Você está na página 1de 39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

NDICE
1. INTRODUO

2. DEFININDO PROBABILIDADE

3. CONCEITOS E DEFINIES
3
3.1. VARIVEL ALEATRIA
3
3.2. VARIVEL ALEATRIA DISCRETA E CONTNUA
3
3.3. EXEMPLO DE VA DISCRETA
3
3.4. FUNO DE PROBABILIDADE OU FUNO DE DENSIDADE DE PROBABILIDADE (FDP)
3.5. FUNO DE REPARTIO OU FUNO DE DISTRIBUIO ACUMULADA (FDA) 4
3.6. VALOR ESPERADO DE UMA VARIVEL ALEATRIA 5
3.7. VARINCIA E DESVIO PADRO DE UMA VARIVEL ALEATRIA
5
4. MODELOS DE DISTRIBUIES DE PROBABILIDADE
4.1. DISTRIBUIO BINOMIAL 6
4.2. DISTRIBUIO DE POISSON
7
4.3. DISTRIBUIO EXPONENCIAL
8
4.4. DISTRIBUIO NORMAL 9
4.5. DISTRIBUIO QUI-QUADRADO
15
4.6. DISTRIBUIO T DE STUDENT
17
4.7. DISTRIBUIO F DE SNEDECOR 19

APNDICE 1 RESUMO TERICO SOBRE PROBABILIDADE


A1. EXPERIMENTO ALEATRIO (E)
26
A2. ESPAO AMOSTRAL (S) 26
A3. EVENTO 26
A4. OPERAES COM EVENTOS
26
4.1. COMPLEMENTO
26
4.2. INTERSEO 26
4.3. UNIO
26
A5. EVENTOS MUTUAMENTE EXCLUSIVOS (OU EXCLUDENTES) 27
A6. EVENTOS INDEPENDENTES
28
A7. PROBABILIDADE 28
A8. PRINCIPAIS TEOREMAS E PROPRIEDADES DA PROBABILIDADE
A9. PROBABILIDADE CONDICIONADA 28
A10. PROBABILIDADE DA INTERSEO (OU TEOREMA DO PRODUTO)
A11. TEOREMA DA PROBABILIDADE TOTAL
30
A12. TEOREMA DE BAYES
32
A13. TCNICAS DE CONTAGEM OU ANLISE COMBINATRIA
32
13.1. PERMUTAES E ARRANJOS 32
13.2. COMBINAES
34
A14. EXERCCIOS PROPOSTOS
35
TABELA DA DISTRIBUIO
TABELA DA DISTRIBUIO
TABELA DA DISTRIBUIO
TABELA DA DISTRIBUIO

26

28
30

NORMAL PADRO.............................................................................................24
T DE STUDENT................................................................................................... 25
QUI-QUADRADO................................................................................................26
F DE SNEDECOR...............................................................................................27

1/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

1. INTRODUO
Os captulos anteriores apresentaram temas como tipos de sries de dados (provenientes de amostras e
populaes), organizao e apresentao tabular e grfica de dados (distribuies de freqncias),
medidas estatsticas de posio (ou tendncia central), de disperso (ou variabilidade) e de forma da
distribuio.
Estes conhecimentos permitiram-nos analisar sries de dados, e obter algumas concluses sobre como tais
dados se distribuem em todo seu intervalo de variao ou ao redor de valores centrais como a sua mdia.
Em sntese, partimos do princpio de que a partir da organizao, apresentao e descrio dos dados
observados, possvel fazer conjecturas sobre o comportamento da varivel em estudo. A este tipo de
raciocnio denominamos de INDUO (a partir de resultados ou dados observados, lanamos hipteses
sobre o comportamento do fenmeno).
A partir de agora, estamos interessados no raciocnio de forma inversa, ou seja, estamos interessados em
compreender como podero ocorrer os resultados de uma varivel, a partir de suposies sobre o
problema em estudo, caracterizando assim o que denominamos de raciocnio DEDUTIVO (a partir de
hipteses e conjecturas sobre o comportamento de um fenmeno, tentamos prever os resultados).
Em resumo, estamos interessados agora em realizar inferncias sobre a populao de onde foi extrada a
amostra. Para tanto, teremos que usar modelos matemtico-probabilsticos, o que nos obriga a conhecer
os aspectos fundamentais do CLCULO DE PROBABILIDADES, sobre o qual se assenta a ESTATSTICA
INFERENCIAL.
2. DEFININDO PROBABILIDADE
Dado um EXPERIMENTO ALEATRIO E (fenmenos aleatrios que, mesmo repetidos vrias vezes sob
condies semelhantes, apresentam resultados que no se pode prever com certeza) e sendo S seu
ESPAO AMOSTRAL (conjunto de todos os possveis resultados do experimento) a probabilidade de um
evento A (denotada por P{A}) uma funo definida em S, que associa a cada evento um nmero real
que satisfaz s seguintes propriedades:
0 P{A} 1
p{ai} = P{S} = 1, onde os ais representam todos os eventos elementares de S.
P{A B} = P{A} + P{B} se A e B forem eventos mutuamente excludentes.
A PROBABILIDADE TERICA de um evento obtida utilizando procedimentos de contagem (ANLISE
COMBINATRIA) dos casos favorveis ocorrncia do evento e de contagem de todos os casos possveis:
P{A}

nmero de casos favorveis ao evento A n(A)

nmero de eventos possveis


n(S)

NOTA 1: A expresso P{A} acima uma conseqncia da suposio de que todos os resultados sejam
igualmente verossmeis (ou equiprovveis), e portanto s deve ser aplicada quando essa suposio for
atendida.
NOTA 2: Observe que a PROBABILIDADE TERICA, luz dos conceitos sobre DISTRIBUIO DE
FREQNCIAS, poderia ser definida como o limite da freqncia simples relativa (fri expressa em frao
decimal e no em %) quando o tamanho da amostra muito grande.
O APNDICE 1 deste captulo apresenta um resumo terico sobre PROBABILIDADES.

2/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

3. CONCEITOS E DEFINIES
3.1. Varivel Aleatria
Os resultados de um experimento ou so naturalmente numricos, ou podem ser codificados
numericamente (por exemplo ruim=0 e bom=1). A essa representao numrica de resultados
denominamos de varivel aleatria. Uma VA ento uma funo que associa elementos do espao
amostral ao conjunto de nmeros reais, conforme abaixo ilustrado.

OBSERVAES:
1. Apesar da tradio desta terminologia, na verdade uma VA uma funo cujo domnio S e contradomnio R.
2. Nas aplicaes de estatstica, muito mais conveniente trabalhar com nmeros e no com eventos.
3. Convenciona-se representar funes, variveis aleatrias, espao amostral e contradomnio por letras MAISCULAS, e os
valores pontuais do espao amostral e contradomnio por letras MINSCULAS.

3.2. Varivel Aleatria Discreta e Contnua

3.3. Exemplo de VA Discreta


Considere o lanamento simultneo de duas moedas.
O espao amostral S = {(Ca,Ca), (Ca,Co), (Co, Ca), (Co,Co)}.
Se X representa o nmero de caras, podemos associar um valor numrico para cada evento do espao
amostral, conforme abaixo:
Ponto
Amostral
(Ca,Ca)
(Ca,Co)
(Co,Ca)
(Co,Co)

X
2
1
1
0

3.4. Funo de Probabilidade ou Funo de Densidade de Probabilidade (fdp)


Cada varivel aleatria X, seja discreta ou contnua, quantificada por uma Funo de Densidade de
Probabilidade (fdp). A fdp a funo que associa a cada ponto do espao amostral de uma VA, a
probabilidade de ocorrncia de tais pontos.
3/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

No caso da VA X acima, a funo de probabilidade de X, denotada por P{X=x} determina a distribuio


de probabilidades da varivel X conforme mostrado abaixo:
Pto Amostral
(Ca,Ca)

X
2

(Ca,Co)

(Co,Ca)

(Co,Co)

P{X}
x =
x =

=
x =

x =

X
0

P{X}

Ao definir a FUNO DE DENSIDADE DE PROBABILIDADE, estabelecemos uma correspondncia unvoca


entre os valores que a Varivel Aleatria X assume (x1, x2, ..., xn) , e os valores da varivel P (p1, p2, ...,
pn). Observe que sempre teremos pi = 1 no caso de VA Discreta.
Assim, a funo p(x) = P{X = xi} determina a distribuio de probabilidade da varivel aleatria X,
sendo no caso do exemplo denominada de funo de probabilidades de X.
Esta denominao adotada para Variveis DISCRETAS, enquanto para Variveis CONTNUAS permanece
a denominao de FUNO DE DENSIDADE DE PROBABILIDADE [f(x)].
Caractersticas da fdp:

VA Discreta

VA Contnua

Faixa de Aplicabilidade

x = a, a+1, ...,b

axb

Condies

p(x) 0, p( x ) 1

f(x)

x a

0,

b
a f ( x )dx 1

3.5. Funo de Repartio ou Funo de Distribuio Acumulada (FDA)


uma outra forma de representar uma distribuio de probabilidades de uma varivel aleatria.
Define-se Funo de Distribuio Acumulada ou Funo de Repartio da varivel aleatria X no
ponto x, como sendo a probabilidade de que X assuma um valor menor ou igual a x, isto :
F(x) = P{X x})
FDA

VA Discreta

F(x)=P{X x}

F(x) = p( x )

VA Contnua

F(x) = a f ( x )dx

x a

No caso do exemplo de lanamento de duas moedas para verificar o n de caras, calculamos a FDA como
sendo:
x
0
1
2

P{x}

x
0
1
2

F(x)

Da definio F(x)=P{X x} decorre imediatamente que, para x1 x2 contidos no espao amostral da VA


X:
4/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

P{x1 < X x2} = F(x2) F(x1)


Para uma VA Discreta valem ainda as seguintes relaes:
P{x1 X x2} = F(x2) F(x1 - 1)
P{x1 X < x2} = F(x2 - 1) F(x1 - 1)
P{x1 < X < x2} = F(x2 - 1) F(x1)
NOTAS SOBRE VA CONTNUA:
a) A probabilidade da VA Contnua X sempre definida em um intervalo de valores de X, por exemplo,
(x1,x2).
b) A probabilidade da VA Contnua medida pela rea sob a curva da funo densidade em um
x

determinado intervalo: P{x 1 X x 2 } x 12 f(x)dx .


c) Observe-se que para a VA Contnua X, a fdp f(x) no mede a probabilidade no ponto x. Mostra-se
facilmente que P{X=x} = P{x X x} = F(x)-F(x) = 0, onde utilizamos o seguinte artifcio para
representamos
(X = x) (x X x). Por considerarmos a probabilidade de um ponto como igual a
zero, decorre imediatamente que para uma VA Contnua P{x1 < X < x2} = P{x1 X < x2} = P{x1 < X x2}
= P{x1 X x2} = F(x2) F(x1)
3.6. Valor Esperado de uma Varivel Aleatria
Define-se VALOR ESPERADO (ou ESPERANA MATEMTICA ou MDIA) de uma varivel aleatria X como
a mdia ponderada de longo prazo de x em relao FUNO DE DENSIDADE DE PROBABILIDADE (fdp).
VALOR ESPERADO

VA Discreta

VA Contnua

x p( x )

E{X} = x

a x f ( x ) dx

x a

No nosso exemplo, E{X} = 0.(1/4) + 1.(1/2) + 2.(1/4) = (1/2) + (1/2) = 1 cara.


3.7. Varincia e Desvio Padro de uma Varivel Aleatria
Define-se VARINCIA para uma VA como a mdia dos desvios quadrticos da varivel em relao sua
prpria mdia. Matematicamente, expressa por:
VARINCIA
V{X} =

VA Discreta

VA Contnua

2
x

( x E{ x }) 2 p( x )

x a

b
2
a ( x E{ x}) f ( x ) dx

O DESVIO PADRO definido como a raiz quadrada positiva da VARINCIA:


DESVIO PADRO
Contnua
DesvPad{X} =

VA

Discreta

VA

NOTA: Alternativamente, a Varincia pode ser calculada por V{X} 2x E{X 2 } 2x


No exemplo dado:
5/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

X
0
1
2

P{X}

A Varincia V{X} = (0-1)2.(1/4) + (1-1)2.(1/2) + (2-1)2.(1/4) = (1/4) + (1/4) = 1/2 , e DesvPad{X} = 0,707
4. MODELOS DE DISTRIBUIES DE PROBABILIDADE
At o momento, construmos como exemplo a distribuio de probabilidade de uma varivel discreta (n
de caras no lanamento de duas moedas), empregando nosso conhecimento para o clculo das
probabilidades envolvidas. Veremos adiante alguns MODELOS PROBABILSTICOS PADRES, que nos
auxiliaro em diversas situaes prticas. Nosso problema passa a ser determinar qual modelo o mais
adequado para a situao em estudo.
4.1. Distribuio Binomial
Trata-se de uma distribuio de probabilidade adequada aos experimentos que apresentam apenas dois
resultados possveis: sucesso ou fracasso. Fornece a base para inferncias sobre propores.
HIPTESES DO MODELO BINOMIAL
1. O experimento repetido n vezes nas mesmas condies.
2. Os resultados das repeties so independentes, ou seja, uma repetio no interfere nas
subseqentes.
3. Cada repetio admite apenas dois resultados: sucesso ou fracasso.
4. As probabilidades de sucesso p e de insucesso q (q=1-p) se mantm constantes durante as
repeties.
Por exemplo:
a) Lanar uma moeda 5 vezes e observar o nmero de caras.
b) Numa linha de produo, observar 10 itens tomados ao acaso e verificar o nmero de defeituosos.
c) Verificar o nmero de bits que no esto afetados por rudo num pacote com n bits.
Define-se a VARIVEL BINOMIAL X como o nmero de sucessos em n repeties do experimento. A
expresso geral da Distribuio Binomial :

n x n x
P{X x} p q
x

NOTAS:
1. O nome BINOMIAL se deve ao fato da expresso acima corresponder ao termo geral do
desenvolvimento do BINMIO DE NEWTON.
2. Para p=0,5 a distribuio simtrica. Para P<0,5, a distribuio tem inclinao para a direita.
3. No caso de n grande (n 30) e p no muito pequena nem muito grande (valores centrais, com
alguns autores recomendando np>5 e nq>5), a DISTRIBUIO BINOMIAL pode ser aproximada pela
DISTRIBUIO NORMAL, que ser vista adiante.
PRINCIPAIS CARACTERSTICAS DA DISTRIBUIO BINOMIAL
Mdia x = E{X} = np e Varincia 2x = V{X} = npq.
No EXCEL
Funo DISTRBINOM(nm_s ; tentativas ; probabilidade_s ; cumulativo), onde
nm_s: nmero de sucessos
6/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

tentativas: nmero de tentativas independentes


probabilidade_s: probabilidade de sucesso em uma tentativa
cumulativo: um valor lgico que define o tipo de distribuio:
VERDADEIRO (1): retorna o valor da funo de probabilidade acumulada P(X
num_s)
FALSO (0): retorna o valor da funo de probabilidade no ponto num_s: P(X =
num_s)
EXEMPLO: Uma moeda no viciada lanada 5 vezes. Encontre a probabilidade de:
a) dar exatamente 3 caras
b) pelo menos uma cara
c) no mximo 2 caras
d) calcular o valor esperado e o desvio padro
SOLUO: Seja X a varivel BINOMIAL com os parmetros: n=5, p=1/2 (e portanto q=1/2).
a) Desejamos P{X = 3} = C(5,3)x(1/2)3x(1/2)2

P { X 3}

5!
1

3! 2! 2

e portanto

P{X = 3} = 10 x (1/2)5 = 10/32 = 31,25%


No EXCEL, a chamada funo DISTRBINOM(3;5;50%;0) fornece o valor 0,3125.
b) Desejamos P{X 1} que o mesmo que 1 P{X < 1}, equivalente a 1 P{X = 0} = 1 0,03125 =
96,88%
No EXCEL, a funo 1-DISTRBINOM(0;5;50%;0) fornece o valor 0,96875.
c) Desejamos P(X 2) que equivale a P{X = 0} + P{X = 1} + P{X = 2} = 50%
No EXCEL, a chamada funo DISTRBINOM(2;5;50%;1) fornece o valor 0,5000.
d) E{X} =np e portanto E{X} = 2,5 caras, e V{X} = npq = 5/4 = 1,25 . Logo DesvPad{X} = 1,12 caras.
4.2. Distribuio de Poisson
Considere as situaes em que se avalia o nmero de ocorrncias de um determinado evento por unidade
de tempo, de comprimento, de rea ou de volume (genericamente denominados de rea de oportunidade).
Em muitos casos, conhece-se o nmero de sucessos, mas s vezes muito difcil ou at mesmo
impossvel determinar o nmero de fracassos. Imagine o nmero de automveis que passam por uma
esquina: pode-se anotar o nmero de veculos que passaram num determinado intervalo de tempo, mas
no se pode determinar quantos deixaram de passar.
A distribuio de Poisson aplicada nos tipos de situaes em que nos interessa o nmero de vezes em
que um evento pode ocorrer durante um intervalo de tempo ou em determinado ambiente fsico (rea de
oportunidade). Tomando como referncia o nmero de ocorrncias em determinado intervalo de tempo,
em um processo de Poisson podem ser observados eventos discretos num intervalo de tempo, de tal forma
que, reduzindo suficientemente este intervalo, tenhamos:
HIPTESES DO MODELO DE POISSON
1. A probabilidade de observar apenas um sucesso no intervalo estvel.
2. A probabilidade de observar mais que um sucesso no intervalo zero.
3. A ocorrncia de um sucesso em qualquer intervalo independente da ocorrncia de sucesso em
qualquer outro intervalo.
7/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

A distribuio de Poisson caracterizada apenas pelo parmetro , que representa o valor esperado ou
mdia, do nmero de sucessos por intervalo t. Em outras palavras, a taxa de ocorrncia dos eventos
no intervalo de tempo.
e x
A funo de probabilidade da distribuio de Poisson :
P{X x}
x!

onde:
e uma constante (base do logartmo neperiano) valendo aproximadamente 2,718...
o nmero esperado de sucessos no intervalo considerado
x o nmero de sucessos (x = 0, 1, 2, ...,.)
PRINCIPAIS CARACTERSTICAS DA DISTRIBUIO DE POISSON
Mdia x = E{X} = e Varincia 2x = V{X} = .
No EXCEL
Funo POISSON(x ; mdia ; cumulativo), onde
x: nmero de sucessos
mdia: valor esperado no intervalo
cumulativo: um valor lgico que define o tipo de distribuio:
VERDADEIRO (1): retorna o valor da funo de probabilidade acumulada P(X
x)
FALSO (0): retorna o valor da funo de probabilidade no ponto x: P(X = x)
EXEMPLO: As consultas a um banco de dados ocorrem de forma independente e aleatria, base de 3
consultas por minuto. Calcule as probabilidades:
a) no prximo minuto ocorrerem exatamente 3 consultas
b) no prximo minuto ocorrerem menos de 3 consultas
c) nos prximos dois minutos, ocorrerem mais do que 5 consultas
SOLUO: Seja X a varivel Poisson com ocorrncia mdia de 3 consultas por minuto (=3)
a) Desejamos P(X = 3) = [e-3. 33 ]/3! = 22,4%
No EXCEL, a chamada funo POISSON(3;3;0) fornece o valor 0,22404.
b) Desejamos P(X < 3) = P(X 2) = P(X=0) + P(X=1) + P(X=2) = 42,32%
No EXCEL, a chamada funo POISSON(2;3;1) fornece o valor 0,42319.
c) Observe que a unidade de tempo alterou de 1 para 2 minutos. Como a taxa mdia de 3 por minuto,
ento em dois minutos teremos =6. Desejamos assim P(X > 5) = 1 P(X 5) = 1 0,44568 = 55,43%
No EXCEL, a chamada funo 1 - POISSON(5;6;1) fornece o valor 0,55432.
NOTA: A DISTRIBUIO DE POISSON aparece com destaque no estudo das filas.
4.3. Distribuio Exponencial
Se o nmero de ocorrncias de um evento por unidade de tempo seguir a Distribuio de Poisson, ento
automaticamente a distribuio do intervalo de tempo entre ocorrncias do evento segue a
DISTRIBUIO EXPONENCIAL. Assim, se a taxa qual ocorrem eventos de Poisson, a distribuio do
tempo entre chegadas sucessivas expressa por:
f(x) e x , x 0

8/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

A distribuio exponencial tambm caracterizada apenas pelo parmetro , que representa a taxa de
ocorrncia dos eventos no intervalo de tempo.
A funo de probabilidade acumulada da distribuio exponencial :
onde:

P{X a}

e x dx 1 e a

e constante de Euler (base do logartmo neperiano) valendo aproximadamente 2,71828...


a taxa de ocorrncia do evento por unidade de tempo
x o tempo entre chegadas sucessivas

PRINCIPAIS CARACTERSTICAS DA DISTRIBUIO EXPONENCIAL


Mdia x = E{X} = 1/ e Varincia 2x = V{X} = 1/.
No EXCEL

Funo DISTEXPON(x ; lambda ; cumulativo), onde


x: intervalo de tempo entre chegadas sucessivas
lambda: inverso da taxa de chegada por unidade de tempo
cumulativo: um valor lgico que define o tipo de distribuio:
VERDADEIRO (1): retorna o valor da funo de probabilidade acumulada P(X
x)
FALSO (0): retorna o valor da funo densidade de probabilidade no ponto x:
P(X = x)
EXEMPLO: Carros chegam a um posto de gasolina aleatoriamente a cada 2 minutos em mdia. Determine
a probabilidade de o tempo entre chegadas no exceder 1 minuto.
SOLUO: Seja X a varivel Exponencial que representa o tempo entre chegadas. Queremos determinar:
1

P{X1) com =1/2, o que implica em calcular 0 (1 / 2)e (1 / 2 ) . Note que primeiramente necessrio
converter a taxa de chegadas por unidade de tempo para a mesma unidade de tempo empregada no valor
da varivel do problema.
No EXCEL, a chamada funo DISTEXPON(1;1/2;1) fornece o valor 0,3935 ou 39,35%.
Note que se x=1/2 (de 2 minutos) e =1 (em 2 minutos), DISTEXPON(1/2;1;1) tambm retorna 39,35%.

4.4. Distribuio Normal


considerada a distribuio de probabilidades mais importante, pois permite modelar uma infinidade de
fenmenos naturais, e alm disso, possibilita realizar aproximaes para calcular probabilidades de
muitas variveis aleatrias que tm outras distribuies, tais como a BINOMIAL (n 30, np>5 e nq>5).
tambm conhecida como distribuio de GAUSS, LAPLACE ou LAPLACE-GAUSS, e muito importante
tambm na inferncia estatstica, como ser observado at o final do curso.
A distribuio Normal caracterizada por uma FUNO DE DENSIDADE DE PROBABILIDADE cujo
grfico descreve uma curva em forma de sino, que evidencia maior probabilidade de a VA assumir
valores prximos aos valores centrais.
2
Funo Densidade de Probabilidade da Distribuio NORMAL

f(x)

1 x

Uma VA ter Distribuio Normal se sua FDP for da forma abaixo,


9/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

onde:
= mdia da distribuio
= desvio padro da distribuio
e e so constantes (3,1416... e 2,718...)

PARMETROS DA DISTRIBUIO NORMAL


Mdia ou Valor Esperado x = E{X} = e Varincia 2x = V{X} = 2
PRINCIPAIS CARACTERSTICAS:
1. Teoricamente, a curva prolonga-se de a +, sendo que lim f(x) =0 para x tendendo a .

2. A rea total sob a curva igual a 1, ou seja: f(x)dx

10/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

3. A curva simtrica em torno de , o que faz com que mdia = mediana = moda. Adicionalmente,
temos tambm que P(X < - a) = P(X > + a).

4. A curva tem dois pontos de inflexo, respectivamente em - e + . Cerca de 68% dos valores
recaem no intervalo de um desvio padro de cada lado da mdia, 95% recaem no intervalo mdia 2
desvios e 99,7% recaem no intervalo mdia 3 desvios.

Considerando a enorme dificuldade de calcularmos probabilidades pela integrao da Funo de


Densidade de Probabilidade (fdp) para as infinitas combinaes de valores de e , utiliza-se a
DISTRIBUIO NORMAL PADRO ou REDUZIDA, definida conforme a seguir.
DISTRIBUIO NORMAL PADRO
Seja Z a varivel com distribuio normal com mdia = 0 e varincia = 1, geralmente denotada por
N(0;1). Neste caso (lembrando que desvio-padro = varincia = 1) a fdp de Z ser
f (z)

1
2

1
z2
2

com a forma:

Observe-se a convenincia de termos a mdia igual a zero e o desvio padro igual a 1, fazendo com que
esta distribuio passe a representar os valores de zi como nmero de desvios em relao mdia
(origem). Assim, esta distribuio nos permite trabalhar com valores relativos de desvios em relao
mdia.
TRANSFORMAO DE UMA DISTRIBUIO NORMAL N(; 2) PARA A NORMAL PADRO (OU
REDUZIDA) N(0;1)
Qualquer distribuio normal com mdia e desvio padro pode ser transformada, para efeito de
clculo de probabilidades, na distribuio normal padro, atravs de uma mudana de varivel conforme
a seguir.
x
z

11/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

TABELAS DA FUNO NORMAL PADRO


H vrios tipos de tabelas que fornecem as reas (probabilidades) sob a curva NORMAL PADRO. O tipo
mais comum a tabela de FAIXA CENTRAL. Este tipo de tabela fornece a rea sob a curva normal padro
entre z=0 e qualquer valor positivo de z. A simetria em torno de z=0 permite-nos obter a rea entre
quaisquer valores de z, sejam positivos ou negativos, no sem razovel esforo na identificao correta de
intervalos.
No Captulo Tabelas Estatsticas, apresentamos uma Tabela da Distribuio Acumulada da Normal
Padro, de uso muito mais fcil que as tabelas de faixa central encontradas na maioria da bibliografia
recomendada. Na nossa tabela, podemos obter diretamente a probabilidade P(Z z).

12/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

EXEMPLOS DE USO DA TABELA


a) Calcule P(z < 0,85)
A rea solicitada exatamente a rea fornecida pela tabela. Basta procurar a linha que contenha o valor
0,8 e sua interseo com a coluna que contenha o valor 0,05. (lembrando que 0,85 = 0,8 + 0,05).
Logo, P(z < 0,85) = 0,8023 ( ou 80,23%).
b) Calcule P(0 < z < 1,25)
O valor procurado corresponde a P(z<1,25) P(z<0). Da tabela, tiramos que P(z<1,25)=0,8944 e
P(z<0)=0,5.
Logo, P(0<z<1,25) = 0,8944 -0,5000 = 0,3944 (ou 39,44%).
c) Calcule P(z>2,39)
Observe que o valor tabelado P(z<2,39). Como a rea total sob a curva vale 1, ento P(z>2,39)=1P(z<2,39).
Logo, P(z>2,39) = 1 0,9916 = 0,0084 ou 0,84%
d) Calcule P(z=1)
Considerando que a probabilidade medida pela rea sob a curva definida por um intervalo, P(z=1) pode
ser escrita como P(1 z 1). Isto reduz o intervalo a um s ponto e portanto a rea zero. Outra forma
de se obter este resultado pela utilizao do conceito da FUNO DE DISTRIBUIO ACUMULADA, pois
P(1 z 1) = F(1) F(1) = 0.
e) Calcule P(-2,55<z<1,2)
P(-2,55<z<1,2) = P(z<1,2) - P(z<-2,55) = 0,8849 - 0,0054 = 0,8795 ou 87,95%
f) A altura dos alunos de uma escola normalmente distribuda com mdia 1,60 m e desvio padro 0,30
m. Calcule a probabilidade de um aluno medir entre 1,50 m e 1,80 m.
Seja X a VA N(1,60; 0,302). Deseja-se a probabilidade P(1,50 < x < 1,80)
Precisamos primeiro transformar os limites do intervalo da VA X para a VA Z (NORMAL REDUZIDA OU
NORMAL PADRO), para que possamos, pela tabela, calcular P(z1 < z < z2). Assim procedendo, teremos:
z1 = (1,50 1,60)/0,30 = -0,10/0,30 = -0,33
z2 = (1,80 1,60)/0,30 = 0,20/0,30 = 0,67
Assim,
P(-0,33 < z < 0,67) = P(z<0,67) - P(z<-0,33) = 0,7486 - 0,3707 = 0,3779 ou 37,79%
Nos exemplos anteriores, foram fornecidos os valores do intervalo para que fossem calculadas as
probabilidades associadas ao intervalo. Existem aplicaes em que devemos determinar os valores de z a
partir do conhecimento das probabilidades associadas a estes valores.
MAIS EXEMPLOS DE USO DA TABELA
g) Sabendo que P(z<a) = 0,3015 determine o valor de a.
Consultando a tabela, procuramos em suas clulas o valor 0,3015 e encontramos para a o valor -0,52.
NOTA
Eventualmente, o valor procurado da probabilidade pode no coincidir exatamente
com os valores da tabela. Neste caso, deve-se proceder interpolao entre os
dois valores mais prximos para se obter um valor mais preciso para z. Sugere-se
que voc refaa o problema acima considerando P(z<a) = 0,30.

13/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

FUNES DO EXCEL PARA A DISTRIBUIO NORMAL


O Excel disponibiliza as seguintes funes para clculos com a Distribuio Normal:
Funo DIST.NORMP( z ), onde
z: valor da VA Normal Padro ou Reduzida.
Esta funo retorna a probabilidade P(- < Z < z) = P(Z < z), para qualquer valor de z,
da mesma forma que a tabela apresentada no final deste captulo.
Para um intervalo genrico P(a<z<b), pode-se aplicar F(b) F(a) diretamente, na forma:
P(a<z<b) = DIST.NORMP(b) DIST.NORMP(a)
Para P(z>a), usa-se 1 P(z<a) e portanto P(z>a) = 1 DIST.NORMP(a).
Aplicvel ao exemplo c acima.
Funo DIST.NORM( x ; mdia ; desv_padro ; cumulativo), onde
x: valor da VA Normal
mdia: mdia da VA X
desv_padro: desvio padro da VA X
cumulativo: um valor lgico que define o tipo de distribuio:
VERDADEIRO (1): retorna o valor da funo de distribuio acumulada (FDA) F(x)
= P(X x)
FALSO (0): retorna o valor da funo densidade de probabilidade (fdp) no ponto x:
f(x)
a funo mais completa para tratamento de distribuio normal. Observe que no caso dos
parmetros mdia=0, desvio=1 e cumulativo=1 ou verdadeiro, esta funo retorna o mesmo
valor da DIST.NORMP.
Funo INV.NORMP( probabilidade )
Retorna o valor z da VA Normal Padro, abaixo do qual se tem a probabilidade informada.
o inverso da funo DIST.NORMP( z)
No caso do exemplo g , a funo inversa registrada como INV.NORMP(0,3015) retorna
exatamente -0,520091. Para o caso da sugesto apresentada, INV.NORMP(0,30)=
-0,524401
Funo INV.NORM( probabilidade ; mdia ; desv_padro)
Como no caso acima, o inverso da funo geral DIST.NORM(), aplicvel a qualquer VA
Normal X, desde que conhecidos sua mdia e desvio padro.
Funo PADRONIZAR( x ; mdia ; desv_padro)
Retorna o desvio padro normalizado z, considerando os argumentos x, mdia e desvio
x
padrao, utilizando a frmula j apresentada:
z

APROXIMAO DA BINOMIAL PELA NORMAL


Se Y admite distribuio binomial de probabilidades, mas o nmero de repeties do experimento
grande (n 30), com a probabilidade p de sucesso no muito distante de 0,5, podemos, com pequena
margem de erro, calcular as probabilidades da distribuio binomial Y atravs das probabilidades obtidas
de uma distribuio normal X com as condies a seguir impostas. Alguns autores indicam uma boa
aproximao se np > 5 e nq > 5.
1. mdia de X = mdia de Y = nxp.
14/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

2. varincia de X = varincia de Y = nxpxq.


3. correo de continuidade: P( Y = y ) da binomial equivale a P( y-0,5 < X < y+0,5 ) da normal,
P( Y < y ) da binomial equivale a P( X < y-0,5 ) da normal
P( Y > y ) da binomial equivale a P( X > y+0,5 ) da normal
EXEMPLO: Um teste tipo mltipla escolha constitudo de 50 questes, cada uma com 4 alternativas, das
quais uma apenas correta. Calcule a probabilidade de que um aluno, respondendo ao acaso s questes,
acerte exatamente 15 questes.
Seja p = sucesso = = 0,25 e portanto q =1-p = 0,75 com n = 50 repeties. Logo, np=12,5 que >5 e
nq=37,5 que tambm >5, propiciando assim uma boa aproximao.
Estamos interessados em P(X = 15). Pela distribuio binomial, temos que calcular

50

15

P( X 15)

(0,25)15 (0,75)35 , o que calculado pelo Excel fornece a probabilidade 8,88%.

Uma distribuio normal com mdia = nxp = 12,5 e varincia = nxpxq = 9,375 pode ser usada como
aproximao para clculo da probabilidade P(14,5 < X < 15,5), o que calculado pelo Excel fornece o
valor 9,32%.
Observe que o erro relativo, calculado sobre o valor obtido pela distribuio binomial, foi de 4,94%.
COMBINAO DE DISTRIBUIES NORMAIS
A combinao linear de variveis com distribuies normais independentes tambm uma VA
Normal.
Seja X uma VA N(mx;vx) e Y uma VA N(my;vy).
Se W = aX + bY + c, ento W ter distribuio normal com parmetros:
MDIA: mw = a. mx + b. my + c
e
VARINCIA: vw = a2.vx + b2.vy
4.5. Distribuio Qui-Quadrado
um modelo de distribuio contnua muito importante para a teoria da inferncia estatstica.
Considere x1, x2, x3 ...xp, n variveis aleatrias independentes, normalmente distribudas com mdia
zero e varincia 1, ou seja, n variveis tipo normal padro.
Define-se a varivel aleatria com distribuio Qui-Quadrado como:2 n 2
n zi
n2 = x12 + x22 + x32 + ... + xn2
ou
i 1

onde n um parmetro da funo densidade de probabilidade denominado grau de liberdade e


geralmente denotado pela letra grega (l-se fi), ou eventualmente por gl.
CARACTERSTICAS DA DISTRIBUIO QUI-QUADRADO
1. n2 0
2. Mdia = n
3. Varincia = 2n
4. A funo densidade de probabilidade est representada graficamente para alguns valores de n:

15/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

Observe que medida que n cresce, a funo de densidade de probabilidade tende forma da FUNO
NORMAL.
TABELA QUI-QUADRADO
A tabela do Qui-Quadrado em funo do grau de liberdade n, apresenta o valor numrico da VA que
deixa sua direita determinada rea , ou seja = P(X x)
Para clculo da probabilidade P(X x), ou seja, rea na cauda esquerda da distribuio, utiliza-se a
propriedade P(X x) = 1 P(X x) = 1 , conforme ilustrado abaixo.
1. O valor direita, chamado qui-quadrado superior,
obtido na tabela com n =12 e =0,025.
Logo, x2 = 23,34
2. O valor da abscissa esquerda, chamado
qui-quadrado inferior, obtido da tabela
com n =12 e =1 - 0,025, portanto =0,975.
Logo, x2 = 4,40

16/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

FUNES DO EXCEL PARA A DISTRIBUIO QUI-QUADRADO


O Excel disponibiliza as seguintes funes para clculos com a Distribuio QuiQuadrado
Funo DIST.QUI( x ; graus_liberdade ), onde
x: valor da VA Qui-Quadrado, e graus_liberdade = n
Retorna a probabilidade P(X > x), ou seja, se n=25, DIST.QUI( 18 ; 25) = P(X>18) =
84,24%.
Funo INV.QUI( probabilidade ; graus_liberdade )
Retorna o inverso da probabilidade uni-caudal da distribuio qui-quadrada.
Se probabilidade = DIST.QUI( x ; n), ento INV.QUI(probabilidade; n) = x.
No caso do exemplo anterior, INV.QUI( 0,8424 ; 25) =18.

4.6. Distribuio t de Student


um modelo de distribuio contnua que se assemelha distribuio normal padro N(0 ; 1).
utilizada para inferncias estatsticas,
quando se tem amostras com tamanhos
z
inferiores a 30 elementos.
t
A distribuio t de Student, com n
graus de liberdade dada por:

n2
n

CARACTERSTICAS DA DISTRIBUIO t DE STUDENT


1. Mdia = 0
2. Varincia =

n
n2

3. A distribuio simtrica em relao mdia.


4. A comparao entre t e z mostrada no grfico
Ao lado.
Para valores de n < 30, a distribuio apresenta maior disperso que z N(0;1). medida que n aumenta,
t se aproxima cada vez mais de z.
A distribuio t tambm est tabelada. No final deste captulo apresentada uma tabela que fornece as
abscissas da distribuio para diversas reas (probabilidades) nas caudas. Trata-se de uma tabela bicaudal,
conforme ilustrado a seguir.

17/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

Exemplo: Seja n = 9 e = 5%. Consultando a tabela com estes valores, encontramos o valor t = 2,2622
Observe que a tabela mostra os valores de x tais que P(-x X x) = 1 .
FUNES DO EXCEL PARA A DISTRIBUIO t DE STUDENT
O Excel disponibiliza as seguintes funes para clculos com esta distribuio.

18/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

Funo DISTT( x ; graus_liberdade ; caudas ), onde


x: valor da abscissa, graus_liberdade = n, e caudas igual a 1 ou 2, conforme se deseje 1
ou 2 caudas.
Retorna a probabilidade P(-x X x) para n graus de liberdade.
No exemplo anterior, n=9 e t=2,2622, a funo DISTT(2,2622 ; 9 ; 2) retorna 0,0499965
ou 5%.
Alterando o nmero de caudas, DISTT(2,2622 ; 9 ; 1) retorna 0,02499825 ou 2,5%.
Funo INVT( probabilidade ; graus_liberdade )
Retorna o inverso da probabilidade bi-caudal da distribuio t de Student.
Se probabilidade = DISTT( x ; n ; 2), ento INVT(probabilidade; n) = x.
No caso do exemplo anterior, INVT( 0,05 ; 9) =2,26216.

4.7. Distribuio F de Snedecor


Considere duas distribuies 2 , a primeira com n graus de liberdade e a segunda com d graus de
liberdade.
A distribuio F de Snedecor, tambm referida como F de Fisher (Snedecor foi o pseudnimo adotado
por Fisher), definida como:
n2
F(n, d) n2
d
d

No caso de n=20 e d=10, a Distribuio F


possui a forma de sua fdp como mostrado ao
lado.

Para fins de utilizao da distribuio, na prtica tabela=se, para cada par (n,d), o valor de F que deixa
determinada rea sua direita.
A tabela da Distribuio F apresentada no final deste captulo, retorna o Valor Crtico para a probabilidade
=5% na cauda superior, (P(F fc)=5%) para vrios valores de graus de liberdade do numerador e
denominador.
Quando necessitarmos de probabilidades na cauda inferior da Distribuio F adota-se o seguinte
procedimento:
Seja Fs o F crtico da cauda superior e Fi o F crtico da cauda inferior, para o nvel de significncia de
5% adotado na tabela. Pode ser provado que:
Fi (gl1; gl2 )

1
Fs (gl2 ; gl1 )

FUNES DO EXCEL PARA A DISTRIBUIO F DE SNEDECOR


O Excel disponibiliza as seguintes funes para clculos com esta distribuio.

19/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

Funo DISTF( x ; gl_numerador ; gl_denominador ), onde


x: valor da abscissa, gl_numerador e gl_denominador so os graus de liberdade.
DISTF calculada como DISTF =P(F>x), onde F uma varivel aleatria que possui uma
distribuio F com gl_numerador e gl_denominador graus de liberdade.
No exemplo gl_n=20, gl_d=10, para x=2,77, DISTF(2,77;20;10)=0,0502 ou 5,02%.
Funo INVF(probabilidade ; gl_numerador ; gl_denominador)
Retorna o Valor Crtico da distribuio F para uma dada probabilidade na cauda
superior, considerando os graus de liberdade do numerador e denominador.
Se probabilidade = DISTF( x ; gl_n ; gl_d), ento INVF(probabilidade; gl_n ; gl_d) = x.
No exemplo gl_n=20, gl_d=10, para probabilidade=5%, INVF(5%;20;10) retorna o valor
crtico 2,77.

20/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

EXERCCIOS DISTRIBUIO BINOMIAL


Para cada um dos problemas a seguir, construa uma tabela onde conste n, p, os valores possveis de x,
com as funes de distribuio de probabilidade no ponto x [P(X = x)] e a acumulada at x [P(X x)], os
valores da mdia e da varincia, e construa um grfico com os dois tipos de probabilidade.
1. Voc possui uma carteira com 15 aes. No ltimo prego, 75% das aes na Bolsa sofreram queda de
preos. Suponha que as aes que perderam valor tm distribuio binomial.
2. Dados histricos revelam que no ms de janeiro, 70% das pessoas que acessam a pgina principal do
UNIPAM na internet, tambm acessam a pgina do vestibular. Supondo independncia entre os acessos,
monte a tabela e o grfico solicitado para os prximos 10 visitantes tambm acessarem a pgina do
vestibular.
3. O fornecedor Alfa entrega costumeiramente 5% dos itens fornecidos com defeito. Monte a tabela e o
grfico solicitado para um lote de 20 itens.
Dica: Utilizando o Excel, monte a tabela com o seguinte design:
n
p
Mdia
Varincia
x
0
1
...
...
n

Grfico

P(X = x)
%
%
%

P(X x)
%
%
%

AVANADO
4. A probabilidade de um motor de avio falhar p. Sabendo que um avio pode permanecer voando se
tiver pelo menos metade de seus motores funcionando, para que valores de p um avio bimotor pode ser
prefervel a um quadrimotor?
EXERCCIOS DISTRIBUIO NORMAL
1. X uma varivel aleatria contnua, tal que X = N (12;25). Qual a probabilidade de uma observao ao
acaso:
a) ser menor do que -3
b) cair entre -1 e 15
2. Uma fbrica de pneumticos fez um teste para medir o desgaste de seus pneus e verificou que ele
obedecia a uma distribuio normal, de mdia 48.000 km e desvio padro 2.000 km. Calcular a
probabilidade de que um pneu escolhido ao acaso:
a) dure mais que 46.000 km
b) dure entre 45.000 e 50.000 km

21/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

3. O padro de qualidade recomenda que os pontos impressos por uma impressora estejam entre 3,7 e 4,3
mm. Uma impressora imprime pontos, cujo dimetro mdio igual a 4 mm e o desvio padro 0,19 mm.
Suponha que o dimetro dos pontos tenha distribuio normal.
a) Qual a probabilidade do dimetro de um ponto dessa impressora estar dentro do padro?
b) Qual deveria ser o desvio padro para que a probabilidade do item (a) atingisse 95%?
4. Suponha que o dimetro mdio dos parafusos produzidos por uma fbrica de 0,25 polegadas, e o
desvio padro 0,02 polegadas. Um parafuso considerado defeituoso se seu dimetro maior que 0,28
polegadas ou menor que 0,20 polegadas.
a) Encontre a porcentagem de parafusos defeituosos
b) Qual deve ser a medida mnima para que tenhamos no mximo 12% de parafusos defeituosos?

22/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

5. Os salrios semanais dos operrios industriais so distribudos normalmente em torno de uma mdia de
$360,00 com desvio padro de $ 50,00. Pede-se:
a) encontre a probabilidade de um operrio ter salrio semanal situado entre $ 300,00 e $ 400,00
b) dentro de que desvios de ambos os lados da mdia, cairo 96% dos salrios?
6. A durao de certo componente eletrnico tem mdia de 850 dias e desvio padro 45 dias. Calcular a
probabilidade de esse componente durar:
a) entre 700 e 1.000 dias
b) mais que 800 dias
c) menos que 750 dias
d) exatamente 1.000 dias
e) qual deve ser o nmero de dias necessrios para que tenhamos de repor no mximo 5% dos
componentes?
7. Os pesos de 600 estudantes so normalmente distribudos com mdia de 65,3 kg e desvio padro 5,5
kg. Encontre o nmero de alunos que pesam:
a) entre 60 e 70 kg
b) mais que 63,2 kg
8. Suponha que as notas de uma prova sejam normalmente distribudas com mdia 73 e desvio padro 15.
15% dos alunos mais adiantados recebem a nota A e 12% dos mais atrasados recebem nota F. Encontre o
mnimo para receber A e o mnimo para passar, no receber F.
9. Seja Y uma funo tal que Y = X1 + X2 + X3 e as variveis Xi so independentes com as seguintes
distribuies: X1 = N(10;9), X2 = N(-2;4) e X3 = N (5;25). Qual a distribuio de Y?
10. Certo produto tem peso mdio de 10 g e desvio padro 0,5 g. embalado em caixas de 120 unidades
que pesam em mdia 150 g e desvio padro 8 g. Qual a probabilidade de que uma caixa cheia pese mais
de
1.370 g?
11. Determinada mquina enche latas baseada no peso bruto com mdia 1 kg e desvio padro 25 g. As
latas tm peso de 90 g com desvio padro 8 g. Pede-se:
a) a probabilidade de uma lata conter menos de 870 g de peso lquido
b) a probabilidade de uma lata conter mais de 900 g de peso lquido
12. Um avio de turismo de 4 lugares pode levar uma carga til de 350 kg. Supondo que os passageiros
tm peso de 70 kg com distribuio normal de peso e desvio padro 20 kg, e que a bagagem de cada
passageiro pese em mdia 12 kg, com desvio padro 5 kg e distribuio normal do peso, calcular a
probabilidade de:
a) haver sobrecarga se o piloto no pesar os 4 passageiros e respectiva bagagem
b) que o piloto tenha de tirar pelo menos 50 kg de gasolina para evitar sobrecarga
13. Em uma distribuio normal, 28% dos elementos so superiores a 34 e 12% inferiores a 19. Encontrar
a mdia e a varincia da distribuio.
14. Suponha que a durao de vida de dois equipamentos E1 e E2 tenham respectivamente distribuies
N(45;9) e N(40;36). Se o equipamento tiver que ser usado por um perodo de 45 horas, qual deles deve
ser preferido?

23/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

15. Certa mquina de empacotar determinado produto oferece variaes de peso com desvio padro de 20
g. Em quanto deve ser regulado o peso mdio do pacote para que apenas 10% tenham menos que 400 g?
Calcule a probabilidade de um pacote sair com mais de 450 g.
16. Sendo X N ( ; 2), determine:
a) P ( - X + )
b) P ( - 2 X + 2)
c) P ( - 3 X + 3)
d) P ( - 1,5 X + 1,5)
e) P ( - 3,5 X + 3,5)

24/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

17. Com base nas respostas obtidas no exerccio anterior, pode-se concluir que para qualquer distribuio
Normal:
a) o intervalo compreendido entre o valor da mdia menos "um" desvio padro e o valor da mdia mais
"um" desvio padro contm aproximadamente 68% das observaes.
Elabore concluses semelhantes, considerando os resultados obtidos nos outros itens do exerccio
anterior.
18. Num laticnio, a temperatura do pasteurizador deve ser de 75C. Se a temperatura ficar inferior a
70C, o leite poder ficar com bactrias malficas ao organismo humano. Observaes do processo
mostram que valores da temperatura seguem uma distribuio normal com mdia 75,4C e desvio padro
2,2C.
a) Qual a probabilidade da temperatura ficar inferior a 70C?
b) Qual a probabilidade de que em 500 utilizaes do pasteurizador, em mais do que cinco vezes a
temperatura no atinja 70C?
19. O tempo para que um sistema computacional execute determinada tarefa uma varivel aleatria com
distribuio normal, com mdia 320 segundos e desvio padro de 7 segundos.
a) Qual a probabilidade de a tarefa ser executada entre 310 e 330 segundos?
b) Se a tarefa colocada para execuo 200 vezes, qual a probabilidade de ela demorar mais do que 325
segundos em pelo menos 50 vezes?
20) Um exame de mltipla escolha consiste em 10 questes, cada uma com quatro possibilidades de
escolha. A aprovao exige, no mnimo, 50% de acertos.
a) Qual a probabilidade de aprovao se o candidato comparece ao exame sem saber absolutamente
nada, apelando apenas para o "palpite"?
b) E se o exame tivesse 100 questes?
21. No horrio de maior movimento, um sistema de banco de dados recebe, em mdia, 100 requisies
por minuto, segundo uma distribuio de Poisson. Qual a probabilidade de que no prximo minuto
ocorram mais de 120 requisies? Use a aproximao normal com correo de continuidade.
22. Os dados histricos de uma rede de computadores sugerem que as conexes com essa rede, em
horrio normal, seguem uma distribuio de Poisson com mdia de 5 conexes por minuto. Calcule t 0, tal
que se tenha probabilidade igual a 0,90 de que ocorra pelo menos uma conexo antes do tempo t0.
23. Uma empresa fabrica dois tipos de monitores de vdeo. suposto que as durabilidades deles seguem
distribuies normais, sendo o monitor M1 com mdia de 6 anos e desvio padro 2,3 anos; e o monitor
M2 com mdia de 8 anos e desvio padro 2,8 anos. M1 tem 2 anos de garantia e M2 tem 3 anos. A
empresa lucra R$ 100,00 a cada M1 vendido e R$ 200,00 a cada M2 vendido, mas se deixarem de
funcionar no perodo de garantia, a empresa perde R$ 300,00 (no caso de M1) e R$ 800,00 (no caso de
M2). Em mdia, qual o tipo de monitor que gera mais lucro?
AVANADO
24. Uma fbrica de calados masculinos deseja exportar um lote experimental de 500 pares de um
determinado modelo. Sabendo que no pas de destino, o tamanho dos ps tem distribuio normal com
mdia 40 cm e desvio padro de 1,67 cm, e no desejando ter seu produto encalhado nas prateleiras de
destino, qual deve ser a composio do lote em termos da numerao dos pares de 35 a 45?

25/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

APNDICE 1 RESUMO TERICO SOBRE PROBABILIDADE


A1. Experimento Aleatrio (E)
Todo processo desenvolvido para realizar observaes e obter dados com um determinado objetivo,
denominado experimento. Experimentos ou fenmenos aleatrios so aqueles que, mesmo repetidos
vrias vezes sob condies semelhantes, apresentam resultados que no se pode prever com certeza.
Exemplos:
E1: Retirar uma carta de um baralho de 52 cartas e observar se o naipe ouros.
E2: Lanar uma moeda e observar se a figura na face voltada para cima cara.
E3: Jogar um dado e observar se o nmero da face voltada para cima 5.
A anlise destes experimentos revela que:
Cada experimento pode ser repetido indefinidamente sob as mesmas condies.
No se conhece um particular resultado do experimento a priori, mas possvel descrever todos os
possveis resultados.
Quando o experimento repetido um grande nmero de vezes, surgir uma regularidade, ou seja, uma
estabilidade da frao f = r / n (freqncia relativa), onde n o nmero total de repeties e r o
nmero de sucessos de um particular resultado estabelecido antes da realizao. Esta caracterstica de
importncia fundamental para a avaliao da probabilidade do evento desejado.
A2. Espao Amostral (S)
Para cada experimento aleatrio E, define-se o espao amostral S como o conjunto de todos os possveis
resultados desse experimento (CONJUNTO UNIVERSO).
Exemplos:
Para E1, S1 = {espada, paus, copas, ouros}
Para E2, S2 = {cara, coroa}
Para E3, S3 = {1, 2, 3, 4, 5, 6}
A3. Evento
um subconjunto formado por um ou mais resultados do espao amostral.
Evento Elementar um resultado nico do espao amostral.
Evento Certo quando o evento corresponde ocorrncia do prprio espao amostral S.
Evento Impossvel quando o evento corresponde a um conjunto vazio .
Exemplos para E3:
A = {2, 4, 6} contido em S3: A um evento de S3. (obter um nmero par)
B = {4} contido em S3: B um evento elementar. (obter o nmero 4)
C = {1, 2, 3, 4, 5, 6} contido em S3: C um evento certo. (obter o nmero 1 ou 2 ou 3 ou 4 ou 5 ou 6)
D = {8} no subconjunto de S3. Logo D= ,D um evento impossvel. (obter um nmero maior que 6)
A4. Operaes com Eventos
4.1. COMPLEMENTO
O complemento de um evento A o evento A (ou A ), formado por todos
os elementos do espao amostral que no estejam includos em A. o evento
que ocorre quando A no ocorre. Exemplo: Para o evento A acima, A = {1,
3, 5}.
4.2. INTERSEO
A interseo dos eventos A e B gera um novo evento formado pelos elementos
comuns aos dois conjuntos, conforme ilustra o Diagrama de Venn ao lado.
Ocorre somente se A ocorre e B ocorre.
4.3. UNIO
26/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

A interseo dos eventos A e B gera um novo evento formado pelos elementos


comuns e no comuns dos dois conjuntos. Ocorre se A ocorre, B ocorre ou
ambos.
A5. Eventos Mutuamente Exclusivos (ou Excludentes)
Dois eventos A e B so denominados mutuamente exclusivos, se eles no puderem ocorrer
simultaneamente, ou seja, a interseo entre elas vazia: A B =
Exemplo: no lanamento de um dado, se A={1,3,5} e B={2,4,6}, ento A B =

27/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

A6. Eventos Independentes


Dois eventos A e B so denominados independentes, se a ocorrncia (ou no ocorrncia) de A, no afeta a
possibilidade de ocorrncia de B e vice-versa.
A7. Probabilidade
Dado um experimento aleatrio E, e sendo S seu espao amostral, a probabilidade de um evento A
(denotada por P{A}) uma funo definida em S, que associa a cada evento um nmero real que satisfaz
as seguintes propriedades:
0 P{A} 1
p{ai} = P{S} = 1, onde os ais representam todos os eventos elementares de S.
P{A U B} = P{A} + P{B} se A e B forem eventos mutuamente excludentes, ou
= P{A} + P{B} P{A B} caso contrrio.
A probabilidade terica de um evento obtida utilizando procedimentos de contagem (ANLISE
COMBINATRIA) dos casos favorveis ocorrncia do evento e de contagem de todos os casos possveis:
P{ A }

nmero de casos favorveis ao evento A n( A )

nmero de eventos possveis


n(S)

Nota: A expresso P{A}) acima uma conseqncia da suposio de que todos os resultados sejam
igualmente verossmeis (ou equiprovveis), e portanto s deve ser aplicada quando essa suposio for
atendida.
A8. Principais Teoremas e Propriedades da Probabilidade
8.1. PROBABILIDADE DO CONJUNTO VAZIO
P{} = 0 (evento impossvel)
8.2. PROBABILIDADE DO EVENTO CERTO
P{S} = 1 (evento certo)
8.3. PROBABILIDADE DO COMPLEMENTO
Se A o complemento do evento A, ento P{ A } = 1 P{A}
8.4. PROBABILIDADE DA UNIO DE EVENTOS (OU TEOREMA DA SOMA)
Se A e B so dois eventos quaisquer, ento P{A U B} = P{A} + P{B} P{A B}
A9. Probabilidade Condicionada
Dados dois eventos A e B, denota-se P{A/B} probabilidade condicionada do evento A, quando B tiver
ocorrido. Pode ser obtida pela diviso da probabilidade conjunta P{A e B} pela probabilidade do evento
P A B
P A B
B.
P A / B
e tambm,
P B / A
P B

P A

De outra forma, P{A/B} a razo entre o n de vezes que A e B podem ocorrer e o n de vezes que B
pode ocorrer.
Se os eventos A e B forem independentes, ento P{A/B} = P{A} e P{B/A} = P{B}.

28/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

EXEMPLO: Um lote possui 20 peas defeituosas e 80 peas perfeitas. Seleciona-se 2 peas deste lote
sem reposio. Sejam os eventos:
A = {a primeira pea defeituosa} e

B = {a segunda pea defeituosa}

Na retirada da primeira pea, temos P{A} = 20/100 = 1/5. Para calcularmos P{B}, preciso conhecer a
nova composio do lote no momento da extrao da segunda pea. Isto significa saber se A ocorreu ou
no.
Se A ocorreu, teremos agora 19 peas defeituosas e 80 perfeitas, o que implica em P{B/A} = 19/99.
Caso no tenha ocorrido A, teremos 20 peas defeituosas e 79 perfeitas, implicando em P{B/ A } = 20/99.

29/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

A10. Probabilidade da Interseo (ou Teorema do Produto)


Se A e B so dois eventos quaisquer, ento a probabilidade de ocorrncia simultnea dos dois eventos,
igual ao produto da probabilidade de um deles pela probabilidade condicional do outro, dado o primeiro.
P{ A B} P{ A }.P{B / A }

ou

P{ A B} P{B}.P{ A / B}

No caso do exemplo anterior, a probabilidade de ambas as peas serem defeituosas ser:


P{ A B} P{ A }.P{B / A }

1 19
.

5 99

19
495

EXEMPLO: Um escritrio de contabilidade possui 100 mquinas de calcular. Algumas so eltricas (E) e
outras manuais (M), enquanto umas so novas (N) e outras so usadas (U), conforme tabela abaixo. Uma
pessoa entra no escritrio, pega uma mquina ao acaso e observa que ela nova (N). Qual a probabilidade
de que a mquina seja eltrica (E)?
E
M
N
40
30
70
U
20
10
30
60
40
100
Queremos calcular P{E/N}, que segundo a frmula P{E/N} = P{EN}/P{N} resulta em:
P{E / N}

P{E N}
40 / 100
4

P{N}
70 / 100
7

A11. Teorema da Probabilidade Total


Seja A1, A2, A3,..., An, n eventos MUTUAMENTE EXCLUSIVOS tais
que A1UA2U... UAn = S, (ou seja, o espao amostral particionado
em n eventos), e sejam P{A i} as probabilidades conhecidas dos
vrios eventos, e seja B um evento qualquer de S tal que sejam
conhecidas todas as probabilidades condicionais P{B/Ai}. Ento,
para cada i tem-se que:
n
P{B} P{B / A 1 }.P{ A 1 } P{B / A 2 }.P{ A 2 } .... P{B / A n }.P{ A n } P{B / A i }.P{ A i }
i 1

EXEMPLO 1: Retomemos o exemplo do lote com 20 peas defeituosas e 80 peas perfeitas. Seleciona-se
2 peas deste lote sem reposio. Sejam os eventos:
A = {a primeira pea defeituosa} e

B = {a segunda pea defeituosa}

Podemos agora calcular P{B} como:


P{B} P{B / A }.P{ A } P{B / A }.P{ A }

19 1
20 4
.

.
99 5
99 5

19 80
99 . 5

1
5

EXEMPLO 2: Uma determinada pea produzida por trs fbricas 1, 2 e 3. Sabe-se que a fbrica 1 produz
o dobro de peas que a fbrica 2 e que 2 e 3 produzem a mesma quantidade. Sabe-se tambm que 2% das
peas produzidas por 1 e 2 so defeituosas e que 4% das peas produzidas por 3 so defeituosas. Estando
30/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

todas as peas produzidas armazenadas em um depsito, extrai-se dali uma pea ao acaso. Qual a
probabilidade da pea ser defeituosa?
Consideremos os seguintes eventos:
D = {a pea defeituosa}, F1 = {a pea provem de 1}, F2 = {a pea provem de 2} e F3 = {a pea provem
de 3}.
Temos assim que calcular P{D} = P{D/F1}.P{F1} + P{D/F2}.P{F2} + P{D/F3}.P{F3}.
Sabemos que P{F1} = 1/2 e P{F2} = P{F3} = 1/4 e sabemos tambm que P{D/FB1}=P{D/F2}=0,02
enquanto P{D/F3}=0,04. Aplicando estes valores expresso acima, encontramos:
P{D} = (0,02).(0,5) + (0,02).(0,25) + (0,04).(0,25) = 0,01 + 0,005 + 0,01 = 0,025 = 2,5%

31/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

A12. Teorema de Bayes


Seja A1, A2, A3,..., An, n eventos mutuamente exclusivos conforme item anterior (A.11). Ento, para cada i
tem-se que:
P{ A i }

P{ A i }.P{B / A i }
P{ A1}.P{B / A1} P{ A 2 }.P{B / A 2 } ... P{ A n }.P{B / A n }

EXEMPLO: Retomando o Exemplo 2 do item anterior, suponha que retiramos uma pea e seja constatado
que ela defeituosa. Qual a probabilidade de que ela tenha sido produzida pela fbrica 1?
Pede-se portanto a probabilidade P{F1/D}. Considerando-se que F1, F2 e F3 constituem uma partio do
espao amostral (temos apenas 3 fbricas, e uma pea somente pode ser fabricada por uma destas trs
fbricas) , adaptamos a frmula de Bayes trocando B por D e Ais por Fis.
P{D / F1 }.P{F1 }
P{F1 / D}
P{D / Fi }.P{Fi }

(0,02)(0,5)

E assim obtemos: P{F1 / D} (0,02)(0,5) (0,02)(0,25) (0,04)(0,25) 0,40 40%


A13. Tcnicas de Contagem ou Anlise Combinatria
Ajudam a determinar, sem necessidade de enumerao direta ou montagem de rvores de possibilidades,
o nmero de resultados possveis de um espao amostral.
13.1. PERMUTAES E ARRANJOS
Fornece o nmero de formas diferentes de organizao de um grupo, de forma que a ORDEM dos
elementos dentro do grupo levada em conta. A frmula geral para PERMUTAO de n elementos
tomados r a r :
n!
P n, r

Notas:

n r !

Fatorial de zero igual a 1. ( 0!=1 )


FUNO DO EXCEL: PERMUT()
Se n = r temos a PERMUTAO clssica e se n > r temos o ARRANJO tradicional

NO EXCEL
Funo PERMUT(nm;nm_escolhido): Retorna o nmero de permutaes para um
dado nmero de objetos que pode ser selecionado de objetos de nmeros. Uma permutao
qualquer conjunto ou subconjunto de objetos ou eventos em que a ordem interna
significativa. As permutaes so diferentes das combinaes em que a ordem interna no
significativa. Use esta funo para clculos de probabilidade do tipo loteria.
nm um nmero inteiro que descreve o nmero total de objetos.
nm_escolhido o nmero inteiro que descreve o nmero de objetos em cada
permutao.
COMENTRIOS
a) Os dois argumentos so truncados para nmeros inteiros.
b) Se nm ou nm_escolhido no for numrico, PERMUT retornar o valor de erro
#VALOR!
32/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

c) Se nm 0 ou se nm_escolhido < 0, PERMUT retornar o valor de erro #NM!


d) Se nm < nm_escolhido, PERMUT retornar o valor de erro #NM!
EXEMPLOs:
a) De quantas maneiras diferentes, 5 pessoas podem se organizar em fila ?
Caso tpico de Permutao de 5 elementos, tomados 5 a 5: P(5,5) = 5! = 120.
b) Com 8 bandeiras diferentes, quantos sinais feitos com 3 bandeiras se podem obter ?
Como importa a ordem, trata-se de um Arranjo de 8 elementos tomados 3 a 3: P(8,3) = 8!/5!
e portanto P(8,3) = 8.7.6 = 336

33/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

13.2. COMBINAES
Quando a ORDEM dos elementos dentro do grupo no importa, mas apenas a quantidade de cada
elemento no grupo, utiliza-se a COMBINAO. A frmula para clculo de combinaes :
C n, r

n!
r!. n r !

NO EXCEL
Funo COMBIN(nm;nm_escolhido): Retorna o nmero de combinaes de um
determinado nmero de itens. Uma combinao qualquer conjunto ou subconjunto de
itens, independentemente da sua ordem interna. As combinaes diferem das permutaes
para as quais a ordem interna importante. Use COMBIN para determinar o nmero total
possvel de grupos para determinado nmero de objetos.
nm um nmero inteiro que descreve o nmero total de objetos.
nm_escolhido o nmero inteiro que descreve o nmero de objetos em cada
combinao.
COMENTRIOS
a) Os argumentos numricos so truncados para inteiros.
b) Se um dos argumentos no for numrico, COMBIN retornar o valor de erro #VALOR!.
c) Se nm < 0, nm_escolhido < 0, ou se nm < nm_escolhido, COMBIN retornar o
valor de erro #NM!
O uso da funo FATORIAL() nas frmulas da PERMUTAO e da COMBINAO acima, fornece os
mesmos resultados que PERMUT() e COMBIN()
NO EXCEL
Funo FATORIAL(nm): Retorna o fatorial de um nmero. O fatorial de um nmero o
nmero igual ao produto 1*2*3*...*num.
nm o nmero no-negativo do qual se deseja obter o fatorial. Se nm no for um inteiro,
ser truncado.
EXEMPLOs:
a) Com 8 pessoas, quantas comisses de 3 membros podem ser escolhidas?
Como a ordem das pessoas numa comisso no importa, temos C(8,3) = 8!/(5!.3!) = 8.7 = 56 comisses.
b) Um grupo de 8 pessoas formado de 5 homens e 3 mulheres. Quantas comisses mistas de 3 pessoas
podem ser formadas, nas quais se tenha exatamente 2 homens?
Aqui temos que escolher 2 homens dentre 5 e 1 mulher dentre 3. Assim, o nmero procurado
C(5,2)C(3,1) =
10x3 = 30 comisses.

34/39

MODELOS ESTATSTICOS I

MODELOS PROBABILSTICOS

A14. Exerccios Propostos


1. Qual a probabilidade de sair o s de ouros quando retiramos uma carta de um baralho de 52 cartas?
2. Qual a probabilidade de sair um rei quando retiramos uma carta de um baralho de 52 cartas?
3. Em um lote de 12 peas, 4 so defeituosas. Sendo retirada uma pea, calcule:
a) a probabilidade de essa pea ser defeituosa.
b) a probabilidade de essa pea no ser defeituosa.
4. No lanamento de dois dados, calcule a probabilidade de se obter soma igual a 5.
5. De dois baralhos de 52 cartas retiram-se, simultaneamente, uma carta do primeiro baralho e uma carta
do segundo. Qual a probabilidade de a carta do primeiro baralho ser um rei e a do segundo ser o 5 de
paus?
6. Uma urna A contm: 3 bolas brancas, 4 pretas, 2 verdes; uma urna B contm: 5 bolas brancas, 2 pretas,
1 verde; uma urna C contm: 2 bolas brancas, 3 pretas, 4 verdes. Uma bola retirada de cada urna. Qual
a probabilidade de as trs bolas retiradas da primeira, segunda e terceira urnas serem, respectivamente,
branca, preta e verde?
7. De um baralho de 52 cartas retiram-se, ao acaso, duas cartas sem reposio. Qual a probabilidade de a
primeira carta ser o s de paus e a segunda ser o rei de paus?
8. Qual a probabilidade de sair uma figura quando retiramos uma carta de um baralho de 52 cartas?
9. Qual a probabilidade de sair uma carta de copas ou de ouros quando retiramos uma carta de um baralho
de 52 cartas?
10. So dados dois baralhos de 52 cartas. Tiramos, ao mesmo tempo, uma carta do primeiro baralho e
uma carta do segundo. Qual a probabilidade de tirarmos uma dama e um rei, no necessariamente nessa
ordem?
11. Dois dados so lanados conjuntamente. Determine a probabilidade de a soma ser 10 ou maior que 10.

35/39

ESTATSTICA I

Cap 7 MODELOS PROBABILSTICOS

TABELA DA DISTRIBUIO NORMAL PADRO

Prof Me Aloizio Magrini

ESTATSTICA I

Cap 7 MODELOS PROBABILSTICOS

TABELA DA DISTRIBUIO T DE STUDENT

Prof Me Aloizio Magrini

ESTATSTICA I

Cap 7 MODELOS PROBABILSTICOS

TABELA DA DISTRIBUIO QUI-QUADRADO

Prof Me Aloizio Magrini

ESTATSTICA I

Cap 7 MODELOS PROBABILSTICOS

Prof Me Aloizio Magrini