que ela seja defeituosa?
Soluo:
Considerem-se os seguintes eventos:
D = { A pea defeituosa }, A = { A pea provm da fbrica A }, B = { A pea provm da
mquina B } e C = { A pea provm da mquina C }.
Tem-se ento que: P(A) = 50%, P(B) = P(C) = 25%, uma vez que s existem as 3 fbricas e
que A produz o dobro de B e esta por sua vez produz a mesma quantidade que C. Sabe-se tambm que
P(D|A) = P(D|B) = 2% e que P(D|C) = 4%.
Pelo teorema da probabilidade total pode-se escrever que:
Pr of. L or Via li
vi al i@mat .u fr gs. br
17
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
A4
Exemplo 2.6
Considerando a pergunta acima vem ento:
P(A | D), isto a probabilidade de ter sido produzida pela mquina A dado que a pea defeituosa :
P(A | D) = P(A). P(D | A) / P(D) = 0,02.0,50 / (0,5.0,02 + 0,25.0,02 + 0,25.0,04) = 0,40 =
40%
Pr of. L or Via li
vi al i@mat .u fr gs. br
18
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
3. VARIVEIS ALEATRIAS
3.1. INTRODUO
Ao se descrever o espao amostra de um experimento nota-se que os elementos no so necessariamente nmeros. Assim, por exemplo, no lanamento de duas moedas pode-se ter o seguinte
espao amostra:
S = { cc, ck, kc, kk }
Contudo, na maior parte das vezes, se est interessado num resultado numrico, isto , desejase associar aos elementos do espao amostra S um nmero real x = X(s).
Seja E um experimento com um espao amostra associado S. Uma funo X que associe a cada elemento de S (s S) um nmero real x = X(s) denominada varivel aleatria.
O conjunto formado por todos os valores x, isto , a imagem da varivel aleatria X, denominado de conjunto de valores de X e anotado por X(S). Desta forma:
X(S) = { x | X(s) = x }
Exemplo 3.1
Seja S o espao amostra formado pelas seqncias obtidas no lanamento de 3 moedas equilibradas. Seja X a varivel aleatria definida como sendo o nmero de caras da seqncia, isto , X(s) =
x = nmeros de caras. O conjunto de valores da varivel X X(S) = { 0, 1, 2, 3 }, pois, neste caso,
tem-se:
X(ccc) = 0
X(ckk) = 1, etc.
Ou ento:
s
kkk
ccc
X(s)
Conforme o conjunto de valores uma varivel aleatria poder ser discreta ou contnua.
Se o conjunto de valores for finito ou ento infinito enumervel a varivel dita discreta.
Se o conjunto de valores for infinito no enumervel ento a varivel dita contnua.
Pr of. L or Via li
vi al i@mat .u fr gs. br
19
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
f(xi) = 1
A funo f assim definida denominada de funo de probabilidade de X
A coleo dos pares (xi, f(xi)) para i = 1, 2, 3, ... denominada de distribuio de probabilidade da VAD X.
Note-se que f(x) = P(X = x) = P({s S | X(s) = x}) Desta forma quando se calcula f(x) est se
calculando, na realidade, a probabilidade do evento {s S | X(s) = x} S.
Exemplo 3.2
Dois dados so lanados e observa-se o par obtido. O espao amostra formado por 36 resultados equiprovveis. Sejam X e Y duas variveis aleatrias definidas da seguinte forma:
X = soma do par obtido
Y = maior valor do par
Tem-se ento:
X(S) = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
Y(S) = {1, 2, 3, 4, 5, 6}
Para X tem-se:
f(2) = P( X = 2) = P({ (1, 1) }) = 1/36
f(3) = P( X = 3) = P({ (2, 1), (1, 2) }) = 2/36
f(4) = P( X = 4) = P({ (1, 3), (2, 2), (3, 1) }) = 3/36
Pr of. L or Via li
vi al i@mat .u fr gs. br
20
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
f(5) = P( X = 5) = P({ (1, 4), (2, 3), (3, 2), (4, 1) }) = 4/36
f(6) = P( X = 6) = P({ (1, 5), (2, 4), (3, 3), (4, 2), (5, 1) }) = 5/36
f(7) = P( X = 7) = P({ (1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1) }) = 6/36
f(8) = P( X = 8) = P({ (2, 6), (3, 5), (4, 4), (5, 3), (6, 2) }) = 5/36
f(9) = P( X = 9) = P({ (3, 6), (4, 5), (5, 4), (6, 3) }) = 4/36
f(10) = P( X = 10) = P({ (4, 6), (5, 5), (6, 4) }) = 3/36
f(11) = P( X = 11) = P({ (5, 6), (6, 5) }) = 2/36
f(12) = P( X = 12) = P({ (6, 6)}) = 1/36
Em resumo:
x
10
11
12
f(x)
1/36
2/36
3/36
4/36
5/36
6/36
5/36
4/36
3/36
2/36
1/36
Para Y tem-se:
f(1) = P( Y = 1) = P({ (1, 1) }) = 1/36
f(2) = P( Y = 2) = P({ (2, 1), (2, 2), (1, 2) }) = 3/36
f(3) = P( Y = 3) = P({ (1, 3), (2, 3), (3, 3), (3,2), (3, 1) }) = 5/36
f(4) = P( Y = 4) = P({ (1, 4), (2, 4), (3, 4), (4, 4), (4, 3), (4, 2), (4, 1) }) = 7/36
f(5) = P( Y = 5) = P({ (1, 5), (2, 5), (3, 5), (4, 5), (5, 5), (5, 4), (5, 3), (5, 2), (5, 1) }) = 9/36
f(6) = P( Y = 6) = P({ (1, 6), (2, 6), (3, 6), (4, 6), (5, 6), (6, 6), (6, 5), (6, 4), (6, 3), (6, 2),
(6, 1)}) = 11/36
Em resumo:
y
f(y)
1/36
3/36
5/36
7/36
9/36
11/36
vi al i@mat .u fr gs. br
21
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
Exemplo 3.3
(i) As duas tabelas acima.
(ii) Considere-se a varivel Y, do exemplo acima, onde Y(S) = {1, 2, 3, 4, 5, 6}. Ento:
f: Y(S)
y
(2y - 1)/36
0,35
0,30
0,25
0,20
0,15
0,10
0,05
0,00
1
F(x) = - f (u )du
Pr of. L or Via li
vi al i@mat .u fr gs. br
22
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
Exemplo 3.4
Seja X uma VAD com a distribuio da tabela abaixo:
x
-2
f(x)
1/4
1/8
1/2
1/8
se
= 1/4
se
-2 x < 1
= 3/8
se
1x<2
= 7/8
se
2x<4
= 1
x < -2
se
x4
vi al i@mat .u fr gs. br
23
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
Exemplo 3.5
Calcular o nmero esperado de faces caras no lanamento de duas moedas equilibradas.
Soluo:
Seja X = Nmero de caras. Ento a distribuio de X dada por:
x
f(x)
1/4
2/4
1/4
Logo a expectncia de X ser: E(X) = 0.(1/4) + 1.(2/4) + 2.(1/4) = 1/2 + 1/2 = 1 cara.
3.3.2. A varincia de X
Seja X uma varivel aleatria discreta com mdia = E(X). Ento a varincia de X, anotada
por 2 ou V(X) definida por:
2 = V(X) = f(x1) (x1 - )2 + f(x2) (x2 - )2 + ... + f(xn) (xn - )2 + ... = f ( xi ) (xi )2
Pode-se demonstrar que a expresso da varincia, acima, pode ser transformada na seguinte
expresso:
Exemplo 3.6
Calcular a varincia da distribuio do exemplo anterior.
Soluo:
Tem-se que:
Pr of. L or Via li
vi al i@mat .u fr gs. br
24
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
E(X) = 1, ento:
Exemplo 3.7
Um vendedor recebe uma comisso de R$ 50,00 por uma venda. Baseado em suas experincias anteriores ele calculou a distribuio de probabilidades das vendas semanais:
x
f(x)
0,10
0,20
0,40
0,20
0,10
Soluo:
(a) E(X) = 0.0,10 + 1.0,20 + 2.0,40 + 3.0,20 + 4.0,10 = 2 vendas por semana. Logo, como ele
Pr of. L or Via li
vi al i@ mat .u fr gs. br
25
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
(c) Deve-se inicialmente avaliar o valor da varincia e para tanto calcula-se antes a mdia dos
1 p = q se x = 0
f ( x ) = P(X = x ) =
se x = 1
p
A representao grfica da distribuio dada por:
0,6
0,4
0,2
0
0
Pr of. L or Via li
vi al i@ mat .u fr gs. br
26
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
F(x) = P(X x) = q
p
se 0 x < 1
se x 1
q
1
Varincia
2 = E(X2) - 2 = 0.q + 1.p p2 =p p2 = p(1- p) = pq, isto , a varincia de uma varivel aleatria com distribuio de Bernoulli igual ao produto pq. Analisando este produto percebe-se que
ele mximo quando o valor do parmetro p = 0,50.
O desvio padro
=
pq
Exemplo 3.8
Suponha que um circuito testado e que ele seja rejeitado com probabilidade 0,10. Seja X =
o nmero de circuitos rejeitados em um teste. Determine a distribuio de X.
Pr of. L or Via li
vi al i@ mat .u fr gs. br
27
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
Soluo:
Como se trata de um nico teste, a varivel X Bernoulli com p = 10%, assim a distribuio
:
x =0
x =1
0,9 se
f ( x ) = P(X = x ) =
0,1 se
Definio:
Seja X uma VAD definida por X = nmero de vezes que A ocorreu nas n repeties de E. A
varivel aleatria X denominada de varivel aleatria Binomial. O conjunto de valores de X, isto ,
X(S) :
X(S) = { 0, 1, 2, 3, ..., n }
15,00
12,00
9,00
6,00
48
45
42
39
36
33
30
27
24
21
18
15
0,00
12
3,00
Pr of. L or Via li
vi al i@ mat .u fr gs. br
28
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
Teorema:
Se X uma varivel aleatria com um comportamento Binomial, ento a probabilidade de X
assumir um dos valores do conjunto X(S) calculada por:
n
Demonstrao:
n
,
k
dentre n possibilidades para o evento A. Como estes resultados so todos mutuamente excludentes,
ento o valor de P(X = k) o da frmula acima.
Representao:
Exemplo 3.9
Considerando X como sendo a VAD igual a nmero de vezes que ocorre face cara em 5 lanamentos de uma moeda equilibrada, determinar a probabilidade de ocorrer:
(a) Duas caras
(b) Quatro caras
(c) No mximo duas caras
Soluo:
Neste caso, tem-se:
n = 5 = nmero de lanamentos.
X = nmero de caras nos 5 lanamentos X(S) = { 0, 1, 2, 3, 4, 5 }
p = P(cara em um lanamento) = 0,50, pois a moeda equilibrada. Logo q = 1 - p = 0,50
Ento:
Pr of. L or Via li
vi al i@ mat .u fr gs. br
29
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
5
(c) P(X 2) = . 0,50 . 0,55 + . 0,51. 0,54 + . 0,52 . 0,53 = 0,55 + 5.0,55 + 10.0,55 = 50%
0
1
2
= E(X) = x.f (x ) = x. . p x . q n x = np, isto , a mdia de uma varivel aleatria com dis x
tribuio binomial igual ao produto dos parmetros n e p.
Varincia
n
com distribuio binomial igual ao produto dos parmetros n e p e multiplicados ainda por q.
O desvio padro
= npq
Exemplo 3.10
A probabilidade de um exemplar defeituoso com que opera certo processo produtivo de
10%. Considerando X a varivel nmero de unidades defeituosas em uma amostra ocasional de 20
unidades, determinar:
(a) O nmero mdio de item defeituosos na amostra.
(b) O desvio padro do nmero de item defeituosos na amostra.
Pr of. L or Via li
vi al i@mat .u fr gs. br
30
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
Soluo:
(a) E(X) = np = 20.0,10 = 2 itens defeituosos
(b) = npq = 20.0,10.0,90 = 1,80 = 1,34 itens defeituosos.
Exemplo 3.11
[NET74] Num determinado processo de fabricao 10% das peas so consideradas defeituosas. As peas so acondicionadas em caixas com 5 unidades cada uma.
(a) Qual a probabilidade de haver exatamente 3 peas defeituosas numa caixa?
(b) Qual a probabilidade de haver duas ou mais peas defeituosas numa caixa?
(c) Se a empresa paga uma multa de R$ 10,00 por caixa em que houver alguma pea defeituo-
Soluo:
5
(b) P(Duas ou mais defeituosas) = P(X = 2) + P(X = 3) + P(X = 4) + P(X = 5). Ao invs de
Pr of. L or Via li
vi al i@mat .u fr gs. br
31
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
Definio:
Seja X = nmero de tentativas realizadas at se conseguir o primeiro sucesso em um experimento de Bernoulli. Ento X uma VAD denominada de Geomtrica.
O conjunto de valores dado por X = {1, 2, 3, ... }
A funo de probabilidade dada por: f(x) = p.qx-1
A representao grfica de uma distribuio com parmetro p = 0,40 dada na Figura 3.6.
0,40
0,20
0,00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
se x < 1
0
F(x ) = P( X x ) =
x
1 - q
se x 1
1,00
0,80
0,60
0,40
0,20
0,00
1
9 10 11 12 13 14 15 16 17 18 19 20
vi al i@mat .u fr gs. br
32
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
x =1
x =1
1
p
Varincia
= E(X ) - = x .f (x ) = x p q
2
x 1
x =1
1
q
= 2
p
p
O desvio padro
=
q /p
Exemplo 3.12
Suponha que um jogador de futebol converta 3 de cada 4 penalidades cobradas. Determine a
probabilidade de ele errar 4 penalidades antes de converter a primeira?
Soluo:
Neste caso, tem-se: p = (3/4) = 75% e q = (1/4) = 25%
X = Nmero de tentativas at o primeiro sucesso, , ento, uma G(0,75)
f(x) = P(X = x) = 0,75.0,25x-1 para x = 1, 2, 3,
Portanto:
f(5) = P(X = 5) = 0,75.0,254 = 0,29%
Pr of. L or Via li
vi al i@mat .u fr gs. br
33
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
Definio:
Seja X = nmero de tentativas realizadas at se conseguir o r-simo sucesso.
Ento X uma VAD denominada de Binomial Negativa ou de Pascal.
O conjunto de valores dado por X = {r, r + 1, r + 2, ... }
A funo de probabilidade dada por:
x 1 r x r
p q
f ( x ) = P(X = x ) =
r
1
A representao grfica de uma distribuio com parmetro p = 0,80 dada na Figura 3.8.
0,60
0,40
0,20
0,00
3
10
11
12
F( x ) = x k - 1 r k r
se x r
k= r r - 1 p q
vi al i@mat .u fr gs. br
34
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
1,00
0,80
0,60
0,40
0,20
0,00
1
10
x 1
r x r
=
= E(X) = x.f (x) = x.
p q
p
x =r
x =r r 1
Varincia
2
x 1 r x r r
rq
p q = 2
= E(X ) - = x .f (x ) = x
x =r r 1
p
p
2
O desvio padro
=
rq / p
Exemplo
Suponha que um jogador de basquete acerte 4 a cada 5 lances livres. Seja X o nmero de erros
at o terceiro acerto. Determine a probabilidade que ele precise fazer 6 lances, isto , P(X = 6).
Soluo:
Neste caso, tem-se:
r = 3, p = (4/5) = 80% e q = (1/5) = 20%
X = Nmero de tentativas at o terceiro acerto , ento, uma BN(3; 0,8)
Pr of. L or Via li
vi al i@mat .u fr gs. br
35
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
x 1 3 x 3
f (x) = P(X = x) =
0,8 0,2
r 1
onde x = 3, 4, 5, 6,
6 1 3 6 3 5 3 3
f (6) = P(X = 6) =
= 0,8 .0,2
0,8 .0,2
3 1
2
= 0,0410 = 4,10%
Observaes:
Existe uma relao entre a Binomial e a Pascal (Binomial Negativa). Na Binomial fixa-se o
tamanho da amostra (nmero de provas de Bernoulli) e observa-se o nmero de sucessos.
Na Binomial Negativa fixa-se o nmero de sucessos e observa-se o tamanho da amostra (nmero de provas de Bernoulli) necessrio para obter o nmero fixado de sucessos.
Um segundo caso especial da distribuio Binomial Negativa surge quando se tem r = 1. Neste caso, tem-se a denominada distribuio Geomtrica, isto o nmero necessrio de provas de Bernoulli at a obteno do primeiro sucesso.
N) e N -r no tenham esta caracterstica. Extra-se n elementos (n N) sem reposio. Seja X a varivel aleatria igual ao nmero de elementos que possuem a caracterstica entre os n retirados. X denominada de varivel aleatria hipergeomtrica.
As probabilidades de uma varivel aleatria hipergeomtrica podem ser avaliadas por:
P(X = x) =
r N r
x n x
N
n
Uma vez que X = x, se e somente se, forem retirados x elementos dentre os r que possuem a
caracterstica e forem retirados n - x dentre os n - r que no possuem a caracterstica.
Propriedades da distribuio Hipergeomtrica
Fazendo p = r/N e q = (N - r) / N, tem-se:
Pr of. L or Via li
vi al i@mat .u fr gs. br
36
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
Varincia
r N r
x
n
x
2
2
2
- (np)2 = npq N n .
= E(X ) - = x2 .
N1
N
n
n
(c) P(X = x) . px . qn x para N grande.
x
Note-se que se as extraes fossem feitas com reposio, ter-se-ia uma distribuio Binomial.
A propriedade (c) afirma que para N suficientemente grande a distribuio hipergeomtrica pode ser
aproximada pela distribuio Binomial. Em geral, esta aproximao ser boa se (n / N) 0,1.
A distribuio hipergeomtrica ser representada por H(r; n; N)
0,25
0,20
0,15
0,10
0,05
0,00
0
10
11
12
13
14
15
Exemplo 3.13
Uma caixa contm 12 lmpadas das quais 5 esto queimadas. So escolhidas 6 lmpadas ao
acaso. Qual a probabilidade de que:
vi al i@mat .u fr gs. br
37
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
Soluo:
Tem-se N = 12, r = 5 e n = 6, ento:
5 7
(a) P(X = 2) = 2 4 = 37,88%
12
6
(b) Se so retiradas 6 lmpadas e somente 5 esto queimadas, ento necessariamente uma ser
boa, portanto:
P(pelo menos uma boa) = 100%.
5 7
0 6
12
6
5 7
1 5
12
6
= 87,88%.
( N 1)
Definio
Uma varivel aleatria X que assume os valores x1, x2, ..., xn dita uniforme discreta se todos
os valores ocorrem com a mesma probabilidade, isto , f(xi) = 1/n.
A Figura 3.11 representa uma distribuio uniforme discreta de uma varivel que assume os
valores de 1 a 10.
Pr of. L or Via li
vi al i@mat .u fr gs. br
38
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
0,10
0,05
0,00
1
10
se x < x1
F( xi ) = P( xi ) = i
n
se x x i
0,80
0,60
0,40
0,20
0,00
1
10
Pr of. L or Via li
vi al i@mat .u fr gs. br
39
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
= E(X) = xif ( xi ) =
i =1
1 n
xi
n i =1
Varincia
2
n 2
x
( x i)
n
n
1 n 2 i =1 i
2
2
2
i =1
21
2
2
= E(X ) - = x i f ( x i) = xi
= xi
n
n i =1
n
i =1
i =1
n2
Exemplo 3.14
Suponha que um dado honesto lanado. Seja X = valor da face voltada para cima. Determinar a distribuio de X.
Soluo:
x
f(x)
1/6
1/6
1/6/
1/6
1/6
1/6
Pr of. L or Via li
vi al i@mat .u fr gs. br
40
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
Se os valores de uma varivel satisfazem as hipteses (i) a (iv) acima se dir que ela segue um processo de Poisson.
Definio:
Seja X uma VAD definida por um processo de Poisson, assumindo os valores: 0, 1, ..., n, ..,
com taxa > 0.
Ento:
f(x) = P(X = x) =
e x
, para x = 0, 1, 2, 3, ... , onde x o nmero de eventos que ocorrem
x!
0,18
0,16
0,14
0,12
0,10
0,08
0,06
0,04
20
18
16
14
12
10
0,00
0,02
e t (t )
, para x = 0, 1, 2, 3, ...
x!
x
f(x) = P(X = x) =
Exemplo 3.15
Em um certo tipo de fabricao de fita magntica, ocorrem defeitos a uma taxa de 1 a cada
2000 metros. Qual a probabilidade de que um rolo com 2000 metros de fita magntica:
Pr of. L or Via li
vi al i@mat .u fr gs. br
41
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
Soluo:
Neste caso, tem-se:
= Taxa de defeitos a cada 2000 metros.
e x
, para x = 0, 1, 2, 3, ...
x!
(a) P(X = 0) =
e110
e x
=
= e-1 = 36,79%
x!
0!
(b) P(X 2) =
1 1
e110
e112 5e1
+ e 1 +
=
= 91,97%
0!
1!
2!
2
1 1
e110
+ e 1 ] = 1 - 2e-1 = 26,42%
0!
1!
Exemplo 3.16
[NET74] Um dado formado por chapas de plstico de 10x10 cm. Em mdia aparecem 50
defeitos por metro quadrado de plstico, segundo uma distribuio de Poisson.
(a) Qual a probabilidade de uma determinada face apresentar exatamente 2 defeitos?
(b) Qual a probabilidade de o dado apresentar no mnimo dois defeitos?
(c) Qual a probabilidade de que pelo menos 5 faces sejam perfeitas?
Soluo:
(a) Em mdia aparecem:
d = 50 defeitos/m2 = 50/10 000 defeitos/cm2
Como cada face tem a = 10cm x 10 cm = 100 cm2, tem-se ento:
= (50/10000) defeitos/cm2 x 100 cm2 = 0,5 defeitos por face.
vi al i@mat .u fr gs. br
42
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
0,5 ( 0,5)2
P(X = 2) = e
= 7,58%
2!
(b) No dado inteiro, a rea total ser a = 6x100 cm2 = 600 cm2 e o nmero mdio de defeitos
ser ento:
= (50/10000) defeitos /cm2 x 600 cm2 = 3 defeitos
0!
1!
0!
Tem-se ento uma binomial Y com n = 6 (nmero de faces do dado) e p = 60,65% = probabilidade de uma face ser perfeita. Ento a probabilidade de pelo menos 5 perfeitas, ser:
6
6
P(Y 5) = P(Y = 5) + P(Y = 6) = . (0,6065)5 . (0,39350)1 + . (0,6065)6 . (0,3935)0 =
5
6
24,36%
e- x
x!
Varincia
x
2 = E(X2) - 2 = x 2 e - 2= 2 + - 2 =
x!
Pr of. L or Via li
vi al i@mat .u fr gs. br
43
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
O desvio padro
=
e Poisson
Seja X uma varivel aleatria discreta com distribuio Hipergeomtrica de parmetros n,
r e N. Ento quando N e r crescem, isto tendem ao infinito, de modo que o quociente p = r/N permanea constante, ento:
r N r
lim
x n x n x n x
N
P(X = x) =
= . p . q
N
x
r
n
Seja X uma varivel aleatria discreta com distribuio Binomial de parmetros n e p. Isto :
n
f(x) = P(X = x) = . px . q n x
x
Os teoremas afirmam que os trs modelos convergem sempre que alguns valores tendem a
crescem de modo que outros permaneam relativamente constantes.
Exemplo 3.17
Uma amostra de 20 peas retirada de um lote de 100 peas de uma mquina que trabalha
com um ndice de defeitos de 4%. Determinar a probabilidade de se encontrar duas peas defeituosas
na amostra.
Soluo:
(a) Pela Binomial, tem-se:
Pr of. L or Via li
vi al i@mat .u fr gs. br
44
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
20
P(X = 2) = . (0,04)2 . (0,96)18 = 14,58%
2
(c) Este exemplo pode ainda ser resolvido atravs da Hipergeomtrica. Se considerarmos que
dois por cento de 50 uma pea.
4 96
2 18
P(X = 2) = = 15,31%
100
20
Pr of. L or Via li
vi al i@mat .u fr gs. br
45
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
4. EXERCCIOS
(12) Quatro moedas so lanadas e observa-se a seqncia de caras e coroas obtida. Qual o espao amostra do experimento.
(13) Uma urna contm duas bolas brancas (B) e trs bolas vermelhas (V). Retira-se uma bola ao acaso
da urna. Se for branca, lana-se uma moeda; se for vermelha, ela devolvida urna e retira-se outra
bola. D uma espao amostra para o experimento.
(14) Trs times A, B e C disputam um torneio de futebol. Inicialmente, A joga com B e o vencedor joga com C, e assim por diante. O torneio termina quando um jogador ganha duas vezes em seguida ou
quando so disputadas, ao todo, quatro partidas. Enumere os resultados do espao amostra: resultados
possveis do torneio.
(15) Uma moeda e um dado so lanados. D o espao amostral correspondente.
(16) Considerando dois eventos A e B de um mesmo espao amostra S, expresse em termos de operaes entre eventos:
(16.1) A ocorre mas B no ocorre;
(16.2) Exatamente um dos eventos ocorre;
(16.3) Nenhum dos eventos ocorre.
(17) Dois dados so lanados. Define-se os eventos: A = soma dos pontos obtidos igual a 9, e B = o
ponto do primeiro dado maior ou igual a 4. Determine os eventos A e B e ainda os eventos: AB,
AB e A
(18) Uma urna contm 12 moedas de igual tamanho, sendo 7 douradas e 5 prateadas. O experimento
consiste em retirar, sem reposio e ao acaso, duas moedas desta urna. Calcular a probabilidade de que
saiam:
(18.1) Uma moeda dourada e uma prateada, nesta ordem.
(18.2) Uma moeda dourada e uma prateada.
(18.3.) Duas moedas douradas.
(18.4) Duas moedas de mesma cor.
(19) Resolva o exerccio um considerando a retirada das moedas com reposio.
(20) sejam P(A) = 0,3, P(B) = 0,8 e P(AB) = 0,15.
(20.1) A e B so mutuamente exclusivos? Justifique.
Pr of. L or Via li
vi al i@mat .u fr gs. br
46
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
(c) P( A B )
(d) P( A B)
(21) Suponha que A e B sejam eventos tais que P(A) = x, P(B) = y e P(AB) = z. Exprima cada uma
das seguintes probabilidades em termos de x, y e z.
(21.1) P(AUB)
(21.2) P( A )
(21.6) P( A UB)
(21.7) P( A B)
(21.3) P(B )
(21.4) P(A/B)
(21.5) P( A UB )
(21.8) P(AB )
(21.9) P( A B )
(21.10) P( A / B )
(22) Uma amostra de 140 investidores de um banco revelou que 80 investem em poupana, 30 investem no fundo e 10 investem na poupana e no fundo. Selecionado um destes investidores ao acaso,
qual a probabilidade de que ele tenha investimentos na poupana ou no fundo?
(23) A probabilidade de um aluno A resolver uma questo de prova 0,80, enquanto que a do aluno B
0,60. Qual a probabilidade de que a questo seja resolvida se os dois alunos tentarem resolv-la independentemente.
(24) Um atirador A tem probabilidade de 1/4 de acertar um alvo. J um atirador B tem probabilidade
de 2/5 de acertar o mesmo alvo. Se ambos atirarem simultaneamente e independentemente, qual a probabilidade de que:
(24.1) Ao menos um deles acerto o alvo e
vi al i@mat .u fr gs. br
47
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
Pr of. L or Via li
vi al i@mat .u fr gs. br
48
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
M: O fregus mulher
Calcular:
(37.1) P(H)
(37.2) P(A/H)
(37.5) P(AH)
(37.6) P(M/A)
(37.3) P(B/M)
(37.4) P(AH)
(38) Uma companhia de seguros analisou a freqncia com que 2000 segurados (1000 homens e 1000
mulheres) usaram o hospital. Os resultados esto apresentados na tabela:
Usaram o hospital
No usaram o hospital
Homens
Mulheres
100
900
150
850
vi al i@mat .u fr gs. br
49
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
(45) Um aparelho escolhido ao acaso dentre 10 aparelhos, sendo que destes 6 funcionam sem falhas
com uma probabilidade de 80% e os outros quatro funcionam sem falhas com uma probabilidade de
95%. Determinar a probabilidade de que o aparelho escolhido funcione sem falhas.
(46) Trs mquinas A, B e C apresentam respectivamente: 10%, 20% e 30% de defeituosos na sua
produo. Se a trs mquinas produzem igual quantidade de peas e retiramos duas peas ao acaso da
produo global qual a probabilidade de que ambas sejam perfeitas?
(47) Dentre 5 mquinas existem 3 de maior preciso que garantem um acerto de 95% e as duas restantes garantem um acerto de 75%. Escolhida uma mquina ao acaso qual a probabilidade de acerto?
(48) Das peas fornecidas por duas mquinas automticas 60% e 84%, respectivamente, so de alta
qualidade. A produtividade da primeira mquina o dobro do que a da segunda mquina. Retirada
uma pea ao acaso de um lote produzido pelas duas mquinas verificou-se que ela era de alta qualidade. Determinar a probabilidade de que tenha sido produzida pela primeira mquina.
(49) Uma caixa contm quatro moedas, uma das quais com duas caras. Uma moeda foi tomada ao acaso e jogada duas vezes, obtendo-se duas caras. Qual a probabilidade de que seja a moeda com duas caras?
(50) Cada objeto manufaturado examinado com probabilidade 0,55 por um fiscal e com probabilidade 0,45 por outro fiscal. A probabilidade de passar no exame de acordo com os fiscais de 0,90 e de
0,98 respectivamente. Achar a probabilidade de que um objeto aceito tenha sido examinado pelo segundo fiscal.
(51) Um carro pode parar por defeito eltrico ou mecnico. Se h defeito eltrico o carro para na proporo de 1 para 5 e, se mecnico, 1 para 20. Em 10% das viagens h defeito eltrico e em 20% mecnico, no ocorrendo mais de um defeito na mesma viagem, igual ou de tipo diferente. Se o carro para,
qual a probabilidade de ser por defeito eltrico?
(52) Considere uma urna contendo 3 bolas vermelhas e 5 pretas. Retira-se 3 bolas, sem reposio, e
definida a varivel aleatria X = nmero de bolas pretas retiradas. Determine a distribuio de X.
(53) Um dado jogado 3 vezes. Seja X o nmero de pontos um que aparece. Estabelea a distribuio de probabilidade de X.
(54) Uma caixa contm 3 bolas brancas e uma preta. Uma pessoa vai retirar as bolas uma a uma, at
conseguir apanhar a bola preta. Seja X o nmero de tentativas que sero necessrias. Determine a distribuio de probabilidade de X e calcule a mdia e a varincia de X.
Pr of. L or Via li
vi al i@mat .u fr gs. br
50
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
(55) Dois tetraedros regulares tm suas faces numeradas de 1 a 4. Jogam-se ambos e somam-se os pontos das faces que ficarem voltadas para cima. Sabendo-se que a soma obtida maior do que 4, determine a distribuio de probabilidade dessa soma.
(56) Uma caixa contm 4 bolas brancas e 3 bolas pretas. Estabelea a distribuio de probabilidade do
nmero de bolas retiradas uma a uma e sem reposio at sair a ltima bola preta. Calcule a mdia,
moda e desvio padro dessa varivel aleatria.
(57) Uma pessoa joga 3 moedas e ganha R$ 6,00 se obtiver s caras ou s coroas. Quanto deve pagar
se perder, para que o jogo seja eqitativo (no perca e nem ganhe)?
(58) Em um certo empreendimento comercial, um empresrio pode ter um lucro de R$ 300 com uma
probabilidade de 0,60 ou ento um prejuzo de R$ 100 com uma probabilidade de 0,40. Determinar o
lucro mdio do empreendimento.
(59) O tempo T, em minutos, para que um operrio processe certa pea uma VAD com distribuio
dada na tabela abaixo.
t
2
3
4
5
f(t)
0,10
0,10
0,30
0,20
(59.1) Calcule o tempo mdio de processamento.
6
0,20
7
0,10
(59.2) Para cada pea processada o operrio ganha um fixo de R$ 2,00, mas se processa a pea em
menos de 6 minutos, ganha R$ 0,50 por cada minuto poupado. Por exemplo, se ele processa a pea em 4 minutos, recebe a quantia de R$ 1,00. Encontre a mdia e a varincia de G = quantia ganha por pea.
(60) No jogo de roleta, a pessoa escolhe um nmero entre 37 (de 0 a 36) e aposta x, sendo que , se ganhar, recebe 35x. Quantas vezes se espera que jogue um jogador inveterado que aposta sempre R$ 2,00
e um s nmero e dispe de R$ 50,00?
(61) O conjunto de resultados igualmente possveis de uma varivel aleatria X X(S) = { 0, 1, 2, 3,
4}. Represente em uma tabela a distribuio de X e calcule a expectncia e a varincia de X.
(62) Seja f(x) = 0,1x a funo de probabilidade da varivel aleatria com conjunto de resultados X(S)
= { 1, 2, 3, 4 }. Represente a funo de probabilidade em uma tabela e determine: E(x) e V(X).
(63) Um agente quer aplicar no mercado financeiro com o objetivo de fazer muitas aplicaes mensais
sucessivas. Ele dispem de duas opes, mas usar a de maior rentabilidade. Ele deve optar entre:
I - CDB com renda de 3% ao ms e sem riscos ou
II - Bolsa de valores com renda de 6% ao ms com probabilidade 0,46, 4% com probabilidade
0,45 ou prejuzo de 15% ao ms com probabilidade de 0,09.
Pr of. L or Via li
vi al i@mat .u fr gs. br
51
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
Pr of. L or Via li
vi al i@mat .u fr gs. br
52
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
(73) Uma loja tem um lote de 10 fechaduras, das quais 5 tm defeitos. Se uma pessoa comprar 3 fechaduras, qual a probabilidade de encontrar no mximo uma defeituosa?
(74) Se X tiver uma distribuio de Poisson com parmetro , e se P(X = 0) = 0,20, calcular P(X > 2).
(75) As chegadas de petroleiros a uma refinaria a cada dia ocorrem segundo uma distribuio de Poisson com parmetro = 2. As atuais instalaes podem atender, no mximo, a 3 petroleiros por dia. Se
mais de 3 aportarem por dia o excesso enviado para outro porto.
(75.1) Qual a probabilidade de se enviar petroleiros para outro porto?
(75.2) De quanto devero ser aumentadas as instalaes para permitir atender a todos os navios
que chegarem pelo menos em 95% dos dias?
(75.3) Qual o nmero mdio e qual o desvio padro do nmero de petroleiros que chegam por dia?
(76) Suponha que um comprador precisa decidir se vai aceitar ou no um lote de itens. Para tal, ele retira uma amostra de tamanho n do lote e conta o nmero x de defeituosos. Se x a, o lote aceito
e se x > a, o lote rejeitado. O nmero a fixado pelo comprador. Suponha que n = 19 e a = 2. Determine a probabilidade de se aceitar o lote para as seguintes propores de defeituosos no lote:
(76.1) p = 0,20
Pr of. L or Via li
(76.2) 0,10
vi al i@mat .u fr gs. br
(76.3) 0,05
53
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
(16.2) (A B )( A B) = AUB - AB
(16.3) A B = A B
(18) (18.1) 35/132 = 26,52% (18.2) 70/132 = 53,03% (18.3) 42/132 = 31,82% (18.4) 62/132 = 46,97%
(19) (19.1) 35/144 = 24,31% (19.2) 70/144 = 48,61% (19.3) 49/144 = 34,03% (19.4) 74/144 = 51,38%
(20) (20.1) No, pois P(AB)
(20.2) 0,20
(b) 0,15
(c) 0,05
(d) 0,65
(21.9) 1 - x - y + z
(21.10) (1 - x - y + z) / (1 - y)
vi al i@mat .u fr gs. br
54
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
Resultados
PP
PV
VP
VV
Total
Probabilidades
9/64
15/64
15/64
25/64
1
(34.2) 2/3
(35.2) p + q - pq
(36) 90%
(37) (37.1) 75%
(37.4) 15%
(37.5) 92,50%
(38.2) H dependncia
(44.2) p = 0,50
(45) 86%
(46) 64%
(47) 87%
(48) 10/17 = 58,82%
(49) 4/7 = 57,14%
(50) 49/104 = 47,12%
(51) 2/3 = 66,67%
(52)
x
f(x)
(53)
x
f(x)
0
1/56
1
15/56
0
125/216
Pr of. L or Via li
1
75/216
-
2
30/56
3
10/56
2
15/216
vi al i@mat .u fr gs. br
3
1/216
-
55
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
x
f(x)
(54)
1
1/4
x
f(x)
(55)
5
0,40
x
f(x)
(56)
3
1/4
6
0,30
3
1/35
x
f(x)
(57)
2
1/4
7
0,20
4
3/35
6
1/4
4
1/4
= 2,50
2 = 1,25
8
0,10
5
6/35
6
10/35
7
15/35
=6
2 = 1,20
mo = 7
= 1,10
= 6/4 + 3y/4 = 0 y = -2
Ele deve pagar R$ 2,00
y
3/4
(58) R$ 140
(59) (59.1) = 4,60
g
f(g)
(59.2)
= 2,75
4,0
0,10
2
= 0,4125
3,5
0,10
3,0
0,30
2,5
0,20
2
0,30
(62)
x
f(x)
0
0,2
1
0,2
2
0,2
3
0,2
x
f(x)
1
0,1
2
0,2
3
0,3
4
0,4
4
0,2
=2
2 = 2
=3
2 = 1
(b) 84,93%
(c) 99,98%
(65.2) 16%
(66) 10,94%
(67) No
(68) 90,42%
(69) (69.1) E(X) =
V(x) = 14,55
(69.2) 1500
(70) 23,41%
(71) p = 1/5 = 0,20
(72) (72.1) 37,20%
(72.2) 47,89%
(73) 50%
Pr of. L or Via li
vi al i@mat .u fr gs. br
56
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
(74) 21,90%
(75) (75.1) 14,29%
(75.2) 2
(75.2) 2
(76.2) 70,54%
(76.3) 93,35%
Pr of. L or Via li
vi al i@mat .u fr gs. br
57
SRIE: Probabilidade
Texto 1: PROBABILIDADE UNIVARIADA I
6. REFERNCIAS
BUSSAB, Wilton O, MORETTIN, Pedro A. Estatstica Bsica. 3a ed. So Paulo: Atual, 1986.
COSTA NETO, Pedro Lus de Oliveira, CYMBALISTA, Melvin. Probabilidades: resumos tericos,
exerccios resolvidos, exerccios propostos. So Paulo: Editora Edgard Blcher , 1977.
FELLER, William. An Introduction to Probability Theory and Its Applications (vol. 1). John New
York: Wiley & Sons, 1968. 509 p.
HAZZAN, Samuel. Matemtica Elementar: Combinatria e Probabilidades. So Paulo: Atual, 1977.
HILLIER, Frederick S., LIEBERMAN, Gerald J. Introduo Pesquisa Operacional. So Paulo:
Campus e Editora da Universidade de So Paulo, 1988.
LIPSCHUTZ, Seymour. Teoria e Problemas de Probabilidade. So Paulo: McGraw-Hill, 1974. 225
p.
MARKLAND, Robert E., SWEIGART, James R. Quantitative Methods: Applications to Managerial
Decision Making. New York: John Wiley & Sons, 1987. 827p.
MASON, Robert D., DOUGLAS, Lind A. Statistical Techniques in Business And Economics. IRWIN,
Boston, 1990.
MEYER, Paul L. Probabilidade: aplicaes Estatstica. Rio de Janeiro: Livros Tcnicos e Cientficos, 1978.
MILLER, Charles D., HEEREN, Vern E., HORNSBY Jr., E. John. Mathematical Ideas. USA: Harper
Collins Publishers, 1990.
The Statistics Problem Solver. Research and Education Association, Piscataway, New Jersey, 1993.
ROTHENBERG, Ronald I. Probability and Statistics. Orlando (FL), Hartcourt Brace Jovanovich Publishers, 1991.
ROSS, Sheldon M. Introduction to Probability Models. Orlando (FL): Academic Press, 1985, 502 p.
TRIVEDI, Kishor Shridharbhai. Probability and Statistics with Reliability, Queuing, and Computer
Science Applications. New York: John Wiley & Sons, 2000. 830 p.
Pr of. L or Via li
vi al i@mat .u fr gs. br
58