Escolar Documentos
Profissional Documentos
Cultura Documentos
No se define. Citaremos alguns exemplos de tais experimentos e procuraremos identificar o que eles
possuem em comum.
E2 : Uma moeda lanada duas vezes a fim de verificar os resultados que aparecem
Fazendo uma anlise dos experimentos acima, podemos verificar que algumas caractersticas so
comuns a todos eles, quais sejam:
Dessa forma, os experimentos que apresentarem as caractersticas acima sero considerados aleatrios.
Suponhamos que temos sobre uma mesa, duas garrafas de bebidas, sendo uma de refrigerante e outra
de vinho. Uma pessoa de quem desconheo a preferncia convidada a se servir. Assim podemos
verificar que para mim a experincia ser considerada aleatria visto que desconheo a preferncia da
pessoa convidada. Porm, para uma pessoa que j conhea a pessoa convidada a experincia deixar de
ser aleatria.
76
Prof. Luiz Andr de Oliveira
ESPAO AMOSTRAL : S
Espao amostral o conjunto de todos os resultados possveis de uma experincia aleatria. E toda
experincia aleatria ter associado um espao amostral.
E1 : S = { 1, 2, 3, 4, 5, 6 }
A uma mesma experincia aleatria poder estar associado mais de um espao amostral. Isto depende
somente do objetivo que estamos interessados em observar quando realizamos a experincia aleatria.
Exemplo: Uma moeda lanada sobre uma superfcie 3 vezes a fim de verificar:
I a seqncia de caras
S = {ccc, cck, ckk, ckc, kck, kkc, kcc, kkk } onde: c= coroa e k = cara.
S = { 0, 1, 2, 3 }
No exemplo acima podemos verificar que a experincia aleatria consiste em lanar uma moeda.
Entretanto os objetivos a serem observados que diferem e, portanto os espaos amostrais so
diferentes.
Quanto ao nmero de elementos que S possui, podemos dizer que S pode ser: finito, infinito numervel
e infinito no numervel.
S = { 1, 2, 3, 4, 5, 6}
S = {1, 2, 3, 4, 5, ..............}
77
Prof. Luiz Andr de Oliveira
III) S infinito no numervel: Uma lmpada observada a fim de verificar o tempo de
sua vida til.
S={t R/t0}
EVENTO OU ACONTECIMENTO
Qualquer conjunto usualmente representado por letras maisculas. Assim sendo, os eventos podem
ser representados por:
A, B, C, D, ............
Exemplo: Uma caixa contm bolas iguais e numeradas de 0 (zero) a 12. Retira-se uma bola a fim de
verificar o nmero. Pede-se:
Soluo:
a) Experimento: E: retirar uma bola da caixa para verificar o nmero
b) A = { 0, 2, 4, 6, 8, 10, 12 } B = {0, 3, 6, 9, 12 } C = { 0, 4, 8, 12 }
G={0} Ac = { 1, 3, 5, 7, 9, 11 }
B K = { 0}
78
Prof. Luiz Andr de Oliveira
Em um espao amostral finito, com n elementos, podemos definir 2n eventos (subconjuntos)
diferentes. Nesse total j esto inclusos os eventos: Certo e o Impossvel. Isto nos indica que, no
exemplo acima, podemos definir 213 eventos diferentes, ou seja um total de 8192 subconjuntos ou
eventos.
TIPOS DE EVENTOS
Evento unio: A B - a unio de eventos o conjunto de elementos que pertenam a pelo menos um
dos eventos. Dessa forma temos que:
Ai = A1 A2 A3 ....................... An
A1 A2 A3 ....................... An
79
Prof. Luiz Andr de Oliveira
Evento elementar: o evento constitudo de um nico elemento do espao amostral.
E:S
A
B
AB =
I)AB= e II ) A B = S
REGULARIDADE ESTATSTICA
Uma certa experincia aleatria repetida por um nmero finito de vezes. Seja A um evento definido
em seu espao amostral. Ento podemos observar o seguinte:
- proporo de vezes que A ocorre, ou seja, a freqncia relativa de A
80
Prof. Luiz Andr de Oliveira
Se analisarmos o comportamento da freqncia relativa de A, constatamos que, medida que n cresce,
a freqncia relativa desse evento tende a estabilizar-se em torno de um valor real que ser considerado
como a estimativa da probabilidade de ocorrncia do evento A. Veja a representao grfica,
demonstrando a situao.
Exemplo: Em uma caixa existem 10 bolas enumeradas de um a dez. Uma bola retirada repetidas
vezes, com reposio, para verificar se o nmero impar. Em duzentas repeties desse experimento,
pudemos observar a situao representada no grfico, a seguir:
lim
= P(A)
n+
1,00
0,90
0,80
0,70
Probabilidade
0,60
0,50
0,40
0,30
0,20
0,10
-
0 20 40 60 80 100 120 140 160 180 200
Nm ero de repeties
importante observar que no estamos afirmando que a frequncia relativa seja probabilidade;
estamos apenas afirmando que a freqncia relativa que se estabiliza em torno de um valor real que
ser considerada uma estimativa da probabilidade de ocorrncia do evento em questo.
Tem em vista o conceito de probabilidade desenvolvido acima, podemos ento fazer algumas
definies bsicas do clculo de probabilidades.
Definio de Probabilidade:
Seja E um experimento aleatrio qualquer e S o seu espao amostral. Aos eventos A e B definido em
S, associaremos um nmero real P(A) probabilidade de A ocorrer - que atenda aos seguintes
axiomas:
I ) 0 P(A) 1
II ) P ( S ) = 1
P ( A B ) = P( A ) + P ( B )
81
Prof. Luiz Andr de Oliveira
Obs: O axioma III pode ser estendido a mais de dois eventos ou seja: Se A1, A2, A3 ......... An, so
eventos mutuamente exclusivos, entre si, todos definidos no mesmo espao amostral, ento:
Seja uma experincia aleatria e S o seu espao amostral associado. Considerando os eventos A1,
A2, A3 ......... An, todos eventos elementares, tais que:
A1 A2 ........ An = S
Podemos ento afirmar que uma experincia aleatria uniforme, se todos os eventos elementares
tiverem a mesma probabilidade de ocorrncia, isto , se todos os eventos de S forem equiprovveis.
Da:
=1 P ( Ai ) = n . p = 1 e portanto: p =
Consideremos agora um evento W = A1, A2, A3 ......... Ar onde r n , todos elementares, ento:
P ( W ) = =1 P (Ai )= =1 1
E, portanto: P( W ) = =
P(W) ==
Exemplo: Uma caixa contm bolas iguais e numeradas de 0 (zero) a 12. Retira-se uma bola a fim de
verificar o nmero. Pede-se:a probabilidade dos seguintes eventos:
82
Prof. Luiz Andr de Oliveira
Soluo:
E como as bolas so iguais, todas tem a mesma probabilidade de ocorrncia, dessa forma, temos::
7
A = {0, 2, 4, 6, 8, 10, 12 } ento: P ( A ) = =
13
5
B = { 0, 3, 6, 9, 12 } ento: P ( A ) = =
13
4
C = { 0, 4, 8 , 12 } ento: P ( C ) = =
13
3
K = {0, 5, 10} ento P( K ) = = = 13
1
D = {0} ento: P ( D) = =
13
7
W = { 0, 3, 5, 6, 9, 10, 12} ento: P ( W ) = =
13
A =A (I)
P ( A ) = P( A )
Ento: P ( A ) + P ( ) = P ( A ) P ( ) = P ( A) P ( A ) = 0
83
Prof. Luiz Andr de Oliveira
Teorema 02: Se Ac for o complementar de A, ento: P ( Ac ) = 1 P ( A )
:S
A Ac = S ( I ) e que A Ac = ( II )
P ( A Ac ) = P ( S )
P ( A ) + P ( Ac ) = 1
P ( B ) = P( A U ( Ac B) ) = P ( A ) + P ( Ac B)
P ( B ) = P ( A ) + P (Ac B) ou ainda:
P( A ) = P(B) P(Ac B)
84
Prof. Luiz Andr de Oliveira
E a partira da, podemos concluir que:
P(A)P(B cqd
P( A B ) = P( A ) + P( B ) P(A B)
P( A B ) = P( A ) + P( B ) P(A B)
Essa regra pode ser estendida para a unio de trs eventos ou mais. Para calcular a probabilidade da
unio de trs eventos, podemos fazer uso das propriedades da teoria dos conjuntos. Vejamos:
P(A B C) = P (A ( B C))
P(A B C) = P( A ) + P( B C) P(A(B C)
85
Prof. Luiz Andr de Oliveira
e substituindo as expresses II e III em I, temos:
1.Uma bola retirada de uma caixa que contm 12 bolas iguais e numeradas de 1 a 12. Qual a
probabilidade de:
a) sair bola de nmero divisvel por 4 0,250 b) sair bola de nmero divisvel por 3 0,333
c) sair bola de nmero par 0,500 d) sair bola de nmero divisvel por 12 0,083
e) sair bola de nmero divisvel por 5 e por 3 0,0 f) sair bola de nmero divisvel por 3 e por 6 0,167
g) sair bola de nmero divisvel por 5 ou por 3 0,500 h) sair bola bola de nmero divisvel por 6 e
por 5 0,000
2. Dois dados so lanados simultaneamente a fim de verificar os nmeros que aparecem. Pedem-se as
probabilidades de:
a) de sair nmeros pares em ambos 0,250 b) de sair nmero mpar em apenas um dado 0,500
c) de ambos serem divisveis por dois 0,250 d) de sair nmeros cuja soma seja igual a 7 0,167
e) se sair nmeros cuja soma seja igual a 11 0,056
3. Em uma localidade so publicados trs jornais A, B e C. Uma pesquisa feita junto a 1000
famlias, constatou-se que 470 famlias assinam o jornal A; 420 assinam o jornal B; 315 assinam
o jornal C, 110 assinam os jornais A e B; 220 assinam A e C; 140 assinam B e C e 75 assinam
os trs jornais. Se uma dessas famlias for sorteada, ao acaso, qual a probabilidade de que seja
assinante:
a) de nenhum jornal ? 0,190 b) de apenas um dos trs jornais ? 0,490
c) de pelo menos um jornal ? 0,810,,, d) P(AcBcCc) = 0,190
5. Um jogo montado de tal forma que de uma caixa onde existem 60 bolas numeradas de 01 a 60,
so selecionadas, aleatoriamente, e sem reposio, 6 bolas. Se o apostador tiver
escolhido seis desses nmeros, qual a probabilidade de que seja o ganhador? E se lhe for
facultado apostar em dez nmeros, qual seria a probabilidade de ser o ganhador? 1/50063860 e
0,00000419
7. De um baralho de 52 cartas retirada uma carta. Qual a probabilidade de que a carta seja:
a) de naipe paus (0,250) b) de naipe vermelho (0,500)
c) de naipe preto (0,500) d) seja uma figura (0,231) e) seja um rei (0,077)
86
Prof. Luiz Andr de Oliveira
PROBABILIDADES CONDICIONADAS
Seja uma experincia aleatria qualquer e S o seu espao amostral. Considerando dois eventos A e B
definidos em S, tais que A ; B e ainda A B , podemos definir a probabilidade de A
ocorrer na hiptese de B j ter ocorrido P( A / B ) - como segue:
()
P( A / B) = onde P(B) > 0
()
( )
P( B / A) = onde P(A) > 0
()
Em decorrncia do que foi visto para as probabilidades condicionadas, podemos definir que a
probabilidade da interseo de dois eventos quaisquer dado pelo produto da probabilidade de um
deles multiplicada pela probabilidade do outro, condicionada hiptese de que tenha ocorrido o
primeiro. Em notao matemtica, temos:
Essa definio pode ser generalizada para mais de dois eventos. Vejamos:
INDEPENDNCIA DE EVENTOS
Dizemos que dois eventos quaisquer A e B definidos no espao amostral S de certo experimento E,
so independentes, se, e somente se, a probabilidade condicionada de B na hiptese de A ter ocorrido
for igual probabilidade incondicional de B e vice-versa. Isto :
P ( B /A) = P(B) e P( A / B) = P( A )
em decorrncia dessa definio podemos afirmar que quando os eventos forem independentes, a
probabilidade da interseo dos dois eventos igual produto das probabilidades desses eventos, isto
:
87
Prof. Luiz Andr de Oliveira
P( AB) = P(A). P(B)
P(A1A2) = P(A1).P(A2)
P(A1A2A3) = P(A1).P(A2).P(A3)
.................................
P(A1 A2A3 ......An) = P(A1). P(A2).P(A3)..........P(An)
Exemplo: Em uma caixa existem 30 bolas numeradas de 1 a 30. Uma bola retirada para verificar o
nmero. Se definirmos os eventos: A1: bola de n divisvel por 2 ; A2: bola de n divisvel por 3; A3:
bola de n divisvel por 4 e A4: bola de n divisvel por 6., pergunta-se:
A1 = {2, 4, 6, 8, 10, 12, 14, 16, 18, 20, 22, 24, 26,28, 30}
A3 = {4, 8, 12, 16, 20, 24, 28} A4 = {6, 12, 18, 24, 30}
15 10
a) P(A1) = = 0,50 b) P(A2) = = 0,33
30 30
7 5
b) P(A3) = = 0,23 d) P(A4) = = 0,17
30 30
5
P(A4A2) 5 1
e) P(A4 / A2) = = 30
15 = =
P(A2) 15 3
30
2
P(A3A2) 30 2 1
f) P(A3 / A2) = = 10 = =
P(A2) 10 5
30
7 15 7 7
30
= . =
30 30 60
?
88
Prof. Luiz Andr de Oliveira
Logo:
7
30
7
60
como diferente, conclumos que so eventos
dependentes!
5 10 5
=
30 30 30
.?
5 5
Como: como diferente, conclumos que so eventos
30 90
dependentes!
Exemplo: Duas bolas so retiradas, sem reposio, de uma caixa que contm sete bolas numeradas de
1 a 7, para verificar os nmeros. Pergunta-se:
12 13 14 15 16 17
21 23 24 25 26 27
31 32 34 35 36 37
S= 41 42 43 45 46 47
51 52 53 54 56 57
== 61 62 63 64 65 67
71 72 73 74 75 76
4
a) P (soma = 5) = =
42
3
P(soma = 7 1 par) 42 3
b) P(soma = 7 / 1 par) = P(1 par)
= = 18 = = 1/6 =
18
42
1
P(soma = 6 2=2.1) 1
c) P(soma=6 / 2 = 2 .1 ) = =
= 42
3 = =
P(2=2.1) 3
42
32
d) P( diferena: 1 menos a 2 < 3) = = 42
= 0,762
89
Prof. Luiz Andr de Oliveira
P( diferena: 1 menos a 2 < 3) = 76,2 %
Considere um experimento aleatrio E e seu espao amostral S, onde nele sejam definidos os eventos
A1, A2, A3 ...... An , de tal forma que:
Se for definido um evento B, qualquer, nesse mesmo espao amostral, ento tem-se que:
E:S
A1 A2
A
A
A5 A A3
A B
A
A4 1
4 A
B = ( BA1) U ( BA2 ) U ( BA3) U ....... U ( B An )
P ( B ) = P ( Ai ). P ( B / Ai )
TEOREMA DE BAYES
Considere um experimento aleatrio E e seu espao amostral S, onde nele sejam definidos os eventos
A1, A2, A3 ...... An , tais que:
Considere tambm um evento B, qualquer, definido no espao amostral desse mesmo experimento.,
tal que P (Ai) e as probabilidades P( B / Ai ) para i = 1, 2, ...n sejam todas conhecidas.
().( / )
P( Ak / B) =
( ).( / )
90
Prof. Luiz Andr de Oliveira
Exemplo: Uma fbrica tem trs mquinas A1, A2 e A3 so responsveis por 30%, 45% e 25 %
respectivamente do total da produo de parafusos.. O gerente de produo afirma que da produo da
mquina A1, 3% so defeituosos, da A2, 5% e da A3, 4%. Nessas condies, o controle de qualidade
encontrando um parafuso defeituoso na produo total de um determinado perodo, quer saber: Qual a
probabilidade de que o parafuso encontrado tenha sido produzido pela mquina A1? e de ter sido
produzido pela mquina A3?
Soluo: Pode se constatar que, ao final de certo perodo, a populao de parafusos produzidos pela
fbrica composta dos parafusos produzidos pelas trs mquina. Considerando que todos os parafusos
estejam misturados, intuitivo observar que ao ser retirado um parafuso, aleatoriamente, dessa
populao, a probabilidade de que tenha sido produzido pela mquina A1 igual a 30%, pela mquina
A2 45% e pela mquina A3 de 25%. E se for constatado que o parafuso foi fabricado pela mquina
A1 a probabilidade de ser defeituoso de 3%, se fabricado pela mquina A2 de 5% e se pela mquina
A3 de 4%. Dessa forma, definindo o evento:
D : o parafuso defeituoso
teremos:
0,300,03
P ( A1 / D ) =
0,30.0,03+ 0,45.0,05 + 0,25.0,04
0,0090
P ( A1 / D ) =
0,0090 + 0,0225 +0 ,0100
0,0090
P ( A1 / D ) =
0,0415
P ( A1 / D ) = 0,2169
Essa a probabilidade de que o parafuso defeituoso tenha sido fabricado pela mquina A1.
Se o parafuso encontrado defeituoso, qual a probabilidade de que ele tenha sido fabricado pela
mquina A3 ?
0,25.0,04
P ( A3 / D ) =
0,30.0,03+ 0,45.0,05 + 0,25.0,04
91
Prof. Luiz Andr de Oliveira
0,0100
P ( A3 / D ) =
0,0090 + 0,0225 +0,0100
0,0100
P ( A3 / D ) = = 0,2410
0,0415
P ( B / C ) = 0,05 P ( B / C ) = 0,90
Da, temos:
P ( C ).P ( B / C)
P(C/ B)=
P ( C ).P ( B/C)+ P ( C ).P ( B / C)
0,20.0,05
P(C/ B) =
0,20.0,05 + 0,80.0,90
0,0100
P(C/ B)=
0,0100+0,7200
0,0100
P(C/ B)=
0,0730
0,0100
P(C/ B)=
0,7300
P ( C / B ) = 0,0137
Exerccios propostos:
1. Em uma caixa existem bolas brancas, pretas e vermelhas. Sabe-se que o nmero de bolas pretas o dobro do
nmero de bolas brancas e as vermelhas representam o tripulo do nmero de bolas brancas. Se for retirada
uma bola dessa caixa, encontre as probabilidades de sair bola branca, bola preta e de bola vermelha. 0,167
0,333 0,500
2. Uma moeda lanada duas vezes consecutivas a fim de verificar o nmero de caras que aparece. Encontre a
probabilidade de sair:
a) duas caras 0,250 b) de sair uma cara 0,500 c) de sair cara no 1 lanamento 0,50
d) de sair uma coroa 0,500
92
Prof. Luiz Andr de Oliveira
3. No espao amostral de certo experimento aleatrio foram definidos os eventos A e B, tais que: P ( A ) =
1/4 ; P(B) = 1/3 ; P(A B) = 1/10 , ento encontre:
a) P (Ac B) 0,233 b) P ( A U B) 0,4833 c) P( A / B ) 0,300 d) P( B / A ) 0,400
4. Considere um experimento E e seu espao amostral S. Considere tambm os eventos A e B, tais que: P(A)=
1/4 ; P(B) = 2/3 e P(A B) = p. Pede-se:
a) encontre o valor de p, considerando os eventos A e B independentes.
b) encontre o valor de p, considerando que A e B so eventos mutuamente exclusivos
5. Uma moeda foi construda de tal forma que a probabilidade de ocorrer cara duas vezes a probabilidade de
ocorrer coroa.
Nessas condies, qual a probabilidade de:
a) de ocorrer cara? 0,666
Se a moeda for jogada duas vezes consecutivas, qual a probabilidade:
b) de ocorrer duas caras ? 0,444
c) ocorrer uma cara e uma coroa ? 0,444
6. Das pessoas que cometem algum crime apenas 60 % so presas e dessas apenas 20 % so condenadas.
Pergunta-se:
a) qual a probabilidade de uma pessoa ser presa e condenada se cometer algum crime ? 0,120
b) qual a probabilidade de ser presa e no ser condenada ? 0,480
7. Um estudo mostra que a probabilidade de uma pessoa ser assaltada de 3%. Das pessoas assaltadas, 20 %
reagem ao assalto e dessas 60 % so assassinadas, enquanto apenas 2 % das que no reagem so
assassinadas. Pergunta-se:
a) qual a probabilidade de uma pessoa ser assassinada em um assalto ? 0,00408
b) qual a probabilidade de uma pessoa no ser assassinada num assalto? 0,99592
9. Uma pessoa deseja entrar em uma sala. A probabilidade da porta estar trancada igual a 0,6.. Se a porta
estiver trancada ele poder usar uma de um total de 10 chaves no meio das quais se encontra a chave da
porta. Pergunta-se:
a) qual a probabilidade dele entrar na sala? 0,46 b) E a probabilidade de no entrar na sala ? 0,54
10. No espao amostral de certo experimento aleatrio foram definidos os eventos independentes A e
B, tais que: P ( A ) = 1/4 ; P(B ) = 1/3 , ento encontre:
a) P (A U B) 0,500 b) P(Ac ) 0,75 c) P ( Ac Bc) 0,500 d) P( Bc ) 0,666
11. Um dado lanado duas vezes consecutivas a fim de verificar os pontos que aparecem. Qual
a probabilidade de:
a) ocorrer soma igual a 7 ? 0,167
b) ocorrer soma igual a 11 sabendo-se que na primeira vez ocorreu nmero impar ? 0,056
c) ocorrer soma 8 sabendo que ocorreu nmero par em ambos os lanamentos ? 0,333
d) ocorrer soma 10 ? 0,083
e) ocorrer soma par se ocorrer o mesmo nmero em ambos lanamentos (1,00)
12. Em uma prova caram dois problemas A e B. Sabe-se que 132 alunos acertaram A, 86 erraram B, 120
acertaram os dois e 54 acertaram apenas um problema. Qual a probabilidade de que um aluno escolhido ao
acaso:
a) no tenha acertado nenhum problema 0,298
b) tenha acertado apenas o problema B. 0,169
93
Prof. Luiz Andr de Oliveira
13. Um sistema de alarme composto de trs alarmes. Eles esto dispostos de tal maneira que
qualquer um deles funcionar, independentemente um do outro, quando qualquer coisa
indesejvel ocorrer. Se cada alarme tem probabilidade igual a 0,9 de funcionar eficientemente,
qual a probabilidade de que o sistema funcione quando necessrio? 0,999
14. Existem duas caixas iguais K e W. A caixa K contm 4 bolas pretas e 3 azuis e a caixa W contm 5
bolas pretas e 6 azuis. Uma bola retirada, ao acaso, da caixa K e colocada na caixa W. Depois de
misturadas uma bola retirada da
caixa W. Qual a probabilidade de que a bola retirada da caixa W seja:
a) preta sabendo-se que a bola transferida de K para W foi preta ? 0,500
b) azul ? 0,536
c) preta ? 0,464
15. Uma caixa contm 4 bolas pretas e 5 azuis. Quatro bolas so retiradas, aleatoriamente e sem reposio, para
verificar a cor. Pergunta-se: qual a probabilidade de que saia uma de cor preta? E de sair duas azuis? E de
sair todas pretas?
0,317 0,476 e 0,008
17. Uma pesquisa mdica constatou que 5% das pessoas de um certo pas so portadoras do HIV. Sabendo-se
que das pessoas portadoras do HIV que fazem o exame, 1,8 % acusam resultados negativos. J das no
portadoras do HIV, quando submetidas ao mesmo tipo de exame, 1,6% delas apresentam resultados
positivos. Nessas condies, se uma pessoa se submeteu ao exame e o resultado foi positivo, qual a
probabilidade dela no ser portadora de HIV? 0,236
18. Numa sala foram colocadas duas caixas A1 e A2. A caixa A1 contm 5 bolas pretas e 4 azuis. J a caixa A2
contm 3 bolas pretas e 7 azuis. Uma pessoa convidada a entrar na sala e escolher, ao acaso, uma das
caixas e dela retirar uma bola. Se a bola for preta, qual a probabilidade de que ela tenha sido retirada da
caixa A1? (64,9%)
19. Numa certa localidade existem trs colgios A, B e C. Dos estudantes do colgio A, 85 % foram vacinados
contra meningite; dos alunos do colgio B, 63% e do colgio C, 90% dos alunos foram vacinados. Um
colgio ser sorteado e dele ser selecionado, ao acaso, um estudante. Sabe-se que a probabilidade do
colgio A ser selecionado o dobro da probabilidade de C e a probabilidade de B ser selecionado 2/3 da
probabilidade de A. Nessas condies, se o aluno sorteado no for vacinado, qual a probabilidade de que
ela tenha sido selecionado do Colgio B? e do Colgio A? (55,2% e 33,6%)
20. Numa sala existem trs caixas W , B e D. A caixa B contm trs fichas azuis e 6 pretas; a caixa D
contm 4 fichas azuis e 6 pretas. J na caixa W foram colocadas 12 bolas numeradas de 1 a 12.
Ento uma pessoa convidada a retirar uma bola da caixa W e, se sair bola de nmero menor ou
igual a 8, a pessoa retira uma ficha da caixa B. Porm, se a pessoa retirar da caixa W bola de
nmero maior que 8, ela retira uma ficha da caixa D. Pergunta-se:
a) qual a probabilidade da ficha retirada ser azul?
b) se a ficha retirada azul, qual a probabilidade de que ela tenha sido retirada da caixa D?
94
Prof. Luiz Andr de Oliveira
Exerccios complementares:
1. Considerando que cada componente Ai dos sistemas, abaixo, funcione com confiabilidade igual a p e que
todos funcionam independentemente um do outro, calcule a confiabilidade de cada um dos sistemas a
seguir:
Sistema 01:
W A1 A2 K Resp: p2
Sistema 02
A2
A Resp: p(2-p)
B
A3
Sistema 03:
A1
A A2 Resp.: p(3-3p+p2)
B
A3
Sistema 04:
A2
A A1 B Resp.: 2p2-p3
A3
Sistema 05:
A1 A2
D E Resp.: p2(2-p2)
A3 A4
Sistema 06:
A1 A2
D A3 E
95
Prof. Luiz Andr de Oliveira
VARIVEIS ALEATRIAS
INTRODUO
Na unidade anterior, quando foi definido o espao amostral de um experimento, vimos que estes, nem
sempre so necessariamente numricos. Isto fica bem claro se lembrarmos de alguns exemplos j
vistos, em que os resultados aparecem diferenciados apenas por algumas caractersticas. Vejamos os
exemplos a seguir:
fcil verificar que para os experimentos acima, os resultados no so numricos, isto , aparecer to
somente cara ou coroa no exemplo I e defeituosa ou no defeituosa no exemplo II.
Entretanto, em muitas situaes estaremos interessados na mensurao dos resultados e no seu registro
como um nmero. Isto pode ser conseguido mesmo em casos como estes, se atribuirmos um nmero a
cada resultado (no numrico) do experimento.
Como exemplo podemos atribuir 0(zero) ao resultado coroa e 1 ao resultado cara. Da mesma
forma podemos associar o valor 1(um) ao resultado defeituosa e 0(zero) ao resultado no
defeituosa. Assim poderemos afirmar que os exemplos acima so alguns de uma srie de outros,
semelhantes.
VARIVEL ALEATRIA
Definio: Seja um experimento e S o seu espao amostral. A funo X que associe a cada s S, um
nmero real x = X(s) denominada Varivel Aleatria.
E assim, temos:
E:S cc X(s)
0
ck
kc 1
kk 2
Rx
96
Prof. Luiz Andr de Oliveira
Aparecem, entretanto, situaes em que o resultado s do espao amostral, que estamos interessados em
registrar j um nmero real, e nesse caso, s = X(s) uma funo identidade. Como exemplo
podemos considerar o lanamento de um dado, com o objetivo de verificar o n eventual de pontos que
aparece na face voltada para cima.
Obs: A definio acima um tanto infeliz, uma vez que X uma funo e, no entanto, a denominamos
de varivel aleatria! Mas por ser universalmente aceita, continuaremos a adot-la.
Quase sempre, estaremos mais interessados nos possveis valores de X do que na natureza da funo X
de onde se originam. Por essa razo, na maioria das vezes, no ser indicada a natureza funcional de X.
Exemplo: Trs moedas so lanadas simultaneamente a fim de verificar o nmero eventual X de caras
que aparecem, e simbolizando: c = coroa e k = cara, temos:
E:S
X (s)
ccc
0
cck
kck
1
kcc
kkc
2
kck
ckk
3
kkk Rx
Da ento: Rx = { 0, 1, 2, 3 }
Assim passaremos a representar por P(X= xi) a probabilidade do evento de que a varivel X assuma
um particular valor xi Rx. Da mesma forma P( c < X < d) representa a probabilidade de X assumir
valores compreendidos entre c e d . No decorrer deste texto e em leituras na bibliografia
complementar o leitor se familiarizar muito rapidamente com essas notaes.
Quando se conhece a probabilidade de todos os possveis valores de X, dizemos ento que conhecemos
a distribuio de probabilidade de X.
97
Prof. Luiz Andr de Oliveira
TIPOS DE VARIVEIS ALEATRIAS
Varivel aleatria discreta a varivel que tem seu contradomnio constitudo de um conjunto
finito ou infinito numervel,
ou
Rx = { x1, x2, x3, ................} (infinito)
Varivel aleatria contnua a varivel que tem seu contradomnio constitudo de um intervalo
(infinito no numervel) ou um conjunto de intervalos.
Rx = { x / a < X < b}
Seja X uma varivel aleatria discreta, isto , uma varivel que tenha como contradomnio R x um
conjunto finito ou infinito, numervel, de valores de X. A funo que associa a cada valor x R x um
nmero real P(X = xi) = pi denominada funo de probabilidade. Esses valores de pi tm de
satisfazer as seguintes condies:
I ) pi 0 para todo xi Rx
II ) pi = 1
DISTRIBUIO DE PROBABILIDADE
F ( x) = P ( X x)
Se X uma varivel aleatria discreta, a funo repartio a funo que acumula as probabilidades
de X assumir valores menores ou iguais a um valor real x e isto feito como podemos ver a seguir:
98
Prof. Luiz Andr de Oliveira
F ( x ) =P(X ) = xi
(X = xi)
1. 0 F(x) 1
2. F ( - ) = 0 ou lim F ( x ) = 0
x-
3. F ( x + ) F ( x ) onde x 0
4. F ( x ) = 1 ou lim F ( x ) = 1
x+
5. F (x ) definida para qualquer x R ( conjunto dos reais)
Exemplo: Em uma caixa foram colocadas quatro bolas iguais e numeradas de um a quatro. Duas bolas
so retiradas dessa caixa, com reposio, a fim de verificar a soma dos pontos que aparecem. Pede-se:
a) encontrar a distribuio de probabilidade e fazer a representao grfica da mesma
b) encontrar a funo repartio e fazer a representao grfica da mesma.
Soluo:
Rx = { 2, 3, 4, 5, 6, 7, 8 }
P ( X = xi ) =
O nmero de casos possveis NCP pode ser obtido de diferentes maneiras. Podemos encontrar o espao
amostral e proceder a contagem dos resultados, porm faremos isso apenas para ilustrao, pois o n de
diferentes maneiras de retirarmos duas bolas de uma caixa onde existem seis bolas dado por
combinao, com repetio, que dada por:
11 12 13 14
S= 21 22 23 24
31 32 33 34
4 1 4 2 4,3 4 4
1 2 3 4
P( X = 2 ) = P( X = 3 ) = P( X =4 ) = P( X =5 ) =
16 16 16 16
99
Prof. Luiz Andr de Oliveira
3 2 1
P( X = 6 ) = P( X = 7 ) = P( X =8 ) =
16 16 16
Resumindo, temos:
X 2 3 4 5 6 7 8
P (X = xi) 1/16 2/16 3/16 4/16 3/16 2/16 1/6
b) F ( x ) = P ( X x ) = P ( X = xi) portanto:
1
F (2) = P (X 2 ) = P (X = 2) =
16
1 2 3
F (3) = P (X 2 ) = P (X = 2) + P( X = 3 ) = + =
16 16 16
1 2 3 6
F (4) = P (X 4 ) = P (X = 2) + P( X = 3) + P(X = 4) == + +
16 16 16
= 16
10
F (5) =
16
13
F (6) =
16
15
F (7) =
16
16
F (8) = = 1
16
100
Prof. Luiz Andr de Oliveira
E representando, numa tabela, temos:
X 2 3 4 5 6 7 8
F (x) 1/16 3/16 6/16 10/16 13/16 15/16 1
P( c < X d ) = F( d ) F ( c )
P( c X d ) = F( d ) F ( c ) + P(X =c)
ESPERANA MATEMTICA
Em muitas situaes estaremos trabalhando com variveis aleatrias e surgiro necessidades de avaliar
a mdia esperada da varivel a fim de nos orientar na tomada de decises. No caso de variveis
discretas a mdia esperada ou esperana matemtica obtida pela expresso:
Propriedades de E(X):
101
Prof. Luiz Andr de Oliveira
2. Se Y = kX, ento: E(Y) = E(kX) = k E(X)
A varincia a medida usada para avaliar a disperso dos dados em torno de sua mdia esperada. Se X
uma varivel aleatria discreta unidimensional, a sua varincia obtida pela frmula:
Propriedades da Varincia:
Var(Y) = k2.Var(X),
Var(y) = Var(X)
102
Prof. Luiz Andr de Oliveira
independentes, ento:
Como j visto, a varincia a media do quadrados dos desvios em relao mdia esperada E(X).
Dessa forma, se uma varivel aleatria X for medida, por exemplo, em gramas, sua varincia ser
expressa em (gramas)2. Essa uma das razes para se utilizar o desvio padro, uma vez que ele
expresso na mesma unidade de medida da varivel.
O desvio padro definido como sendo a raiz quadrada positiva da varincia. Isto , se X uma
varivel aleatria, ento:
x = + ()
COEFICIENTE DE VARIAO
O coeficiente de variao uma medida relativa da disperso em torno da mdia de uma varivel
aleatria. uma medida adimensional e, por isso, de grande importncia para fazer comparaes da
disperso de variveis aleatrias que sejam mensuradas com unidades de medidas diferentes ou de
naturezas diferentes. Esse coeficiente definido pela seguinte expresso:
CV=
Ou seja:
CV= . 100
()
Exemplo: De uma caixa onde existem 10 bolas, sendo 5 de cor vermelhas, retira-se cinco bolas para
verificar o n X de bolas vermelhas. Pede-se:
a) a distribuio de probabilidade de X
b) a esperana matemtica de X
c) a varincia de X
d) o desvio padro de X
e) o coeficiente de variao de X
103
Prof. Luiz Andr de Oliveira
Rx = { 0, 1, 2, 3, 4, 5}
5 1 1
a) P(X =0) = (0) . (12)0 .(12)5 = 1 . (2)5 =
1
25
=
32
5 1 5
P(X = 1) = (1).(2)1 .(2)5 = 5 . (2)5 = 5. 5 =
1 1 1
2 32
5 1 10
P(X = 2) = (2).(2)2 .(2)3 = 10 .(2)5 = 10 5 =
1 1 1
2 32
5 1 10
P(X = 3) = (
3
).(12)3 .(12)2 = 10.(2)5
1
= 10 5 =
2 32
5 1 5
P(X = 4) = (4).(2)4 .(2)1 = 5.(2)5
1 1 1
= 5. 5 =
2 32
5 1 1
P(X = 5) = (5).(2)5 .(2)0 = 1. (2)5
1 1 1
= 1. 5 =
2 32
1 5 10 10 5 1
b) E(X) = xi P(X = xi) = 0 . +1. +2. +3. +4. +5. =
32 32 32 32 32 32
0+5+20+30+20+5
E(X) =
32
80
E(X) = = 2,50 bolas
32
c) Var(X) = E(X2) (E(X))2 como j conhecemos o valor de E(X), vamos calcular E(X2).
1 5 10 10 5 1
= 02 . +12 . +22 . +32 . +42 . +52 .
32 32 32 32 32 32
5 40 90 80 25 240
= + + + + =
32 32 32 32 32 32
E(X2) = 7,5
104
Prof. Luiz Andr de Oliveira
x = 1,11 bolas
f) Coeficiente de variao
1,11
CV=
()
.
. 100 =
2,50
.100
CV = 44,4 %
1. Uma moeda lanada at que uma cara ou cinco coroas ocorram. Encontre o nmero esperado de
lanamentos da moeda.
3. Dois dados so lanados a fim de verificar X, o menor dos dois nmeros de pontos que aparece.
Encontre a distribuio de probabilidade, a mdia, a varincia e o desvio padro de X.
4. Uma moeda lanada quatro vezes. Se X for o nmero de caras consecutivas, encontre a
distribuio de probabilidade, a mdia, a varincia e o desvio padro.
5. Numa caixa existem duas bolas de nmero igual a 1, duas com nmero 2 e uma com o nmero 3.
Duas bolas so retiradas, aleatoriamente. Se definirmos X como a soma dos nmeros e Y o mximo
dos dois nmeros obtidos, encontre a mdia, varincia e o desvio padro de cada um dos itens a
seguir:
a) X b) Y c) X+ Y d) XY
105
Prof. Luiz Andr de Oliveira
DISTRIBUIO DE PROBABILIDADE DE VARIVEIS ALEATRIAS BIDIMENSIONAIS
DISCRETAS
Da mesma maneira que vimos paras as variveis aleatrias discretas unidimensionais, procuraremos
desenvolver para as variveis aleatrias discretas bidimensionais.
Algumas vezes estamos interessados em mais de uma varivel relativo a um determinado experimento.
Como exemplo, podemos citar:
Assim formularemos ento a seguinte definio: Seja um experimento e S o seu espao amostral
associado. Podemos ento associar a cada elemento de s S, dois nmeros reais x e y, isto , x =
X(s) e y = Y(s), que geraro os pares (xi , yj), correspondente aos elementos de S.
Esta varivel aleatria (X , Y) ser denominada de varivel aleatria bidimensional ou vetor aleatrio.
: S X(s) x i Rx
s
Y(s) yj Ry
As variveis aleatrias bidimensionais, da mesma maneira que visto para o caso de variveis aleatrias
unidimensionais, podem ser discretas, contnuas ou mistas. Porm nesse texto veremos somente o caso
de variveis bidimensionais discretas. Entretanto, os leitores que desejarem aprofundar seus estudos
sobre o clculo de probabilidades envolvendo variveis aleatrias bidimensionais contnuas podem
encontrar facilmente o assunto nas referncias bibliogrficas referenciadas neste texto.
106
Prof. Luiz Andr de Oliveira
FUNO MASSA DE PROBABILIDADE OU FUNO DE PROBABILIDADE DE
VARIVEL ALEATRIA BIDIMENSIONAL DISCRETA
Se (X , Y) uma v. a. bidimensional discreta, a cada par (xi , yj), associa-se um nmero real pi j tal que
P(X = xi , Y= yj) = pi j para i= 1, 2, ......n e j = 1, 2, 3, ....k, que representa a distribuio conjunta dos
pares (xi , yj) e que satisfaa s seguintes condies:
II) pi j = 1
______________________________________
X
Y
y1 y2 y3 .. yk
Quando se conhece a probabilidade P( X= xi , Y = yj) = pi j para todos os pares (xi , yj), pertencentes
ao contradomnio Rxy, diz-se ento que conhecida a distribuio de probabilidade da varivel
aleatria (X , Y), como ilustrado na tabela acima.
F(x, y) = P(X x , Y y)
Portanto:
F(x , y) =
1 1 ( = , = )
Isto , a soma das probabilidades de todos os pares (xi , yj) pertencentes a Rxy tais que xi x e yj y.
107
Prof. Luiz Andr de Oliveira
PROBABILIDADES MARGINAIS E PROBABILIDADES CONDICIONADAS
Distribuies marginais
Marginal de X : P(X = xi) = P(X =xi , Y = yj) para xi = x1, x2, x3, ......xn
Marginal de Y : P(Y = yj) = P(X = xi , Y= yj) para yj = y1, y2, y3, ......yk
Probabilidades condicionadas
Tambm de forma anloga ao que vimos na pgina ......, as probabilidades condicionadas so dadas
por:
P(X=xi ,Y=yj)
P(X = xi / Y =yj) = onde: P(Y = yj) > 0De forma semelhante:
P(Y=yj)
P(X=xi ,Y=yj)
P(Y = xi / X =yj) = onde: P(X = xj) > 0
P(X=xi)
Exemplo: Uma pesquisa foi realizada junto a um grupo de 200 casais a fim de verificar o nmero de
filhos (X , Y) onde X o nmero de filhos e Y o nmero de filhos. Os resultados foram os seguintes:
Y 1 2 3
X
1 28 26 12
2 30 24 16
3 16 20 8
4 10 6 4
Calcular:
a) a distribuio de probabilidade da varivel (X , Y)
b) as marginais de X e de Y
c) P(X 3 , Y 2)
d) F(2 , 2)
e) F(3 , 2)
f) P(X = 3 / Y =2)
g) P(X = 1 / Y 2)
h) P (X 2 / Y = 1)
108
Prof. Luiz Andr de Oliveira
Soluo:
A probabilidade de cada par (x , y) obtida como segue: P(X= xi , Y =yj) =
28
a) P(X =1, Y = 1) = = 0,14
200
26
P(X =1 , Y = 2) = 200 = 0,13
12
P(X =1 , Y = 3) = 200
= 0,06
30
P(X =2 , Y = 1) = 200
= 0,15
E assim por diante, para todos os pares. Os resultados se encontram na tabela a seguir:
Y
X 1 2 3
1 0,14 0,13 0,06
2 0,15 0,12 0,08
3 0,08 0,10 0,04
4 0,05 0,03 0,02
c) A marginal de X:
A marginal de Y:
109
Prof. Luiz Andr de Oliveira
e) F(3 , 2) = P(X 3 , Y 2) = P(X = xi , Y= yj) =
P(X = 3 ,Y =2)
f) P(X =3 / Y =2) =
P(Y = 2)
0,10
= = 0,263
0,38
0,14+0,13 0,27
= =
0,42+0,38 0,78
P(X = 1 / Y 2) = 0,346
P(X 2 / Y = 1) = 0,690
Se estamos estudando uma varivel aleatria do tipo (X , Y), podemos afirmar que X e Y so
independentes quando o resultado de uma delas no influencia e nem influenciado pelo resultado da
outra.
Para verificarmos se duas variveis aleatrias so independentes, recorreremos ao que j foi visto na
unidade ........, isto : Duas variveis aleatrias so independentes se, e somente se, a probabilidade
condicional de uma delas for igual probabilidade incondicional. Em smbolos, dizemos que elas so
independentes, quando:
Estas igualdades tero de se verificar para todos os possveis pares (xi , yj) pertencentes ao Rxy.
P(X =xi , Y =yj) = P(X =xi) . P(Y = yj) para todos os pares (xi , yj) pertencentes ao Rxy
110
Prof. Luiz Andr de Oliveira
COEFICIENTE DE CORRELAO LINEAR
O coeficiente de correlao linear entre duas variveis aleatrias indica o grau de dependncia entre
elas, apenas do ponto de vista matemtico. Entretanto esse coeficiente no nos indica uma relao de
causa-efeito. A influncia de uma varivel aleatria sobre a outra deve ser objeto de uma investigao,
inteligente, por parte do pesquisador.
O coeficiente de correlao entre duas variveis aleatrias quaisquer, definido como segue:
( ,)
r=
COVARINCIA
Quando vimos a varincia da soma ou diferena de variveis aleatrias,- pgina - .... s nos referimos
ao caso de variveis independentes. Entretanto, quando as variveis so dependentes, temos:
X Y 1 2 3 P(X=xi)
1 0,05 0,10 0,15 0,30
2 0,20 0,30 0,20 0,70
P(Y=yj) 0,25 0,40 0,35 1,00
Resolva:
a) verificar se X e Y so variveis aleatrias independentes
b) determinar a covarincia
c) determinar o coeficiente de correlao
111
Prof. Luiz Andr de Oliveira
Soluo:
a) para que as variveis sejam independentes , a seguinte relao ter que ser verdadeira para todos os
pares (x , y) pertencentes ao Rxy.
E(XY) = 3,50
Cov(X , Y) = -0,07
b) coeficiente de correlao
( ,)
r=
112
Prof. Luiz Andr de Oliveira
E(X2) = 3,10
E(Y2) = 5,00
r = - 0,20
Lista de exerccios:
2. Dois dados so lanados a fim de verificar o total de pontos W que ocorre. Pede-se:
a) a distribuio de probabilidade de W b) o nmero esperado de pontos, ou seja, E(W)
c) a varincia de W d) o desvio padro
113
Prof. Luiz Andr de Oliveira
4. O peso de cada passageiro de uma companhia area uma v. aleatria X com mdia igual a 50 kg e
desvio padro igual a 5 kg. A bagagem individual tambm uma varivel aleatria Y com mdia
de 14 kg e desvio padro igual a 3 kg. Entretanto, se fizermos Z = X + Y., pede-se:
a) a mdia de Z b) a varincia de Z c) o desvio padro
7. Um jogo consiste em lanar um dado. Se ocorrer faces dois ou cinco, a pessoa ganha R$50,00 ; se
ocorrer faces um ou seis a pessoa ganha R$100,00 e se ocorrer faces trs ou quatro a pessoa paga
R$150,00. Perguntas-se:
a) qual a mdia e a varincia da varivel ganho
b) O jogo honesto ? comente.
9. O Metr para no meio do tnel. O defeito pode ser na antena receptora ou no painel de controle. Se
o defeito for na antena o conserto poder ser feito em 5 minutos. Se o defeito for no painel de
controle o conserto poder ser feito em 15 minutos. O encarregado da manuteno acredita que a
probabilidade do defeito ser no painel de 60%. Qual o tempo estimado para o
conserto. (11minutos)
10. Uma mquina fabrica placas de papelo que podem apresentar nenhum, um, dois, trs ou quatro
defeitos, com probabilidades 90%, 5%, 3%, 1% e 1% respectivamente. O preo de venda de uma
placa perfeita de 24 u. m. e medida que apresente defeitos o preo cai 50% para cada defeito
apresentado. Qual o preo mdio de venda dessas placas? (22,42)
11. De uma caixa onde existem 6 bolas azuis e 6 pretas, sero retiradas trs bolas a fim de verificar o
nmero de bolas azuis. Encontrar a mdia esperada de bolas azuis, considerando:
a) as retiradas com reposio (2,00)
114
Prof. Luiz Andr de Oliveira
b) as retiradas sem reposio (1,88 )
12. A probabilidade de um time A vencer qualquer jogo 0,5. A joga com o time B num torneio. O
primeiro time que ganhar dois jogos seguidos ou vencer um total de trs jogos ganha o torneio.
Encontre o nmero esperado de jogos no torneio. (2,875)
15. Uma pesquisa foi realizada junto a 200 domiclios de um certa regio a fim de verificar o nmero
de carros X e o nmero de moradores Y em cada domiclio. Os resultados foram os seguintes.
Y
X 1 2 3 4 5
1 30 6 4 4 2
2 16 36 18 36 2
3 2 12 16 12 4
Pede-se
a) A distribuio conjunta de probabilidade
b) as distribuies marginais de X e de Y (dependentes)
c) verificar se X e Y so independentes?
d) encontrar E(X) e E(Y) 2,00 e 2,59
e) encontrar Var(X) e Var(Y) 0,46 e 1,48
f) encontrar E(XY) 5,49
g) Cov(X,Y) (0,31)
h) Coeficiente de correlao (0,38 fraco)
i) P(X=2 / Y=1) (0,33)
j) P(Y= 3/ X=2) (0,17)
Respostas:
1. a)
X 1 2 3 4 5 6
P(X=x) 1/6 1/6 1/6 1/6 1/6 1/6
115
Prof. Luiz Andr de Oliveira
2 . a)
W 2 3 4 5 6 7 8 9 10 11 12
P(W=w) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
5. a)
X 0 1 2 3 4 5 6 7
F(x) 0,01 0,03 0,13 0,33 0,60 0,80 0,90 1,0
116
Prof. Luiz Andr de Oliveira
MODELOS DE DISTRIBUIO DE PROBABILIDADES
Na prtica existem variveis aleatrias que tem um perfil semelhante, quanto a usa distribuio na
populao. Por essa razo alguns estudiosos verificaram que era possvel definir um modelo
matemtico para permitir calcular as probabilidades associadas aos resultados de variveis que
apresentassem essas mesmas caractersticas. Dessa forma foi possvel criar vrios modelos
matemticos onde cada um deles permite a obteno das probabilidades de variveis pertencente a uma
famlia de variveis aleatrias que tenham comportamentos semelhantes.
Existe uma diversidade muito grande de variveis aleatrias discretas. As variveis que apresentam
perfis semelhantes e que atendam s exigncias de um modelo matemtico, permitem definir a sua
distribuio de probabilidade.
Uma distribuio de probabilidade fica caracterizada quando conhecemos o modelo matemtico para a
obteno das probabilidades e de seus parmetros que so a mdia e a varincia da varivel aleatria.
MODELO DE BERNOULLI
Existem vrias experincias aleatrias que consistem em observar a ocorrncia de um certo resultado
ou a no ocorrncia daquele resultado em uma nica repetio do experimento.. Dessa forma, pode-se
dizer que ocorre :
Rx= { 0 , 1 }
J se sabe que: P( X = 1 ) + P( X = 0 ) = 1
117
Prof. Luiz Andr de Oliveira
P(fracasso) = P(X=0) = q
Onde: p + q = 1. Logo: q = 1 p
Da, podemos encontrar as caractersticas E(X) e Var(X) para o modelo de Distribuio de Bernoulli.
Veja:
E(X) = xi . P( X = xi )
ento: E( X ) = 0 . q + 1 . p = p e, portanto:
E( X ) = p
e a varincia ser:
E substituindo em , teremos:
Var(X) = p.q
Esse modelo muito importante, pois servir de base para a definio de um novo modelo denominado
de Modelo Binomial.
Distribuio Binomial
Esse modelo probabilstico aplicado na obteno de probabilidades associadas aos resultados de
variveis aleatrias que consistem em verificar o nmero de sucessos que ocorrem em n repeties de
uma experincia de Bernoulli. Essas variveis devem atender s seguintes hipteses:
1. O nmero de repeties n conhecido;
2. Cada tentativa s admite dois resultados possveis: sucesso ou fracasso
3. As repeties so independentes, isto , o resultado de uma repetio no influencia o
resultado de outra.
4. A probabilidade de sucesso conhecida e igual a p, isto :
P(sucesso) = p e ento: P(fracasso) = 1- p = q
118
Prof. Luiz Andr de Oliveira
Rx = { 0, 1, 2, 3, .............., n}
Sucessos Fracassos
S.S.S..........S.S.S.F.F.F.F...........F F F
Essa uma seqncia em que os x sucessos ocorreram nas primeiras repeties e, como cada repetio
s admite os resultados sucesso ou fracasso conclumos que ocorreram n-x fracassos nas repeties
seguintes. Como a probabilidade de sucesso igual a p e a probabilidade de fracasso igual a q e
considerando que as repeties so independentes, teremos:
Sucessos fracassos
S.S.S..........S.S.S. F.F.F.F........F.F.F
porm essa a probabilidade de uma particular seqncia em que ocorreram os x sucessos nas
primeiras repeties. Entretanto, estamos interessados no nmero x de sucessos e no na ordem em que
eles aparecem. Assim sendo podemos calcular o nmero de diferentes seqncias em que ocorrem x
sucessos nas n repeties. Esse nmero dado pela combinao de Cn,x e da podemos concluir que a
distribuio de probabilidade da Distribuio Binomial dada pela expresso:
P(X = x) = ( ). px.qn-x onde x pode ser igual a 0,1,2,3,......n
E(X) = n p
Var(X) = n p q
Exemplo: Em um teste foram colocadas 8 questes com 4 alternativas cada, sendo que apenas uma
das alternativas correta. Uma pessoa se submete ao teste, respondendo a todas as questes, ao acaso,
e quer saber:
a) qual a probabilidade de acertar 6 questes?
b) qual a probabilidade de acertar as oito questes?
c) qual a probabilidade de acertar 4 questes?
d) quantas questes a pessoa espera acertar?
e) qual o valor da varincia?
f) qual o desvio padro?
119
Prof. Luiz Andr de Oliveira
g) qual o coeficiente de variao?
Rx = {0, 1, 2, 3, 4, 5, 6, 7, 8}
P(X = x) = ( ). px.qn-x
P ( X = 6 ) = 0,00315
8
b) P( X = 8 ) = (8). (0,25)8. (0,75)8-8 = 1.0,0000153
P( X = 8 ) = 0,0000153
8
c) P( X = 4 ) = (4). (0,25)4. (0,75)8-4 = 70 . 0,003696. 0,316406
P(X = 4) = 0,086517
f) DP = () = 1,5(questes)2
DP = 1,22 questes
1,22
g) CV = (). 100 = .100
2,0
CV = 61%
120
Prof. Luiz Andr de Oliveira
DISTRIBUIO DE POISSON
Existem situaes em que estaremos interessados em observar certo fenmeno estatstico quanto
ocorrncia ou a no ocorrncia do mesmo, a que denominamos de sucesso quando ocorre e
insucesso quando o fenmeno no ocorre. Entretanto, existem fenmenos que, por um lado, so
fceis de serem observados quanto a sua ocorrncia, mas que, por outro lado, se torna impossvel
observar a no ocorrncia dos mesmos.
Em todos os casos, essa observao dever ser feita durante um certo intervalo contnuo, que pode ser
de tempo, de comprimento, rea, volume etc.
Podemos notar que no tarefa difcil observar a ocorrncia daquilo que definimos como objeto de
nossa observao, o sucesso. Porm, no temos como avaliar o nmero de vezes em que tais
fenmenos deixam de ocorrer, de forma a obtermos o nmero de insucessos ou fracasso. Entretanto,
o matemtico francs ....................Poisson, constatou que variveis como as enunciadas acima, tem as
probabilidades de seus resultados dadas pela frmula abaixo, denominada Lei de Poisson.
Rx = { 0, 1, 2, 3, 4, ......}
et .(t)xi
E, portanto: P(X=xi) = xi!
A mdia e a varincia de uma varivel que tenha distribuio de Poisson so dadas por:
E(X) = t e Var(X) = t
Exemplo : As chegadas de clientes a uma Agncia Bancria ocorrem com uma mdia de 30
clientes por hora. Baseado nessa informao o Gerente deseja saber:
a) a probabilidade da agncia passar um perodo de 10 minutos sem receber clientes?
b) a probabilidade da agncia passar quatro minutos sem receber clientes?
c) a probabilidade da agncia receber apenas 2 clientes no perodo de 6 minutos?
121
Prof. Luiz Andr de Oliveira
Rx = { 0, 1, 2, 3, ............}
et .(t)0
a) P(X = 0 ) =
0!
e5 .(5)0
portanto: P(X = 0) =
0!
et .(t)0
b) P(X = 0 ) =
0!
e2 .(2)0
portanto: P(X = 0) =
0!
= 0,1353
e t .(t)2
c) P(X = 2 ) =
2!
e3 .(3)2
portanto: P(X = 2) =
2!
= 4,5.e-3 = 4,5. 0,04979
P( X = 2 ) = 0,22405
122
Prof. Luiz Andr de Oliveira
APROXIMAO DA BINOMIAL PELA POISSON
A distribuio de Poisson tambm usada para fazer a aproximao da Distribuio Binomial, quando
n > 30 e p 0,05 visando a simplificao de clculos. Para isso basta fazer a mdia da distribuio
binomial igual a mdia da distribuio Binomial, ou seja:
Rx = { 0, 1, 2, 3, .............., n}
Logo:
P(X = x) = ( ). px.qn-x e assim, se n for maior que 30 e p < 0,05, ento podemos fazer:
E(X) = np = E(X) = t
E ento:
enp .(np)xi
P(X = xi) = (). px.qn-x
xi!
Exemplo: Um fabricante afirma que 4 % das peas produzidas apresentam algum tipo de defeito. Um
comerciante adquire uma grande partida dessas peas e para isso retirou uma amostra de 90 peas, com
reposio, e quer saber:
a) qual a probabilidade de que no seja encontrada pea defeituosa na amostra.?
b) Qual a probabilidade de que sejam encontradas duas peas defeituosas na amostra?
c) qual a probabilidade de que sejam encontradas no mximo duas peas defeituosas?
Rx = {0, 1, 2, 3, 4, .....................90}
Ento:
E(X) = n p = 90 . 0,04 = 3,6
Portanto:
123
Prof. Luiz Andr de Oliveira
e3,6 .(3,6)0
a) P ( X = 0 ) = (90
0
) . (0,04)0 . (0,96)90-0
0!
= e-3,6
P( X = 2 ) = 0,1771
c) P( X 2 ) = P ( X = 0) + P ( X= 1 ) + P ( X = 2 ) =
e3,6 .(3,6)1
P ( X = 1)
1!
= 0,0273 . 3,6 = 0,0983
P( X 2 ) = 0,3027
EXERCCIOS PROPOSTOS:
1. O controle de qualidade de uma fbrica de peas afirma que 10% da produo da fbrica apresenta algum
tipo de defeito. A fbrica comercializa as peas embaladas em caixas com dez unidades. Se um cliente
adquire uma caixa, quer saber:
a) qual a probabilidade da caixa no conter peas defeituosas? 0,3486
b) qual a probabilidade da caixa conter no mximo duas peas defeituosas? 0,9298
2. Num processo de auditoria estima-se que 6 % das faturas encontram-se com algum problema. Da populao
de faturas selecionada uma amostra de 10 faturas para serem avaliadas. Pergunta-se:
a) qual a probabilidade de que no haja fatura com problema? 0,53862
b) qual a probabilidade de que haja mais de uma fatura com problema? 0,1176
3. Ainda com relao ao problema de n 1, se for definido que caixas com nenhuma pea defeituosa seja
vendida a R$30,00, caixas com uma ou duas peas defeituosas sejam vendidas a R$25,00; caixas com trs
ou quatro peas sejam vendidas a R$20,00 e que caixas que contenham 5 ou mais peas sejam vendidas a
R$15,00, pergunta-se:
a) O preo mdio de venda das caixas 26,38
b) O desvio padro do preo de venda das caixas 2,95
4. A chegada de clientes a uma agncia bancria uma varivel que ocorre com uma mdia de 30 clientes por
hora. Assim sendo deseja-se saber:
a) qual a probabilidade de que nenhum cliente chegue durante o perodo de dois minutos? 0,36787
124
Prof. Luiz Andr de Oliveira
b) Qual a probabilidade de que chegue no mximo dois clientes em 5 minutos? 0,54381
6. Admitindo-se que o nascimento de meninos e meninas sejam igualmente provveis, calcule a probabilidade
de um casal que queira ter seis crianas tenha 4 meninos e duas meninas. 0,23437
7. Em 320 famlias com quatro crianas cada uma, quantas se espera que tenham:
a) nenhuma menina 20
b) trs meninos 80
c) quatro meninos 20
8. Qual a probabilidade de obter pelo menos uma vez a face de n 3 ao fazer n jogadas de um dado? 1 (5/6)n
9. Num teste de 6 questes, cada uma delas tem trs alternativas onde apenas uma correta. Se uma pessoa
responder esse teste no chute, pergunta-se:
a) qual a probabilidade de acertar todas as questes 0,00137
b) quantas questes a pessoa espera acertar 2
c) qual a probabilidade de acertar a metade das questes 0,21948
10. Uma varivel aleatria X, binomial, tem sua Funo Repartio dada por:
F(0) =1/243 F(1) = 11/243 F(2) = 51/243 F(3) = 131/243 F(4) = 211/243 e F(5) = 1
Encontre:
a) o valor de n 5 d) o valor de p 2/3
b) a mdia esperada 3,3 e) P(X 1) 0,99588
c) a varincia 1,11 f) P(2 X 4) 0,82304
11. Um atirador tem a probabilidade igual a 0,3 de acertar o alvo. Se ele atirar 6 vezes, qual a probabilidade
de:
a) acertar exatamente dois tiros 0,32413
b) acertar no mximo dois tiros 0,74431
12. Se das lmpadas fabricadas por uma certa fbrica 5 % so defeituosas, calcule as probabilidades de que,
numa amostra de 100 lmpadas, haja:
a) nenhuma defeituosa 0,0067
b) trs defeituosas 0,1404
c) mais de uma lmpada defeituosa 0,9595
13. Uma fbrica verificou que, ao testar seus pneus na pista, ocorria 1 estouro de pneu a cada 5000 km. Nessas
condies, calcular:
a) a probabilidade de que, num teste de 3000 km, haja no mximo um estouro de pneu. 0,8781
b) a probabilidade de que no haja estouro de pneu no percurso de 8000 km 0,20190
14. Um certo posto de bombeiro recebe em mdia 3 chamadas por dia. Calcule a probabilidade de que:
125
Prof. Luiz Andr de Oliveira
a) ocorra 4 chamadas num dia 0,16803
b) ocorra duas ou mais chamadas por dia 0,80085.
15. Um Porto recebe, em mdia, 6 navios por ms. Nessas condies, encontre a probabilidade de:
a) receber exatamente 6 navios no perodo de um ms 0,16062
b) receber 4 navios no perodo de 10 dias 0,09022
16. Na pintura de paredes ocorre, em mdia, um defeito por metro quadrado. Qual a probabilidade de que
ocorram trs defeitos numa parede de de 2m x 2m. 0,19537
17. Admitindo-se que 400 erros estejam aleatoriamente distribudos num livro de 500 pginas, pergunta-se:
a) qual a probabilidade de que uma pgina qualquer contenha dois erros 0,14378
b) qual a probabilidade de que uma pgina qualquer no contenha erros 0,44932
18. Sabe-se que numa populao de 50 000 habitantes ocorrem, em mdia, dois suicdios por ano. Qual a
probabilidade de que numa populao de 100 000 hab, durante um ano, haja:
a) nenhum suicdio 0,01832
b) dois suicdios 0,14652
c) no mximo trs suicdios 0,43347
Apndice:
Sabemos que:
.(1)! (1)!
E(X) = x. ()!..(1)!. .1 = n . p. x. ()!..(1)! . 1
(1)!
E(X) = n.p. ()!.(1)!
. 1
Ento:
E(X) = n.p. (1
1
). 1
E(X) = n.p. (
). como: (
) = 1, ento:
E(X) = n.p
126
Prof. Luiz Andr de Oliveira
Calculando E(X2), temos:
E(X2) = [. ( 1) + ]. ().
!
E(X2) = . ( 1).()! .! . + n.p
2
E(X2) = . ( 1). (.(1).(2)!
)! . . (1).(2)!
. 2 . . + n.p
(2)!
E(X2) = n.(n-1). p2. ()!.(2)! . 2 + n.p
!
E(X2) = n.(n-1).p2 . ()!.!. + n.p
Portanto:
E(X2) = n.(n-1).2 . (
) + n.p
Como: (
) = 1, temos:
Como q = 1 p, temos:
Var(X) = n.p.q
127
Prof. Luiz Andr de Oliveira
VARIVEIS ALEATRIAS CONTNUAS UNIDMENSIONAIS
INTRODUO
No caso de variveis aleatrias contnuas no tem sentido calcular a probabilidade destas assumirem
um particular valor pertencente ao Rx, seu contradomnio, da forma que foi visto na unidade anterior
em relao s variveis aleatrias discretas. O que se considera correto para varivel aleatrias
contnuas determinar a probabilidade da varivel assumir valores compreendidos em certo intervalo
pertencente ao Rx. Vejamos a definio a seguir.
Definio: Diz-se que X uma varivel aleatria contnua se seu contradomnio Rx for dado por um
conjunto infinito no numervel, isto um intervalo ou um conjunto de intervalos.
Seja X uma v. a. contnua, isto , uma varivel que tenha por contradomnio Rx = {x / x (a, b)}. A
funo densidade de probabilidade uma funo f(x) qualquer, que, semelhana do que foi definido
na pgina ..... para as variveis discretas, satisfaa s seguintes condies:
II ) Rx f (x ) dx = 1
de fcil verificao que as funes que atendam s condies acima atendem tambm aos principais
axiomas do clculo de probabilidades.
Para calcular a probabilidade de X assumir valores compreendidos entre c e d pertencentes a Rx, tal
que c < d, temos:
P ( c < x < d ) = ()
Exemplo: Considere uma varivel aleatria contnua com a seguinte funo densidade de
probabilidade:
f ( x) = se 0 < x < 2
2
=0 se x ( 0 , 2 )
128
Prof. Luiz Andr de Oliveira
pede-se:
a) verificar as condies I e II
b) calcular a probabilidade de X assumir valores entre 0,5 e 1,5
c) calcular a probabilidade de X ser menor ou igual a 1
d) calcular a probabilidade de X ser maior que 0,8
a) observando grfico de f(x) podemos constatar que f(x) 0 para qualquer x Rx e a segunda
condio :
( ) =1
2 2 2 22 02 4
0 2
dx = 0 2
dx = 2
4 0
=
4
= 4
=1
2,250,25 2
P(0,5 < X < 1,5) = =
4 4
c) P(X 1) =
= =
=
d) P(X > 0,8) = , = = ,
,
40,64
e) P(X > 0,8) = 4
= 3,36
4
129
Prof. Luiz Andr de Oliveira
FUNO DE DISTRIBUIO ACUMULADA OU FUNO REPARTIO
Como j foi visto no item ........ pgina ......... , a funo de distribuio acumulada dada por:
F(x) = P(X x)
Exemplo: Considere X uma varivel aleatria contnua, com a seguinte funo densidade de
probabilidade:
32
f(x) = se -1 < x < 3
28
= 0 se x (-1, 3)
1
Se x -1, ento: F(x) = () dx = 0, pois f(x) nula.
2
Se -1 < x < 3, ento: F(x) = 0 + 1 () dx = 1 3
28
dx =
3 3 ( 1)3 3 (1)
F(x) = = =
28 1 28 28
Portanto:
3 + 1
F (x) = 28
130
Prof. Luiz Andr de Oliveira
Se x for maior que 3, a funo f (x) nula, portanto, temos:
0 se x -1
3 +1
Logo: F (x) = 28
se -1 < x < 3
1 se x 3
Todas as propriedades de F(x) definidas na pgina ........, so vlidas tambm para as variveis
aleatrias contnuas.
Sempre que se tratar de variveis aleatrias contnuas, a probabilidade no ponto igual a 0(zero), isto
:
P( X = c ) = P ( c X c ) = () dx = 0
131
Prof. Luiz Andr de Oliveira
Para as variveis aleatrias contnuas a funo de distribuio acumulada definida, como segue:
F ( x ) = P ( X x ) = ()
Assim sendo, podemos afirmar que a funo densidade de probabilidade igual derivada da Funo
Repartio, ou seja:
()
f (x ) =
0 se x 0
3
F(x) = 27
se 0 < x < 3
1 se x 3
Soluo:
()
Sabe-se que: f (x ) =
()
Ento: se x 0, f (x ) =
= 0, pois f(x) = 0
3
Se 0 < x < 3, ento: f (x) = ( )
27
32 2
f (x ) = 27
=
9
()
e se x 3, ento: f (x ) =
= 0, pois F(x) =1 e a derivada de uma constante 0 (zero).
Ento, temos:
2
f(x)= se 0 < x < 3
9
= 0 se x (0 , 3)
132
Prof. Luiz Andr de Oliveira
ESPERANA MATEMTICA OU MDIA ESPERADA DE UMA VARIVEL ALEATRIA
A esperana matemtica ou mdia esperada de uma varivel aleatria X, contnua, dada pela
expresso:
E ( X ) = () dx =
Obs: Todas as propriedades de E(X) vistas na pgina...... so tambm vlidas para o caso de variveis
aleatrias contnuas.
A varincia de uma varivel aleatria contnua disperso de X em torno de sua mdia E ( X ) - dada
pela expresso:
Onde E( X2 ) = 2 ( )
Obs: Todas as propriedades de Var(X) vistas na pgina...... so tambm vlidas para o caso de
variveis aleatrias contnuas.
Como j visto na unidade anterior, pgina....o desvio padro dado pela raiz quadrada da varincia,
isto :
x = + ()
COEFICIENTE DE VARIO
Como j visto anteriormente, o coeficiente de variao uma medida de disperso em torno da mdia
esperada, E ( X ), e dado pela expresso:
CV=
()
. 100
Exemplo: Se uma varivel aleatria X tem sua funo densidade de probabilidade dada pela expresso:
2
f (x) = 15
se 1 < x < 4
=0 se x ( 1 , 4 )
Encontre:
133
Prof. Luiz Andr de Oliveira
a) a esperana matemtica de X
b) a varincia de X
c) o desvio padro
d) o coeficiente de variao
Soluo:
4
a) E(X)= () dx =
2
1 . 15 =
4 2 2 3 4
= 2 dx =
1 15 45 1
126
= = 2,80
45
4 4
E( X2 ) = 1 2 () = 1 2 . 2
15
4 3 4 4
E( X2 ) =1 2. 15 = 2
15
. 4 1
2.( 44 14 ) 2 .(2561)
E( X2 ) = =
60 60
255 510
E( X2 ) = 2 . 60
. = 60
= 8,5
0,81
d) CV = C V =
()
.
. 100 =
2,80
.100
C V = 28,9 %
134
Prof. Luiz Andr de Oliveira
Exerccio: Admitindo-se que uma varivel aleatria X tenha sua funo densidade de probabilidade
dada pela expresso:
0 se x -2
f(x) = - kx se -2 < x < 0
kx se 0x <2
0 se x 2
pede-se:
a) encontrar o valor de k para que a funo possa ser funo densidade de probabilidade.
b) Encontrar a funo repartio
c) P(X 1)
d) P(X 1)
e) P(-1,5 < X 1,5)
f) P(X > 0,50)
Soluo:
Para que uma funo possa ser funo densidade de probabilidade ela ter de satisfazer as condies:
0 2
a) () = 2 + 0 = 1
2 0 2 2
- k . 2 2 + k . = 1
2 0
k
2
((0)2 (2)2 ) + k2 . (22 02 ) = 1
k
2
. (0 4) + k . (4 0) = 1
2.k + 2. k = 1
4 k = 1 k = 14
b) Se x 2, :
F(x) = P(X ) = () = 0 , pois f(x) = 0
2
F(x) = () + 2 () = 0 + 2 () = + 2 ()
135
Prof. Luiz Andr de Oliveira
x 2 2 2 (x)2 + 4 4 x2
= 2 x4 dx = - x8 2 = (()
8
) ((2)
8
)= 8
= 8
Se 0 x < 2, ento:
2 0
F(x) = () = () + 2 4 + 0 4
x2 0 x2 02 (2)2 x2 02
= 0 + (- ) 2 + = ( )+
8 8 0 8 8
1 2
F(x) =
2
+ 8
Logo, podemos representar a F(x) como segue:
0 se x -2
4 2
F(x) = 8
se -2 < x < 0
1 2
+
2 8
se 0x <2
0 se x 2
1
4 (1)2
a) P(X 1) = (1) = 8
= 41
8
=
1 12
b) P(X 1) = F(1) = 2
+ 8 = 4+8 1 = 58
4+2,25 1,75
= 8
8
= 6,251,75
8
4,5
P( -1 < x 1,5) = 8
= 0,5625
1 2
P(X > 0,50) = 1 ( + (0,50)
2 8
) = 1 ( 12 + 0,25
8 )
= 1 ( 4+ 80,25 )
3,75
P(X > 0,50) = =0,4687
8
136
Prof. Luiz Andr de Oliveira
Lista de exerccios:
1.Sabe-se que uma varivel aleatria tem sua funo densidade de probabilidade dada pela funo:
f (x) = 2 se 0 < x < 2
= 0 se x ( 0 , 2 )
a) encontre a probabilidade de X ser maior que 0,5 e menor que 1,5 (0,5000)
b) encontre a funo repartio
c) encontre a mdia esperada de X (1,3333)
d) encontre a varincia de X (0,23)
e) encontre o desvio padro de X (0,48)
2. Conhecendo-se a funo: f(x) = 8 se 0 < x < 10
= 0 se x ( 0 , 10 )
a) determine o valor de k para que a funo possa ser funo densidade de probabilidade. (8/50)
b) encontre a Funo Repartio
c) encontre E(X) e a Var(X) (6,67) e ( 5,56)
d) calcule: P(2 < X < 6) (0,32) P( X 9) (0,81) P( X 3) (0,91) P(X = 7) (0,00)
e) determine o valor de K para que a funo possa ser funo densidade de probabilidade. (2/15)
f) Encontre a Funo Repartio
g) Encontre E(X) e a Var(X) ( 2,80) e (0,66)
h) Calcule: P(1,5 < X 6) (0,9166) P( X 1,5) (0,9166) P( X 0,5) (0,0) P(X 7) (0,0)
0 se x -3
.(3 + 27)
F(x) = se -3 < x 0
3
1 2
2
+ 8
se 0 < x < 2
1 se x 2
137
Prof. Luiz Andr de Oliveira
MODELOS DE DISTRIBUIO DE PROBABILIDADES DE VARIVEIS ALEATRIAS
CONTNUAS
Face grande freqncia de situaes em que nos deparamos com variveis com comportamentos
semelhantes que buscamos definir os modelos matemticos de distribuio de probabilidades. No
captulo anterior, quando vimos as variveis aleatrias contnuas, tivemos a oportunidade de ver o
Modelo Uniforme. Neste captulo veremos os modelos: exponencial e o modelo de distribuio
normal.
Se X uma varivel aleatria contnua com sua distribuio de probabilidade uniforme no intervalo
(a , b), ento a sua funo densidade de probabilidade dada pela seguinte funo:
1
f (x) =
se a < x < b
=0 se x (a , b)
Ento: Se x < a F(x) = () = 0 pois f ( x ) = 0 se x < a
< 1
Se a < x < b F ( x ) = ( ) +
dx =
F(x)=
Se x > b F ( x ) = () = () + () + ()
F ( x ) = 0 + + 0 pois f(x) 0 se x
Portanto: F( x ) = 1
Da ns podemos represent-la da forma a seguir:
138
Prof. Luiz Andr de Oliveira
0 se x a
F(x)=
se a < x < b
1 se x b
1,00
0,80
F ( x ) 0,60
0,40
0,20
-
-1,00 -0,50 -0,00 0,50 1,00 1,50 2,00 2,50 3,00
Valores de x
+
J a mdia esperada E ( X ) obtida pela frmula: E(X) =
()
e a varincia de X dada por: Var(X) =
Observao: a demonstrao das frmulas para clculo de E(X) e da Var(X) se encontram no final
deste captulo.
Exemplo: Admitindo-se que uma varivel aleatria X esteja distribuda uniformemente no intervalo de
1 a 6, encontre:
Rx = ( 1 , 6 )
1 1 1
a) f ( x ) = = =
61 5
1
ento : f(x) = se 1 < x < 6
5
= 0 se x (1 , 6)
b) conhecendo o intervalo (a , b) , s substituir no modelo acima, ou seja:
139
Prof. Luiz Andr de Oliveira
0 se x a
F(x)=
se a < x < b
1 se x b
ento: 0 se x 1
1
F(x) = se 1 < x < 6
5
1 se x 6
6 2 6 62 12
c) E( X ) = . () = 1 . 15 .dx = =
10 1 10
361 35
= = 10 = 3,5
10
+ 6+1
Ou simplesmente: E(X) = 2
= 2
= 72
E(X) = 3,5
d) Var(X) = E ( X2 ) (E ( X ))2
3 6
Como E(x2) = Rx x2 f (x) dx 6
= 1 2 . 51 =
15 1
63 13 2161 215
= = = = 14,3
15 15 15
Logo, teremos:
Var ( X ) = 2,05
() ()
Ou simplesmente: Var(X) =
=
= =
Var(X) = 2,05
f) x = + () = + 2,05 = 1,42
d) C V =
()
. 100 = 1,42
3,5
.100
C V = 61 %
140
Prof. Luiz Andr de Oliveira
Demonstraes:
1 2
E(X) = . () = . = 2()
=
2 2 ().(+)
=
2.()
=
2.()
=
+
E(X) =
3 3 3
E( X2 ) = 2 ( ) = 2 . dx =
1
= 3.()
3.()
3 3
Var(X) = 3.()
(b+a
2
)2
().(2 + +2 ) (+)2
Ento: Var(X) =
3.()
4
(2 + +2 ) (+)2
Var(X) =
3
4
4.( + + ) 3.( + 2+ 2 )
2 2 2
Var(X) =
12
42 + 4 +4 2 32 632
Var(X) =
12
2 2+ 2
Var(X) =
12
()
Var( X ) =
141
Prof. Luiz Andr de Oliveira
MODELO EXPONENCIAL
O modelo exponencial para uma varivel T tem sua funo densidade de probabilidade dada pela
expresso onde seu Rx = [ 0 , )
e-t se t 0
f(t) =
0 se t < 0
1,0
0,8
0,6
0,4
0,2
-
0 1 2 3 4 5
Valores de t
O Modelo exponencial tem larga aplicao em diversas reas do conhecimento e, em especial, no caso
de variveis relacionadas vida til de equipamentos, tempo de espera etc. Essa funo descreve
tambm as probabilidades associadas s variveis definidas como o tamanho do intervalo entre a
ocorrncia de dois sucessos consecutivos na Lei de Poisson.
P(c < T < d) = () = et = F(d) F( c )
Funo Repartio:
0
F(t) = P(T ) =
et =
et + et
0
= 0 + - e-t
O grfico de F(x) :
142
Prof. Luiz Andr de Oliveira
1,0
0,8
0,6
0,4
0,2
-
0 1 2 3 4 5
Valores de t
1
E(T) =
Varincia de T : Var(T)
1
Var ( T ) = 2
Exemplo 01: Uma fbrica afirma que a vida til de das lmpadas de sua produo uma varivel
aleatria que segue a Lei Exponencial com mdia de 700 horas. Um cliente deseja comprar uma
partida de lmpadas dessa fbrica e quer saber:
a) o percentual de lmpadas que espera durar mais que 700 horas
b) o percentual de lmpadas que espera durar menos de 350 horas
c) se ele comprar 10 000 lmpadas, quantas ele espera durar mais que 630 horas?
d) qual o desvio padro da vida til dessas lmpadas
Soluo:
a) O percentual de lmpadas a mesma coisa que:
1
Lembrando que: E(T) =
, temos: E(T) = 700 logo:
1
700 = 1 e ento, teremos : =
700
143
Prof. Luiz Andr de Oliveira
1
portanto: P(T > 700) = e-.t = 700 .700
P(T > 700) = e-1 = 0,3679
1
b) P(T < 350) = F(350) = 1 - e-t = 1 - = 700 .350
P(T < 350) = F(350) = 1 - e-0,5
1 630
c) P(T > 630) = 1 P(T 630) = 1 F(630) = 1 (1 - 700 .630 ) = 1 1 + 700
P(T > 630) = e- 0,9 = 0,4066
Portanto, tendo o percentual esperado de lmpadas que durem mais que 630 h s multiplicar
pelo total de lmpadas a serem adquiridas. Ento temos:
1
Var( T ) =
2
1
Var T ) = 1 2 = 7002 = 490 000 (horas)2 , portanto:
( 700 )
t = 490 000()2
t = 700 h
Exemplo 02: As interrupes de energia eltrica ocorrem segundo a Lei de Poisson com uma mdia de
1,5 interrupes por dia (24 h). Pergunta-se:
a) qual a probabilidade de que o intervalo das interrupes no seja menor que 8 h?
b) qual a probabilidade de que o intervalo entre duas interrupes seja inferior a 4 h?
c) Qual intervalo mdio e o desvio padro dessa varivel
Soluo: J sabemos que E(T) = 1,5 em um intervalo de tempo de 24 horas. Logo, a mdia no modelo
de Poisson dada por:
1,5
.24 = 1,5 = = 0,0625
24
Agora que conhecemos o valor de , podemos ento definir:
144
Prof. Luiz Andr de Oliveira
T : comprimento dos intervalos entre dois sucessos consecutivos.
1 1
c) A mdia: E(T) =
= E(T) = 0,0625
= 16 horas e para o clculo do desvio padro, temos:
1 1
Var( T ) =
2 =
(0,0625)2
= 256 (horas)2 t = 256()2
t = 16 horas
145
Prof. Luiz Andr de Oliveira
DISTRIBUIO NORMAL
A distribuio de probabilidade de uma varivel aleatria X, normal, tem sua funo densidade de
probabilidade dada pela expresso:
1 2
1 ( )
f(x) = . 2 para - < <
2
onde os valores de f(x), como podem ser visto na expresso, dependem somente dos parmetros e 2
que so a mdia e varincia da varivel aleatria X. Essa curva simtrica em relao sua mdia e o
seu coeficiente percentilico de curtose igual 0,263. uma curva assinttica ao eixo do X nos
extremos direita e esquerda.
O grfico a seguir mostra as curvas de duas variveis aleatrias normais de mdias iguais e de
varincias diferentes.
N(;12)
22 > 12
N(;22)
A integral da funo densidade nos fornece a rea sob a curva e isto s depende dos valores da mdia e
da varincia.
2
1 12 (
F(x) =
2
. ) dx =
146
Prof. Luiz Andr de Oliveira
Entretanto, pelo fato dessa integral no ser resolvida por mtodos convencionais, e tambm pelo fato
de que cada varivel tem sua mdia e varincia 2, implica numa grande dificuldade para a obteno
das probabilidades. Porm, essa dificuldade foi resolvida com a descoberta da transformao de
qualquer varivel X normal de mdia e varincia igual a 2, numa nova varivel, tambm normal, de
mdia 0 (zero) e varincia igual a 1, isto : Z: N(0 , 1), denominada varivel normal padro.
Uma varivel normal de mdia 0 (zero) e varincia igual a 1 denominada varivel normal padro.
Nesse caso, a funo densidade de probabilidade, fica reduzida a:
2
1 2
f(z) = . para - < Z < +
2
e sua Funo Repartio dada por: F(z) = P(Z z) , logo, fazendo a integral a seguir:
2
1 2
F(z) = P(Z ) = 2 dz
Podemos encontrar o valor da rea hachurada no grfico abaixo. Os valores da rea hachurada se
encontram tabelados para diversos valores de z.
Exemplo: Considerando uma varivel Z: N(0 , 1), encontre as reas correspondentes s seguintes
probabilidades:
147
Prof. Luiz Andr de Oliveira
g) P(Z 3,00) = h) P(Z > 3,00) =
Z=
Exemplo: Sabe-se que o peso dos estudantes de certa universidade uma varivel aleatria X, normal,
como mostrado no grfico a seguir, de mdia 25,1 kg e varincia igual a 63,18 (kg)2 . Nesse caso,
pergunta-se:
148
Prof. Luiz Andr de Oliveira
525,1
b) P(X < 5) = P Z ( 7,95
) = P(Z -2,53) = 0,0057
1425,1
d) P(X > 14) = 1 - P(X 14) = 1 P (Z
7,95
) = 1 P(Z -1,40) = 1 - 0,0808 = 0,9192
5525,1
f) P(X < 55) = P Z < ( 7,95
) = P(Z < 3,76) = 1,0000
Se temos uma varivel X que segue o modelo binomial com o nmero de repeties n, grande (n > 30)
e p, a probabilidade de sucesso, no muito pequena (0,10 < p <0,90), ento podemos, com pequena
margem de erro, fazer a obteno das probabilidades utilizando a aproximao pelo modelo normal.
Para isto, fazemos:
Rx = {0, 1, 2, 3, ..............n}
Ento fazemos a aproximao por uma varivel Y, distribuda normalmente, com os seguintes
parmetros:
Da, temos:
(0,5)
P(X = x) = ().px.qn-x P(xi 0,5 < Y < xi + 0,5) = P (
< < (+0,5)
)
149
Prof. Luiz Andr de Oliveira
Exemplo: A Direo de certo Colgio afirma que dos alunos regularmente matriculados, 40 % so do
sexo feminino. O colgio se prope a realizar uma viagem de estudos e abre a inscrio para 80
estudantes. Se as inscries ocorrem ao acaso e de forma independente, pergunta-se:
a) Qual a probabilidade de se inscreverem 40 estudantes do sexo feminino?
b) Qual a probabilidade de se inscreverem no mximo 43 estudantes do sexo feminino?
c) Qual a probabilidade de se inscreverem pelo menos 30 estudantes do sexo feminino?
d) Qual a probabilidade de se inscreverem de 25 a 35 estudantes do sexo feminino?
E(X) = n.p = 80. 0,40 = 32 e Var(X) = 2 = n.p.q = 80.0,4.0,6 = 19,2 => x = 19,2 = 4,38
Ento fazemos a aproximao por uma varivel Y, distribuda normalmente, com os seguintes
parmetros:
Y : N( 32 , 19,2)
Da, temos:
(0,5)
P(X = x) = ().px.qn-x P(xi 0,5 < Y < xi + 0,5) = P (
< < (+0,5)
)
Ento:
39,5 32
P(X = 40) = P( 39,5 < Y < 40,5) = P (
4,38
< < 40,54,38
32
)
P(X = 40) = P(1,74 < Z < 1,94) = F(1,97) F(1,71) =0,9738 0,9564
43,5 32
b) P(X 43) = P(Y 43 + 0,5) = P(Y 43,5) = P(Z 4,38
)
P(X 43) = P(Z 2,63) = 0,9957
(300,5) 32
c) P(X 30) = 1 P(X < 30) = 1 P(Y < (30-0,5)) = 1 P(Z < 4,38
)
P(X 30) = 1 P(Z < - 0,57) = 1 0,7157 = 0,2843
150
Prof. Luiz Andr de Oliveira
24,532 35,532
P(25 35) = P( 4,38
4,38
) = P(-1,71 0,80)
P(25 35) = F(0,80) F(-1,71) =0,7881 - 0,0436
Quando temos as variveis aleatrias X1, X2, X3, ........... Xn, todas normais e independentes, de mdias
e varincias conhecidas, ento a soma ou a diferena dessas variveis ser tambm uma varivel
normal.
Exemplo: Uma fbrica vende seus produtos embalados em caixas com dez unidades. Sabe-se que o
peso unitrio do produto uma varivel normal de mdia 100 g e desvio padro 3 g. J o peso das
caixas tambm uma varivel normal de mdia 50 g e desvio padro 4 g. Um cliente quer comprar
algumas caixas e quer saber:
Logo: W = 10 X1 + X2
151
Prof. Luiz Andr de Oliveira
COMBINAO LINEAR DE VARIVEIS ALEATRIAS NORMAIS
Se uma varivel aleatria Y o resultado de uma combinao linear de variveis aleatrias normais de
mdias e varincias conhecidas, ento a varivel aleatria Y tambm normal. Vejamos:
Exemplo: O gerente de uma fbrica estimou que o custo unitrio de seus produtos dado pela funo
Y = 0,2X1 + 0,4 X2 + K, onde X1 representa o custo da energia, X2 representa o custo da matria prima
e K representa o custo fixo das instalaes. Sabe-se tambm que o custo da energia uma varivel
normal de mdia igual a R$40,00 e desvio padro igual a R$3,00 e que o custo da matria prima
tambm uma varivel normal de mdia igual a R$80,00 e desvio padro igual a R$6,00. J o custo fixo
unitrio da ordem de R$4,00. Dessa forma, deseja-se saber:
Ento:
b) J a varincia ser:
4844
b) P(Y > 48) = 1 P(Y 48) = 1 P(Z ) = 1 P(Z 1,62)
2,47
152
Prof. Luiz Andr de Oliveira
EXERCCIOS PROPOSTOS:
2. Uma mquina est programada para encher garrafas de refrigerante com uma mdia de 900 ml. O
gerente da fbrica assegura que a quantidade de refrigerante colocada nas garrafas uma varivel
que est distribuda normalmente em torno da mdia de 900 ml e com desvio padro igual a 8 ml.
Com base nessas informaes do gerente deseja-se saber:
a) qual o percentual de garrafas que contm menos de 888 ml? 0,0668
b) Qual a probabilidade de encontrarmos garrafas com menos de 880 ml? 0,0062
3. Uma pesquisa mdica constatou que o nvel de colesterol na populao de certa regio uma
varivel normal com mdia igual a 165 e varincia igual a 164. Dessa forma deseja-se saber:
a) Sabendo-se que as pessoas com colesterol muito alto ou muito baixo esto sujeitas a
maiores riscos de doenas cardiovasculares, qual a probabilidade de encontrarmos pessoas
com nvel de colesterol fora da faixa de tolerncia de dois desvios padro abaixo e dois
desvios padro acima da mdia populacional? 0,0456
b) Sabendo-se que para pessoas com nvel de colesterol acima de 180 g recomendvel iniciar
um procedimento de controle, qual o percentual de pessoas dessa populao nessa
situao? 12,1%.
4. Uma fbrica de doces comercializa seus produtos em caixas de papelo com 20 unidades. O
fabricante das caixas afirma que o peso das caixas uma varivel normal de mdia 120 g e
varincia igual a 25 g2. J o peso das unidades de doces tambm uma varivel normal de mdia
igual a 80 g e desvio padro igual a a 6 gramas. Pergunta-se:
a) uma pessoa quer comprar uma grande quantidade de caixas de doces e quer saber a
probabilidade de encontrar caixa com peso bruto inferior a 1650 g. 0,0052
c) se o controle de qualidade retm todas as caixas com peso bruto que afaste da mdia por
mais que dois desvios padro, qual o percentual de caixas retidas? 0,0456
d) Qual o percentual de caixa com peso bruto entre 1700 g e 1800 g? 0,7656
5. Uma empresa comercializa as sardinhas embaladas em latas com peso bruto igual a 220 g e desvio
padro igual a 6 g. O fornecedor das latas afirma que o peso das latas uma varivel normal de
mdia igual a 40 g e varincia igual a 16 g2. A empresa quer saber:
a) A mdia e a varincia do peso lquido de seus produtos 180 g e 52 g2
b) Qual a probabilidade de que as sardinhas estejam sendo comercializadas com peso lquido
inferior a 180g ? 0,5000
c) Da produo diria de 5000 latas de sardinha, quantas latas so esperadas com peso lquido
inferior a 170 g de peso lquido? 411,5
6. O gerente de um restaurante do tipo SELF-SERVICE observou durante algum tempo e contatou que
o peso do prato de seus clientes uma varivel normal com mdia de 435 g e com desvio padro
igual a 45 g. Diante dessa constatao quer saber:
153
Prof. Luiz Andr de Oliveira
a) qual a probabilidade de encontrar clientes com pratos pesando mais que 500 g? 0,0749
b) pretendendo premiar com um chocolate s pessoas com pratos pesando mais que 520 g ,
quantos chocolates o restaurante precisa para atender s necessidades dirias, se
normalmente atende a 600 pessoas dia. 18
c) qual a probabilidade de encontrar pratos pesando exatamente 500g? 0,0000
7. Um grupo de 1000 pessoas participou de um teste classificatrio e foi constatado que as notas esto
distribudas normalmente em torno de uma mdia de 135 pontos e com desvio padro igual a 12
pontos. Pergunta-se:
a) Desejando-se reprovar 20%, os de notas mais baixas, qual deve ser a nota mnima para
aprovao? 124,9
b) Desejando-se convocar 10 % dos candidatos os melhor classificados, qual deve ser a
nota mnima para convocao? 150,4
8. Conhecendo-se as variveis normais X1: N(14 , 25), X2 : N(23 , 9), independentes, e definindo a
varivel W = X1 + X2 , pede-se:
a) encontrar a mdia e a varincia de W 37 e 34
b) qual a probabilidade de W ser maior que 45? 0,0853
c) qual a probabilidade de W assumir valores entre 30 e 48 0,8555
9. Uma pesquisa foi realizada numa certa cidade e constatou que o peso das mochilas dos 10 000
estudantes na faixa de 8 a 12 anos uma varivel normal com mdia de 8 kg e desvio padro igual
a 1,5 kg. Pergunta-se:
a) Quantos estudantes existem com mochilas pesando entre e + 0,6826
b) Quantos estudantes existem com mochilas pesando entre 2 e + 2 0,9544
c) Quantos estudantes existem com mochilas pesando entre 3 e + 3 0,9974
10. Uma mquina est programada para encher sacos com 5 kg de arroz. O fabricante da mquina
afirma que a quantidade de arroz, por saco, varia segundo a distribuio normal em torno da mdia
de 5 kg, com o desvio padro igual a 12 gramas. Pergunta-se:
a) qual a probabilidade de que o peso dos sacos esteja entre 4,98 kg e 5,02 kg? 0,9050
b) se sacos cujo peso afaste da mdia por mais de 30 gramas tem de ser refeitos, qual o
percentual de sacos a serem refeitos ? 0,0124
12. Uma fbrica de lmpadas afirma que a tempo de vida til das lmpadas por ela fabricadas est
distribudo, exponencialmente, com mdia de 1000 h. Assim sendo, pergunta-se:
a. qual a probabilidade de que as lmpadas durem mais de 1 200 h? (0,3012)
b. qual a probabilidade de que suas lmpadas durem menos de 700 h? (0,5034)
c. qual a probabilidade de que o tempo de vida til esteja entre 800 e 1400 h? (0,2027)
d. se forem compradas 6000 lmpadas, quantas se espera durar menos de 500 h? (2360)
154
Prof. Luiz Andr de Oliveira
13. Considerando que as chamadas telefnicas a um posto de servio de bombeiros seguem a Lei de
Poisson com uma mdia de 4 interrupes por ms (quatro semanas), qual a probabilidade de
que entre duas chamadas consecutivas haja um intervalo de :
a. Menos de uma semana ? (0,6321)
b. De duas semanas ? (0,0000)
c. entre 4 e 6 semanas ? (0,0158)
d. Mais de 5 semanas ? (0,0067)
14. Admite-se que numa populao de eleitores, 30 % sejam a favor de certo candidato A. Numa
amostra de 400 eleitores sorteados, ao acaso, pergunta-se:
a. qual a probabilidade de que haja mais de 110 eleitores a favor do candidato A? (0,8508)
b. qual a probabilidade de que haja entre 120 a 140 eleitores a favor do candidato A? (0,4631)
c. qual a probabilidade de que haja, no mximo, 150 eleitores a favor do candidato A?
(1,0000)
d. qual a probabilidade de que haja, pelo menos 140 eleitores a favor do candidato A?
(0,0166)
15. Uma moeda equilibra lanada 120 vezes a fim de verificar o nmero de caras que ocorrem.
Pergunta-se:
a. qual a probabilidade de ocorrer 50 caras? (0,0144)
b. Qual a probabilidade de ocorrer menos de 55 caras? (0,1587)
c. Qual a probabilidade de ocorrer mais de 70 caras? (0,0274)
d. Qual a probabilidade de ocorrer entre 50 e 70 caras? (0,9164)
16. O gerente de produo de uma fbrica afirma que o dimetro das peas fabricadas por certa
mquina uma varivel aleatria normal distribuda em torno de uma mdia igual a 21 mm e com
desvio padro igual a 1,5 mm. Um cliente deseja comprar uma grande quantidade de peas e quer
avaliar a qualidade das mesmas. Para isso, foi selecionada, aleatoriamente, uma amostra de 10
peas da produo diria da mquina e quer saber:
a. Qual a probabilidade de que a amostra no contenha peas com dimetro que afaste
mais de 1,5 mm da mdia ?
b. Qual a probabilidade de que a amostra contenha, no mximo, uma pea com dimetro
que afaste mais de 1,5 mm da mdia?
c. Se o gerente de produo garante a reposio das peas com dimetro que afaste da
mdia por mais de 2mm, qual o percentual de peas que ter de repor?
155
Prof. Luiz Andr de Oliveira
156
Prof. Luiz Andr de Oliveira
157
Prof. Luiz Andr de Oliveira
158